Erklärungsvariablen

Erklärungsvariablen (auch Prädiktorvariablen) sind Variablen, deren Einfluss auf eine abhängige Variable (Zielgröße) untersucht wird. In der Statistik dienen sie dazu, die Variation der Zielgröße zu erklären und Vorhersagen oder Interpretationen über Zusammenhänge zu ermöglichen. In gängigen Regressionsmodellen, wie der linearen Regression Y = β0 + β1X1 + … + βkXk + ε, stehen die X1 bis Xk als Erklärungsvariablen im Vordergrund.

Sie können quantitativ (metrisch) oder qualitativ (kategorisch) sein. Qualitative Variablen werden durch Dummy-Codierung in numerische Variablen überführt, damit sie im Modell berücksichtigt werden können. Erklärungsvariablen können in Experimenten manipulierbar sein (Faktoren) oder in Beobachtungsstudien beobachtet werden (Kovariaten).

Interpretation: Die Koeffizienten der Erklärungsvariablen geben an, wie stark sich die Zielgröße im Durchschnitt verändert, wenn sich die jeweilige Erklärungsvariable um eine Einheit ändert, vorausgesetzt alle anderen Variablen bleiben konstant. Bei mehreren Erklärungsvariablen kann Multikollinearität die Stabilität der Koeffizienten beeinträchtigen. Wichtige Praxisaspekte sind Variablenauswahl, Datengrundlage, Messfehler und Relevanz.

Abgrenzung: Erklärungsvariablen unterscheiden sich von Störvariablen (Konfundierung) sowie von der abhängigen Variable. In der Praxis spricht man oft von unabhängigen Variablen im Sinne der Prädiktoren, während Kontrollvariablen zusätzliche Erklärungsvariablen darstellen, die zur angemessenen Modellierung aufgenommen werden.