Modelldiagnose

Modelldiagnose bezeichnet Verfahren und Methoden zur Beurteilung der Angemessenheit, Zuverlässigkeit und Stabilität statistischer Modelle. Ziel ist zu prüfen, ob die Modellannahmen erfüllt sind, ob die Spezifikation stimmig ist und ob die Vorhersagen verlässlich sind. Sie wird in vielen Bereichen eingesetzt, von Ökonometrie bis zur Datenwissenschaft.

Wichtige Diagnosewerkzeuge umfassen Residuenanalysen, die Untersuchung von Normalverteilung der Residuen (z. B. Q-Q-Plots, Shapiro–Wilk), Homoskedastizität (Breusch‑Pagan, White), Unabhängigkeit der Fehler (Durbin–Watson), sowie Einflussgrößen wie Leverage und Cook's Distances.

Zudem prüfen Diagnoseverfahren die Spezifikation des Modells. Tests wie der RESET-Test oder Linktest helfen, verpasste Nichtlinearitäten oder relevante Variablen zu identifizieren. Für Zeitreihenmodelle stehen Autokorrelations- und Nicht-Stationaritätstests (Durbin-Watson, Ljung-Box, ADF) im Vordergrund.

Modelldiagnose umfasst auch die Bewertung der Vergleichbarkeit verschiedener Modelle mittels Informationskriterien (AIC, BIC) oder Cross-Validation, sowie die Prüfung der Prognoseleistung in Out-of-Sample-Daten. In der Praxis werden bei Bedarf Transformationen, Interaktionen oder alternative Modellklassen (GLM, gemischte Modelle, nichtparametrische Ansätze) erwogen.

Wichtige Grenzen bestehen darin, dass Diagnosen selbst auf Annahmen beruhen und Datenqualität, Stichprobengröße sowie Messfehler die Ergebnisse beeinflussen. Transparente Berichte der durchgeführten Diagnosen, beobachteten Probleme und getroffener Anpassungen sind zentrale Bestandteile einer verlässlichen Modellkommunikation.