Random Slope
In diesem Beitrag
Was versteht man unter Random Slope?
Ein Random Slope (deutsch: zufällige Steigung) ist ein Konzept aus gemischten linearen Modellen (auch: Mehrebenenmodelle oder Mixed-Effects-Modelle). Er beschreibt, dass der Effekt eines Prädiktors auf die abhängige Variable nicht für alle Gruppen oder Individuen gleich ist, sondern zwischen den Einheiten der übergeordneten Ebene variiert.
In einem solchen Modell wird der Regressionskoeffizient eines Prädiktors X nicht als fixer, für alle Gruppen identischer Wert angenommen, sondern als Zufallsvariable mit einer eigenen Verteilung. Formal lässt sich ein einfaches Modell mit Random Slope so ausdrücken:
Modellgleichung (Random Slope)
Dabei steht für das Intercept von Gruppe j, für die gruppenspezifische Steigung und für den Fehlerterm. Die Steigung setzt sich zusammen aus dem mittleren Effekt über alle Gruppen plus einem gruppenspezifischen Abweichungsterm.
Warum ist Random Slope für statistische Analysen wichtig?
In vielen realen Datensätzen sind Beobachtungen nicht unabhängig voneinander, sondern in Gruppen geschachtelt – etwa Schülerinnen und Schüler in Klassen, Patient:innen in Krankenhäusern oder Messzeitpunkte innerhalb von Personen. Wenn man annimmt, dass ein Prädiktor überall gleich wirkt, kann das zu falschen Schlussfolgerungen führen.
Ein Modell mit Random Slope bietet hier entscheidende Vorteile:
- Realitätsnähe: Effekte variieren in der Realität häufig zwischen Gruppen. Ein Random Slope bildet diese Heterogenität explizit ab.
- Korrekte Standardfehler: Wird die Variabilität der Steigungen ignoriert, sind Standardfehler oft zu klein – das erhöht das Risiko falsch-positiver Befunde.
- Erklärungspotenzial: Die Varianz der Random Slopes lässt sich auf Gruppenmerkmale zurückführen, was weiterführende Forschungsfragen ermöglicht.
Praxisbeispiel zu Random Slope
Eine Bildungsforscherin untersucht, ob die wöchentliche Lernzeit (in Stunden) die Mathematiknote von Schüler:innen vorhersagt. Die Daten stammen aus 20 verschiedenen Schulklassen mit je 15 bis 25 Schüler:innen.
Sie spezifiziert ein gemischtes Modell mit Random Intercept und Random Slope für den Prädiktor „Lernzeit“. Die Ergebnisse zeigen:
| Parameter | Schätzwert | Interpretation |
|---|---|---|
| Fixer Effekt: Intercept | 65,2 | Mittlere Note bei null Lernstunden (über alle Klassen) |
| Fixer Effekt: Lernzeit | 2,4 | Mittlerer Anstieg der Note pro zusätzlicher Lernstunde |
| Varianz Random Slope: Lernzeit | 1,8 | Streuung des Lernzeit-Effekts zwischen den Klassen |
Der fixe Effekt zeigt: Im Durchschnitt über alle Klassen steigt die Note um 2,4 Punkte pro zusätzlicher Lernstunde. Die Varianz des Random Slopes (1,8) zeigt jedoch, dass dieser Effekt erheblich zwischen den Klassen schwankt. In einigen Klassen liegt die Steigung bei 4 oder 5 Punkten pro Stunde, in anderen bei unter 1 Punkt. Würde man diese Variation ignorieren und nur einen fixen Effekt schätzen, gäbe man ein zu vereinfachtes Bild der Realität wieder – und würde möglicherweise unterschätzen, wie sehr die Lernumgebung in einer Klasse den Nutzen des Lernens beeinflusst.
