Residualstandardfehler
In diesem Beitrag
Was versteht man unter Residualstandardfehler?
Der Residualstandardfehler (RSE) ist ein Maß für die durchschnittliche Abweichung der beobachteten Werte von den durch ein Regressionsmodell vorhergesagten Werten. Er gibt an, wie weit die tatsächlichen Datenpunkte typischerweise von der geschätzten Regressionslinie entfernt liegen – gemessen in der Einheit der abhängigen Variable.
Formal ergibt sich der RSE aus der Wurzel der mittleren quadratischen Abweichung der Residuen:
Formel: Residualstandardfehler
Dabei steht für das beobachtete und für das vom Modell vorhergesagte Kriterium. Der Nenner entspricht den Freiheitsgraden des Modells: n ist die Stichprobengröße und p die Anzahl der geschätzten Parameter (also Prädiktoren plus Intercept).
Warum ist der Residualstandardfehler für statistische Analysen wichtig?
Der RSE ist eine der zentralen Kennzahlen zur Beurteilung der Modellgüte einer linearen Regression. Er sagt dir, wie präzise dein Modell Vorhersagen macht – und das in der originalen Einheit deiner Zielvariable. Das macht ihn besonders intuitiv interpretierbar.
Konkret erfüllt der RSE mehrere wichtige Funktionen:
- Modellvergleich: Zwei Modelle mit der gleichen abhängigen Variable lassen sich direkt über ihren RSE vergleichen. Ein niedrigerer RSE bedeutet eine bessere Anpassung.
- Vorhersagegenauigkeit: Der RSE gibt an, in welchem Bereich Vorhersagen typischerweise vom wahren Wert abweichen. Das ist für praktische Anwendungen besonders relevant.
- Grundlage für Konfidenzintervalle: Der RSE fließt in die Berechnung von Konfidenzintervallen für Regressionskoeffizienten und Vorhersagewerte ein.
lm()-Modells ausgegeben – direkt neben den Freiheitsgraden. In SPSS findet er sich in der ANOVA-Tabelle unter „Quadratwurzel des mittleren Fehlerquadrats“. Praxisbeispiel zu Residualstandardfehler
Angenommen, du untersuchst in deiner Bachelorarbeit, ob die Anzahl der Lernstunden das Ergebnis einer Klausur (in Punkten, max. 100) vorhersagt. Du erhebst Daten von 30 Studierenden und schätzt ein einfaches lineares Regressionsmodell.
Das Modell liefert folgende Ausgabe:
| Kennzahl | Wert |
|---|---|
| Stichprobengröße (n) | 30 |
| Anzahl Parameter (p) | 2 (Intercept + Lernstunden) |
| Summe der quadrierten Residuen (RSS) | 1.568 |
| Freiheitsgrade (n – p) | 28 |
| Residualstandardfehler | 7,48 Punkte |
Der RSE von 7,48 Punkten bedeutet: Die tatsächlichen Klausurergebnisse weichen im Durchschnitt um rund 7,5 Punkte von den modellbasierten Vorhersagen ab. Bei einer Skala von 0 bis 100 Punkten ist das eine moderate Abweichung – das Modell erklärt einen Teil der Varianz, lässt aber noch Raum für weitere Einflussfaktoren wie Vorkenntnisse oder Prüfungsangst.
Würdest du ein erweitertes Modell mit zusätzlichen Prädiktoren schätzen und der RSE sänke auf 5,2 Punkte, wäre das ein Hinweis auf eine verbesserte Vorhersageleistung.
