Bei Regressionsanalysen in den Sozialwissenschaften bestimmen die meisten Studierenden die unabhängigen und abhängigen Variablen und erstellen das Modell. Dabei wird jedoch oft eine entscheidende Voraussetzung übersehen: Linearität. Wenn zwischen den Variablen keine lineare Beziehung besteht, kann das Regressionsmodell irreführende Ergebnisse liefern. In diesem Beitrag erklären wir, was die Linearitätsannahme bedeutet, wie man sie überprüft und was zu tun ist, wenn sie nicht erfüllt ist – mit klaren Erklärungen und Beispielen.

1. Was ist Linearität?

Linearität bedeutet, dass der Einfluss der unabhängigen Variablen auf die abhängige Variable in konstantem Verhältnis zu- oder abnimmt. Es besteht also eine lineare (geradlinige) Beziehung zwischen den Variablen.

Beispiel: Wenn die Lernzeit eines Studierenden steigt und gleichzeitig die Prüfungsnote steigt, liegt eine lineare Beziehung vor.

2. Warum sollte man Linearität überprüfen?

• Eine der Grundvoraussetzungen der Regressionsanalyse
• Beeinflusst direkt die Prognosekraft und Gültigkeit des Modells
• Nichtlineare Beziehungen können die Fehler im Modell erhöhen

3. Wie überprüft man Linearität?

Streudiagramm (Scatter Plot)
Die einfachste Methode, um die Beziehung zwischen unabhängigen und abhängigen Variablen zu visualisieren.

Tipp: Wenn sich die Punkte entlang einer geraden Linie gruppieren, ist die Beziehung wahrscheinlich linear.

Residuen-Diagramme
Residuen (Fehlerwerte) werden gegen die vorhergesagten Werte aus dem Regressionsmodell dargestellt.

Interpretation:

• Zufällig verteilte Residuen → Linearität ist erfüllt
• Muster (z. B. U-Form oder umgekehrte U) → Linearitätsannahme verletzt

Partielle Regressionsdiagramme
Testen die Linearität, indem der Einfluss jeder unabhängigen Variable isoliert betrachtet wird.

Nichtlineare Terme hinzufügen
Quadrat- oder Logarithmus-Terme der unabhängigen Variablen ins Modell aufnehmen, um Linearität zu testen.

4. Was tun, wenn Linearität nicht erfüllt ist?

• Daten­transformation: Logarithmische, Quadratwurzel- oder inverse Transformationen anwenden
• Nichtlineare Modelle verwenden: Polynomialregression, Spline-Regression usw.
• Unabhängige Variable kategorisieren: Kontinuierliche Variablen in sinnvolle Gruppen unterteilen

5. Wie sollte die Linearitätsprüfung in der Arbeit dargestellt werden?

• Verwendete Grafiken und Tests klar benennen
• Bei Verletzung der Annahme: verwendete Transformation oder alternative Methode erläutern
• Mit visuellen Darstellungen unterstützen (Scatter Plot, Residuen-Diagramm usw.)
• Modell vor und nach der Anpassung vergleichen

6. Fazit

Die Linearitätsprüfung ist ein stiller, aber unverzichtbarer Schritt in der Regressionsanalyse. Ergebnisse ohne diese Kontrolle können zwar statistisch signifikant erscheinen, spiegeln jedoch möglicherweise nicht die Realität wider. Die Berücksichtigung dieser Prüfung in Ihrer Arbeit zeigt sowohl akademische Sorgfalt als auch analytische Kompetenz.