Regression in R durchführen in 7 Schritten

Eine Regression in R durchführen bedeutet mehr, als einen Befehl auszuführen und einen p-Wert abzulesen. Für eine Thesis, Dissertation oder Publikation muss das Modell zur Forschungsfrage passen, die Daten müssen plausibel aufbereitet sein, und die Ergebnisse müssen fachlich korrekt berichtet werden. Genau an diesen Stellen entstehen die Fehler, die später bei der Betreuung, Begutachtung oder im Peer Review auffallen.

R bietet dafür einen großen Vorteil: Jeder Schritt ist dokumentierbar und reproduzierbar. Das setzt allerdings voraus, dass Sie nicht nur Code kopieren, sondern nachvollziehen können, was Ihr Modell schätzt und welche Voraussetzungen es erfüllen muss.

1. Forschungsfrage in ein Regressionsmodell übersetzen

Die lineare Regression ist sinnvoll, wenn Sie prüfen möchten, ob eine oder mehrere unabhängige Variablen eine metrische abhängige Variable statistisch erklären oder vorhersagen. Eine psychologische Fragestellung könnte lauten: Sagen Stress, Schlafdauer und Alter den Depressionsscore voraus? In der Medizin wäre denkbar: Erklären BMI, Blutdruck und Rauchstatus einen Laborwert?

Die abhängige Variable steht im Mittelpunkt des Modells. Sie wird durch Prädiktoren erklärt. Bei einer einfachen linearen Regression gibt es genau einen Prädiktor, bei einer multiplen Regression mehrere. Entscheidend ist nicht, möglichst viele Variablen in R einzufügen. Jede Variable sollte sich aus Ihrer Hypothese, dem Studiendesign oder einer fachlich begründeten Kontrollstrategie ableiten lassen.

Ist Ihre abhängige Variable dichotom, etwa Therapieerfolg ja oder nein, benötigen Sie meist eine logistische statt einer linearen Regression. Bei Zähldaten, ordinalen Skalen oder Messwiederholungen gelten wiederum andere Modellannahmen. Der erste methodische Gewinn entsteht daher vor dem ersten R-Befehl.

2. Daten prüfen und Variablen korrekt vorbereiten

Bevor Sie das Modell schätzen, verschaffen Sie sich einen Überblick über Ihre Daten. Importieren Sie den Datensatz beispielsweise als `daten` und prüfen Sie Struktur, Verteilungen und fehlende Werte:

str(daten)
summary(daten)
colSums(is.na(daten))

Achten Sie besonders auf Variablen, die in R als Zeichenkette eingelesen wurden, obwohl sie kategoriale Merkmale darstellen. Geschlecht, Studiengruppe oder Behandlungsarm sollten in der Regel als Faktor vorliegen. Andernfalls kann R Kategorien falsch verarbeiten oder ein Modell liefern, dessen Koeffizienten nicht Ihrer beabsichtigten Referenzgruppe entsprechen.

daten$gruppe <- factor(daten$gruppe,
                       levels = c("Kontrolle", "Intervention"))

Die zuerst festgelegte Kategorie ist hier die Referenz. Der Regressionskoeffizient für `Intervention` beschreibt dann den geschätzten Unterschied zur Kontrollgruppe, unter Konstanthaltung der übrigen Prädiktoren.

Fehlende Werte sollten Sie nicht automatisch löschen. Prüfen Sie zunächst, wie viele Fälle und welche Variablen betroffen sind. Bei wenigen, zufällig fehlenden Einzelwerten kann eine vollständige Fallanalyse vertretbar sein. Bei systematischem oder umfangreicherem Missing Data kann sie die Stichprobe verzerren. Dann sind eine begründete Imputation oder eine methodische Beratung häufig die bessere Entscheidung.

3. Das Regressionsmodell in R schätzen

Für eine lineare Regression verwenden Sie in R die Funktion `lm()`. Die Formel folgt einem klaren Muster: links die abhängige Variable, rechts die Prädiktoren.

modell <- lm(depressionsscore ~ stress + schlafdauer + alter,
             data = daten)
summary(modell)

Der Output enthält mehrere Informationen, die unterschiedliche Fragen beantworten. Der Koeffizient `Estimate` zeigt Richtung und Größe eines Effekts. Ein positiver Koeffizient für Stress bedeutet: Mit steigendem Stress erhöht sich der vorhergesagte Depressionsscore, wenn Schlafdauer und Alter konstant gehalten werden. Der p-Wert bewertet, ob die Daten gegen die Nullhypothese eines Koeffizienten von null sprechen. Das Konfidenzintervall zeigt zusätzlich den Bereich plausibler Effektgrößen.

confint(modell)

Das Bestimmtheitsmaß R² gibt an, welcher Anteil der Varianz der abhängigen Variable durch das Modell erklärt wird. Ein hohes R² ist nicht automatisch ein Qualitätsbeweis. In kleinen Stichproben oder bei vielen Prädiktoren kann es zu optimistischen Einschätzungen führen. Berichten Sie deshalb bei multiplen Modellen häufig auch das korrigierte R².

4. Modellannahmen prüfen statt Ergebnisse vorschnell berichten

Eine lineare Regression beruht auf Annahmen. Nicht jede kleinere Abweichung macht ein Modell unbrauchbar. Sie sollten Auffälligkeiten aber erkennen, fachlich einordnen und gegebenenfalls angemessen reagieren.

