Lineare Regression in SPSS und R

Die lineare Regression ist das vielleicht meistgenutzte und meistmissverstandene Verfahren der empirischen Forschung: schnell gerechnet, scheinbar selbsterklärend — und voller Stellen, an denen unbemerkt Fehler passieren, von der vergessenen Dummy-Codierung bis zur Normalverteilungsprüfung an der falschen Variable. Dieser Leitfaden führt durch eine vollständige, verteidigungsfeste Regressionsanalyse in SPSS und R: Modelllogik und Spezifikation, die Umsetzung in beiden Programmen mit Syntax, die Voraussetzungsprüfung an den richtigen Stellen, die Interpretation von Koeffizienten und Modellgüte sowie der Bericht nach aktuellem Standard. Dazu kommen die vier häufigsten Fehler aus der Gutachtenpraxis und ein Beispiel, wie aus einem schwachen Erstmodell eine saubere Analyse wird.

Die Logik: eine Gerade durch die Punktwolke — und mehr

Im Kern sucht die lineare Regression die Funktion, die eine abhängige Variable Y bestmöglich als Linearkombination von Prädiktoren abbildet: Y = b₀ + b₁X₁ + b₂X₂ + … + e. Die Koeffizienten werden so geschätzt, dass die quadrierten Abweichungen zwischen beobachteten und vorhergesagten Werten minimal sind. Jeder Koeffizient beantwortet eine präzise Frage: Um wie viel ändert sich Y im Mittel, wenn dieser Prädiktor um eine Einheit steigt — bei konstant gehaltenen übrigen Prädiktoren. Genau dieser Zusatz macht die multiple Regression so wertvoll: Sie schätzt bereinigte Zusammenhänge statt roher Korrelationen.

Zwei Dinge leistet das Modell nicht. Es belegt keine Kausalität — die Koeffizienten beschreiben Zusammenhänge, deren Wirkrichtung das Design klären muss. Und es wählt seine Prädiktoren nicht selbst: Die Modellspezifikation — welche Variablen aus welchem theoretischen Grund — ist eine inhaltliche Vorleistung. Automatische schrittweise Verfahren, die Prädiktoren nach Signifikanz ein- und auswerfen, gelten in der Methodenliteratur seit Langem als problematisch und sind in einer Dissertation kaum noch zu rechtfertigen.

Vorbereitung: Variablen modellfertig machen

Vor der Schätzung stehen drei Vorarbeiten — jede klein, jede mit großem Schadenspotenzial, wenn sie fehlt.

Kategoriale Prädiktoren dummy-codieren

Kategoriale Variablen gehen als Dummy-Variablen ins Modell: k Kategorien ergeben k−1 Indikatorvariablen gegen eine begründet gewählte Referenzkategorie, gegen die alle Koeffizienten interpretiert werden. R erledigt das bei Faktorvariablen automatisch; in SPSS ist Handarbeit per RECODE oder die Kodierung über die Prozedur nötig. Der typische Fehler ist die unbedachte Referenz: Wer „sonstige” als Vergleichsbasis wählt, interpretiert alle Effekte gegen die unklarste Gruppe.

Metrische Prädiktoren zentrieren

Die Zentrierung (Mittelwert abziehen) ändert keine Modellaussage, macht aber den Achsenabschnitt interpretierbar — er beschreibt dann den vorhergesagten Y-Wert für einen durchschnittlichen Fall statt für die oft sinnlose Null-Konstellation. Bei Interaktionstermen reduziert sie zudem die künstliche Kollinearität zwischen Haupteffekten und Produktterm und stabilisiert so die Schätzung.

Die Datenbasis final prüfen

Die Regression verarbeitet klaglos jeden Unsinn, der sie erreicht: Wertebereiche, fehlende Werte und Eingabefehler verdienen einen letzten Qualitätsblick vor der Schätzung. Dazu gehört die bewusste Entscheidung über den Umgang mit fehlenden Werten — listenweiser Ausschluss verkleinert die Stichprobe still und kann verzerren; ab nennenswerten Anteilen ist multiple Imputation die sauberere Wahl und gehört dann in den Methodenteil.

Umsetzung in SPSS

Der Menüweg läuft über Analysieren → Regression → Linear: abhängige Variable einsetzen, Prädiktoren in den Block, unter Statistiken zusätzlich Konfidenzintervalle und Kollinearitätsdiagnose anfordern, unter Diagramme die Residuenplots. Wie überall gilt: Einfügen statt OK — die Syntax dokumentiert das Modell reproduzierbar:

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL
  /DEPENDENT zufriedenheit
  /METHOD=ENTER alter geschlecht_d einkommen homeoffice_anteil
  /SCATTERPLOT=(*ZRESID ,*ZPRED)
  /RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Der Output liefert drei zentrale Tabellen: die Modellzusammenfassung (R², korrigiertes R²), die ANOVA-Tabelle (Gesamttest des Modells) und die Koeffiziententabelle mit B, Standardfehler, Beta, t, p, Konfidenzintervallen und VIF-Werten.

