Skalierung von Variablen
In diesem Beitrag
Was versteht man unter Skalierung von Variablen?
Skalierung von Variablen bezeichnet die Transformation numerischer Variablen in einen neuen Wertebereich oder eine neue Einheit – ohne dabei die inhaltliche Information der Daten grundlegend zu verändern. Ziel ist es, Variablen vergleichbar zu machen und numerische Probleme bei der Modellschätzung zu vermeiden.
Die zwei gebräuchlichsten Methoden sind die Min-Max-Normalisierung und die Z-Standardisierung:
- Min-Max-Normalisierung: Jeder Wert wird so transformiert, dass alle Werte der Variable im Bereich [0, 1] liegen. Die Formel lautet:
- Z-Standardisierung (Z-Score): Jeder Wert wird durch Subtraktion des Mittelwerts und Division durch die Standardabweichung transformiert. Das Ergebnis hat einen Mittelwert von 0 und eine Standardabweichung von 1:
Daneben gibt es weitere Verfahren wie die Robust Scaling (Skalierung anhand des Medians und des Interquartilsabstands), die weniger anfällig für Ausreißer ist.
Warum ist Skalierung von Variablen für statistische Analysen wichtig?
Viele statistische Methoden reagieren empfindlich auf unterschiedliche Skalen der eingesetzten Variablen. Besonders betroffen sind:
- Regressionsanalysen: Stark unterschiedliche Skalen erschweren den direkten Vergleich von Regressionskoeffizienten. Nach einer Z-Standardisierung lassen sich standardisierte Koeffizienten (Beta-Koeffizienten) direkt miteinander vergleichen.
- Clusteranalysen und k-Means: Distanzmaße wie die euklidische Distanz werden von Variablen mit großen Wertebereichen dominiert. Ohne Skalierung können einzelne Merkmale die Clusterzuordnung unverhältnismäßig stark beeinflussen.
- Hauptkomponentenanalyse (PCA): Die PCA basiert auf Varianzen. Variablen mit großer Varianz dominieren die Hauptkomponenten – eine vorherige Standardisierung sorgt für faire Gewichtung.
- Machine-Learning-Algorithmen: Verfahren wie Support Vector Machines oder neuronale Netze konvergieren schneller und stabiler, wenn alle Features einen ähnlichen Wertebereich haben.
Praxisbeispiel zu Skalierung von Variablen
Eine Forscherin untersucht den Einfluss von Alter (in Jahren) und Jahreseinkommen (in Euro) auf die Zufriedenheit mit dem Arbeitsplatz. Vor der Analyse sehen die Rohdaten für drei Personen so aus:
| Person | Alter (Jahre) | Einkommen (€) | Alter (z-standardisiert) | Einkommen (z-standardisiert) |
|---|---|---|---|---|
| A | 25 | 28.000 | −1,06 | −0,97 |
| B | 40 | 52.000 | 0,35 | 0,43 |
| C | 55 | 74.000 | 1,71 | 1,54 |
Im Rohformat übersteigen die Einkommenswerte die Alterswerte um ein Vielfaches. Ein Algorithmus, der auf Distanzen oder Varianzen basiert, würde das Einkommen weit stärker gewichten als das Alter – obwohl beide Variablen inhaltlich gleich relevant sein könnten. Nach der Z-Standardisierung bewegen sich beide Variablen auf einem vergleichbaren Niveau, und die Regressionskoeffizienten lassen sich direkt in ihrer relativen Stärke gegenüberstellen.
