Random-Effects-Modell
In diesem Beitrag
Was versteht man unter dem Random-Effects-Modell?
Ein Random-Effects-Modell ist ein statistisches Modell, das davon ausgeht, dass bestimmte Effekte – etwa Unterschiede zwischen Gruppen, Personen oder Studien – nicht feste, sondern zufällige Größen sind. Diese zufälligen Effekte werden als Stichprobe aus einer übergeordneten Verteilung betrachtet, in der Regel einer Normalverteilung mit dem Mittelwert null.
Im Gegensatz dazu nimmt ein Fixed-Effects-Modell an, dass die Gruppeneffekte konstante, unveränderliche Parameter sind, die direkt geschätzt werden. Beim Random-Effects-Modell interessiert man sich nicht für die spezifischen Effekte der einzelnen Gruppen, sondern für die Varianz dieser Effekte in der Grundgesamtheit.
Formal lässt sich ein einfaches Random-Effects-Modell so darstellen: Ein Beobachtungswert setzt sich zusammen aus dem Gesamtmittelwert, einem zufälligen Gruppeneffekt und einem individuellen Fehlerterm. Beide Zufallskomponenten folgen dabei einer Normalverteilung.
Modellstruktur (vereinfacht)
Dabei steht für den Beobachtungswert, für den Gesamtmittelwert, für den zufälligen Effekt der Gruppe j und für den individuellen Fehlerterm.
Warum ist das Random-Effects-Modell für statistische Analysen wichtig?
Random-Effects-Modelle sind in vielen Forschungsfeldern unverzichtbar, weil sie zwei zentrale Probleme lösen:
- Hierarchisch strukturierte Daten: Wenn Beobachtungen in Gruppen eingebettet sind – Schüler in Klassen, Patienten in Kliniken, Messzeitpunkte in Personen – sind sie innerhalb einer Gruppe ähnlicher als zwischen Gruppen. Das verletzt die Unabhängigkeitsannahme klassischer Verfahren. Random-Effects-Modelle berücksichtigen diese Abhängigkeitsstruktur explizit.
- Verallgemeinerbarkeit: Da die Gruppen als Zufallsstichprobe aus einer größeren Population betrachtet werden, lassen sich die Ergebnisse auf nicht beobachtete Gruppen verallgemeinern.
Random-Effects-Modelle sind auch die Grundlage von gemischten Modellen (Mixed Models oder Linear Mixed Models), die sowohl feste als auch zufällige Effekte kombinieren – ein Standardwerkzeug in Längsschnittstudien, klinischer Forschung und den Sozialwissenschaften.
In der Meta-Analyse spielt das Random-Effects-Modell ebenfalls eine zentrale Rolle: Es wird eingesetzt, wenn die zugrundeliegenden Studien nicht alle denselben wahren Effekt messen, sondern sich der wahre Effekt zwischen Studien variiert.
Praxisbeispiel zum Random-Effects-Modell
Eine Forscherin untersucht, ob ein neues Lernprogramm die Lesekompetenz von Grundschulkindern verbessert. Dazu erhebt sie Daten von 200 Kindern aus 20 verschiedenen Schulen, mit jeweils 10 Kindern pro Schule.
Da Kinder innerhalb derselben Schule ähnlichere Lernbedingungen haben als Kinder aus verschiedenen Schulen, sind ihre Testergebnisse nicht vollständig unabhängig. Ein einfaches Regressionsmodell würde diese Clusterstruktur ignorieren und Standardfehler zu niedrig schätzen – mit der Folge, dass Effekte fälschlicherweise als statistisch signifikant ausgewiesen werden.
Die Forscherin setzt deshalb ein Random-Effects-Modell ein, das einen zufälligen Schuleffekt berücksichtigt. Die 20 Schulen werden dabei als Zufallsstichprobe aus allen möglichen Grundschulen behandelt. Das Modell schätzt:
| Komponente | Schätzwert | Interpretation |
|---|---|---|
| Gesamtmittelwert (Intercept) | 52,3 Punkte | Mittlere Leseleistung über alle Schulen |
| Effekt Lernprogramm (fix) | +4,1 Punkte | Durchschnittlicher Effekt des Programms |
| Varianz Schuleffekte (zufällig) | 9,8 | Schulen unterscheiden sich merklich voneinander |
| Residualvarianz | 21,4 | Individuelle Unterschiede innerhalb der Schulen |
Die Varianz der Schuleffekte (9,8) zeigt, dass Schulen tatsächlich systematisch unterschiedliche Ausgangsniveaus haben. Dieser Unterschied wird im Modell korrekt berücksichtigt, sodass der geschätzte Programmeffekt von +4,1 Punkten nicht durch zufällige Schulunterschiede verzerrt ist.
