Statistik

Lineare Regression einfach erklärt

Aktualisiert am 30. Oktober 2026 · mit Rechenbeispiel, Klausurfehlern und Mini-Quiz

✓ Gegengeprüft · Quellen: Gabler Wirtschaftslexikon

So ist diese Seite geprüft: Jede Rechnung, jede Tabelle und jede Quizlösung ist von unserem Rechen-Algorithmus ohne KI nachgerechnet. Fachlich wurde der Text in zwei unabhängigen Prüfrunden kontrolliert und gegen 24 belegte Kernaussagen aus festen Quellen abgeglichen.

Quellen

So prüfen wir · Fehler gefunden? Melde ihn uns

Kurz erklärt

Die lineare Regression beschreibt den Zusammenhang zwischen einer abhängigen Variable yy und einer erklärenden Variable xx durch eine Gerade y^=a+b⋅x\hat{y} = a + b \cdot x. Steigung und Achsenabschnitt werden mit der Methode der kleinsten Quadrate so bestimmt, dass die quadrierten Abweichungen der Datenpunkte von der Geraden minimal sind. Das Bestimmtheitsmaß R2R^2 zeigt, wie gut die Gerade passt.

Was ist eine lineare Regression?

Wie stark steigt der Umsatz, wenn du mehr in Werbung steckst? Wie hoch sind die Fixkosten einer Fertigung, wenn nur Monatswerte für Menge und Gesamtkosten vorliegen? Solche Fragen beantwortet die Regression. Sie schätzt aus beobachteten Datenpaaren, wie eine Größe von einer anderen abhängt.

Bei der einfachen linearen Regression gibt es genau zwei Variablen:

Gesucht ist die Gerade y^=a+b⋅x\hat{y} = a + b \cdot x, die am besten durch die Punktwolke passt. Meist liegen nur einzelne oder gar keine Datenpunkte genau darauf (bei perfektem linearem Zusammenhang alle). Die Differenz zwischen beobachtetem und geschätztem Wert heißt Residuum ei=yi−y^ie_i = y_i - \hat{y}_i. Gibt es mehrere erklärende Variablen, spricht man von multipler Regression, die Grundidee bleibt dieselbe.

Wie berechnet man die Regressionsgerade?

Die Methode der kleinsten Quadrate wählt aa und bb so, dass die Summe der quadrierten Residuen ∑ei2\sum e_i^2 möglichst klein wird. Quadriert wird, damit sich positive und negative Abweichungen nicht aufheben und große Abweichungen stärker zählen. Daraus ergeben sich diese Formeln:

b=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2=sxysx2b = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2} = \frac{s_{xy}}{s_x^2}a=yˉ−b⋅xˉa = \bar{y} - b \cdot \bar{x}

Die Steigung bb ist also Kovarianz geteilt durch Varianz von xx. Der Achsenabschnitt folgt daraus, denn die Regressionsgerade läuft immer durch den Schwerpunkt (xˉ,yˉ)(\bar{x}, \bar{y}).

Wie gut die Gerade die Daten erklärt, misst das Bestimmtheitsmaß:

R2=1−∑(yi−y^i)2∑(yi−yˉ)2=erkla¨rte StreuungGesamtstreuungR^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2} = \frac{\text{erklärte Streuung}}{\text{Gesamtstreuung}}

R2R^2 liegt zwischen 0 und 1. Bei der einfachen linearen Regression ist es genau das Quadrat des Korrelationskoeffizienten rr aus der Korrelation.

Rechenschema für die Klausur

  1. Mittelwerte xˉ\bar{x} und yˉ\bar{y} berechnen.
  2. Tabelle mit den Spalten xi−xˉx_i - \bar{x}, yi−yˉy_i - \bar{y}, Produkt und (xi−xˉ)2(x_i - \bar{x})^2 anlegen.
  3. bb als Quotient der Spaltensummen, dann aa.
  4. Für R2R^2 zusätzlich (yi−yˉ)2(y_i - \bar{y})^2 und die Residuen berechnen.

