Statistik-Glossar

Simple-Slopes-Analyse

Simple Slopes Analysis / Einfache Steigungsanalyse · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter der Simple-Slopes-Analyse?
Warum ist die Simple-Slopes-Analyse wichtig?
Praxisbeispiel

Was versteht man unter der Simple-Slopes-Analyse?

Die Simple-Slopes-Analyse ist ein Verfahren zur Interpretation von Interaktionseffekten in Regressionsmodellen. Sie wird eingesetzt, wenn in einer multiplen Regression ein Interaktionsterm (also das Produkt zweier Prädiktoren) statistisch signifikant ist. Allein die Signifikanz des Interaktionsterms sagt noch wenig darüber aus, wie der Zusammenhang zwischen einem Prädiktor und der abhängigen Variable konkret aussieht. Die Simple-Slopes-Analyse macht diesen Zusammenhang sichtbar, indem sie die Steigung des Prädiktors auf verschiedenen Ausprägungsniveaus der Moderatorvariablen berechnet und auf statistische Bedeutsamkeit prüft.

Formal betrachtet geht es um ein Regressionsmodell der Form:

Regressionsmodell mit Interaktionsterm

$\hat{Y} = b_0 + b_1 X + b_2 M + b_3 (X \cdot M)$

Dabei ist $\hat{Y}$ die abhängige Variable, $X$ der fokale Prädiktor, $M$ der Moderator und $X \cdot M$ der Interaktionsterm. Die Simple Slope – also die einfache Steigung von $X$ auf die abhängige Variable – ergibt sich für einen bestimmten Wert des Moderators $M = m$ als:

Simple Slope

$b_{\text{simple}} = b_1 + b_3 \cdot m$

Üblicherweise werden drei Ausprägungen des Moderators untersucht: ein niedriger Wert (Mittelwert minus eine Standardabweichung), der Mittelwert und ein hoher Wert (Mittelwert plus eine Standardabweichung).

Einfach erklärt: Stell dir vor, du untersuchst, ob Stress den Zusammenhang zwischen Schlafmangel und Konzentrationsproblemen beeinflusst. Der Interaktionsterm sagt dir: „Ja, Stress spielt eine Rolle.“ Die Simple-Slopes-Analyse zeigt dir dann genau: Bei wenig Stress ist der Zusammenhang zwischen Schlafmangel und Konzentrationsproblemen schwächer – bei viel Stress ist er stärker. Du siehst also, wie steil die Gerade für verschiedene Gruppen ist und ob diese Steigung sich von null unterscheidet.

Warum ist die Simple-Slopes-Analyse für statistische Analysen wichtig?

Interaktionseffekte sind in der Forschungspraxis schwer zu interpretieren, wenn man nur auf den Regressionskoeffizienten des Interaktionsterms schaut. Der Koeffizient allein beantwortet nicht, ob der Effekt des fokalen Prädiktors auf allen Ebenen des Moderators bedeutsam ist. Genau hier setzt die Simple-Slopes-Analyse an: Sie zerlegt den Interaktionseffekt in konkret interpretierbare Teilzusammenhänge.

Das Verfahren ist besonders relevant in der Psychologie, den Sozialwissenschaften, der Medizin und der Wirtschaftsforschung – überall dort, wo theoretisch begründete Moderationshypothesen getestet werden. Typische Anwendungsfälle sind etwa die Frage, ob eine Intervention bei Hochrisikogruppen wirksamer ist als bei Niedrigrisikogruppen.

Häufiger Fehler: Viele Forschende visualisieren den Interaktionseffekt zwar als Liniendiagramm, prüfen aber nicht, ob die einzelnen Simple Slopes auch tatsächlich signifikant von null verschieden sind. Eine steile Linie im Diagramm kann trotzdem statistisch nicht bedeutsam sein – besonders bei kleinen Stichproben. Die inferenzstatistische Prüfung jeder Steigung ist deshalb unverzichtbar.

Gut zu wissen: Für kontinuierliche Moderatorvariablen hat sich die Wahl von Mittelwert ± 1 SD als Standard etabliert (nach Aiken & West, 1991). Bei kategorialen Moderatoren werden stattdessen die einzelnen Gruppen als Ausprägungen verwendet. In R können Pakete wie interactions oder reghelper die Simple-Slopes-Analyse komfortabel durchführen, in SPSS bietet das PROCESS-Makro von Andrew Hayes eine weit verbreitete Lösung.

Praxisbeispiel zu Simple-Slopes-Analyse

Eine Forscherin untersucht, ob soziale Unterstützung (Moderator, kontinuierlich) den Zusammenhang zwischen Arbeitsbelastung (fokaler Prädiktor) und Burnout (abhängige Variable) moderiert. Das Regressionsmodell ergibt einen signifikanten Interaktionsterm. Um diesen zu interpretieren, führt sie eine Simple-Slopes-Analyse durch.

Tabelle 1. Simple Slopes der Arbeitsbelastung auf Burnout bei verschiedenen Ausprägungen sozialer Unterstützung
Ausprägung des Moderators	Simple Slope (b)	Standardfehler	t-Wert	p-Wert
Niedrige Unterstützung (M − 1 SD)	0.62	0.11	5.64	< .001
Mittlere Unterstützung (M)	0.34	0.09	3.78	< .001
Hohe Unterstützung (M + 1 SD)	0.06	0.12	0.50	.619

Die Ergebnisse zeigen: Bei niedriger und mittlerer sozialer Unterstützung ist der Zusammenhang zwischen Arbeitsbelastung und Burnout signifikant positiv – mehr Belastung geht mit mehr Burnout einher. Bei hoher sozialer Unterstützung hingegen ist dieser Zusammenhang nicht mehr statistisch bedeutsam. Die Simple-Slopes-Analyse erlaubt damit eine klare und differenzierte Aussage: Soziale Unterstützung puffert den negativen Effekt von Arbeitsbelastung ab.