Umsetzung in R

In R ist die Regression ein Zweizeiler mit reichhaltiger Diagnostik:

modell <- lm(zufriedenheit ~ alter + geschlecht + einkommen +
             homeoffice_anteil, data = daten)
summary(modell)        # Koeffizienten, R², F-Test
confint(modell)        # 95%-Konfidenzintervalle
car::vif(modell)       # Multikollinearität
par(mfrow = c(2, 2)); plot(modell)  # Diagnostikplots

Faktorvariablen dummy-codiert R automatisch; summary() zeigt die Schätzwerte je Nicht-Referenzkategorie. Die vier Diagnostikplots von plot(modell) decken die wichtigsten Voraussetzungen auf einen Blick ab — Linearität und Homoskedastizität (Residuals vs. Fitted), Normalverteilung der Residuen (QQ-Plot), einflussreiche Fälle (Residuals vs. Leverage mit Cooks Distanz). Wer berichtspflichtige Tabellen braucht, exportiert mit Paketen wie broom oder modelsummary reproduzierbar statt per Hand.

Voraussetzungen prüfen — an den richtigen Stellen

Die Regressionsannahmen werden überwiegend an den Residuen geprüft, nicht an den Rohvariablen — der häufigste Prüffehler ist die Normalverteilungstestung der abhängigen Variable vor der Modellschätzung.

Zwei Einordnungen entlasten die Praxis. Erstens: Bei großen Stichproben ist die Residuen-Normalverteilung dank zentralem Grenzwertsatz für die Tests weitgehend unkritisch — gravierender sind Linearitäts- und Unabhängigkeitsverletzungen, die das Modell strukturell falsch machen. Zweitens: Verletzungen sind kein Todesurteil, sondern Weichensteller — Heteroskedastizität etwa beheben robuste Standardfehler mit einer Zeile Mehraufwand. Entscheidend ist, die Prüfung durchzuführen, zu dokumentieren und die gewählte Konsequenz zu begründen.

Interpretation und Bericht

Die Interpretation läuft auf drei Ebenen, die sauber getrennt gehören.

Modellebene: Güte und Gesamttest

Das korrigierte R² beziffert die erklärte Varianz, der F-Test prüft das Gesamtmodell — ein signifikantes Modell mit R² von 0,06 ist statistisch da und praktisch dünn; die Einordnung erfolgt gegen fachübliche Größenordnungen, nicht gegen Wunschwerte. Bei hierarchischen Modellen tritt die R²-Änderung je Block hinzu: Sie zeigt, was die Hypothesen-Prädiktoren über die Kontrollen hinaus leisten — oft die eigentlich interessante Zahl.

Koeffizientenebene: B, Beta und Intervalle

B-Werte tragen die inhaltliche Aussage in Originaleinheiten („pro zehn Prozentpunkte mehr Homeoffice-Anteil steigt die Zufriedenheit um 0,3 Skalenpunkte”), Beta-Werte ordnen die relative Bedeutung der Prädiktoren innerhalb des Modells, Konfidenzintervalle zeigen die Präzision jeder Schätzung. Alle drei gehören in den Bericht — und die Sprachregel der Beobachtungsdaten gleich mit: beschrieben werden Zusammenhänge („ist assoziiert mit”), nicht Wirkungen, denn die Regressionsrechnung ändert am Designstatus der Daten nichts.

Für den Ergebnisteil hat sich eine kompakte Tabelle bewährt: alle Prädiktoren mit B, SE, Beta, p und Konfidenzintervall, darunter R², korrigiertes R², F-Test und Fallzahl. Dazu gehört ein Satz zur Voraussetzungsprüfung mit Verweis auf die Diagnostik im Anhang. Wer mehrere Modelle vergleicht — etwa hierarchisch aufgebaute Blöcke —, berichtet die R²-Änderung je Block samt Test.

Ich sehe in Dissertationen selten falsche Regressionsrechnungen, aber ständig falsche Sätze darüber: kausale Sprache, „bewiesene” Hypothesen, signifikant mit bedeutsam verwechselt. Das Modell ist meist besser als seine Interpretation — und genau dort setzen Prüfer an. — Dr. Friederike Albers, Statistik-Dozentin und Methodenberaterin, Münster, 2024

Häufige Fehler bei der linearen Regression

Normalverteilung an der falschen Stelle prüfen

Der Klassiker: Shapiro-Wilk-Test auf die abhängige Variable, dann ratlose Transformationen. Geprüft werden die Residuen nach der Modellschätzung — eine schiefe Y-Variable kann mit den passenden Prädiktoren völlig unauffällige Residuen liefern.

Schrittweise Selektion als Modellbau

Stepwise-Verfahren kapitalisierten auf Zufall, liefern überschätzte R²-Werte und instabile Prädiktorensets — und ersetzen die theoretische Begründung durch einen Algorithmus. Modelle werden inhaltlich spezifiziert; Varianten vergleicht man hierarchisch mit begründeten Blöcken.

