Statistik-Glossar

Kontrollvariable

Control Variable / Kovariate · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Kontrollvariable?
Warum ist die Kontrollvariable wichtig?
Praxisbeispiel

Was versteht man unter Kontrollvariable?

Eine Kontrollvariable (auch Kovariate oder Störvariable) ist eine Variable, die in eine statistische Analyse aufgenommen wird, ohne dass sie die eigentliche Untersuchungsfrage beantwortet. Ihr Zweck ist es, den Einfluss von Faktoren statistisch „herauszurechnen“, die sowohl mit der unabhängigen als auch mit der abhängigen Variable zusammenhängen und dadurch das Ergebnis verfälschen könnten.

In der multiplen Regressionsanalyse werden Kontrollvariablen einfach als zusätzliche Prädiktoren in das Modell aufgenommen. Das Modell hat dann die folgende allgemeine Form:

Regressionsmodell mit Kontrollvariablen

$Y = \beta_0 + \beta_1 X + \beta_2 K_1 + \beta_3 K_2 + \cdots + \varepsilon$

Dabei steht $Y$ für die abhängige Variable, $X$ für den interessierenden Prädiktor (die unabhängige Variable) und $K_1, K_2, \ldots$ für die Kontrollvariablen. Die Koeffizienten $\beta_2, \beta_3, \ldots$ geben den Effekt jeder Kontrollvariablen an, während der Effekt von $X$ unter Berücksichtigung aller Kontrollvariablen berechnet wird.

Einfach erklärt Stell dir vor, du willst wissen, ob mehr Lernen zu besseren Noten führt. Aber Schülerinnen und Schüler unterscheiden sich auch in ihrer Grundintelligenz – wer intelligenter ist, lernt vielleicht effizienter und bekommt ohnehin bessere Noten. Wenn du die Intelligenz als Kontrollvariable ins Modell aufnimmst, kannst du den reinen Effekt des Lernens auf die Note bestimmen – unabhängig davon, wie intelligent jemand ist.

Warum ist die Kontrollvariable für statistische Analysen wichtig?

Kontrollvariablen erfüllen in der statistischen Analyse eine zentrale Funktion: Sie schützen vor Konfundierung. Ein Konfundierungseffekt liegt vor, wenn eine dritte Variable (der sogenannte Konfounder) den Zusammenhang zwischen unabhängiger und abhängiger Variable verzerrt – entweder, indem sie einen echten Effekt vortäuscht oder einen tatsächlich vorhandenen Effekt verdeckt.

Durch die Aufnahme relevanter Kontrollvariablen wird die interne Validität einer Studie erhöht. Das bedeutet: Die gefundenen Zusammenhänge lassen sich mit größerer Sicherheit auf den interessierenden Faktor zurückführen – und nicht auf andere, im Hintergrund wirkende Einflüsse.

Kontrollvariablen kommen besonders häufig in folgenden Situationen zum Einsatz:

In Beobachtungsstudien, wo keine experimentelle Randomisierung möglich ist
In sozialwissenschaftlichen Regressionsmodellen, um demografische Faktoren wie Alter, Geschlecht oder Bildung zu berücksichtigen
In medizinischen Studien, um Vorerkrankungen oder Lebensstilfaktoren zu kontrollieren

Häufiger Fehler Nicht jede zusätzliche Variable sollte automatisch als Kontrollvariable ins Modell aufgenommen werden. Wer wahllos Variablen einfügt, riskiert ein Overfitting des Modells oder – schlimmer – eine sogenannte Überadjustierung: Wenn eine Variable auf dem kausalen Pfad zwischen unabhängiger und abhängiger Variable liegt (ein sogenannter Mediator), wird durch ihre Kontrolle der eigentlich interessante Effekt künstlich weggerechnet. Kontrollvariablen sollten daher immer theoretisch begründet sein.

Gut zu wissen In experimentellen Studien mit echter Zufallszuweisung (Randomisierung) sind Kontrollvariablen weniger zwingend erforderlich, da die Randomisierung bekannte und unbekannte Störvariablen im Mittel gleichmäßig auf die Gruppen verteilt. In der Praxis werden sie aber dennoch genutzt, um die Schätzgenauigkeit zu verbessern.

Praxisbeispiel zu Kontrollvariable

Eine Forscherin untersucht, ob das Einkommen (unabhängige Variable) die Lebenszufriedenheit (abhängige Variable) beeinflusst. Sie vermutet jedoch, dass das Alter ebenfalls mit beiden Variablen zusammenhängt: Ältere Menschen haben oft ein höheres Einkommen, berichten aber auch häufiger von gesundheitlichen Einschränkungen, die die Lebenszufriedenheit senken können.

Deshalb nimmt sie Alter als Kontrollvariable in ihr Regressionsmodell auf. Das Ergebnis könnte so aussehen:

Tabelle 1. Regressionsmodell zur Vorhersage der Lebenszufriedenheit
Variable	Rolle im Modell	Regressionskoeffizient β	Interpretation
Einkommen	Unabhängige Variable	0,42	Positiver Effekt auf Lebenszufriedenheit
Alter	Kontrollvariable	−0,18	Wird herausgerechnet, nicht inhaltlich interpretiert

Der Koeffizient für das Einkommen (β = 0,42) gibt nun den Effekt des Einkommens auf die Lebenszufriedenheit an, nachdem der Einfluss des Alters statistisch berücksichtigt wurde. Die Forscherin kann so sicherer sagen, dass der gefundene Zusammenhang tatsächlich auf das Einkommen zurückzuführen ist – und nicht auf das Alter der Befragten.