Worin besteht der Unterschied zwischen einem Konfidenzintervall und einem Prognoseintervall?

Beide Intervalle beziehen sich auf den vorhergesagten Y-Wert. Das 95%-Konfidenzintervall gibt an, in welchem Bereich der Mittelwert von Y bei diesem X wahrscheinlich liegt. Das 95%-Prognoseintervall gibt an, in welchem Bereich eine einzelne neue Beobachtung wahrscheinlich liegt, und ist deshalb immer breiter. Geben Sie einen oder mehrere X-Werte ein, um beide Intervalle für jeden Wert zu erhalten.

Woran erkenne ich, ob die Regressionssteigung signifikant ist?

Betrachten Sie den p-Wert der Steigung: Er prüft, ob die wahre Steigung null sein könnte. Bei einem Wert unter 0,05 ist X auf dem üblichen 5%-Niveau ein signifikanter Prädiktor für Y. Der Rechner zeigt die Steigung mit Standardfehler, t-Statistik, p-Wert und 95%-Konfidenzintervall sowie den F-Test an und erstellt einen APA-konformen Satz zum Kopieren.

Lineare Regressionsrechner

Bestimmen Sie die Regressionsgerade nach der Methode der kleinsten Quadrate. Berechnen Sie Steigung, y-Achsenabschnitt und Bestimmtheitsmaß R² und schätzen Sie Werte anhand der Geradengleichung. Mit interaktivem Streudiagramm und Rechenweg.

3× täglich kostenlosOhne RegistrierungSofortige Ergebnisse

Lineare RegressionsrechnerJetzt testen — gratis ▼

Beispieldatensätze ausprobieren

📋 Stattdessen zwei Spalten aus einer Tabelle einfügen

X steht in der ersten, Y in der zweiten Spalte; als Trennzeichen dienen Tabulatoren, Kommas oder Leerzeichen. Eine Kopfzeile wird übersprungen. Sobald dieses Feld Daten enthält, werden die beiden Listen darunter ignoriert.

Unabhängige Variable (X) - Geben Sie Zahlen ein, getrennt durch Komma, Leerzeichen oder Zeilenumbruch

Abhängige Variable (Y) - Muss die gleiche Anzahl von Werten wie X haben

Y-Wert für X-Wert vorhersagen (Optional)

Dezimalgenauigkeit

Embed Lineare Regressionsrechner Widget

Lineare Regressionsrechner

Willkommen zum Linearen Regressionsrechner, ein umfassendes statistisches Tool, das die Regressionslinie der kleinsten Quadrate, den Korrelationskoeffizient, das R-Quadrat berechnet und eine interaktive Streudiagramm-Visualisierung mit schrittweiser Formelaufschlüsselung bietet. Ob Sie Daten für Forschung, Geschäftsprognosen oder akademische Studien analysieren, dieser Rechner liefert eine professionelle statistische Analyse.

Was ist lineare Regression?

Die lineare Regression ist eine grundlegende statistische Methode zur Modellierung der Beziehung zwischen einer abhängigen Variable (Y) und einer unabhängigen Variable (X), indem eine lineare Gleichung an beobachtete Daten angepasst wird. Die Methode findet die beste gerade Linie durch die Datenpunkte, indem sie die Summe der quadrierten Residuen (Differenzen zwischen beobachteten und vorhergesagten Werten) minimiert.

Die Regressionsgleichung

Einfaches lineares Regressionsmodell

$$\hat{Y} = b_0 + b_1 X$$

Wobei:

Y (oder Y-Hut) = Vorhergesagter Wert der abhängigen Variable
X = Unabhängige Variable (Prädiktor)
b₀ = Y-Achsenabschnitt (Wert von Y, wenn X = 0)
b₁ = Steigung (Änderung von Y für jede Änderung von X um eine Einheit)

Wie man lineare Regression berechnet

Berechnung der Steigung (b₁)

Steigungsformel

$$b_1 = \frac{n\sum x_i y_i - \sum x_i \sum y_i}{n\sum x_i^2 - (\sum x_i)^2}$$

Berechnung des Y-Achsenabschnitts (b₀)

Achsenabschnittsformel

$$b_0 = \bar{y} - b_1 \bar{x}$$

Wobei x-Strich und y-Strich die Mittelwerte von X bzw. Y sind.

