Homoskedastizität
In diesem Beitrag
Was versteht man unter Homoskedastizität?
Homoskedastizität bezeichnet in der Regressionsanalyse die Eigenschaft, dass die Varianz der Residuen – also der Abweichungen zwischen beobachteten und vorhergesagten Werten – über alle Ausprägungen der unabhängigen Variable(n) hinweg konstant ist. Mit anderen Worten: Die Streuung der Fehlerterme ist unabhängig vom Niveau des Prädiktors.
Formal lässt sich diese Annahme schreiben als:
Formale Bedingung
Dabei steht für den Fehlerterm der i-ten Beobachtung und für eine konstante, endliche Varianz. Das Gegenteil – also eine Varianz, die sich systematisch mit den Prädiktorwerten verändert – bezeichnet man als Heteroskedastizität.
Warum ist Homoskedastizität für statistische Analysen wichtig?
Homoskedastizität ist eine der klassischen Annahmen des linearen Regressionsmodells (OLS – Ordinary Least Squares). Wenn diese Annahme erfüllt ist, liefert die OLS-Schätzung nach dem Gauss-Markov-Theorem die effizientesten und unverzerrten linearen Schätzer (BLUE – Best Linear Unbiased Estimators). Konkret hat das folgende Auswirkungen:
- Standardfehler: Bei Homoskedastizität sind die berechneten Standardfehler der Regressionskoeffizienten korrekt. Liegt stattdessen Heteroskedastizität vor, werden die Standardfehler systematisch über- oder unterschätzt.
- Signifikanztests: Falsche Standardfehler führen zu verzerrten t- und F-Tests. Damit werden Signifikanzen entweder zu häufig oder zu selten festgestellt – ein ernstes Problem für die Interpretation deiner Ergebnisse.
- Konfidenzintervalle: Auch Konfidenzintervalle für die Koeffizienten werden unzuverlässig, wenn die Varianzhomogenität nicht gegeben ist.
Praxisbeispiel zu Homoskedastizität
Eine Forscherin untersucht, ob die Anzahl der Lernstunden (Prädiktor) die Prüfungsnote (Outcome) vorhersagt. Sie führt eine einfache lineare Regression durch und erstellt anschließend einen Residualplot.
| Lernstunden (Prädiktor) | Residuenstreuung bei Homoskedastizität | Residuenstreuung bei Heteroskedastizität |
|---|---|---|
| Wenige Stunden (1–5 h) | ± 3 Notenpunkte | ± 2 Notenpunkte |
| Mittlere Stunden (10–15 h) | ± 3 Notenpunkte | ± 5 Notenpunkte |
| Viele Stunden (20–25 h) | ± 3 Notenpunkte | ± 10 Notenpunkte |
Im homoskedastischen Fall streuen die Residuen gleichmäßig um null – unabhängig davon, wie viele Stunden die Studierenden gelernt haben. Im heteroskedastischen Fall hingegen nehmen die Abweichungen mit steigender Lernzeit deutlich zu. Im Residualplot wäre das als typisch trichterförmiges Muster erkennbar.
Die Forscherin führt zusätzlich einen Breusch-Pagan-Test durch. Ergibt dieser einen p-Wert unter 0,05, verwirft sie die Nullhypothese der Varianzhomogenität und korrigiert ihre Standardfehler entsprechend, bevor sie Signifikanzen interpretiert.
