Interaktionseffekte in Regression verstehen

DEin Haupteffekt kann in Ihrer Stichprobe völlig plausibel aussehen und trotzdem die entscheidende Forschungsfrage verfehlen. Wenn etwa eine Therapie bei jüngeren und älteren Patientengruppen unterschiedlich wirkt oder Lernzeit nur bei hoher Selbstwirksamkeit mit besseren Noten einhergeht, genügt eine Standardregression nicht mehr. Interaktionseffekte in Regression verstehen heißt, genau diese bedingten Zusammenhänge sichtbar zu machen - und sie so zu interpretieren, dass Ihr Ergebnis fachlich und methodisch trägt.

Was ein Interaktionseffekt tatsächlich aussagt

Ein Interaktionseffekt liegt vor, wenn der Zusammenhang zwischen einer unabhängigen Variable X und einer abhängigen Variable Y davon abhängt, welche Ausprägung eine zweite Variable Z hat. Z wird in diesem Zusammenhang oft als Moderator bezeichnet. Die Frage lautet also nicht nur: „Hat X einen Effekt auf Y?“, sondern: „Für wen, unter welchen Bedingungen oder bei welchem Wert von Z zeigt sich dieser Effekt?“

Ein Beispiel aus der Medizin: Sie untersuchen, ob ein Bewegungsprogramm den systolischen Blutdruck senkt. Alter könnte die Wirkung verändern. Falls das Programm bei jüngeren Personen deutlich stärker wirkt als bei älteren, interagieren Programmteilnahme und Alter. Der Effekt des Programms ist dann nicht für alle Teilnehmenden gleich.

In einer linearen Regression wird dies meist so formuliert:

`Y = b0 + b1X + b2Z + b3(X × Z) + e`

Der Koeffizient `b3` beschreibt den Interaktionseffekt. Er gibt an, wie stark sich die Steigung von X verändert, wenn Z um eine Einheit steigt. Bei kategorialen Variablen beschreibt er entsprechend, wie sich Unterschiede zwischen Gruppen je nach Ausprägung der anderen Variable verändern.

Das klingt zunächst technisch, hat aber eine klare inhaltliche Konsequenz: Sobald ein überzeugender Interaktionseffekt vorliegt, dürfen Haupteffekte nicht mehr isoliert und pauschal interpretiert werden. Der Effekt von X ist dann immer an einen konkreten Wert oder eine konkrete Gruppe von Z gebunden.

Interaktionseffekte in Regression verstehen: Ein praxisnahes Beispiel

Nehmen wir eine Masterarbeit in der Pädagogik. Die abhängige Variable ist die Prüfungsnote, wobei höhere Werte bessere Leistungen bedeuten. Als Prädiktoren werden wöchentliche Lernzeit und akademische Selbstwirksamkeit erhoben. Die Hypothese: Mehr Lernzeit verbessert die Note besonders dann, wenn Studierende eine hohe Selbstwirksamkeit haben.

Ohne Interaktion würden Sie ein Modell mit Lernzeit und Selbstwirksamkeit als getrennten Prädiktoren rechnen. Dieses Modell beantwortet, ob Lernzeit durchschnittlich mit der Note zusammenhängt und ob Selbstwirksamkeit durchschnittlich mit der Note zusammenhängt. Es kann jedoch nicht prüfen, ob die Lernzeit bei unterschiedlichen Niveaus der Selbstwirksamkeit verschieden wirksam ist.

Dafür ergänzen Sie das Produkt aus beiden Variablen, also `Lernzeit × Selbstwirksamkeit`. Ist dessen Regressionskoeffizient positiv und statistisch auffällig, nimmt der Nutzen zusätzlicher Lernzeit mit wachsender Selbstwirksamkeit zu. Ein negativer Koeffizient würde dagegen bedeuten, dass der Zusammenhang zwischen Lernzeit und Leistung bei hoher Selbstwirksamkeit schwächer wird.

Ein nicht signifikanter Interaktionsterm beweist nicht, dass es in der Population keinerlei Moderation gibt. Gerade bei kleinen Stichproben sind Interaktionseffekte schwerer nachzuweisen als Haupteffekte. Die Schätzung kann unpräzise sein, wenn die Wertebereiche eingeschränkt sind, Messungen unzuverlässig ausfallen oder relevante Gruppen nur selten vorkommen. Deshalb gehören Konfidenzintervalle, Effektgröße, Stichprobenplanung und fachliche Plausibilität in die Bewertung.

