Wie interpretiert man den R-Output einer Regression?

Was zeigt summary(lm()) im Überblick?

Wer in R eine lineare Regression berechnet und anschließend summary() aufruft, bekommt einen kompakten, aber informationsdichten Output. Die Herausforderung liegt nicht darin, den Code zu schreiben – sondern darin, die einzelnen Bestandteile des Outputs richtig zu lesen und für die eigene Forschungsfrage einzuordnen.

Ein typischer Aufruf sieht so aus:

modell <- lm(note ~ lernzeit + schlaf, data = df)
summary(modell)

Der Output gliedert sich in fünf Hauptbereiche:

• Call – die verwendete Formel
• Residuals – Kennzahlen der Residuenverteilung
• Coefficients – Koeffizienten-Tabelle mit Schätzwert, Standardfehler, t-Wert und p-Wert
• Residual Standard Error & Freiheitsgrade
• R², Adjustiertes R² und F-Statistik

Diese Struktur ist in der offiziellen Dokumentation zu summary.lm() festgelegt und gilt für alle linearen Modelle, die mit lm() berechnet werden. Die folgenden Abschnitte erklären jeden Bereich einzeln.

Die Residuenverteilung verstehen

Direkt zu Beginn des Outputs erscheint ein kompakter Fünf-Punkte-Summary der Residuen:

Residuals:
    Min      1Q  Median      3Q     Max
-12.543  -2.871   0.214   3.109  15.832

Residuen sind die Differenzen zwischen den tatsächlich beobachteten Werten und den vom Modell vorhergesagten Werten. Bei einem gut angepassten Modell sollten die Residuen symmetrisch um Null verteilt sein.

Konkret bedeutet das: Der Median sollte nahe bei 0 liegen, und 1Q sowie 3Q sollten ungefähr symmetrisch um 0 liegen. Wenn der Median deutlich von 0 abweicht oder die Verteilung stark asymmetrisch ist, deutet das auf Modellprobleme hin – etwa eine nichtlineare Beziehung zwischen Prädiktor und Kriterium.

Koeffizienten interpretieren: Estimate, Std. Error, t-Wert und p-Wert

Das Herzstück des Regressionsoutputs ist die Koeffizienten-Tabelle. Sie besteht – wie in der summary.lm()-Dokumentation definiert – aus genau vier Spalten: Estimate, Std. Error, t value und Pr(>|t|).

Coefficients:
              Estimate Std. Error t value Pr(>|t|)
(Intercept)   4.12340    0.38210  10.792  < 2e-16 ***
lernzeit      0.35671    0.07834   4.554  0.00012 ***
schlaf       -0.08923    0.05612  -1.590  0.11423

Estimate (Regressionskoeffizient)

Der Estimate-Wert gibt an, um wie viele Einheiten sich die abhängige Variable verändert, wenn der jeweilige Prädiktor um eine Einheit steigt – unter Konstanthaltung aller anderen Prädiktoren. Das ist die zentrale Aussage eines multiplen Regressionskoeffizienten.

Im obigen Beispiel bedeutet ein Estimate von 0,357 für lernzeit: Steigt die Lernzeit um eine Stunde, verbessert sich die Note im Schnitt um 0,357 Punkte – sofern die Schlafdauer konstant bleibt.

Der Intercept () ist der vorhergesagte Wert der abhängigen Variable, wenn alle Prädiktoren gleich null sind. Inhaltlich ist dieser Wert nicht immer sinnvoll interpretierbar – das hängt davon ab, ob ein Prädiktorwert von 0 in Ihrem Forschungskontext überhaupt realistisch ist.

Std. Error (Standardfehler)

Der Standardfehler gibt an, wie präzise der Koeffizient geschätzt wurde. Ein kleiner Standardfehler relativ zum Estimate deutet auf eine stabile Schätzung hin. Er geht direkt in die Berechnung des t-Werts ein.

t value und Pr(>|t|)

Der t-Wert ergibt sich als Quotient aus Estimate und Standardfehler:

Auf Basis des t-Werts wird der zweiseitige p-Wert berechnet. Er gibt an, mit welcher Wahrscheinlichkeit ein Koeffizient dieser Größe oder größer auftreten würde, wenn der wahre Effekt null wäre.

