Stichproben-Regressionsfunktion

In der Statistik entspricht eine Stichproben-Regressionsfunktion (englisch sample regression function, kurz: SRF), auch empirische Regressionsfunktion, der geschätzten Version der Regressionsfunktion der Grundgesamtheit. Die Stichproben-Regressionsfunktion ist fix, aber in der Grundgesamtheit unbekannt. Handelt es sich bei der Regressionsfunktion um eine Gerade, dann ist auch von einer Stichproben-Regressionsgerade oder empirischen Regressionsgerade die Rede. Die Stichproben-Regressionsgerade wird als Kleinste-Quadrate-Regressionsgerade (kurz: KQ-Regressionsgerade) aus Beobachtungspaaren gewonnen, die Datenpunkte repräsentieren. Sie stellt laut dem Kleinste-Quadrate-Kriterium die bestmögliche Anpassung an die Daten dar.

Einfache lineare Regression

Wenn man mittels der Kleinste-Quadrate-Schätzung den Kleinste-Quadrate-Schätzer für die Steigung ${\hat {\beta }}_{1}=SP_{xy}/SQ_{x}$ und den Kleinste-Quadrate-Schätzer für das Absolutglied ${\hat {\beta }}_{0}={\overline {y}}-{\hat {\beta }}_{1}{\overline {x}}$ ermittelt, dann erhält man die folgende KQ-Regressionsgerade:

${\hat {y}}={\widehat {\operatorname {E} (y\mid X=x)}}={\hat {\beta }}_{0}+{\hat {\beta }}_{1}x\quad$.

Diese wird auch Stichproben-Regressionsfunktion genannt, da sie eine geschätzte Variante der (theoretischen) Regressionsfunktion der Grundgesamtheit

$\operatorname {E} (y\mid X=x)=\beta _{0}+\beta _{1}x\quad$

darstellt. Die Parameter ${\hat {\beta }}_{0}$ und ${\hat {\beta }}_{1}$ werden auch empirische Regressionskoeffizienten genannt. Da die Stichproben-Regressionsfunktion durch eine gegebene Stichprobe gewonnen wird, liefert eine neue Stichprobe einen neuen Anstieg ${\hat {\beta }}_{1}$ und ein neues Absolutglied ${\hat {\beta }}_{0}$. In den meisten Fällen kann man den Kleinste-Quadrate-Schätzer für die Steigung darstellen als

${\hat {\beta }}_{1}=\Delta {\hat {y}}/\Delta x$

Durch diese Darstellung kann man erkennen, dass der Kleinste-Quadrate-Schätzer für die Steigung wiedergibt, wie stark sich die Zielgröße $y$ verändert, wenn sich die Einflussgröße $x$ um eine Einheit erhöht.

Multiple lineare Regression

Gegeben ein typisches multiples lineares Regressionsmodell $\mathbf {y} =\mathbf {X} {\boldsymbol {\beta }}+{\boldsymbol {\varepsilon }}$, mit ${\boldsymbol {\beta }}$ dem $p\times 1$ Vektor der unbekannten Regressionsparameter, der $n\times p$ Versuchsplanmatrix $\mathbf {X}$, dem $n\times 1$ Vektor der abhängigen Variablen $\mathbf {y}$ und dem $n\times 1$ Vektor der Störgrößen ${\boldsymbol {\varepsilon }}$. Dann ist die KQ-Stichproben-Regressionsfunktion bzw. Stichproben-Regressionshyperebene ${\hat {\mathbf {y} }}$ gegeben durch

${\hat {\mathbf {y} }}=\mathbf {X} {\hat {\boldsymbol {\beta }}}=\underbrace {\mathbf {X} \left(\mathbf {X} ^{\top }\mathbf {X} \right)^{-1}\mathbf {X} ^{\top }} _{=\mathbf {P} }\mathbf {y} =\mathbf {P} \mathbf {y}$,

wobei $\mathbf {P}$ die Prädiktionsmatrix darstellt.

Weblinks

• Springer Gabler Verlag, Gabler Wirtschaftslexikon, Stichwort: Stichproben-Regressionsgerade