Residuenanalyse
In diesem Beitrag
Was versteht man unter Residuenanalyse?
Die Residuenanalyse ist ein zentrales Werkzeug zur Überprüfung statistischer Modelle, insbesondere der linearen Regression. Ein Residuum (Plural: Residuen) ist die Differenz zwischen dem tatsächlich beobachteten Wert und dem vom Modell vorhergesagten Wert:
Formel: Residuum
Dabei steht für den beobachteten Wert, für den vom Modell geschätzten (vorhergesagten) Wert und für das resultierende Residuum des i-ten Beobachtungspunkts.
Die Residuenanalyse umfasst alle Methoden, mit denen diese Abweichungen systematisch untersucht werden – sowohl grafisch (z. B. durch Streudiagramme oder Q-Q-Plots) als auch über formale statistische Tests.
Warum ist Residuenanalyse für statistische Analysen wichtig?
Statistische Verfahren wie die lineare Regression basieren auf bestimmten Annahmen. Die Residuenanalyse ist das wichtigste Mittel, um zu prüfen, ob diese Annahmen im konkreten Datensatz erfüllt sind. Typische Annahmen, die geprüft werden, sind:
- Linearität: Der Zusammenhang zwischen Prädiktor und Kriterium ist linear.
- Homoskedastizität: Die Streuung der Residuen ist über alle Vorhersagewerte hinweg konstant.
- Normalverteilung der Residuen: Die Residuen sind annähernd normalverteilt.
- Unabhängigkeit: Die Residuen sind untereinander nicht systematisch korreliert.
Werden diese Annahmen verletzt, können Schätzungen verzerrt sein, Standardfehler falsch berechnet werden und statistische Tests zu falschen Schlüssen führen – selbst wenn das Modell auf den ersten Blick gut zu funktionieren scheint.
Praxisbeispiel zu Residuenanalyse
Eine Forscherin untersucht, ob der Lerneinsatz (Stunden pro Woche) die Prüfungsnote vorhersagt. Sie berechnet eine einfache lineare Regression und erhält für fünf Studierende folgende Werte:
| Studierende/r | Lernstunden / Woche | Beobachtete Note | Vorhergesagte Note | Residuum |
|---|---|---|---|---|
| A | 5 | 72 | 70 | +2 |
| B | 10 | 80 | 82 | −2 |
| C | 15 | 91 | 94 | −3 |
| D | 20 | 88 | 86 | +2 |
| E | 25 | 97 | 98 | −1 |
Die Residuen sind klein, wechseln ihr Vorzeichen unregelmäßig und zeigen kein klares Muster. Das ist ein gutes Zeichen: Die Abweichungen wirken zufällig, was darauf hindeutet, dass das lineare Modell angemessen ist.
Würden die Residuen hingegen mit zunehmenden Lernstunden systematisch größer werden, wäre das ein Hinweis auf Heteroskedastizität. Ein trichterförmiges Muster im Streudiagramm der Residuen gegen die vorhergesagten Werte wäre dann das visuelle Signal, das zur weiteren Prüfung und ggf. Modellanpassung auffordert.
