Einfache Regression

Das Wichtigste auf einen Blick

• Die einfache Regression analysiert den linearen Zusammenhang zwischen zwei Variablen.
• Sie basiert auf der Methode der kleinsten Quadrate zur Schätzung der Regressionsgeraden.
• Das Modell besteht aus einer abhängigen Variable (Zielgröße) und einer unabhängigen Variable (Erklärgröße).
• Die Regressionsgerade wird durch die Gleichung y = a + bx beschrieben, wobei a der Achsenabschnitt und b die Steigung ist.
• Die Güte der Anpassung wird häufig durch das Bestimmtheitsmaß R² bewertet.
• Einfache Regression eignet sich für Vorhersagen und zur Analyse von Ursache-Wirkungs-Beziehungen.
• Voraussetzungen sind unter anderem Linearität, Homoskedastizität und Normalverteilung der Residuen.

Überblick: Einfache Regression

Die einfache Regression ist ein grundlegendes Verfahren der Statistik und Datenanalyse, das häufig in Wissenschaft, Wirtschaft und Technik eingesetzt wird. Sie ermöglicht es, den Einfluss einer erklärenden Variable auf eine Zielgröße zu untersuchen und Vorhersagen zu treffen. Dabei wird eine Gerade bestimmt, die die Datenpunkte bestmöglich beschreibt.

Was ist einfache Regression?

Die einfache Regression ist ein statistisches Verfahren zur Modellierung des linearen Zusammenhangs zwischen einer unabhängigen Variable (x) und einer abhängigen Variable (y). Ziel ist es, eine Regressionsgerade zu bestimmen, die die Datenpunkte bestmöglich beschreibt und Vorhersagen ermöglicht.

Mathematische Grundlagen

Die einfache lineare Regression basiert auf der Gleichung y = a + bx + ε, wobei y die abhängige Variable, x die unabhängige Variable, a der Achsenabschnitt, b die Steigung der Regressionsgeraden und ε der Fehlerterm ist. Die Parameter a und b werden so bestimmt, dass die Summe der quadrierten Abweichungen (Residuen) zwischen den beobachteten und vorhergesagten y-Werten minimiert wird.

Annahmen der einfachen Regression

Für valide Ergebnisse müssen bestimmte Voraussetzungen erfüllt sein: Linearität der Beziehung zwischen x und y, unabhängige und normalverteilte Fehlerterme mit Mittelwert null, konstante Varianz der Fehler (Homoskedastizität) und keine starken Ausreißer oder Multikollinearität (bei einfacher Regression nicht relevant).

Beispielhafte Schätzung der Regressionsparameter

Interpretation der Regressionsparameter

Die Steigung b gibt an, um wie viel sich y im Mittel ändert, wenn x um eine Einheit steigt. Der Achsenabschnitt a ist der erwartete Wert von y, wenn x gleich null ist. Zusammen beschreiben sie die Regressionsgerade, die die Beziehung zwischen den Variablen abbildet.

Bewertung der Modellgüte

Die Güte der Anpassung wird häufig mit dem Bestimmtheitsmaß R² bewertet, das angibt, welcher Anteil der Varianz von y durch das Modell erklärt wird. Ein R² nahe 1 zeigt eine gute Anpassung, während ein Wert nahe 0 auf eine schwache Erklärungskraft hinweist.

Anwendungsbeispiele

Einfache Regression wird verwendet, um Zusammenhänge zu analysieren, etwa den Einfluss der Lernzeit (x) auf die Prüfungsergebnisse (y), oder um technische Zusammenhänge wie die Abhängigkeit der Temperatur von der Höhe zu modellieren.

Vorteile und Grenzen der einfachen Regression

Vorteile: Einfach zu verstehen und anzuwenden, liefert klare Interpretationen, geeignet für erste Analysen. Nachteile: Nur lineare Zusammenhänge werden abgebildet, empfindlich gegenüber Ausreißern, Annahmen müssen geprüft werden.

Erweiterungen der einfachen Regression

Die einfache Regression kann erweitert werden zur multiplen Regression, wenn mehrere unabhängige Variablen berücksichtigt werden, oder zu nichtlinearen Modellen, wenn der Zusammenhang nicht linear ist.

Zusatzinformationen

Synonyme und alternative Bezeichnungen