Beispiel: Werbebudget und Umsatz

Ein Onlinehändler für Sportbekleidung hat in sechs Monaten unterschiedlich viel für Social-Media-Werbung ausgegeben. Alle Werte in Tausend Euro:

MonatWerbung xix_iUmsatz yiy_ixi−xˉx_i - \bar{x}yi−yˉy_i - \bar{y}Produkt(xi−xˉ)2(x_i - \bar{x})^2
1240−4−114416
2443−2−8164
3549−1−221
47551441
58552484
610644135216
Summe363060012642

Schritt 1: Mittelwerte
xˉ=366=6\bar{x} = \dfrac{36}{6} = 6, yˉ=3066=51\bar{y} = \dfrac{306}{6} = 51

Schritt 2: Steigung
b=12642=3b = \dfrac{126}{42} = 3

Schritt 3: Achsenabschnitt
a=51−3⋅6=33a = 51 - 3 \cdot 6 = 33
Regressionsgerade: y^=33+3⋅x\hat{y} = 33 + 3 \cdot x

Schritt 4: Bestimmtheitsmaß
Geschätzte Werte: 39, 45, 48, 54, 57, 63. Residuen: 1, −2, 1, 1, −2, 1.
∑ei2=1+4+1+1+4+1=12\sum e_i^2 = 1 + 4 + 1 + 1 + 4 + 1 = 12
∑(yi−yˉ)2=121+64+4+16+16+169=390\sum (y_i - \bar{y})^2 = 121 + 64 + 4 + 16 + 16 + 169 = 390
R2=1−12390≈0,9692R^2 = 1 - \frac{12}{390} \approx 0{,}9692

Schritt 5: Prognose
Bei 6.000 € Werbung: y^=33+3⋅6=51\hat{y} = 33 + 3 \cdot 6 = 51, also 51.000 € Umsatz.
Bei 12.000 € Werbung: y^=33+3⋅12=69\hat{y} = 33 + 3 \cdot 12 = 69, also 69.000 € Umsatz.

Nachgerechnet von unserem Rechen-AlgorithmusJede Rechnung in diesem Beispiel ist ohne KI exakt geprüft. So funktioniert’s

Wie interpretiert man die Ergebnisse?

Genau beim letzten Punkt passieren die meisten Denkfehler. Vielleicht hat der Händler in umsatzstarken Monaten wie vor Weihnachten einfach mehr geworben. Dann treibt die Saison beides, und die Regression überschätzt den Werbeeffekt. Regression misst einen statistischen Zusammenhang, Kausalität muss inhaltlich begründet werden.

Die Steigung sagt, um wie viel sich yy im Mittel ändert, wenn xx um eine Einheit steigt. Prognosen innerhalb des beobachteten Bereichs von xx vermeiden Extrapolation, sind aber nur bei geeignetem und stabilem Modell belastbar; ihre Unsicherheit ist gesondert zu berücksichtigen.

Wo wird Regression in BWL und VWL eingesetzt?

Regression oder Korrelation – und wo liegen die Grenzen?

KorrelationRegression
FrageWie stark hängen x und y zusammen?Wie genau hängt y von x ab?
Richtungsymmetrischy wird durch x erklärt
ErgebnisKennzahl rr zwischen −1 und 1Gleichung y^=a+b⋅x\hat{y} = a + b \cdot x, Prognosen möglich

Typische Grenzen der linearen Regression:

Ob eine Steigung überhaupt statistisch von null verschieden ist, prüfst du mit einem Hypothesentest, in der Regel dem t-Test für den Regressionskoeffizienten.

Typische Fehler in der Klausur

  1. x und y vertauschen: Die Regression von y auf x ist nicht dieselbe wie die von x auf y. Überlege zuerst, welche Größe erklärt werden soll, und setze sie als y ein.
  2. Im Nenner von bb die Streuung von y nehmen: Richtig ist ∑(xi−xˉ)2\sum (x_i - \bar{x})^2. Die Streuung von y brauchst du nur für R2R^2.
  3. aa mit falschem Vorzeichen berechnen: a=yˉ−b⋅xˉa = \bar{y} - b \cdot \bar{x}, nicht xˉ−b⋅yˉ\bar{x} - b \cdot \bar{y}. Kontrolle: Die Gerade muss durch (xˉ,yˉ)(\bar{x}, \bar{y}) gehen.
  4. Einen hohen R²-Wert als Kausalität deuten: R² zeigt nur, wie gut die Gerade die Daten beschreibt, nicht, ob x die Ursache für y ist.
  5. Weit außerhalb der Daten prognostizieren: Die Gerade ist nur im beobachteten Bereich der x-Werte belastbar. Schreib in der Klausur dazu, wenn eine Prognose eine Extrapolation ist.

