Statistik-Glossar

Wachstumskurvenmodell

Growth Curve Model / Latentes Wachstumskurvenmodell · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Wachstumskurvenmodell?
Warum ist das Wachstumskurvenmodell wichtig?
Praxisbeispiel

Was versteht man unter Wachstumskurvenmodell?

Ein Wachstumskurvenmodell (engl. Growth Curve Model, kurz GCM) ist ein statistisches Verfahren zur Analyse von Veränderungen über die Zeit. Es gehört zur Familie der Mehrebenenmodelle (auch: hierarchische lineare Modelle) und der Strukturgleichungsmodelle und wird eingesetzt, wenn dieselben Personen oder Einheiten zu mehreren Messzeitpunkten beobachtet werden – also bei Längsschnittdaten.

Das Modell beschreibt zwei zentrale Aspekte eines Verlaufs:

Ausgangsniveau (Intercept): Wie hoch ist der Wert einer Person zu Beginn der Beobachtung?
Veränderungsrate (Slope): Wie stark und in welche Richtung verändert sich der Wert über die Zeit?

Beide Parameter werden nicht als feste, für alle Personen gleiche Werte geschätzt, sondern als latente Variablen, die individuell variieren können. So lässt sich erfassen, dass manche Personen einen steileren Verlauf zeigen als andere.

Grundlegende Modellformel

$y_{it} = \pi_{0i} + \pi_{1i} \cdot t + \varepsilon_{it}$

Hierbei steht $y_{it}$ für den beobachteten Wert von Person i zum Zeitpunkt t, $\pi_{0i}$ für das individuelle Ausgangsniveau und $\pi_{1i}$ für die individuelle Wachstumsrate. Der Term $\varepsilon_{it}$ erfasst den Messfehler.

Einfach erklärt: Stell dir vor, du misst das Lesevermögen von Schulkindern jedes Jahr über vier Jahre. Manche Kinder starten mit einem hohen Niveau, andere mit einem niedrigen – das ist der Intercept. Manche verbessern sich schnell, andere kaum – das ist der Slope. Das Wachstumskurvenmodell schätzt beides für jedes Kind und fragt gleichzeitig: Gibt es Muster, die erklären, warum sich Kinder unterschiedlich entwickeln?

Warum ist das Wachstumskurvenmodell für statistische Analysen wichtig?

In vielen Forschungsbereichen – Psychologie, Medizin, Erziehungswissenschaft, Soziologie – interessiert nicht nur ein einmaliger Zustand, sondern ein Verlauf. Klassische Verfahren wie eine einfache Varianzanalyse mit Messwiederholung (rmANOVA) können Veränderungen zwar grundsätzlich prüfen, haben aber wichtige Einschränkungen:

Sie setzen vollständige Daten voraus und gehen mit fehlenden Werten schlecht um.
Sie liefern keine Aussagen über individuelle Unterschiede im Verlauf.
Sie erlauben es kaum, Prädiktoren des Wachstums zu modellieren.

Das Wachstumskurvenmodell überwindet diese Grenzen. Es schätzt individuelle Verläufe, verträgt fehlende Messwerte unter bestimmten Annahmen gut (Missing at Random) und ermöglicht es, sowohl zeitinvariante (z. B. Geschlecht) als auch zeitvariante Prädiktoren (z. B. Stresslevel zum jeweiligen Messzeitpunkt) einzubeziehen.

Häufiger Fehler: Viele Studierende verwechseln das Wachstumskurvenmodell mit einer einfachen linearen Regression über die Zeit. Der entscheidende Unterschied: Das Wachstumskurvenmodell modelliert individuelle Verläufe und deren Streuung – es geht also nicht nur darum, ob eine Gruppe im Durchschnitt wächst, sondern auch darum, wie stark sich die Personen in ihrem Verlauf unterscheiden.

Gut zu wissen: Wachstumskurvenmodelle können sowohl im Rahmen von Mehrebenenmodellen (z. B. mit Software wie R, Mplus oder HLM) als auch als latente Wachstumskurvenmodelle im Strukturgleichungsmodell-Framework geschätzt werden. Beide Ansätze liefern bei ausreichend großen Stichproben sehr ähnliche Ergebnisse.

Praxisbeispiel zu Wachstumskurvenmodell

Eine Forscherin untersucht, ob ein Achtsamkeitstraining das Wohlbefinden von Studierenden über ein Semester hinweg verbessert. Sie befragt 120 Studierende zu vier Zeitpunkten (Beginn, nach 4 Wochen, nach 8 Wochen, nach 12 Wochen) mit einem standardisierten Wohlbefindensfragebogen.

Tabelle 1. Mittlere Wohlbefindenswerte der Stichprobe über vier Messzeitpunkte
Messzeitpunkt	Woche	Mittlerer Wohlbefindenswert
T1	0	48,3
T2	4	51,7
T3	8	54,2
T4	12	57,9

Das Wachstumskurvenmodell schätzt nun für jede Person einen eigenen Startwert (Intercept) und eine eigene Veränderungsrate (Slope). Die Ergebnisse zeigen: Der durchschnittliche Intercept liegt bei 48,3 Punkten, der durchschnittliche Slope bei etwa 0,8 Punkten pro Woche. Gleichzeitig variieren beide Parameter signifikant zwischen den Personen – manche Studierende profitieren also deutlich stärker vom Training als andere.

In einem zweiten Schritt kann die Forscherin prüfen, ob diese Unterschiede im Verlauf durch Prädiktoren wie Ausgangsstresslevel, Trainingsteilnahme oder Geschlecht erklärt werden. Genau diese Möglichkeit macht das Wachstumskurvenmodell so wertvoll für angewandte Längsschnittforschung.