In der Praxis gilt üblicherweise: Ein Prädiktor gilt als statistisch signifikant, wenn . Im Output erscheinen dafür Signifikanzsterne: *** für p < .001, ** für p < .01, * für p < .05 und . für p < .10.

Kategoriale Prädiktoren und Dummyvariablen

Wenn ein Prädiktor kategorial ist, erstellt R automatisch Dummyvariablen – eine Referenzkategorie wird weggelassen, alle anderen erscheinen als eigene Zeilen in der Koeffiziententabelle. Der jeweilige Estimate gibt dann den Unterschied zur Referenzkategorie an. Bei perfekter Multikollinearität oder redundanten Dummyvariablen werden betroffene Koeffizienten im Output als NA ausgewiesen und intern aus dem Modell ausgeschlossen.

Modellgüte: R², Adjustiertes R² und Residual Standard Error

Multiple R-squared (R²)

Das Bestimmtheitsmaß R² gibt an, welchen Anteil der Gesamtvarianz der abhängigen Variable das Modell erklärt. Ein R² von 0,65 bedeutet: 65 % der Streuung in der abhängigen Variable werden durch die Prädiktoren im Modell erklärt.

R² liegt immer zwischen 0 und 1. Was als „gut“ gilt, hängt stark vom Fachgebiet ab: In der Psychologie sind R²-Werte von 0,20–0,40 häufig akzeptabel, in den Wirtschaftswissenschaften können höhere Werte erwartet werden.

Adjusted R-squared (Adjustiertes R²)

Das adjustierte R² korrigiert den R²-Wert nach unten, wenn dem Modell zusätzliche Prädiktoren hinzugefügt werden, die keine echte Erklärungskraft haben. Es bestraft sozusagen unnötige Komplexität.

Für den Vergleich von Modellen mit unterschiedlich vielen Prädiktoren sollten Sie immer das adjustierte R² heranziehen, nicht das einfache R². Wenn das adjustierte R² deutlich unter dem R² liegt, haben Sie vermutlich zu viele wenig nützliche Prädiktoren im Modell.

Residual Standard Error

Der Residual Standard Error (RSE) ist die Quadratwurzel der geschätzten Fehlervarianz und beschreibt, wie weit die beobachteten Werte im Durchschnitt von der Regressionslinie abweichen – gemessen in der Einheit der abhängigen Variable. Ein RSE von 2,3 bei einer Notenskala von 1–6 bedeutet, dass die Vorhersagen im Schnitt um etwa 2,3 Notenpunkte daneben liegen – was in diesem Kontext eine erhebliche Ungenauigkeit wäre.

Die F-Statistik: Ist das Modell insgesamt signifikant?

Am Ende des Outputs steht die F-Statistik mit zugehörigem p-Wert. Sie testet, ob das Regressionsmodell als Ganzes besser zur Erklärung der abhängigen Variable geeignet ist als ein Modell, das nur aus dem Intercept (dem Mittelwert) besteht.

Ein signifikanter F-Test (p < .05) bedeutet, dass mindestens einer der Prädiktoren im Modell einen statistisch bedeutsamen Beitrag zur Varianzaufklärung leistet. Er sagt aber nicht aus, welcher Prädiktor das ist – das zeigen erst die t-Tests der einzelnen Koeffizienten.

Im Output sehen Sie außerdem die Freiheitsgrade der F-Statistik: Der erste Wert entspricht der Anzahl der Prädiktoren, der zweite der Anzahl der Residualfreiheitsgrade (n minus Anzahl der Parameter).

Annahmenprüfung und Diagnostik

Die Interpretation eines Regressionsoutputs endet nicht bei p-Werten und R². Eine lineare Regression basiert auf Annahmen, deren Verletzung die Schätzungen verzerren kann. Die Interpretation der Ergebnisse sollte daher immer mit einer Prüfung der Modelldiagnostik verbunden werden – das gilt auch und besonders für Abschlussarbeiten.