Kontrollvariablen mitinterpretieren

Wer für Alter und Geschlecht kontrolliert, hat zwei Koeffizienten mehr im Output — aber keine Hypothesen dazu. Das ausführliche Deuten von Kontrollvariablen-Effekten („interessanterweise zeigt auch das Alter…”) verwässert die Argumentation und lädt zu Post-hoc-Geschichten ein. Berichtet werden sie, interpretiert die Hypothesen-Prädiktoren.

Extrapolation über den Datenbereich hinaus

Das Modell gilt im Wertebereich der Daten. Vorhersagen für Konstellationen, die in der Stichprobe nicht vorkommen — der 25-Stunden-Homeoffice-Tag —, sind rechnerisch möglich und inhaltlich wertlos. Der Geltungsbereich gehört in die Interpretation, besonders bei praktischen Empfehlungen aus dem Modell.

Ein Beispiel aus der Promotionspraxis

Ein Doktorand der BWL wollte den Zusammenhang zwischen Führungsverhalten und Mitarbeiterbindung modellieren — Befragungsdaten, n = 214. Sein Erstmodell warf 14 Prädiktoren in eine schrittweise Selektion und meldete stolze 41 Prozent erklärte Varianz mit sieben „signifikanten” Prädiktoren, darunter zwei mit theoretisch unerklärbarem Vorzeichen. Die methodische Durchsicht fand die übliche Ursachenkette: hochkorrelierte Führungs-Subskalen (VIF bis 11), Stepwise-Artefakte, keine Residuendiagnostik.

Der Neuaufbau folgte der Theorie: drei begründete Prädiktorenblöcke (Demografie als Kontrolle, transformationale Führung, Arbeitskontext), die Führungs-Subskalen nach Strukturprüfung zu zwei Faktoren gebündelt, hierarchische Schätzung mit R²-Änderung je Block, vollständige Diagnostik mit unauffälligen Residuen und VIF unter 2,5. Das finale Modell erklärte 28 Prozent — weniger spektakulär, aber stabil, interpretierbar und mit Koeffizienten, deren Vorzeichen zur Literatur passten. In der Disputation wurde genau dieser Umbau zur Stärke: Die Frage nach den Grenzen schrittweiser Verfahren konnte er aus eigener Erfahrung beantworten. Ein typischer Fall für die Beobachtung aus der BWL-Datenanalyse: Das bessere Modell ist fast immer das sparsamere.

KI-Tools bei der Regressionsanalyse

Die Regression ist ein dankbares Feld für KI-Unterstützung nach dem bekannten Muster: Syntax für SPSS und R generieren lassen, Output-Tabellen erklären lassen, Diagnostikplots beschreiben und interpretieren üben — die Werkzeuge beherrschen das Standardrepertoire gut, und der strukturierte KI-Workflow mit synthetischen Beispieldaten, lokaler Ausführung und Output-Verifikation passt eins zu eins. Die Grenze bleibt die Spezifikation: Welche Prädiktoren aus welcher theoretischen Begründung ins Modell gehören, welche Variable Confounder und welche Mediator ist — diese Architekturentscheidungen verlangen Literatur- und Designkenntnis. Ein Modell, dessen Aufbau man nicht selbst begründen kann, ist in der Verteidigung wertlos, egal wie sauber die Syntax war.

Wann professionelle Begleitung sinnvoll ist

Eine Standard-Regression mit handverlesenen Prädiktoren gelingt mit diesem Leitfaden in Eigenregie. Beratung lohnt an den Übergängen: wenn die Datenstruktur die Unabhängigkeitsannahme verletzt (Beschäftigte in Teams, Patienten in Kliniken — dann führen Mehrebenenmodelle weiter), wenn Interaktions- oder Mediationshypothesen die Spezifikation verkomplizieren, wenn Diagnostikbefunde widersprüchlich sind oder wenn das Modell als Kernstück der Dissertation vor der Abgabe einen prüfenden Blick verdient. Die Erfahrungsberichte zur Statistikhilfe zeigen auch hier das Muster: Am wertvollsten ist die Beratung bei der Modellarchitektur — gerechnet ist die Regression danach schnell.

Fazit

Die lineare Regression belohnt Disziplin an vier Stellen: eine theoriegeleitete Spezifikation statt automatischer Selektion, modellfertig aufbereitete Variablen mit sauberer Dummy-Codierung, eine Voraussetzungsprüfung an den Residuen mit dokumentierten Konsequenzen und ein Bericht mit vollständigen Kennwerten in designgerechter Sprache. SPSS und R liefern dafür gleichwertiges Werkzeug — entscheidend ist nicht das Programm, sondern die Begründbarkeit jedes Schritts. Wer sein Modell aufbauen, prüfen und in zwei Sätzen verteidigen kann, hat aus dem meistgenutzten Verfahren der empirischen Forschung auch das meiste herausgeholt.

Ein theoretisch begründetes, sauber geprüftes Regressionsmodell ist das Arbeitspferd jeder quantitativen Dissertation. Jetzt unverbindlich anfragen →