Unterschied abhängige und unabhängige variablen bei der regressionsanalyse

Statistisch abhängige (auch erklärte; beinflussende; Zielgröße) Variablen, der Untersuchungsgegenstand, und unabhängige (auch erklärende, beinflusste) Variablen sind Begriffe der empirischen Wissenschaften. Im Unterschied zu deterministischen Abhängigkeiten werden die statistischen Abhängigkeiten nicht durch determinierte Koeffizienten, sondern durch beobachtete Regressionskoeffizienten beschrieben.

In einem wissenschaftlichen Experiment wird eine willkürlich veränderliche Stellgröße, die unabhängige (auch exogene) Variable, vom Versuchsleiter gezielt verändert und die Auswirkungen dieser Manipulationen auf eine Messgröße, die abhängige (auch endogene) Variable, gemessen. Entsprechen die Messdaten den von einer Theorie vorhergesagten Zahlen, stützt dies die Aussage der Theorie.

Modellansatz

In der einfachen linearen Regression

bezeichnet

Typischerweise wählt man diejenige Variable als Response(Antwort), die eine natürliche Variabilität aufweist. Ein einfaches Beispiel ist die Darstellung des Körpergewichts in kg (hier: Y) in Abhängigkeit von der Körpergröße in cm (hier: x). Man sieht, dass die Response Y und die Kovariable x nicht vertauschbar sind, da die Körpergröße ab einem bestimmten Alter unverändert bleibt.

Messung

Zwar ist ihre Bedeutung umstritten, jedoch wird häufig darauf hingewiesen, dass eine Einheitsmethodenvarianz (engl. common-method variance) auftreten kann, wenn die abhängige und die unabhängige Variable mit derselben Methode gemessen wird, bspw. im selben Fragebogen.

Regression

Die Regression bezeichnet Regressoren als erklärende Größen (statistisch unabhängige Variable), die einen zu bestimmenden Einfluss auf die zu erklärende Größe (Regressand, statistisch abhängige Variable, erklärte Größe) ausüben. Der Regressand stellt ausschließlich die abhängige Variable dar. Ein Regressor gilt als signifikant, wenn sein Einfluss auf den Regressanden als nicht zufällig erkannt wird. Neben der Signifikanz lassen sich andere Eigenschaften wie Unabhängigkeit und Vollständigkeit formulieren.

Der Korrelationskoeffizient bezeichnet lediglich den Grad der Abhängigkeit zweier Variablen. Die unterstellte statistische Unabhängigkeit der Regressoren ist lediglich ein Modellansatz und muss mit Hilfe von statistischen Methoden bestätigt werden. Bei empirischen Daten besteht immer ein gewisser Grad an Multikollinearität, der nicht störend sein muss. Eine zulässige Grenze für „ernsthafte“ Multikollinearität lässt sich jedoch nicht angeben.

Komplexe Abhängigkeiten wie z.B. die der Regressoren untereinander (Multikollinearität) oder der Residuen (Autokorrelation) führen zu Ineffizienzen von Methoden, die zur Bestimmung des Einflusses von Regressoren herangezogen werden. Die Vollständigkeitsannahme fordert, dass alle relevanten erklärenden Variablen im Modell enthalten sind.

Erst die Regressionsanalyse oder die Varianzanalyse evaluieren den Zusammenhang der Variablen gegenüber einem zuvor ausgewählten Modell. In Erweiterung gegenüber dem Korrelationskoeffizienten wird mit den Regressionskoeffizienten die Richtung des Zusammenhangs im Modell eindeutig festgelegt.

Besonderheiten bei der Regressionsanalyse

Regressoren sind ein Bestandteil der Regressionsanalyse und dürfen nicht ohne Weiteres als unabhängige Variablen betrachtet werden. Die Regressionsanalyse ist ein strukturprüfendes Verfahren und nimmt Unabhängigkeit an und trifft daneben auch andere Annahmen bezüglich der Regressoren. Ein Regressor ist damit keine unabhängige Variable, denn die Unabhängigkeit wird lediglich unterstellt. Ob ein Regressor tatsächlich diese Eigenschaft aufweist, kann erst im Laufe der Analyse festgestellt werden. Es ist also a priori (im Vorhinein) nicht klar, ob ein Regressor tatsächlich eine erklärende Variable darstellt und ob er eine signifikante Wirkung auf den Regressand ausübt.

Beispiele

Beispiel 1: In einer Gleichung, zum Beispiel einer physikalischen Formel, betrachtet man oft, wie sich eine Variable verändern muss (die abhängige Variable), um die Gleichung zu erfüllen, wenn man eine andere Variable ändert (die unabhängige Variable).

Beispiel 2: Im Allgemeinen kann man davon ausgehen, dass unabhängig festzusetzende Werbeausgaben oder unabhängig festzusetzende Qualität von Produkten beide eine positive Wirkung auf ihren Absatz haben. Mit Hilfe von statistischen Analysen kann nun überprüft werden, ob ein Mehr an Werbung bzw. Qualität den Absatz signifikant steigen lässt und wie stark die (relative) Wirkung der beiden Regressoren Werbeausgaben und Qualität auf den Absatz ist.

Beispiel 3: An einem Radio befindet sich ein unbezeichneter Knopf. Eine mögliche Hypothese ist, dass mit ihm die Lautstärke geregelt werden kann. Vorhersage: Drehen des Knopfes in eine Richtung sollte das Radio leiser stellen, Drehen in die andere Richtung lauter. Im Experiment wird diese Vorhersage überprüft.

Beispiel 4: Hat man beispielsweise bei einem gleichförmig bewegten Körper die konstante Geschwindigkeit gegeben, dann kann man untersuchen, wie sich die zurückgelegte Wegstrecke (die abhängige Variable) bei Veränderung der Zeit (der unabhängigen Variablen) verhält. Umgekehrt kann auch untersucht werden, nach welcher Zeit (als abhängige Variable) eine bestimmte vorgegebene Strecke (als unabhängige Variable) zurückgelegt wurde.

Beispiel 5: Man will wissen, ob die Farbe einen Einfluss auf den Absatz eines Autos hat. Dann ist die Farbe die unabhängige Variable und der Absatz die abhängige Variable. Will man hingegen wissen, ob der Absatz die Farbe beeinflusst, dann ist der Absatz die unabhängige Variable und die Farbe die abhängige Variable.

Siehe auch

• Regressionsanalyse
• Statistische Variable
• Kartesisches Koordinatensystem

Basierend auf einem Artikel in:

Datum der letzten Änderung:  Jena, den: 17.05. 2020

Zum Hauptinhalt springen

If you're seeing this message, it means we're having trouble loading external resources on our website.

Wenn du hinter einem Webfilter bist, stelle sicher, dass die Domänen *. kastatic.org und *. kasandbox.org nicht blockiert sind.