Verständnis von Korrelation und R-Quadrat

Korrelationskoeffizient (r)

Der Korrelationskoeffizient misst die Stärke und Richtung der linearen Beziehung zwischen X und Y. Er reicht von -1 bis +1:

r-Wert	Interpretation
0,9 bis 1,0	Sehr starke positive Korrelation
0,7 bis 0,9	Starke positive Korrelation
0,5 bis 0,7	Mäßige positive Korrelation
0,3 bis 0,5	Schwache positive Korrelation
-0,3 bis 0,3	Wenig bis keine Korrelation
-0,5 bis -0,3	Schwache negative Korrelation
-0,7 bis -0,5	Mäßige negative Korrelation
-0,9 bis -0,7	Starke negative Korrelation
-1,0 bis -0,9	Sehr starke negative Korrelation

R-Quadrat (Bestimmtheitsmaß)

R-Quadrat (R²) gibt den Anteil der Varianz in Y an, der durch X erklärt wird. Ein R² von 0,85 bedeutet beispielsweise, dass 85% der Varianz in Y durch die lineare Beziehung mit X erklärt wird.

R-Quadrat-Formel

$$R^2 = r^2 = 1 - \frac{SS_{residual}}{SS_{total}}$$

Wie man diesen Rechner verwendet

X-Werte eingeben: Geben Sie Ihre unabhängigen Variablendaten im ersten Textbereich ein, getrennt durch Kommas, Leerzeichen oder Zeilenumbrüche.
Y-Werte eingeben: Geben Sie Ihre abhängigen Variablendaten im zweiten Textbereich ein. Die Anzahl der Y-Werte muss der Anzahl der X-Werte entsprechen.
Vorhersage (optional): Geben Sie einen X-Wert ein, um den entsprechenden Y-Wert mit der Regressionsgleichung vorherzusagen.
Genauigkeit einstellen: Wählen Sie die Anzahl der Dezimalstellen für die Ergebnisse.
Berechnen: Klicken Sie auf die Schaltfläche "Berechnen", um die Regressionsgleichung, das Streudiagramm, Korrelationsstatistiken und schrittweise Berechnungen zu sehen.

Ihre Ergebnisse verstehen

Primäre Ergebnisse

Regressionsgleichung: Die beste Anpassungsgleichung (Y = b₀ + b₁X)
Steigung (b₁): Die Änderungsrate von Y für jede Änderung von X um eine Einheit
Achsenabschnitt (b₀): Der vorhergesagte Y-Wert, wenn X gleich Null ist
Korrelation (r): Die Stärke und Richtung der linearen Beziehung
R-Quadrat (R²): Der Anteil der Varianz, der durch das Modell erklärt wird

Zusätzliche Statistiken

Standardfehler der Schätzung: Durchschnittlicher Abstand der Datenpunkte von der Regressionslinie
Standardfehler der Steigung: Unsicherheit in der Steigungsschätzung
Summe der Quadrate: Gesamt-, Regressions- und Residualsummen der Quadrate
Residuen: Differenzen zwischen beobachteten und vorhergesagten Y-Werten

Anwendungen der linearen Regression

Geschäft und Finanzen

Prognose von Verkäufen basierend auf Werbeausgaben
Vorhersage von Aktienkursen anhand von Marktindikatoren
Schätzung von Kosten basierend auf Produktionsvolumen

Wissenschaft und Forschung

Analyse experimenteller Beziehungen zwischen Variablen
Kalibrierung von Messinstrumenten
Untersuchung von Dosis-Wirkungs-Beziehungen in der Pharmakologie

Wirtschaft

Modellierung von Angebots- und Nachfragebeziehungen
Analyse der Auswirkungen von Zinssätzen auf Investitionen
Untersuchung von Einkommens- vs. Konsummuster

