Welche statistischen Modelle gibt es?

Was ist ein statistisches Modell?

Ein statistisches Modell ist eine mathematische Beschreibung der Beziehung zwischen Variablen in einem Datensatz. Es formuliert Annahmen darüber, wie eine oder mehrere unabhängige Variablen (Prädiktoren) mit einer abhängigen Variable (Zielgröße) zusammenhängen – und welche Fehlerstruktur dabei angenommen wird.

Kurz gesagt: Jedes statistische Modell beantwortet die Frage, welcher Mechanismus die beobachteten Daten erzeugt haben könnte. Die Wahl des richtigen Modells ist dabei keine reine Softwareentscheidung, sondern eine theoretisch begründete Entscheidung, die vom Skalenniveau der abhängigen Variable, der Datenstruktur und der Forschungsfrage abhängt.

In der akademischen Praxis – ob Bachelorarbeit, Masterarbeit oder Dissertation – begegnen Ihnen vor allem die folgenden Modellklassen.

Klassische lineare Modelle

Die klassischen linearen Modelle bilden das Fundament der angewandten Statistik. Sie setzen voraus, dass die abhängige Variable metrisch skaliert und annähernd normalverteilt ist.

Einfache und multiple lineare Regression

Die lineare Regression modelliert den Einfluss eines oder mehrerer Prädiktoren auf eine kontinuierliche Zielvariable. Die Gleichung lautet:

Dabei ist der Achsenabschnitt, sind die Regressionskoeffizienten der Prädiktoren, und bezeichnet den Fehlerterm. Typische Anwendungsfelder: Vorhersage von Testergebnissen, Gehältern oder klinischen Messwerten.

Varianzanalyse (ANOVA)

Die ANOVA (Analysis of Variance) prüft, ob sich die Mittelwerte von drei oder mehr Gruppen signifikant unterscheiden. Sie ist formal ein Spezialfall der linearen Regression, bei der die Prädiktoren kategorial kodiert sind. Erweiterungen wie die MANOVA (mehrere abhängige Variablen) oder die ANCOVA (mit Kovariaten) sind im gleichen theoretischen Rahmen verankert.

Verallgemeinerte lineare Modelle (GLMs)

Klassische lineare Modelle stoßen schnell an ihre Grenzen, sobald die abhängige Variable binär, kategorial oder als Zählung vorliegt. Hier setzen die Generalisierten Linearen Modelle (GLMs) an.

Wie in der methodischen Grundlagenliteratur formuliert, lassen sich viele gängige Modellklassen – von der linearen Regression über die logistische Regression bis zur Poisson-Regression – als Varianten eines gemeinsamen Rahmens aus Fehlerverteilung und Linkfunktion verstehen. Diese Perspektive ist äußerst hilfreich, weil sie die Modellwahl auf zwei zentrale Fragen reduziert: Welche Verteilung hat die Zielgröße? Und: Welche Linkfunktion verbindet Prädiktorraum und Erwartungswert?

Logistische Regression im akademischen Kontext

Die logistische Regression ist in vielen Disziplinen das meistgenutzte GLM. Sie schätzt die Wahrscheinlichkeit, dass ein Ereignis eintritt (z. B. Studienabbruch: ja/nein), in Abhängigkeit von Prädiktoren. Das zentrale Ausgabemaß sind die Odds Ratios: Ein OR von 1,5 bedeutet, dass die Chance des Ereignisses bei einer Einheit mehr auf dem Prädiktor um 50 % steigt.

Bei der statistischen Datenanalyse ist die Interpretation dieser Kennzahlen oft anspruchsvoller als die eigentliche Modellschätzung – und wird in Abschlussarbeiten häufig zu knapp behandelt.

Mixed-Effects-Modelle

Viele Datensätze in der empirischen Forschung haben eine hierarchische oder gruppierte Struktur: Schülerinnen und Schüler sind Klassen zugeordnet, Messzeitpunkte sind Personen zugeordnet, Patienten sind Kliniken zugeordnet. In solchen Fällen verletzen klassische Modelle die Annahme der Unabhängigkeit der Residuen – mit erheblichen Konsequenzen für Standardfehler und Signifikanztests.

Mixed-Effects-Modelle (auch: Mehrebenenmodelle, Hierarchische Lineare Modelle) lösen dieses Problem, indem sie neben fixen Effekten (die für alle Gruppen gleich gelten) auch zufällige Effekte modellieren, die gruppenspezifische Variation abbilden.

Konkret illustriert: In einem Schlafentzugsstudie etwa ergibt ein Mixed Model einen fixen Interzept von 251,4 ms Reaktionszeit und eine fixe Steigung von 10,47 ms pro Tag – ergänzt um personenspezifische Abweichungen mit Standardabweichungen von 24,74 ms (Interzept) und 5,92 ms/Tag (Steigung), die zeigen, wie stark Individuen vom Durchschnitt abweichen. Diese gruppenspezifische Variation lässt sich mit einem einfachen Regressionsmodell gar nicht erfassen.

Wann sind Mixed Models angebracht?

• Längsschnittdaten mit mehreren Messzeitpunkten pro Person
• Cluster-Stichproben (z. B. Befragungen in Betrieben oder Schulen)
• Item-Response-Daten aus psychologischen Tests
• Experimentelle Designs mit Wiederholungsmessungen
• Mehrebenendaten in der Bildungs-, Organisations- oder Gesundheitsforschung

Survival-Modelle und Ereigniszeitanalyse

Eine eigene Modellklasse entsteht, wenn die Zielgröße nicht ein Wert oder eine Kategorie ist, sondern die Zeit bis zu einem Ereignis: Wie lange bis zum Rückfall? Wie lange bis zur Kündigung? Wie lange bis zum Studienabschluss?

