Log-Transformation
In diesem Beitrag
Was versteht man unter Log-Transformation?
Bei der Log-Transformation wird jeder Wert einer Variable durch seinen Logarithmus ersetzt. Am häufigsten kommt dabei der natürliche Logarithmus (ln) zum Einsatz, seltener der dekadische Logarithmus (log10). Formal gilt für einen Messwert x > 0:
Formel – Log-Transformation
Wichtig: Die Log-Transformation ist nur für streng positive Werte definiert. Nullen und negative Zahlen lassen sich nicht logarithmieren. Für Daten mit Nullen wird häufig die Variante log(x + 1) verwendet, um dieses Problem zu umgehen.
Warum ist Log-Transformation für statistische Analysen wichtig?
Viele statistische Verfahren – wie die lineare Regression oder der t-Test – setzen voraus, dass die Daten bzw. die Residuen annähernd normalverteilt sind und die Varianz konstant ist (Homoskedastizität). Rechtsschiefe Verteilungen und ungleiche Varianzen verletzen diese Voraussetzungen. Die Log-Transformation kann helfen, beides zu korrigieren:
- Schiefe reduzieren: Rechtsschiefe Verteilungen (z. B. Einkommen, Reaktionszeiten, Konzentrationsmessungen) werden durch die Log-Transformation oft deutlich symmetrischer.
- Varianzstabilisierung: Wenn die Streuung der Daten mit dem Mittelwert mitwächst, kann der Logarithmus die Varianz stabilisieren.
- Linearisierung: Exponentiell wachsende Zusammenhänge werden durch die Log-Transformation linearisiert, was eine einfachere Modellierung ermöglicht.
Praxisbeispiel zu Log-Transformation
In einer Studie werden die monatlichen Werbeausgaben und der Umsatz von 200 Unternehmen untersucht. Die Rohwerte zeigen eine ausgeprägte Rechtsschiefe: Die meisten Unternehmen haben kleine Budgets, einige wenige sehr hohe. Ein Streudiagramm der Originalwerte zeigt einen gekrümmten, nicht-linearen Zusammenhang.
Nach der Log-Transformation beider Variablen ergibt sich folgendes Bild:
| Eigenschaft | Originalwerte | Log-transformierte Werte |
|---|---|---|
| Verteilungsform | Stark rechtschief | Annähernd symmetrisch |
| Zusammenhang | Gekrümmt (nicht-linear) | Annähernd linear |
| Residuenstreuung | Nimmt mit Größe zu | Konstant (homoskedastisch) |
| Geeignet für lineare Regression? | Nein | Ja |
Die lineare Regression auf den log-transformierten Daten liefert nun einen Regressionskoeffizienten von z. B. 0,65. Das bedeutet: Steigen die Werbeausgaben um 1 %, steigt der Umsatz um etwa 0,65 % – eine sogenannte Elastizität. Diese multiplikative Interpretation ist typisch für Log-Log-Modelle und inhaltlich oft sehr aussagekräftig.