Mit folgendem Befehl erzeugt R die zentralen Diagnosegrafiken:

par(mfrow = c(2, 2))
plot(modell)

Im Residuals-versus-Fitted-Plot suchen Sie nach einer zufälligen Wolke. Deutliche Kurven können auf einen nichtlinearen Zusammenhang hinweisen. Der Q-Q-Plot hilft bei der Beurteilung, ob Residuen näherungsweise normalverteilt sind. Für die Schätzung der Koeffizienten ist die Normalverteilung der Residuen nicht der Kernpunkt, bei kleinen Stichproben kann sie jedoch für Inferenztests relevant werden.

Besonders praxisrelevant ist die Varianzhomogenität. Wenn die Streuung der Residuen mit den vorhergesagten Werten deutlich zu- oder abnimmt, liegen heteroskedastische Fehler vor. Dann können Standardfehler und p-Werte irreführend sein. Je nach Forschungsfrage kommen Transformationen, heteroskedastizitätskonsistente Standardfehler oder ein anderes Modell infrage. Welche Lösung passt, hängt von Datenstruktur und Zielsetzung ab.

Auch einflussreiche Fälle verdienen Aufmerksamkeit. Ein einzelner Fall kann eine Regressionsgerade stark verschieben, ohne dass er zwingend ein Datenfehler sein muss. Prüfen Sie zunächst Eingabefehler, Messbesonderheiten und die fachliche Plausibilität. Fälle nur zu entfernen, weil sie das gewünschte Ergebnis stören, ist methodisch nicht vertretbar.

5. Multikollinearität bei mehreren Prädiktoren erkennen

Wenn zwei oder mehr Prädiktoren sehr stark zusammenhängen, wird es schwierig, ihre jeweiligen Einzeleffekte zuverlässig zu trennen. Das nennt man Multikollinearität. Häufige Beispiele sind eng verwandte Skalenwerte oder gleichzeitig aufgenommene klinische Kennwerte.

Ein Warnsignal sind große Standardfehler, unerwartete Vorzeichen oder Effekte, die sich beim Hinzufügen eines weiteren Prädiktors stark verändern. Der Variance Inflation Factor, kurz VIF, kann die Prüfung unterstützen. Als grobe Orientierung gelten Werte ab 5 als auffällig, ab 10 meist als deutlich problematisch. Diese Grenzen sind jedoch keine automatische Entscheidungsregel.

library(car)
vif(modell)

Wenn Multikollinearität vorliegt, kann es sinnvoll sein, redundant ähnliche Variablen nicht gemeinsam zu modellieren, einen theoretisch begründeten Summenscore zu verwenden oder separate Modelle transparent gegenüberzustellen. Nicht die Software entscheidet darüber, sondern die Verbindung aus Theorie, Messkonzept und Datenlage.

6. Ergebnisse fachlich korrekt interpretieren und berichten

Ein statistisch signifikanter Koeffizient ist keine vollständige Interpretation. Berichten Sie Effektgröße, Unsicherheit, Modellgüte und inhaltliche Bedeutung. Ein Ergebnis wie `b = 0,42, 95%-KI [0,15; 0,69], p = 0,004` heißt nicht einfach, dass ein Effekt „vorhanden“ ist. Es bedeutet, dass eine Einheit mehr Stress mit einem um 0,42 Punkte höheren vorhergesagten Depressionsscore verbunden ist, unter Kontrolle der übrigen Modellvariablen.

Ein möglicher Ergebnistext könnte so aussehen:

> Die multiple lineare Regression zeigte, dass höherer Stress signifikant mit höheren Depressionsscores assoziiert war (b = 0,42, 95%-KI [0,15; 0,69], p = 0,004). Schlafdauer und Alter wurden als Kovariaten berücksichtigt. Das Gesamtmodell erklärte 31 % der Varianz der Depressionsscores (korrigiertes R² = 0,31).

Vermeiden Sie kausale Formulierungen wie „Stress verursacht Depression“, wenn Ihre Daten aus einer Querschnittserhebung stammen. Regression kontrolliert statistisch für beobachtete Variablen, ersetzt aber kein experimentelles Design und beseitigt keine unbeobachteten Störfaktoren.

7. Reproduzierbar arbeiten und rechtzeitig Unterstützung einholen

Speichern Sie Datenaufbereitung, Analyse und Grafiken in einem R-Skript. So können Sie jeden Schritt wiederholen, Änderungen nachvollziehen und auf Rückfragen Ihrer Betreuung sicher reagieren. Dokumentieren Sie außerdem Entscheidungen zu Ausreißern, Missing Data, Kodierungen und Modellvarianten. Gerade bei Abschlussarbeiten entscheidet diese Transparenz oft darüber, ob eine Analyse überzeugend wirkt.

Wenn Forschungsfrage, Skalenniveau oder Voraussetzungen nicht eindeutig sind, lohnt sich eine methodische Klärung vor der finalen Auswertung. Easy Statistik unterstützt Sie dabei individuell durch promovierte Statistiker - von der Modellauswahl über R-Code und Diagnose bis zum nachvollziehbaren Ergebnistext für Ihre Arbeit. Fordern Sie über das Kontaktformular eine Statistikberatung an.

Eine gute Regression entsteht nicht durch den längsten Code, sondern durch nachvollziehbare Entscheidungen. Wenn Sie diese Entscheidungen sauber begründen können, wird R vom Unsicherheitsfaktor zu einem verlässlichen Werkzeug für Ihre Forschung.