Das bekannteste Modell dieser Familie ist das Cox-Proportional-Hazard-Modell. Es schätzt den Einfluss von Kovariaten auf die Hazard-Rate (das momentane Ereignisrisiko) und ist semi-parametrisch: Es modelliert Kovariateneffekte, ohne die zeitliche Grundstruktur des Risikos vollständig vorzugeben.

Dabei ist die unspezifizierte Baseline-Hazard und das Hazard Ratio des Prädiktors . Ein zentrales Merkmal der Survival-Analyse ist der Umgang mit zensierten Beobachtungen: Personen, bei denen das Ereignis bis zum Ende der Studie nicht eingetreten ist, fließen trotzdem in die Schätzung ein.

Wie in der Originalliteratur beschrieben, ermöglicht das Modell die Schätzung von Kovariateneffekten auf Ereigniszeiten, ohne die Baseline-Hazard parametrisch festlegen zu müssen – ein erheblicher Vorteil gegenüber rein parametrischen Alternativen wie dem Exponential- oder Weibull-Modell.

In der Psychologie, Medizin und Sozialwissenschaft wird dieses Modell eingesetzt, wenn Längsschnittdaten mit einem definierten Zielereignis vorliegen – ein Anwendungsfall, der in Dissertationen häufig vorkommt, in Bachelorarbeiten aber eher selten.

Weitere wichtige Modellklassen

Neben den bisher genannten gibt es eine Reihe weiterer Modelle, die je nach Fragestellung und Datenstruktur relevant sein können.

Strukturgleichungsmodelle (SEM)

Strukturgleichungsmodelle kombinieren ein Messmodell (latente Variablen werden durch beobachtbare Indikatoren erfasst) mit einem Strukturmodell (Beziehungen zwischen latenten Konstrukten). SEMs sind in der Psychologie und den Sozialwissenschaften weit verbreitet, etwa zur Überprüfung von Mediations- oder Moderationshypothesen mit latenten Variablen. Software wie R (lavaan), AMOS oder Mplus wird dafür eingesetzt.

Zeitreihenmodelle

Wenn Messungen über die Zeit hinweg vorliegen und der zeitliche Verlauf selbst von Interesse ist, kommen Zeitreihenmodelle zum Einsatz. Klassische Vertreter sind:

• AR-Modelle (Autoregressive Modelle): Die aktuelle Beobachtung wird durch vergangene Werte vorhergesagt.
• ARIMA: Kombiniert Autoregression, Integration und gleitende Durchschnitte.
• GARCH: Modelliert zeitlich variierende Varianzen, vor allem in der Ökonometrie.

Bayes’sche Modelle

Bayes’sche Modelle unterscheiden sich grundlegend von frequentistischen Ansätzen: Sie integrieren Vorwissen (Prior-Verteilungen) in die Schätzung und liefern als Ergebnis eine Posterior-Verteilung statt punktueller Parameterschätzungen. In der Psychologie gewinnen Bayes’sche Analysen zunehmend an Bedeutung – etwa zur Berechnung von Bayes-Faktoren als Alternative zum p-Wert. Worauf es bei der Signifikanzbeurteilung ankommt, erläutert unser Beitrag wann ein statistischer Test signifikant ist.

Clusteranalyse und latente Klassenanalyse

Diese Modelle gehören zur explorativen Klasse und verfolgen das Ziel, Gruppen in den Daten zu identifizieren – ohne vorab festgelegte Gruppenzugehörigkeit. Die Clusteranalyse (k-Means, hierarchische Verfahren) arbeitet mit beobachteten Variablen, während die latente Klassenanalyse davon ausgeht, dass die Gruppenstruktur latent ist und aus Antwortmustern erschlossen wird.

Nichtparametrische Modelle

Wenn die Voraussetzungen parametrischer Modelle nicht erfüllt sind – etwa bei kleinen Stichproben oder ordinalen Daten –, bieten nichtparametrische Verfahren eine robuste Alternative. Beispiele: Mann-Whitney-U-Test, Kruskal-Wallis-Test, Spearman-Korrelation. Diese sind zwar weniger inferenzstark, aber methodisch vertretbar, wenn die Modellvoraussetzungen nicht haltbar sind.

Wie wählt man das richtige Modell?

Die Modellwahl ist in der Praxis eine der häufigsten Unsicherheitsquellen in empirischen Abschlussarbeiten. Eine strukturierte Herangehensweise hilft.

Ein nützlicher Ausgangspunkt für die Auswahl geeigneter Verfahren ist ein Überblick über die verfügbaren Analysemethoden sowie über die gängigen statistischen Methoden im weiteren Sinne. Wer den Unterschied zwischen deskriptiver und inferenzstatistischer Herangehensweise noch einmal grundsätzlich klären möchte, findet dazu eine kompakte Erklärung in unserem Beitrag zu den zwei Hauptarten der statistischen Analyse.

In der Praxis zeigt sich, dass viele Modellfehler bereits in der Planungsphase entstehen – nicht erst bei der Auswertung. Eine frühzeitige methodische Beratung kann hier erheblich Zeit und Korrekturen sparen. Wer sich bei der statistischen Auswertung empirischer Abschlussarbeiten professionell begleiten lassen möchte, findet dazu alle relevanten Informationen auf unserer Übersichtsseite.