Regressionskoeffizient
In diesem Beitrag
Was versteht man unter Regressionskoeffizient?
Ein Regressionskoeffizient beschreibt in einem Regressionsmodell den quantitativen Zusammenhang zwischen einer unabhängigen Variable (Prädiktor) und einer abhängigen Variable (Kriterium). Er gibt an, um wie viele Einheiten sich die abhängige Variable im Durchschnitt verändert, wenn die unabhängige Variable um eine Einheit steigt – unter der Annahme, dass alle anderen Variablen im Modell konstant bleiben.
Bei der einfachen linearen Regression lautet das Modell:
Regressionsgleichung
Dabei ist der vorhergesagte Wert der abhängigen Variable, der y-Achsenabschnitt (Konstante), der Regressionskoeffizient der unabhängigen Variable und der Fehlerterm. Bei der multiplen Regression gibt es entsprechend mehrere Koeffizienten .
Man unterscheidet zwei Arten von Regressionskoeffizienten:
- Unstandardisierte Koeffizienten (b): Geben die Veränderung in der Originaleinheit der abhängigen Variable an. Sie sind direkt inhaltlich interpretierbar, aber nicht zwischen Variablen mit unterschiedlichen Skalen vergleichbar.
- Standardisierte Koeffizienten (β, Beta-Gewichte): Berechnet auf Basis z-standardisierter Variablen. Sie sind einheitenlos und erlauben den direkten Vergleich des relativen Einflusses verschiedener Prädiktoren innerhalb eines Modells.
Warum ist der Regressionskoeffizient für statistische Analysen wichtig?
Regressionskoeffizienten sind das Herzstück jeder Regressionsanalyse. Sie erlauben es, Zusammenhänge zwischen Variablen nicht nur aufzudecken, sondern auch quantitativ zu beschreiben und zu interpretieren. In der Praxis sind sie aus mehreren Gründen zentral:
- Effektgröße und Richtung: Ein positiver Koeffizient zeigt einen positiven Zusammenhang an, ein negativer einen negativen. Die Stärke des Koeffizienten gibt Auskunft darüber, wie ausgeprägt dieser Zusammenhang ist.
- Statistische Signifikanz: Über einen t-Test lässt sich prüfen, ob ein Regressionskoeffizient signifikant von null verschieden ist – also ob der Prädiktor einen bedeutsamen Beitrag zur Vorhersage leistet.
- Prognose: Mit den geschätzten Koeffizienten lassen sich Vorhersagen für neue Beobachtungen berechnen.
Praxisbeispiel zu Regressionskoeffizient
Eine Forscherin untersucht, ob Lernzeit (in Stunden) und Schlafmenge (in Stunden) die Prüfungsleistung (in Punkten) vorhersagen. Sie führt eine multiple lineare Regression durch und erhält folgende Ergebnisse:
| Prädiktor | b (unstandardisiert) | β (standardisiert) | p-Wert |
|---|---|---|---|
| Konstante | 20,5 | – | < .001 |
| Lernzeit (Std.) | 3,8 | .52 | < .001 |
| Schlaf (Std.) | 1,4 | .21 | .03 |
Interpretation: Der unstandardisierte Koeffizient für Lernzeit beträgt b = 3,8. Das bedeutet: Für jede zusätzliche Stunde Lernzeit steigen die Prüfungspunkte im Durchschnitt um 3,8 Punkte – vorausgesetzt, die Schlafmenge bleibt konstant. Der Koeffizient für Schlaf (b = 1,4) zeigt, dass eine zusätzliche Schlafstunde mit 1,4 mehr Punkten verbunden ist.
Der Vergleich der standardisierten Koeffizienten (β = .52 vs. β = .21) zeigt, dass die Lernzeit einen deutlich stärkeren Einfluss auf die Prüfungsleistung hat als die Schlafmenge. Beide Koeffizienten sind statistisch signifikant (p < .05).