Haupteffekte richtig lesen

Bei einem Modell mit Interaktion haben die Koeffizienten für X und Z eine eingeschränkte Bedeutung. Wenn X und Z unzentriert eingehen, beschreibt `b1` den Effekt von X genau dann, wenn Z den Wert null annimmt. Ob dieser Nullpunkt inhaltlich sinnvoll ist, hängt von der Skala ab. Bei Alter wäre ein Alter von null Jahren für viele Forschungsfragen kaum interpretierbar.

Deshalb ist die Mittelwertzentrierung bei zwei metrischen Prädiktoren häufig sinnvoll. Von jedem beobachteten Wert wird der Stichprobenmittelwert abgezogen. Danach beschreibt der Haupteffekt der Lernzeit den Zusammenhang mit der Prüfungsnote bei durchschnittlicher Selbstwirksamkeit. Der Haupteffekt der Selbstwirksamkeit gilt analog bei durchschnittlicher Lernzeit. Die Zentrierung verändert weder die Modellgüte noch den Interaktionseffekt selbst, erleichtert aber die Interpretation und kann die Kollinearität zwischen Produktterm und Einzelvariablen reduzieren.

Bei einer kategorialen Variable braucht es stattdessen eine transparente Codierung. Bei einer binären Gruppenvariable wird häufig Dummy-Codierung verwendet, etwa 0 für Kontrollgruppe und 1 für Interventionsgruppe. Dann beschreibt der Haupteffekt der kontinuierlichen Variable deren Steigung in der Referenzgruppe. Der Interaktionsterm zeigt, um wie viel sich diese Steigung in der Vergleichsgruppe unterscheidet. Welche Gruppe als Referenz gewählt wird, ist nicht beliebig für die Lesbarkeit, auch wenn die inhaltliche Modellprüfung dadurch nicht verändert wird.

So prüfen Sie eine Moderationshypothese sauber

Ein Interaktionsterm sollte aus einer fachlich begründeten Hypothese entstehen, nicht aus einer langen Suche nach zufälligen Signifikanzen. Vor der Analyse sollte klar sein, warum die Wirkung von X zwischen Gruppen oder Ausprägungen von Z variieren könnte. In einer klinischen Studie können biologische Mechanismen, in der BWL unterschiedliche Entscheidungsbedingungen und in den Sozialwissenschaften Ressourcen oder Kontextfaktoren eine solche Annahme begründen.

Schätzen Sie anschließend ein hierarchisches Regressionsmodell. Im ersten Schritt nehmen Sie die beiden Haupteffekte X und Z auf. Im zweiten Schritt ergänzen Sie den Produktterm X × Z. Der Vergleich zeigt, ob die Interaktion zusätzliche Varianz in Y erklärt. Berichten Sie dabei nicht nur den p-Wert des Interaktionsterms, sondern auch die Änderung des erklärten Varianzanteils, den Regressionskoeffizienten, sein Konfidenzintervall und eine sachgerechte Effektinterpretation.

Die allgemeinen Voraussetzungen der linearen Regression bleiben bestehen: Linearität, unabhängige Beobachtungen, angemessene Verteilung und Varianz der Residuen sowie keine problematischen einflussreichen Einzelfälle. Bei binären, ordinalen oder Zähldaten ist häufig ein generalisiertes Regressionsmodell angemessener. Interaktionen lassen sich auch in logistischer Regression, Poisson-Modellen oder Mehrebenenmodellen prüfen, ihre Interpretation wird dort aber anspruchsvoller, weil Koeffizienten nicht unmittelbar lineare Änderungen der Zielvariable ausdrücken.

Kontrollvariablen sind sinnvoll, wenn sie theoretisch begründete Störfaktoren darstellen. Sie sollten jedoch nicht reflexartig jedes verfügbare Merkmal in das Modell aufnehmen. Zu viele Parameter bei begrenzter Stichprobe führen zu instabilen Schätzungen. Besonders bei Interaktionen benötigen Sie ausreichend Beobachtungen über den gesamten Wertebereich der beteiligten Variablen hinweg.

Ein Plot ist kein Zusatz, sondern Teil der Interpretation

Ein Tabellenkoeffizient allein macht Interaktionen selten verständlich. Visualisieren Sie vorhergesagte Werte von Y für mehrere sinnvolle Ausprägungen des Moderators, zum Beispiel bei niedrigem, durchschnittlichem und hohem Z-Wert. Bei kategorialen Moderatoren reichen getrennte Regressionslinien für die Gruppen. Entscheidend ist, ob die Linien unterschiedliche Steigungen haben - nicht nur, ob sie auf verschiedenen Höhen liegen.

