R-Quadrat-Rechner

Was ist R-Quadrat?

R-Quadrat (R²), auch Bestimmtheitsmaß genannt, misst, wie gut ein Regressionsmodell die Variabilität in den Daten erklärt. Es stellt den Anteil der Varianz in der Zielvariablen dar, der durch die Prädiktoren erklärt wird.

Beantwortete Frage: „Wie viel der Variation in Y wird durch das Modell erklärt?"

Beispiele:

• „Wie gut erklärt der Werbeaufwand die Variation der Verkaufszahlen?"
• „Welcher Anteil der Unterschiede bei Prüfungsnoten wird durch die Lernzeit erklärt?"
• „Wie viel der Variation bei Hauspreisen wird durch unser Modell erfasst?"

Interpretation von R²

R² = 0,75 bedeutet:

• 75 % der Varianz in Y wird durch das Modell erklärt
• 25 % bleiben unerklärt (aufgrund anderer Faktoren, Messfehler, Zufälligkeit)

Vorsicht: Was als „gut" gilt, hängt vom Fachgebiet ab. Sozialwissenschaften haben oft niedrigere R²-Werte als Naturwissenschaften.

Die Formel

$R^2 = 1 - \frac{SS_{\text{residual}}}{SS_{\text{total}}}$

Oder äquivalent:

$R^2 = \frac{SS_{\text{regression}}}{SS_{\text{total}}}$

Wobei:

• $SS_{\text{total}} = \sum(y_i - \bar{y})^2$ (Gesamtvarianz)
• $SS_{\text{regression}} = \sum(\hat{y}_i - \bar{y})^2$ (erklärte Varianz)
• $SS_{\text{residual}} = \sum(y_i - \hat{y}_i)^2$ (unerklärte Varianz)

R² und Korrelation

Für einfache lineare Regression (ein Prädiktor):

R² = r² (quadrierte Pearson-Korrelation)

Wenn r = 0,60, dann R² = 0,36

Diese Verbindung hilft bei der Interpretation: r misst die Stärke der Beziehung, R² misst die erklärte Varianz.

Beispielrechnung

Daten: Werbeausgaben sagen Verkäufe vorher

Berechnungen:

• ȳ = 464
• SS_total = (200-464)² + ... + (700-464)² = 170.320
• SS_residual = (200-210)² + ... + (700-730)² = 1.600
• R² = 1 - (1.600 / 170.320) = 0,991

Interpretation: 99,1 % der Verkaufsvariation wird durch die Werbung erklärt.

Korrigiertes R²

Problem mit R²: Es steigt immer, wenn Prädiktoren hinzugefügt werden, auch nutzlose.

Lösung: Korrigiertes R² bestraft die Anzahl der Prädiktoren:

$R^2_{\text{adj}} = 1 - \frac{(1 - R^2)(n - 1)}{n - k - 1}$

Wobei:

• $n$ = Stichprobengröße
• $k$ = Anzahl der Prädiktoren

Wichtige Eigenschaften:

• Kann niedriger sein als R²
• Kann sinken, wenn nicht hilfreiche Prädiktoren hinzugefügt werden
• Besser für den Vergleich von Modellen mit unterschiedlicher Anzahl von Prädiktoren

Beispiel: R² vs. korrigiertes R²

Modell 1: 2 Prädiktoren, R² = 0,75, n = 50 R²_adj = 1 - [(0,25)(49) / 47] = 0,740

Modell 2: 5 Prädiktoren, R² = 0,77, n = 50 R²_adj = 1 - [(0,23)(49) / 44] = 0,744

Trotz höherem R² ist das korrigierte R² von Modell 2 nur geringfügig besser – die zusätzlichen Prädiktoren helfen kaum.

R² in der multiplen Regression

Mit mehreren Prädiktoren spiegelt R² die kombinierte Erklärungskraft wider:

R² = 0,85 mit 4 Prädiktoren bedeutet:

• Alle vier zusammen erklären 85 % der Varianz
• Anteile können nicht direkt einzelnen Prädiktoren zugeordnet werden (wegen Korrelationen)

Für die Bedeutung einzelner Prädiktoren: Verwenden Sie partielles R², semi-partielles R² oder standardisierte Koeffizienten.

Partielles R²

Misst den einzigartigen Beitrag eines Prädiktors:

Partielles R²_x₁ = R²_voll - R²_ohne_x₁

Wenn R² = 0,85 mit allen Prädiktoren und R² = 0,72 ohne X₁: Partielles R²_x₁ = 0,85 - 0,72 = 0,13

X₁ erklärt einzigartig 13 % der Varianz über die anderen Prädiktoren hinaus.

Häufige Missverständnisse

„Höheres R² ist immer besser"

Falsch. Überanpassung erhöht R². Ein komplexes Modell könnte R² = 0,99 haben, aber bei neuen Daten versagen.

„R² = 0,5 bedeutet, das Modell ist nutzlos"

Falsch. In Bereichen mit hoher inhärenter Variabilität (Psychologie, Wirtschaftswissenschaften) kann R² = 0,3 bedeutsam sein.

