Clusterrobuste Standardfehler
In diesem Beitrag
Was versteht man unter clusterrobusten Standardfehlern?
Clusterrobuste Standardfehler sind eine Methode zur Schätzung von Standardfehlern in Regressionsmodellen, die gezielt auf eine bestimmte Form der Abhängigkeit in den Daten eingeht: die Intra-Cluster-Korrelation. Sie kommen zum Einsatz, wenn Beobachtungen nicht vollständig unabhängig voneinander sind, sondern in natürliche Gruppen – sogenannte Cluster – fallen.
Die Grundannahme der klassischen Kleinstquadrateschätzung (OLS) ist, dass die Fehlerterme unabhängig und identisch verteilt sind. Wenn Beobachtungen innerhalb eines Clusters korreliert sind, ist diese Annahme verletzt. Clusterrobuste Standardfehler lassen die Fehlerterme innerhalb eines Clusters beliebig miteinander korrelieren, setzen aber voraus, dass die Fehlerterme zwischen den Clustern unkorreliert sind.
Varianz-Kovarianz-Schätzer (clusterrobust)
Dabei ist die Matrix der erklärenden Variablen, die Anzahl der Cluster, und die geclusterte Score-Summe für Cluster . Im Kern werden die quadrierten Residuen nicht einzeln betrachtet, sondern innerhalb jedes Clusters zunächst aufsummiert – erst dann geht ihre Streuung in den Standardfehler ein.
Warum sind clusterrobuste Standardfehler für statistische Analysen wichtig?
Wenn Daten eine Cluster-Struktur aufweisen und diese ignoriert wird, sind die klassischen OLS-Standardfehler typischerweise zu klein. Das bedeutet: Die berechneten t-Statistiken fallen zu groß aus, p-Werte zu klein – und man verwirft die Nullhypothese häufiger, als es tatsächlich gerechtfertigt wäre. Das ist ein ernstes Problem für die Validität statistischer Schlussfolgerungen.
Clusterrobuste Standardfehler lösen dieses Problem, indem sie die Abhängigkeitsstruktur innerhalb der Cluster in die Schätzung der Varianz einbeziehen. Wichtig: Die Punktschätzungen (also die Regressionskoeffizienten selbst) bleiben dabei unverändert – nur ihre Standardfehler und damit die Inferenz werden korrigiert.
Eine wesentliche Voraussetzung ist, dass die Anzahl der Cluster groß genug ist – eine verbreitete Faustformel nennt mindestens 30 bis 50 Cluster. Bei wenigen Clustern liefern clusterrobuste Standardfehler selbst verzerrte Schätzungen, und es sollten alternative Methoden (z. B. wild cluster bootstrap) in Betracht gezogen werden.
Praxisbeispiel zu clusterrobusten Standardfehlern
Eine Forscherin untersucht, ob ein neues Lernprogramm die Testergebnisse von Schülerinnen und Schülern verbessert. Dazu erhebt sie Daten aus 60 Schulklassen, in jeder Klasse 25 Schülerinnen und Schüler – insgesamt 1.500 Beobachtungen. Die Intervention (Lernprogramm ja/nein) wurde auf Klassenebene zugewiesen.
Schülerinnen und Schüler in derselben Klasse teilen Lehrerin oder Lehrer, Klassenklima und andere nicht beobachtete Faktoren. Ihre Testergebnisse sind daher nicht unabhängig voneinander. Wenn die Forscherin klassische OLS-Standardfehler verwendet, behandelt sie 1.500 Beobachtungen als vollständig unabhängig – obwohl sie effektiv nur 60 unabhängige Einheiten (Klassen) hat.
| Koeffizient | Schätzwert | OLS-Standardfehler | Clusterrobuster Standardfehler |
|---|---|---|---|
| Lernprogramm (0/1) | 4,2 Punkte | 0,9 | 1,8 |
| Konstante | 72,1 Punkte | 0,6 | 1,2 |
In diesem fiktiven Beispiel verdoppeln sich die Standardfehler durch das Clustern auf Klassenebene. Der t-Wert für den Effekt des Lernprogramms sinkt von 4,7 auf 2,3 – der Effekt bleibt statistisch signifikant, aber die Schätzung der Unsicherheit ist nun deutlich realistischer. Hätte die Forscherin die Cluster ignoriert, wäre ihr Vertrauen in das Ergebnis fälschlicherweise zu groß gewesen.
