Group-Mean-Centering
In diesem Beitrag
Was versteht man unter Group-Mean-Centering?
Group-Mean-Centering (auch: Gruppenzentrierung) ist eine Methode zur Transformation von Prädiktorvariablen in Mehrebenenmodellen (engl. multilevel models). Dabei wird von jedem Messwert einer Person oder Einheit nicht der Gesamtmittelwert aller Beobachtungen abgezogen, sondern der Mittelwert der jeweiligen Gruppe, zu der diese Einheit gehört.
Formal gilt für eine Beobachtung in Gruppe :
Formel: Group-Mean-Centering
Dabei steht für den ursprünglichen Messwert, für den Gruppenmittelwert und für den gruppengemittelten, zentrierten Wert. Das Ergebnis gibt an, wie weit eine Beobachtung vom Durchschnitt ihrer eigenen Gruppe abweicht.
Im Unterschied dazu steht das Grand-Mean-Centering, bei dem der übergeordnete Gesamtmittelwert über alle Gruppen hinweg abgezogen wird.
Warum ist Group-Mean-Centering für statistische Analysen wichtig?
Group-Mean-Centering ist vor allem in der Mehrebenenanalyse ein unverzichtbares Werkzeug, weil es ermöglicht, Effekte sauber auf der richtigen Ebene zu trennen. Ohne eine geeignete Zentrierung können Effekte auf Individualebene (Level 1) und Gruppenebene (Level 2) miteinander vermischt werden – ein klassischer Analysefehler, der zu falschen Schlussfolgerungen führt.
Durch Group-Mean-Centering wird der Prädiktor von allen Unterschieden zwischen den Gruppen bereinigt. Was übrig bleibt, ist die reine Within-Group-Varianz – also die Variation innerhalb der Gruppe. Das erlaubt es, auf Level 1 einen echten Intragruppen-Effekt zu schätzen, der nicht durch systematische Unterschiede zwischen Gruppen verzerrt ist.
Typische Anwendungssituationen sind:
- Längsschnittdaten mit Messwiederholungen (Personen als Gruppen, Zeitpunkte als Level-1-Einheiten)
- Schülerinnen und Schüler in Klassen oder Schulen
- Mitarbeitende in Teams oder Abteilungen
- Patienten in Behandlungsgruppen oder Kliniken
Praxisbeispiel zu Group-Mean-Centering
Eine Forscherin untersucht, ob die wöchentliche Lernzeit den Klausurerfolg von Studierenden beeinflusst. Die Studierenden sind in verschiedene Seminare (Gruppen) eingebettet. Sie vermutet, dass nicht die absolute Lernzeit entscheidend ist, sondern ob jemand im Vergleich zu den eigenen Kommilitoninnen und Kommilitonen mehr oder weniger lernt.
Sie erhebt folgende Daten für Seminar A:
| Studierende/r | Lernzeit (Std./Woche) | Gruppenmittelwert | Zentrierter Wert |
|---|---|---|---|
| Anna | 10 | 8 | +2 |
| Ben | 8 | 8 | 0 |
| Clara | 6 | 8 | −2 |
| David | 8 | 8 | 0 |
Anna lernt zwei Stunden mehr als der Durchschnitt ihres Seminars, Clara zwei Stunden weniger. Der zentrierte Wert gibt nun genau das an: die relative Position innerhalb der eigenen Gruppe. In einem Mehrebenenmodell wird dieser zentrierte Wert als Level-1-Prädiktor verwendet. So lässt sich sauber schätzen, ob Studierende, die im Vergleich zu ihren Kommilitoninnen und Kommilitonen mehr lernen, auch bessere Klausurergebnisse erzielen – unabhängig davon, welches Seminar generell mehr oder weniger lernt.