„R² beweist Kausalität"

Falsch. R² misst Assoziation, nicht Kausalität. Störvariablen können die Beziehung erklären.

„R² maximieren bei der Modellauswahl"

Teilweise falsch. Verwenden Sie stattdessen korrigiertes R², AIC oder BIC. Kreuzvalidierung ist noch besser.

Wenn R² niedrig ist

Mögliche Gründe:

1. Fehlende wichtige Prädiktoren: Schlüsselvariablen sind nicht im Modell
2. Nichtlineare Beziehung: Andere Modellform erforderlich
3. Hohe zufällige Variation: Inhärente Unvorhersehbarkeit des Ergebnisses
4. Messfehler: Ungenaue Messungen fügen Rauschen hinzu
5. Falsche Analyseebene: Individual- vs. aggregierte Daten

Niedriges R² bedeutet nicht, dass Prädiktoren nutzlos sind – sie können immer noch signifikante, bedeutsame Effekte haben.

R² in verschiedenen Kontexten

Naturwissenschaften

Oft wird R² > 0,90 erwartet (kontrollierte Bedingungen, präzise Messungen).

Biowissenschaften

R² = 0,60-0,80 oft akzeptabel (natürliche Variation).

Sozialwissenschaften

R² = 0,20-0,50 kann bedeutsam sein (menschliches Verhalten ist komplex).

Wirtschaft/Finanzen

Variiert stark; einige Phänomene sind inhärent unvorhersehbar.

R² für Modellvergleiche

Gleiche Prädiktoren, verschiedene Stichproben: Direkt vergleichen.

Unterschiedliche Anzahl von Prädiktoren: Korrigiertes R² verwenden.

Geschachtelte Modelle: F-Test für statistischen Vergleich verwenden:

$F = \frac{(R^2_{\text{full}} - R^2_{\text{reduced}}) / \Delta df}{(1 - R^2_{\text{full}}) / df_{\text{error}}}$

R² außerhalb der Stichprobe

R² innerhalb der Stichprobe: Berechnet auf Trainingsdaten (kann optimistisch sein).

R² außerhalb der Stichprobe: Berechnet auf neuen Daten (realistischer).

Kreuzvalidierung liefert eine ehrliche Schätzung des prädiktiven R².

Negatives R² außerhalb der Stichprobe: Modell sagt schlechter vorher als einfach den Mittelwert zu verwenden.

Alternativen zu R²

Mittlerer quadratischer Fehler (MSE)

Durchschnittlicher quadrierter Vorhersagefehler. Niedriger ist besser.

Nicht begrenzt; schwerer zu interpretieren als R².

Wurzel des mittleren quadratischen Fehlers (RMSE)

√MSE. Gleiche Einheit wie Y.

Besser interpretierbar als MSE.

Mittlerer absoluter Fehler (MAE)

Durchschnittlicher absoluter Fehler. Robuster gegenüber Ausreißern.

AIC / BIC

Informationskriterien, die Anpassung und Komplexität ausgleichen.

Für Modellauswahl, nicht für Interpretation.

Ergebnisse berichten

Standardformat:

„Das Modell erklärte 72 % der Varianz bei den Verkäufen (R² = 0,72, korrigiertes R² = 0,69). Dies zeigt, dass Werbeausgaben, Preis und Saisonalität zusammen einen erheblichen Teil der Variation in der Verkaufsleistung erklären."

Mit Signifikanz:

„Das Regressionsmodell war signifikant, F(3, 96) = 82,4, p < 0,001, R² = 0,72, und erklärt 72 % der Varianz im Ergebnis."

Historischer Kontext

Das Bestimmtheitsmaß entstand aus Karl Pearsons Arbeit zur Korrelation im späten 19. Jahrhundert.

Die Interpretation als „Anteil der erklärten Varianz" wurde zum Standard in der Regressionsanalyse, die von Ronald Fisher und anderen im frühen 20. Jahrhundert entwickelt wurde.

Die Unterscheidung zwischen R² und korrigiertem R² wurde später formalisiert, als die Bedenken bezüglich Überanpassung mit multipler Regression und computergestützter Modellbildung zunahmen.

Verwandte Berechnungen

• Pearson-Korrelation — r (Quadratwurzel von R² für einfache Regression)
• Lineare Regression — Modellanpassung
• Multiple Regression — Mehrere Prädiktoren
• Standardfehler der Schätzung — Vorhersagefehler

Zusammenfassung

R-Quadrat misst den Anteil der Varianz im Ergebnis, der durch das Regressionsmodell erklärt wird. Die Werte reichen von 0 bis 1, wobei höhere Werte eine bessere Anpassung anzeigen. Verwenden Sie korrigiertes R² beim Vergleich von Modellen mit unterschiedlicher Anzahl von Prädiktoren. Was als „gutes" R² gilt, hängt vom Fachgebiet und der Forschungsfrage ab. Denken Sie daran, dass ein hohes R² keine Kausalität beweist und keine guten Vorhersagen bei neuen Daten garantiert. Berichten Sie sowohl R² als auch korrigiertes R² zusammen mit Signifikanztests für eine vollständige Modellbewertung.