Grand-Mean-Centering
In diesem Beitrag
Was versteht man unter Grand-Mean-Centering?
Beim Grand-Mean-Centering wird von jedem einzelnen Messwert einer Variable der Gesamtmittelwert (Grand Mean) dieser Variable abgezogen. Der resultierende zentrierte Wert gibt an, wie weit ein Beobachtungswert vom Durchschnitt aller Beobachtungen in der gesamten Stichprobe entfernt ist. Formal gilt für eine Variable :
Formel: Grand-Mean-Centering
Dabei steht für den ursprünglichen Messwert der i-ten Beobachtung und für den Gesamtmittelwert über alle Beobachtungen hinweg. Der zentrierte Wert hat nach der Transformation einen Mittelwert von null.
Warum ist Grand-Mean-Centering für statistische Analysen wichtig?
Grand-Mean-Centering wird vor allem in zwei Analysekontexten eingesetzt: bei der Regressionsanalyse mit Interaktionstermen und bei Mehrebenenmodellen (Multilevel-Modelle / Mixed Models).
Reduktion von Multikollinearität
Wenn in einer Regressionsanalyse ein Interaktionsterm aus zwei Prädiktoren gebildet wird (z. B. X · Z), ist dieser Term oft stark mit den Haupteffekten X und Z korreliert. Das erzeugt Multikollinearität und macht die Schätzer instabil. Durch Grand-Mean-Centering der Prädiktoren vor der Multiplikation wird diese artifizielle Korrelation deutlich reduziert, ohne die Ergebnisse inhaltlich zu verändern.
Interpretierbarkeit des Achsenabschnitts (Intercept)
Nach der Zentrierung erhält der Intercept eine klare inhaltliche Bedeutung: Er beschreibt den vorhergesagten Wert der abhängigen Variable, wenn alle Prädiktoren ihren Mittelwert annehmen. Ohne Zentrierung würde der Intercept den Wert bei X = 0 beschreiben – ein Punkt, der oft außerhalb des sinnvollen Wertebereichs liegt.
Abgrenzung zum Group-Mean-Centering
In Mehrebenenmodellen gibt es eine wichtige Unterscheidung: Beim Grand-Mean-Centering wird der Gesamtmittelwert der gesamten Stichprobe abgezogen. Beim Group-Mean-Centering hingegen wird der Mittelwert der jeweiligen Gruppe (z. B. Schulklasse, Team) abgezogen. Die Wahl der Zentrierungsmethode hat inhaltliche Konsequenzen und beeinflusst, welche Varianz auf welcher Ebene modelliert wird.
Praxisbeispiel zu Grand-Mean-Centering
Eine Forscherin untersucht, ob die Arbeitserfahrung (in Jahren) und die Weiterbildungsmotivation (Skala 1–10) die Jobzufriedenheit vorhersagen – und ob die beiden Prädiktoren dabei interagieren. Sie erhebt Daten von 200 Beschäftigten.
Der Gesamtmittelwert der Arbeitserfahrung beträgt 8,4 Jahre, der Gesamtmittelwert der Weiterbildungsmotivation beträgt 6,2 Punkte. Vor der Berechnung des Interaktionsterms zentriert sie beide Variablen:
| Person | Erfahrung (roh) | Erfahrung (zentriert) | Motivation (roh) | Motivation (zentriert) |
|---|---|---|---|---|
| 1 | 12 | +3,6 | 8 | +1,8 |
| 2 | 5 | −3,4 | 5 | −1,2 |
| 3 | 8 | −0,4 | 7 | +0,8 |
| 4 | 15 | +6,6 | 9 | +2,8 |
| 5 | 3 | −5,4 | 4 | −2,2 |
Der Interaktionsterm wird dann aus den zentrierten Werten gebildet. Das Ergebnis: Der Intercept im Regressionsmodell gibt jetzt die vorhergesagte Jobzufriedenheit für eine Person mit durchschnittlicher Erfahrung und durchschnittlicher Motivation an – eine inhaltlich sinnvolle Referenz. Gleichzeitig ist die Korrelation zwischen Haupteffekten und Interaktionsterm deutlich geringer als ohne Zentrierung.