Für das Lernzeit-Beispiel könnten Sie drei Linien zeigen: niedrige, mittlere und hohe Selbstwirksamkeit. Steigt die Linie bei hoher Selbstwirksamkeit deutlich an, während sie bei niedriger Selbstwirksamkeit fast flach verläuft, wird Ihre Hypothese unmittelbar nachvollziehbar. Kreuzen sich Linien, spricht das für eine besonders deutliche Form der Interaktion, verlangt aber eine vorsichtige Erklärung innerhalb des tatsächlich beobachteten Datenbereichs.

Nutzen Sie ergänzend Simple-Slopes-Analysen. Dabei wird der Effekt von X bei konkret festgelegten Werten von Z getestet, etwa eine Standardabweichung unter und über dem Mittelwert. Noch differenzierter zeigt eine Johnson-Neyman-Analyse, ab welchen Moderatorwerten der Effekt von X statistisch auffällig wird. Welche Methode sinnvoll ist, hängt von Skalenart, Stichprobengröße und Forschungsfrage ab. Ein signifikanter Gesamttest ersetzt diese Folgeanalysen nicht.

Häufige Fehlinterpretationen in Thesis und Publikation

Der häufigste Fehler lautet: „X und Z haben beide signifikante Haupteffekte, also gibt es eine Interaktion.“ Das ist falsch. Zwei Haupteffekte bedeuten lediglich, dass beide Variablen im Mittel mit Y zusammenhängen. Eine Interaktion setzt voraus, dass der Produktterm einen zusätzlichen bedingten Zusammenhang abbildet.

Ebenso problematisch ist die Aussage, eine Interaktion sei bewiesen, weil sich ein Effekt in Gruppe A signifikant und in Gruppe B nicht signifikant zeige. Der Unterschied zwischen „signifikant“ und „nicht signifikant“ ist nicht automatisch selbst signifikant. Genau diesen Gruppenunterschied prüft der Interaktionsterm im gemeinsamen Modell.

Vermeiden Sie außerdem Kausalsprache bei rein beobachtenden Querschnittsdaten. Eine gefundene Moderation zeigt zunächst einen bedingten statistischen Zusammenhang. Für Aussagen über Wirkungen brauchen Sie ein Forschungsdesign, das alternative Erklärungen überzeugend begrenzt. Auch Extrapolationen sind riskant: Eine Regressionslinie darf nicht über Wertebereiche hinaus interpretiert werden, die Ihre Stichprobe nicht abdeckt.

Ergebnisse nachvollziehbar berichten

Ein guter Ergebnisabschnitt verbindet Modell, Kennzahlen und Inhalt. Benennen Sie zunächst die abhängige Variable, die Prädiktoren, die Codierung und eine mögliche Zentrierung. Berichten Sie anschließend den Interaktionsterm mit Koeffizient, Standardfehler, Teststatistik, p-Wert und Konfidenzintervall. Ergänzen Sie die Modellgüte und die Veränderung durch den Produktterm.

Inhaltlich sollte danach klar stehen, für welche Gruppe oder bei welchen Moderatorwerten sich der Effekt zeigt. Eine Formulierung könnte lauten: „Der positive Zusammenhang zwischen Lernzeit und Prüfungsleistung fiel bei hoher Selbstwirksamkeit stärker aus als bei niedriger Selbstwirksamkeit.“ Die zugehörige Abbildung und die Simple-Slopes-Ergebnisse machen diese Aussage prüfbar. Schreiben Sie nicht nur, dass eine Interaktion vorhanden ist, sondern was sie für Ihre Forschungsfrage bedeutet.

Wenn Ihre Hypothese, Variablencodierung oder Modellauswahl noch unsicher ist, lohnt sich eine methodische Prüfung vor dem finalen Reporting. Bei Easy Statistik unterstützen promovierte Statistikerinnen und Statistiker individuell bei Modellspezifikation, Auswertung, Visualisierung und Ergebnisdarstellung. Fordern Sie diskret über das Kontaktformular eine Statistikberatung an - damit Ihre Interaktion nicht nur gerechnet, sondern wissenschaftlich überzeugend erklärt wird.