Prädiktorvariable
In diesem Beitrag
Was versteht man unter einer Prädiktorvariable?
Eine Prädiktorvariable ist eine Variable, die in einem statistischen Modell verwendet wird, um eine andere Variable – die sogenannte Kriteriumsvariable (auch abhängige Variable oder Outcome genannt) – vorherzusagen oder zu erklären. Im Kontext der Regressionsanalyse erscheint die Prädiktorvariable auf der rechten Seite der Regressionsgleichung:
Einfaches lineares Regressionsmodell
Dabei steht für die Kriteriumsvariable, für den Achsenabschnitt (Intercept), für den Regressionskoeffizienten des Prädiktors, für die Prädiktorvariable und für den Fehlerterm. In einem Modell mit mehreren Prädiktoren spricht man von multipler Regression.
Die Begriffe Prädiktorvariable, unabhängige Variable und erklärende Variable werden häufig synonym verwendet – es gibt jedoch feine Bedeutungsunterschiede: Der Begriff „unabhängige Variable“ ist eher in experimentellen Designs gebräuchlich, wo die Variable aktiv manipuliert wird. „Prädiktorvariable“ wird bevorzugt in beobachtenden, vorhersageorientierten Analysen genutzt.
Warum ist die Prädiktorvariable für statistische Analysen wichtig?
Prädiktorvariablen sind das Herzstück fast aller erklärenden und vorhersagenden statistischen Verfahren. Ob Regressionsanalyse, logistische Regression, Varianzanalyse oder strukturelle Gleichungsmodelle – in all diesen Verfahren wird mindestens eine Prädiktorvariable genutzt, um ein Outcome zu modellieren.
Die sorgfältige Auswahl der Prädiktoren entscheidet maßgeblich über die Qualität eines Modells. Dabei sind folgende Aspekte besonders relevant:
- Theoretische Fundierung: Prädiktoren sollten nicht willkürlich gewählt werden, sondern auf inhaltlich-theoretischen Überlegungen basieren.
- Multikollinearität: Wenn mehrere Prädiktoren stark miteinander korrelieren, können die Regressionskoeffizienten instabil werden und die Interpretation erschwert sich erheblich.
- Overfitting: Zu viele Prädiktoren im Verhältnis zur Stichprobengröße können dazu führen, dass ein Modell die Daten zu gut anpasst, aber schlecht auf neue Daten generalisiert.
Praxisbeispiel zu Prädiktorvariable
Eine Forscherin untersucht, welche Faktoren den Body-Mass-Index (BMI) von Studierenden vorhersagen. Sie erhebt folgende Variablen und setzt sie als Prädiktoren in eine multiple Regressionsanalyse ein:
| Prädiktorvariable | Typ | Erwarteter Einfluss auf BMI |
|---|---|---|
| Tägliche Schrittzahl | Kontinuierlich | Negativer Zusammenhang (mehr Schritte → niedrigerer BMI) |
| Kalorienaufnahme pro Tag | Kontinuierlich | Positiver Zusammenhang |
| Geschlecht | Kategorial (dummy-kodiert) | Gruppenunterschied wird geprüft |
| Schlafstunden pro Nacht | Kontinuierlich | Negativer Zusammenhang wird vermutet |
Das Regressionsmodell liefert für jeden Prädiktor einen eigenen Koeffizienten, der angibt, um wie viele Einheiten sich der BMI verändert, wenn der jeweilige Prädiktor um eine Einheit steigt – unter Kontrolle aller anderen Prädiktoren im Modell. So kann die Forscherin nicht nur Vorhersagen treffen, sondern auch den relativen Beitrag jedes einzelnen Faktors einschätzen.