Teste dich: Mini-Quiz

1. Gegeben sind ∑(xi−xˉ)(yi−yˉ)=60\sum (x_i - \bar{x})(y_i - \bar{y}) = 60, ∑(xi−xˉ)2=20\sum (x_i - \bar{x})^2 = 20, xˉ=5\bar{x} = 5, yˉ=40\bar{y} = 40. Wie lautet die Regressionsgerade?

  1. y^=25+3x\hat{y} = 25 + 3x
  2. y^=40+3x\hat{y} = 40 + 3x
  3. y^=37+5x\hat{y} = 37 + 5x
  4. y^=15+5x\hat{y} = 15 + 5x
Lösung anzeigen

Richtig: A) y^=25+3x\hat{y} = 25 + 3x. b=6020=3b = \dfrac{60}{20} = 3, a=40−3⋅5=25a = 40 - 3 \cdot 5 = 25.

2. Eine Regression der monatlichen Gesamtkosten (€) auf die Stückzahl ergibt y^=18.000+7,5⋅x\hat{y} = 18.000 + 7{,}5 \cdot x. Was ist die richtige Interpretation?

  1. Die variablen Stückkosten betragen 18.000 €.
  2. Die Fixkosten betragen 7,50 € pro Stück.
  3. Die Fixkosten betragen etwa 18.000 €, die variablen Stückkosten etwa 7,50 €.
  4. Bei 0 Stück entstehen keine Kosten.
Lösung anzeigen

Richtig: C) Die Fixkosten betragen etwa 18.000 €, die variablen Stückkosten etwa 7,50 €.. Der Achsenabschnitt schätzt die Fixkosten, die Steigung die variablen Kosten je Stück.

3. Der Korrelationskoeffizient zweier Variablen beträgt r=−0,8r = -0{,}8. Wie groß ist R2R^2 der einfachen linearen Regression?

  1. −0,64
  2. 0,80
  3. −0,80
  4. 0,64
Lösung anzeigen

Richtig: D) 0,64. R2=r2=(−0,8)2=0,64R^2 = r^2 = (-0{,}8)^2 = 0{,}64. R2R^2 ist nie negativ.

Häufige Fragen

Was sagt die Steigung der Regressionsgeraden aus?

Die Steigung gibt an, um wie viele Einheiten sich y im Mittel ändert, wenn x um eine Einheit steigt. Ein Wert von 3 bedeutet bei Werbung und Umsatz in Euro: Jeder zusätzliche Werbe-Euro geht mit durchschnittlich 3 Euro mehr Umsatz einher.

Was ist ein gutes Bestimmtheitsmaß?

Das hängt vom Fachgebiet ab. Bei Zeitreihen wie Kosten und Produktionsmenge sind Werte über 0,9 üblich, bei Querschnittsdaten über Menschen oder Unternehmen gelten schon 0,3 oft als ordentlich. Ein hohes R² beweist keinen kausalen Zusammenhang.

Was ist der Unterschied zwischen Regression und Korrelation?

Die Korrelation misst nur Stärke und Richtung eines linearen Zusammenhangs mit einer Kennzahl zwischen minus 1 und 1. Die Regression liefert eine Gleichung, mit der du y aus x schätzen kannst. Bei der einfachen linearen Regression ist R² gleich dem quadrierten Korrelationskoeffizienten.

Warum heißt es Methode der kleinsten Quadrate?

Weil die Gerade so gewählt wird, dass die Summe der quadrierten Abstände zwischen den beobachteten und den geschätzten y-Werten am kleinsten ist. Das Quadrieren verhindert, dass sich positive und negative Abweichungen gegenseitig aufheben.

Was ist ein Residuum?

Ein Residuum ist die Differenz zwischen dem tatsächlich beobachteten Wert und dem Wert auf der Regressionsgeraden. Bei der Methode der kleinsten Quadrate mit Achsenabschnitt summieren sich die Residuen immer zu null.

Hilft dir das?

Teil die Seite mit deiner Lerngruppe oder schick sie deiner Fachschaft.

Per WhatsApp teilen

Lernpfad Statistik und Wirtschaftsmathematik

Thema 5 von 10 · Abschnitt „Beschreibende Statistik“. Alle 10 Themen in Lernreihenfolge

Passt dazu