Unstandardisierter Koeffizient
In diesem Beitrag
Was versteht man unter unstandardisierten Koeffizienten?
Der unstandardisierte Koeffizient – häufig als B bezeichnet – ist ein zentraler Bestandteil der linearen Regressionsanalyse. Er gibt an, um wie viele Einheiten sich die abhängige Variable (Kriterium) verändert, wenn die unabhängige Variable (Prädiktor) um genau eine Einheit steigt, während alle anderen Prädiktoren im Modell konstant gehalten werden.
Die allgemeine Gleichung einer multiplen linearen Regression lautet:
Regressionsgleichung
Darin ist der vorhergesagte Wert der abhängigen Variable, der Achsenabschnitt (Konstante) und der unstandardisierte Koeffizient des j-ten Prädiktors . Entscheidend ist: Die Einheit von B entspricht der Einheit der Variablen selbst. Misst man etwa Gehalt in Euro und Berufserfahrung in Jahren, gibt B an, wie viele Euro mehr Gehalt mit jedem zusätzlichen Berufsjahr einhergehen.
Warum sind unstandardisierte Koeffizienten für statistische Analysen wichtig?
Unstandardisierte Koeffizienten sind besonders wertvoll, wenn es um die inhaltliche Interpretation von Ergebnissen geht. Da sie in der Originaleinheit der Variablen ausgedrückt werden, lassen sich Aussagen treffen, die im Forschungskontext unmittelbar Sinn ergeben – etwa: „Pro zusätzlichem Schuljahr steigt das Einkommen um durchschnittlich 1.200 Euro.“
Außerdem sind unstandardisierte Koeffizienten unverzichtbar, wenn man ein Regressionsmodell zur Vorhersage konkreter Werte nutzen möchte, da sie direkt in die Regressionsgleichung eingesetzt werden können.
Im Unterschied dazu ermöglichen standardisierte Koeffizienten (Beta, β) den Vergleich der relativen Stärke mehrerer Prädiktoren innerhalb desselben Modells, weil sie auf einer einheitenlosen Skala (Standardabweichungen) beruhen. Unstandardisierte und standardisierte Koeffizienten ergänzen sich also gegenseitig.
Praxisbeispiel zu unstandardisierten Koeffizienten
Angenommen, du untersuchst in deiner Masterarbeit, ob Lernzeit (in Stunden pro Woche) und Schlafdauer (in Stunden pro Nacht) den Prüfungserfolg (Punktzahl von 0–100) vorhersagen. Du führst eine multiple lineare Regression durch und erhältst folgende Ergebnisse:
| Prädiktor | B (unstandardisiert) | β (standardisiert) | p-Wert |
|---|---|---|---|
| Konstante | 30,00 | – | < .001 |
| Lernzeit (h/Woche) | 2,50 | 0,45 | < .001 |
| Schlafdauer (h/Nacht) | 3,80 | 0,28 | .012 |
Die Interpretation der unstandardisierten Koeffizienten lautet konkret:
- Jede zusätzliche Lernstunde pro Woche geht – bei gleichbleibender Schlafdauer – im Schnitt mit 2,5 mehr Punkten in der Prüfung einher.
- Jede zusätzliche Stunde Schlaf pro Nacht ist – bei gleichbleibender Lernzeit – mit 3,8 mehr Punkten assoziiert.
- Die Konstante (30,00) gibt den vorhergesagten Punktestand an, wenn beide Prädiktoren den Wert null annehmen – in diesem Beispiel ein rein rechnerischer Ausgangswert.
Beachte: Die standardisierten Koeffizienten zeigen, dass die Lernzeit (β = 0,45) einen stärkeren relativen Einfluss hat als die Schlafdauer (β = 0,28). Dieser Vergleich wäre anhand der unstandardisierten B-Werte allein nicht sinnvoll möglich, da Lernzeit und Schlafdauer in unterschiedlichen Einheiten gemessen werden.
