Statistik-Glossar

Zeitverzögerung / Lag

Lag · Lagged Variable · Verzögerungsvariable · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Zeitverzögerung / Lag?
Warum ist Zeitverzögerung / Lag wichtig?
Praxisbeispiel

Was versteht man unter Zeitverzögerung / Lag?

Ein Lag (dt. Zeitverzögerung) bezeichnet in der Zeitreihenanalyse den zeitlichen Versatz zwischen zwei Beobachtungen oder zwischen einer Variablen und einem früheren Wert derselben oder einer anderen Variablen. Man spricht davon, dass eine Variable um k Perioden „gelaggt“ wird, wenn man statt des aktuellen Werts zum Zeitpunkt t den Wert zum Zeitpunkt t − k verwendet.

Formal gilt für eine Zeitreihe $X_t$ mit dem Lag-Operator L:

Definition: Lag-Operator

$L^k X_t = X_{t-k}$

Das bedeutet: Der um k Perioden verzögerte Wert von X ist der Wert, den X genau k Zeitschritte zuvor hatte. In der Praxis kann k z. B. für Tage, Wochen, Monate oder Jahre stehen.

Einfach erklärt Stell dir vor, du möchtest wissen, ob die Werbung, die ein Unternehmen im Januar schaltet, die Verkäufe im März beeinflusst – also zwei Monate später. Dann arbeitest du mit einem Lag von 2: Du vergleichst die Werbeausgaben aus der Vergangenheit mit den heutigen Verkaufszahlen. Genau das leistet ein Lag.

Warum ist Zeitverzögerung / Lag für statistische Analysen wichtig?

Viele Zusammenhänge in der Realität wirken nicht sofort, sondern mit einer zeitlichen Verzögerung. Ein Lag erlaubt es, solche verzögerten Effekte sichtbar zu machen und statistisch zu modellieren. Typische Anwendungsfelder sind:

Autoregressive Modelle (AR-Modelle): Hier wird eine Variable durch ihre eigenen vergangenen Werte erklärt – also durch ihre eigenen Lags.
Kreuzkorrelation: Sie misst, wie stark zwei Zeitreihen miteinander zusammenhängen, wenn eine davon zeitlich verschoben wird.
Kausalitätsanalysen (z. B. Granger-Kausalität): Lags helfen zu prüfen, ob vergangene Werte einer Variable zukünftige Werte einer anderen Variable vorhersagen.
Paneldaten und Regressionsmodelle: Verzögerte Variablen werden als Regressoren eingesetzt, um zeitlich versetzte Einflüsse zu kontrollieren.

Häufiger Fehler Ein sehr verbreiteter Fehler ist es, Lags unkritisch und in zu großer Zahl in ein Modell aufzunehmen. Je mehr Lags hinzugefügt werden, desto mehr Beobachtungen gehen verloren und desto höher ist das Risiko, zufällige Muster zu überanpassen (Overfitting). Die Auswahl der optimalen Lag-Anzahl sollte daher mit Informationskriterien wie AIC oder BIC oder mit statistischen Tests begründet werden.

Gut zu wissen Neben dem klassischen Lag gibt es auch den Lead (Vorlauf): Hierbei wird ein zukünftiger Wert

X_{t+k}

verwendet. Das ist z. B. in der Erwartungsbildung relevant, wenn man modellieren möchte, wie aktuelle Entscheidungen zukünftige Größen antizipieren.

Praxisbeispiel zu Zeitverzögerung / Lag

Eine Forscherin untersucht, ob die monatlichen Werbeausgaben eines Unternehmens die Verkaufszahlen beeinflussen. Da Werbung erfahrungsgemäß nicht sofort wirkt, vermutet sie einen Effekt mit einer Verzögerung von einem bis zwei Monaten. Sie erstellt daher eine Tabelle mit den Originalwerten und den entsprechenden Lags:

Tabelle 1. Werbeausgaben und Verkäufe mit Lag-Variablen (fiktive Daten)
Monat (t)	Werbeausgaben (in €)	Werbung Lag 1 (t−1)	Werbung Lag 2 (t−2)	Verkäufe (in €)
Januar	10.000	–	–	95.000
Februar	12.000	10.000	–	98.000
März	9.000	12.000	10.000	104.000
April	15.000	9.000	12.000	99.000
Mai	13.000	15.000	9.000	112.000

In einer Regressionsanalyse setzt die Forscherin nun die Verkäufe als abhängige Variable und die Lag-1- sowie Lag-2-Werte der Werbeausgaben als unabhängige Variablen ein. So kann sie prüfen, welcher verzögerte Effekt statistisch signifikant ist – und wie viele Monate es dauert, bis Werbeinvestitionen tatsächlich auf die Verkaufszahlen durchschlagen.