Bestimmtheitsmaß

Das Wichtigste auf einen Blick

• Das Bestimmtheitsmaß (R²) misst den Anteil der erklärten Varianz im Regressionsmodell.
• Es liegt zwischen 0 und 1, wobei 1 eine perfekte Anpassung bedeutet.
• Ein hohes R² garantiert nicht automatisch ein gutes Modell, da auch Überanpassung möglich ist.
• Das Bestimmtheitsmaß kann für lineare und nichtlineare Modelle verwendet werden.
• Es ist wichtig, das Bestimmtheitsmaß zusammen mit anderen Diagnostikverfahren zu betrachten.
• Adjusted R² korrigiert das Bestimmtheitsmaß für die Anzahl der Prädiktoren im Modell.
• Das Bestimmtheitsmaß ist kein geeignetes Maß für die Kausalität, sondern nur für die Modellgüte.

Überblick: Bestimmtheitsmass

Das Bestimmtheitsmaß ist eine fundamentale Kennzahl in der Regressionsanalyse, die angibt, wie viel der Gesamtvarianz einer abhängigen Variable durch ein statistisches Modell erklärt wird. Es wird vor allem in der Statistik, Ökonometrie, Psychologie und anderen empirischen Wissenschaften verwendet, um die Qualität von Vorhersagemodellen zu bewerten. Ein hoher Wert des Bestimmtheitsmaßes deutet darauf hin, dass das Modell die Daten gut beschreibt, während ein niedriger Wert auf eine geringe Erklärungsleistung hinweist.

Was ist das Bestimmtheitsmaß?

Das Bestimmtheitsmaß, auch Determinationskoeffizient genannt, ist eine statistische Kennzahl, die angibt, welcher Anteil der Gesamtvarianz einer abhängigen Variable durch ein Regressionsmodell erklärt wird. Es zeigt, wie gut die unabhängigen Variablen die Variation der Zielgröße beschreiben.

Mathematische Definition und Berechnung

Das Bestimmtheitsmaß R² wird berechnet als R² = 1 - (RSS/TSS), wobei RSS die Residuenquadratsumme und TSS die totale Quadratsumme ist. Die totale Quadratsumme misst die Gesamtvarianz der abhängigen Variable, während die Residuenquadratsumme die Varianz der Fehler beschreibt.

Interpretation des Bestimmtheitsmaßes

Ein R² von 0 bedeutet, dass das Modell keine Varianz erklärt, während ein R² von 1 eine perfekte Erklärung der Daten darstellt. Werte dazwischen zeigen den Anteil der erklärten Varianz. Allerdings garantiert ein hohes R² nicht zwangsläufig ein gutes Modell, da Überanpassung möglich ist.

Adjusted R² – Korrigierte Variante

Das Adjusted R² berücksichtigt die Anzahl der Prädiktoren im Modell und bestraft übermäßige Komplexität. Es ist besonders nützlich, wenn mehrere unabhängige Variablen verwendet werden, um Überanpassung zu vermeiden.

Beispielhafte Werte des Bestimmtheitsmaßes und deren Interpretation

Anwendungsbereiche des Bestimmtheitsmaßes

Das Bestimmtheitsmaß wird in vielen Disziplinen eingesetzt, darunter Ökonometrie, Psychologie, Biologie und Ingenieurwissenschaften, um die Güte von Vorhersagemodellen zu beurteilen.

Grenzen und Kritik am Bestimmtheitsmaß

Das Bestimmtheitsmaß misst nur die Anpassungsgüte, nicht aber die Kausalität. Zudem kann es bei komplexen Modellen irreführend sein, da es mit jeder zusätzlichen Variable steigt, unabhängig von deren Relevanz.

Alternative Gütemaße

Neben dem Bestimmtheitsmaß werden weitere Maße wie der Adjusted R², der Akaike-Informationskriterium (AIC) oder der Bayesian-Informationskriterium (BIC) verwendet, um Modelle zu bewerten und Überanpassung zu vermeiden.

Zusatzinformationen

Synonyme und alternative Bezeichnungen