Heteroskedastizität
In diesem Beitrag
Was versteht man unter Heteroskedastizität?
In der Regressionsanalyse spricht man von Heteroskedastizität, wenn die Varianz der Residuen (also der Abweichungen zwischen beobachteten und vorhergesagten Werten) nicht konstant ist, sondern sich systematisch mit dem Niveau der unabhängigen Variablen oder der vorhergesagten Werte verändert. Das Gegenteil – eine über alle Beobachtungen hinweg gleichbleibende Fehlerstreuung – nennt sich Homoskedastizität.
Formal ausgedrückt: Bei Homoskedastizität gilt für alle Beobachtungen i, dass die Varianz des Fehlerterms konstant ist. Bei Heteroskedastizität hingegen gilt , d. h. die Varianz hängt von i ab und ist nicht mehr konstant.
Homoskedastizität (Annahme der OLS-Regression)
Warum ist Heteroskedastizität für statistische Analysen wichtig?
Die gewöhnliche Methode der kleinsten Quadrate (OLS, Ordinary Least Squares) setzt Homoskedastizität als eine ihrer Kernannahmen voraus. Ist diese verletzt, hat das konkrete Konsequenzen für die Güte deiner Analyse:
- Schätzwerte bleiben unverzerrt: Die geschätzten Regressionskoeffizienten sind zwar weiterhin korrekt, aber nicht mehr effizient im Sinne des Gauß-Markov-Theorems.
- Standardfehler werden verzerrt: Das ist das eigentliche Problem. Zu kleine oder zu große Standardfehler führen zu falschen t-Werten und damit zu irreführenden Signifikanztests.
- Schlussfolgerungen können falsch sein: Ein Effekt kann fälschlicherweise als signifikant oder nicht signifikant ausgewiesen werden, obwohl das Gegenteil zutrifft.
Heteroskedastizität tritt besonders häufig auf, wenn die Daten eine große Spannweite aufweisen – etwa bei Einkommens-, Umsatz- oder Bevölkerungsdaten.
Wird Heteroskedastizität festgestellt, gibt es mehrere Möglichkeiten, damit umzugehen:
- Verwendung robuster Standardfehler (z. B. nach White), die Heteroskedastizität rechnerisch korrigieren
- Variablentransformation, z. B. Logarithmierung der abhängigen Variable
- Gewichtete kleinste Quadrate (WLS, Weighted Least Squares), wenn die Varianzstruktur bekannt ist
Praxisbeispiel zu Heteroskedastizität
Eine Studierende untersucht in ihrer Bachelorarbeit, ob das monatliche Haushaltseinkommen das Konsumverhalten erklärt. Sie schätzt eine einfache lineare Regression und schaut sich anschließend den Residualplot an.
| Einkommensgruppe | Ø vorhergesagter Konsum (€) | Typische Abweichung der Residuen (€) |
|---|---|---|
| Niedrig (bis 1.500 €) | 1.100 | ± 80 |
| Mittel (1.500–3.000 €) | 2.200 | ± 250 |
| Hoch (über 3.000 €) | 3.800 | ± 700 |
Die Tabelle zeigt deutlich: Je höher das Einkommen, desto stärker streuen die Residuen. Die Streuung ist also nicht konstant – ein klares Zeichen für Heteroskedastizität. Die Studierende sollte in diesem Fall entweder robuste Standardfehler berichten oder eine Logarithmierung des Einkommens in Betracht ziehen, um die Varianz zu stabilisieren.
