B = −3.17 für die Dummy-Variable, so liest du unstandardisierte und standardisierte Koeffizienten in der SPSS-Ausgabe
In der SPSS-Tabelle „Koeffizienten“ steht für eine Dummy-Variable B = −3.17 und Beta = −.18. Beide Zahlen beantworten verschiedene Fragen. Wer die Voraussetzungen der Regression geprüft hat, steht genau hier und muss entscheiden, was in den Text gehört.
Die Ausgabe mit erfundenen Werten
Die Tabelle 1 zeigt eine erfundene Regression. Vorhergesagt wird die Klausurleistung in Punkten bei 150 Studierenden, davon 45 mit Nebenjob. Das Modell erklärt 28 % der Varianz.
Zeile | B | SE | Beta | t | p |
Konstante | 50.34 | 3.13 | 16.10 | < .001 | |
Lernstunden pro Woche | 0.90 | 0.14 | .45 | 6.34 | < .001 |
Stress (Punkte) | −0.35 | 0.09 | −.28 | −3.90 | < .001 |
Nebenjob (0 = nein, 1 = ja) | −3.17 | 1.23 | −.18 | −2.57 | .011 |
Was B sagt
B ist die erwartete Veränderung der abhängigen Variable in ihren eigenen Einheiten, wenn der Prädiktor um eins steigt und die übrigen Prädiktoren gleich bleiben. Eine Lernstunde mehr pro Woche geht im Beispiel mit 0.90 Punkten mehr einher. Diesen Wert kannst du dir vorstellen. Deshalb lässt er sich auch Lesenden ohne Statistikkenntnisse gut mitteilen. Die Konstante ist die Vorhersage, wenn alle Prädiktoren null sind. Bei null Lernstunden und null Stresspunkten ist das oft nur eine Rechengröße. Auf der Skala Klausurleistung ergibt sie zwar eine Zahl, in der Stichprobe kommt dieser Fall aber gar nicht vor. Du musst die Konstante deshalb nicht inhaltlich deuten. In der Regressionsgleichung bleibt sie trotzdem nötig, weil alle Vorhersagen von diesem Wert ausgehen.
Was Beta sagt
Beta rechnet alles in Standardabweichungen um. Steigen die Lernstunden um eine Standardabweichung, steigt die Vorhersage um .45 Standardabweichungen der Klausurleistung. So kannst du Prädiktoren mit verschiedenen Einheiten grob vergleichen, in diesem Modell also Lernstunden und Stress.
Dafür zahlst du einen Preis. Beta hängt von der Streuung in deiner Stichprobe ab, denn es ist B multipliziert mit dem Verhältnis der beiden Standardabweichungen. Zwei Studien mit demselben B können deshalb verschiedene Beta-Werte haben. Eine ähnliche Abhängigkeit kennst du vielleicht von den Effektstärken. Deshalb lohnt sich der Vergleich von Beta-Werten über mehrere Studien hinweg nur mit Vorsicht.
Dummy-Variable, Referenzkategorie und Vorzeichen
Eine Dummy-Variable kennt nur 0 und 1. Die Gruppe mit der 0 ist die Referenzkategorie. Das B ist der Unterschied zu ihr. Studierende mit Nebenjob liegen hier bei gleichen Lernstunden und gleichem Stress 3.17 Punkte unter denen ohne Nebenjob. Hättest du umgekehrt kodiert, stünde dort +3.17. Das Vorzeichen allein sagt also nichts, solange die Kodierung nicht danebensteht.
Bei Dummy-Variablen führt Beta oft in die Irre, denn „eine Standardabweichung mehr Nebenjob“ gibt es nicht. Außerdem hängt der Wert davon ab, wie sich die Gruppen verteilen. Mit demselben B und derselben Streuung der Klausurleistung ergäbe sich bei 75 zu 75 Personen ein Beta von −.20, bei 15 zu 135 nur noch −.12. Der Unterschied zwischen den Gruppen wäre derselbe, nur die Zahl daneben hätte sich verändert. Bei mehr als zwei Kategorien gilt das ebenso, dort brauchst du mehrere Dummy-Variablen mit einer gemeinsamen Referenz.
Welchen Regressionskoeffizienten berichte ich?
Du berichtest B, weil es die Einheit behält. Beta ergänzt du für metrische Prädiktoren, wenn dein Fach das erwartet. Für die Dummy-Variable mit den erfundenen Werten könnte das so klingen:
Studierende mit Nebenjob erzielten bei Kontrolle von Lernstunden und Stress geringere Klausurleistungen als Studierende ohne Nebenjob, b = −3.17, SE = 1.23, t(146) = −2.57, p = .011.
Mehrere Prädiktoren gehören meist in eine Tabelle. Dafür findest du im Tabellen-Kit Word-Vorlagen, die nach APA 7 aufgebaut sind. Wie der gesamte Bericht aussieht, zeigt der Artikel Regression nach APA 7 berichten. Der Wert df = 146 ergibt sich aus 150 Personen minus vier geschätzten Koeffizienten, mehr dazu bei den Freiheitsgraden.
Was ein B bedeutet, hängt davon ab, welche Prädiktoren im Modell stehen. Wenn du das an deiner Ausgabe üben möchtest, kannst du die Regressionsausgabe in der Statistik-Nachhilfe mit uns durchgehen.
Drei typische Fehler
Beta von Dummy-Variablen als Effektgröße deuten. Der Wert sagt mehr über die Gruppengrößen als über den Unterschied. Berichte stattdessen B.
Den Koeffizienten ohne das restliche Modell lesen. Das B für den Nebenjob gilt bei gleichen Lernstunden und gleichem Stress. Ohne diese Prädiktoren sähe es anders aus.
Aus B eine Ursache machen. Eine Regression auf Befragungsdaten zeigt einen Zusammenhang. Dass der Nebenjob die Leistung senkt, belegt sie nicht.
Dieselbe Tabelle in R liest du fast genauso, das zeigt der Artikel zur Ausgabe von summary(lm()). Bei einer dichotomen abhängigen Variable ändert sich die Deutung dagegen, dann hilft die logistische Regression weiter.
Was Studierende zu B und Beta oft fragen
Warum steht bei der Konstante kein Beta?
Standardisierte Variablen haben den Mittelwert null. Damit ist auch die Konstante der standardisierten Gleichung null. SPSS lässt das Feld deshalb leer.
Kann Beta größer als 1 sein?
Das ist möglich, vor allem wenn Prädiktoren stark zusammenhängen. Ein solcher Wert ist kein Rechenfehler, sollte dich aber an Multikollinearität denken lassen.
Ist ein größeres Beta automatisch wichtiger?
Nicht automatisch. Beta vergleicht nur innerhalb dieses Modells und dieser Stichprobe. Mit einer eingeschränkten Streuung fällt der Wert kleiner aus, auch wenn der Zusammenhang gleich bleibt.
Wie viel Zeit braucht es, eine Regression gemeinsam durchzugehen?
Das hängt davon ab, wie viele Modelle du gerechnet hast und wie weit du schon bist. Einen Anhaltspunkt geben Preise und Ablauf.
Wenn die Tabelle steht und der Satz dazu fehlt Wir übernehmen deine SPSS-Auswertung und erklären dir jede Zeile. Wenn du die Regression selbst rechnen möchtest, begleiten wir dich im Statistik-Coaching. Beide Wege erklären wir unter Preise und Ablauf. Welche Kategorie ist in deiner Arbeit die Referenz und passt das zu deiner Fragestellung?