Die vier zentralen Annahmen, die Sie prüfen sollten:

• Linearität: Die Beziehung zwischen Prädiktor und Kriterium ist linear (Residuals vs. Fitted Plot)
• Normalverteilung der Residuen: Residuen sind normalverteilt (Q-Q-Plot)
• Homoskedastizität: Die Residuenvarianz ist über alle Prädiktorwerte hinweg konstant (Scale-Location Plot)
• Keine einflussreichen Ausreißer: Einzelne Datenpunkte verzerren das Modell nicht übermäßig (Residuals vs. Leverage Plot mit Cook’s Distance)

In R können Sie alle vier Diagnoseplots mit einem einzigen Befehl aufrufen:

par(mfrow = c(2, 2))
plot(modell)

Zusätzlich sollten Sie bei mehreren Prädiktoren auf Multikollinearität prüfen – also ob Prädiktoren untereinander stark korrelieren. Das erfolgt über den Variance Inflation Factor (VIF), den Sie mit dem Paket car berechnen können:

library(car)
vif(modell)

VIF-Werte über 5 (oder nach strengerer Lesart über 10) deuten auf problematische Multikollinearität hin. Wie Sie eine vollständige Regressionsanalyse in R von Grund auf erstellen, einschließlich der Modellspezifikation und Annahmenprüfung, erläutert ein separater Beitrag ausführlich.

Ergebnisse mit broom in Tabellenform bringen

Der klassische summary()-Output ist gut lesbar, aber nicht direkt in eine saubere Tabelle für Ihre Abschlussarbeit übertragbar. Das Paket broom löst dieses Problem: Es überführt Regressionsergebnisse in aufgeräumte Data-Frames, die sich leicht exportieren und weiterverarbeiten lassen.

Der empfohlene Workflow mit drei Funktionen, wie er in der offiziellen broom-Dokumentation beschrieben wird:

library(broom)

# Koeffizienten als Data Frame
tidy(modell)

# Modellkennzahlen als einzeilige Tabelle
glance(modell)

# Datensatz mit Residuen und Diagnostik
augment(modell)

Mit tidy() können Sie die Koeffizienten direkt filtern oder mit knitr::kable() bzw. dem Paket flextable in eine publikationsreife Tabelle umwandeln. Wie Sie R-Ergebnisse insgesamt für eine Abschlussarbeit aufbereiten und exportieren, zeigt der Beitrag zu R-Ergebnissen für Abschlussarbeiten.

Typische Fehler bei der Interpretation in Abschlussarbeiten

In der Praxis zeigt sich immer wieder, dass dieselben Interpretationsfehler in Abschlussarbeiten auftauchen. Hier sind die häufigsten – und wie Sie sie vermeiden:

Wie Sie Effektstärken für Ihre Regressionskoeffizienten korrekt in R berechnen und berichten, lohnt sich als ergänzende Lektüre – denn p-Werte allein reichen an den meisten Hochschulen nicht mehr aus.

Wer sich bei der Interpretation unsicher ist oder die Ergebnisse für eine Abschlussarbeit korrekt darstellen möchte, findet bei der methodischen Begleitung durch R-Statistiker eine zuverlässige Unterstützung – von der Modellspezifikation bis zur Ergebnisdarstellung.

Grundsätzlich gilt: Die Regressionsausgabe von R ist präzise strukturiert und gut dokumentiert. Wer die fünf Bereiche des Outputs – Residuen, Koeffizienten, RSE, R² und F-Statistik – systematisch durchgeht und mit einer Annahmenprüfung verbindet, hat eine vollständige und belastbare Grundlage für die Interpretation. Eine vollständige Einführung in die inhaltliche Breite statistischer Tests in R bietet auch der Beitrag zum t-Test in R, der das Prinzip von Teststatistik und p-Wert sehr anschaulich erklärt.

Die Qualität einer Regressionsinterpretation hängt letztlich nicht nur vom Verständnis der einzelnen Kennzahlen ab, sondern auch davon, ob die Ergebnisse im Licht der Forschungsfrage und der Datenstruktur bewertet werden. Eine vollständige Interpretation, wie sie in universitären Methodenkursen empfohlen wird, schließt deshalb immer Annahmenprüfung, Effektgröße und inhaltliche Einordnung ein – nicht nur den Blick auf Sternchen neben Koeffizienten.