Modellgüte
In diesem Beitrag
Was versteht man unter Modellgüte?
Die Modellgüte (auch: Modellpassung oder Goodness of Fit) beschreibt, wie gut ein statistisches Modell die beobachteten Daten abbildet. Sie gibt an, in welchem Ausmaß das Modell in der Lage ist, die Variation in den Daten zu erklären – also wie nah die vom Modell vorhergesagten Werte an den tatsächlich gemessenen Werten liegen.
Je nach Modelltyp werden unterschiedliche Kennwerte zur Beurteilung der Modellgüte herangezogen. Die wichtigsten sind:
- Bestimmtheitsmaß R²: Bei der linearen Regression gibt R² den Anteil der erklärten Varianz an der Gesamtvarianz der abhängigen Variable an. Ein Wert von 1 bedeutet perfekte Anpassung, ein Wert von 0 bedeutet, das Modell erklärt nichts.
- Adjustiertes R²: Eine korrigierte Variante von R², die die Anzahl der Prädiktoren im Modell berücksichtigt und Überanpassung (Overfitting) abmildert.
- AIC und BIC (Akaike- bzw. Bayesianisches Informationskriterium): Maße für den Modellvergleich, die sowohl die Anpassungsgüte als auch die Modellkomplexität berücksichtigen. Kleinere Werte deuten auf ein besseres Modell hin.
- Chi-Quadrat-Anpassungstest: Wird bei kategorialen Daten eingesetzt, um zu prüfen, ob eine beobachtete Häufigkeitsverteilung einer erwarteten Verteilung entspricht.
- RMSEA, CFI, TLI: Typische Fit-Indizes in der Strukturgleichungsmodellierung (SEM).
Bestimmtheitsmaß R²
Warum ist Modellgüte für statistische Analysen wichtig?
Die Modellgüte ist ein zentrales Qualitätsmerkmal jeder statistischen Analyse. Sie hilft dabei zu beurteilen, ob ein Modell überhaupt sinnvoll und aussagekräftig ist – bevor man einzelne Koeffizienten oder Effekte interpretiert. Ein Modell mit sehr schlechter Passung liefert möglicherweise verzerrte oder irreführende Schlüsse, selbst wenn einzelne Parameter statistisch signifikant sind.
Darüber hinaus ist die Modellgüte wichtig für den Modellvergleich: Wenn du mehrere konkurrierende Modelle entwickelst – zum Beispiel mit unterschiedlichen Prädiktoren – kannst du anhand von Gütekriterien wie AIC oder BIC entscheiden, welches Modell die Daten am besten beschreibt, ohne unnötig komplex zu sein.
Ein weiterer häufiger Irrtum ist, einen statistisch signifikanten Modellfit mit einem praktisch bedeutsamen Modellfit gleichzusetzen. Bei sehr großen Stichproben kann selbst ein minimaler Unterschied zwischen Modell und Daten statistisch signifikant werden, obwohl die Abweichung inhaltlich vernachlässigbar ist. Deshalb sollten immer mehrere Gütekriterien gemeinsam betrachtet werden.
Praxisbeispiel zu Modellgüte
Eine Forscherin untersucht, ob die tägliche Lernzeit (in Stunden) den Prüfungserfolg (Punktzahl von 0–100) vorhersagt. Sie berechnet eine einfache lineare Regression und erhält folgende Ergebnisse:
| Kennwert | Wert | Interpretation |
|---|---|---|
| R² | 0,62 | 62 % der Varianz in den Prüfungspunkten wird durch die Lernzeit erklärt. |
| Adjustiertes R² | 0,61 | Kaum Unterschied zu R² – Modell ist nicht übermäßig komplex. |
| RMSE | 7,4 Punkte | Im Durchschnitt weicht die Vorhersage um ca. 7 Punkte vom tatsächlichen Wert ab. |
| F-Test (Modell) | p < .001 | Das Modell ist insgesamt statistisch signifikant besser als ein Nullmodell. |
Das Modell erklärt einen substanziellen Teil der Variation in den Prüfungsergebnissen. Ein R² von 0,62 ist in sozialwissenschaftlichen Studien als gut zu bewerten. Gleichzeitig bleiben 38 % der Varianz unerklärt – andere Faktoren wie Vorwissen, Schlaf oder Prüfungsangst spielen offensichtlich ebenfalls eine Rolle. Die Forscherin sollte diese Einschränkung bei der Interpretation ihrer Ergebnisse transparent benennen.
