Statistik-Glossar

Hierarchische Regression

Hierarchical Regression · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter hierarchischer Regression?
Warum ist hierarchische Regression wichtig?
Praxisbeispiel

Was versteht man unter hierarchischer Regression?

Die hierarchische Regression ist eine Erweiterung der multiplen linearen Regression. Dabei werden Prädiktoren (unabhängige Variablen) nicht alle auf einmal in das Modell aufgenommen, sondern in mehreren aufeinanderfolgenden Schritten – den sogenannten Blöcken. Jeder Block enthält eine oder mehrere neue Variablen, die zusätzlich zu den bereits vorhandenen ins Modell eingefügt werden.

Nach jedem Schritt wird geprüft, wie viel zusätzliche Varianz in der abhängigen Variable durch die neu hinzugefügten Prädiktoren erklärt wird. Diesen Zuwachs bezeichnet man als inkrementelle Varianzaufklärung und gibt ihn als Änderung im Bestimmtheitsmaß an:

Inkrementelle Varianzaufklärung

$\Delta R^2 = R^2_{\text{Modell}_{k}} - R^2_{\text{Modell}_{k-1}}$

Ein signifikanter $\Delta R^2$ -Wert (geprüft mit dem F-Test) zeigt an, dass der neue Block einen bedeutsamen Erklärungsbeitrag leistet. Die Reihenfolge der Blöcke wird dabei vom Forschenden bewusst und theoriegeleitet festgelegt – das unterscheidet die hierarchische Regression von rein datenbetriebenen Verfahren wie der schrittweisen Regression.

Einfach erklärt Stell dir vor, du willst erklären, warum Studierende unterschiedlich gute Noten schreiben. Zuerst schaust du dir demografische Faktoren an (z. B. Alter). Im zweiten Schritt fügst du Lerngewohnheiten hinzu. Im dritten Schritt Prüfungsangst. Du prüfst bei jedem Schritt: Bringt dieser neue Faktor wirklich etwas Neues – oder war er schon durch die vorherigen Faktoren abgedeckt? Genau das macht die hierarchische Regression.

Warum ist hierarchische Regression für statistische Analysen wichtig?

Die hierarchische Regression ist besonders wertvoll, wenn man nicht nur vorhersagen, sondern erklären will. Sie erlaubt es, theoretische Annahmen direkt in die Modellstruktur einzubauen: Kontrollvariablen kommen in frühe Blöcke, die zentralen Prädiktoren folgen danach. So lässt sich sauber beurteilen, ob ein Prädiktor einen eigenständigen Beitrag leistet – auch wenn andere Faktoren bereits berücksichtigt sind.

Typische Anwendungsfälle sind:

Kontrolle von Störvariablen (z. B. soziodemografische Merkmale im ersten Block)
Testen von Moderations- oder Mediationshypothesen in aufeinanderfolgenden Schritten
Vergleich konkurrierender Erklärungsmodelle innerhalb einer Analyse

Häufiger Fehler Die hierarchische Regression wird oft mit der hierarchischen linearen Modellierung (auch Mehrebenenanalyse genannt) verwechselt. Das sind zwei völlig unterschiedliche Verfahren. Die hierarchische Regression bezieht sich auf die blockweise Aufnahme von Prädiktoren in ein Regressionsmodell – nicht auf geschachtelte Datenstrukturen (z. B. Schüler in Klassen).

Gut zu wissen Die Reihenfolge der Blöcke ist kein statistisches, sondern ein inhaltliches Urteil. Sie sollte vor der Analyse theoretisch begründet und nicht nachträglich angepasst werden – sonst drohen Kapitulation vor dem Zufall und aufgeblasene Fehler-1.-Art-Raten.

Praxisbeispiel zu hierarchischer Regression

Eine Forscherin untersucht, welche Faktoren das Wohlbefinden von Beschäftigten im Homeoffice beeinflussen. Sie formuliert drei theoretisch begründete Blöcke:

Tabelle 1. Blockweise Aufnahme von Prädiktoren im Regressionsmodell
Block	Aufgenommene Variablen	R²	ΔR²	Signifikanz ΔR²
1	Alter, Geschlecht, Berufserfahrung	.08	.08	p = .021
2	Soziale Unterstützung, Autonomie	.29	.21	p < .001
3	Technikstress	.34	.05	p = .038

Der erste Block mit den Kontrollvariablen erklärt bereits 8 % der Varianz im Wohlbefinden. Der zweite Block steigert die Varianzaufklärung um weitere 21 Prozentpunkte – ein bedeutsamer Zuwachs. Technikstress im dritten Block trägt nochmals 5 % bei, auch das ist statistisch signifikant.

Die Forscherin kann nun sagen: Soziale Unterstützung und Autonomie erklären das Wohlbefinden auch dann noch substanziell, wenn demografische Faktoren bereits kontrolliert wurden. Und Technikstress liefert darüber hinaus einen eigenständigen Beitrag. Genau das ist der Erkenntnisgewinn der hierarchischen Regression.