Sozialwissenschaften

Bildungsforschung (Lernstunden vs. Testergebnisse)
Psychologiestudien (Alter vs. Reaktionszeit)
Demografische Analysen (Bevölkerung vs. Ressourcenverbrauch)

Annahmen der linearen Regression

Für zuverlässige Ergebnisse setzt die lineare Regression Folgendes voraus:

Linearität: Die Beziehung zwischen X und Y ist linear
Unabhängigkeit: Beobachtungen sind unabhängig voneinander
Homoskedastizität: Residuen haben konstante Varianz über alle X-Werte
Normalität: Residuen sind ungefähr normalverteilt
Keine Multikollinearität: (Für multiple Regression) Unabhängige Variablen sind nicht hochkorreliert

Häufig gestellte Fragen

Was ist lineare Regression?

Die lineare Regression ist eine statistische Methode zur Modellierung der Beziehung zwischen einer abhängigen Variable (Y) und einer unabhängigen Variable (X), indem eine lineare Gleichung an beobachtete Daten angepasst wird. Die Gleichung hat die Form Y = b₀ + b₁X, wobei b₀ der Y-Achsenabschnitt und b₁ die Steigung ist. Sie findet die beste Anpassungslinie, die die Summe der quadrierten Differenzen zwischen beobachteten und vorhergesagten Werten minimiert.

Wie deute ich die Steigung in der linearen Regression?

Die Steigung (b₁) stellt die Änderung der abhängigen Variable Y für jede 1-Einheit-Erhöhung der unabhängigen Variable X dar. Eine positive Steigung zeigt an, dass Y ansteigt, wenn X ansteigt, während eine negative Steigung zeigt, dass Y abnimmt, wenn X ansteigt.

Was ist R-Quadrat und was bedeutet es?

R-Quadrat (R²), auch Bestimmtheitsmaß genannt, misst, wie gut die Regressionslinie die Daten anpasst. Es reicht von 0 bis 1, wobei 0 bedeutet, dass das Modell keine Variabilität erklärt, und 1 bedeutet, dass es alle Variabilität erklärt. Allgemein zeigt R² über 0,7 eine gute Anpassung an.

Was ist der Unterschied zwischen Korrelation (r) und R-Quadrat?

Der Korrelationskoeffizient (r) misst die Stärke und Richtung der linearen Beziehung, mit Werten von -1 bis +1. R-Quadrat (R²) ist r², das den Anteil der erklärten Varianz darstellt. Während r Richtung (positive oder negative Beziehung) anzeigt, zeigt R² nur, wie viel Varianz erklärt wird.

Wie viele Datenpunkte benötige ich für die lineare Regression?

Technisch benötigen Sie mindestens 2 Datenpunkte, aber für aussagekräftige statistische Analysen sollten Sie mindestens 10-20 Datenpunkte haben. Mehr Datenpunkte führen im Allgemeinen zu zuverlässigeren Schätzungen.

Was sind Residuen in der linearen Regression?

Residuen sind die Differenzen zwischen beobachteten Y-Werten und den von der Regressionslinie vorhergesagten Y-Werten (Residuum = beobachtetes Y - vorhergesagtes Y). Die Analyse von Residuen hilft bei der Beurteilung der Modellpassung. Idealerweise sollten Residuen zufällig um Null verteilt sein, ohne ein klares Muster.

Wie sage ich mit einer linearen Regressionsgleichung einen Wert voraus?

Setzen Sie den vorherzusagenden X-Wert in die angepasste Gleichung ein. Lautet die Gleichung beispielsweise vorhergesagtes Y = 12 + 3X, ergibt ein X-Wert von 5 ein vorhergesagtes Y = 27. Wenn Sie im Rechner für lineare Regression einen optionalen X-Wert eingeben, erhalten Sie eine Vorhersage anhand der berechneten Geraden. Betrachten Sie diese als Schätzung und seien Sie vorsichtig, wenn der gesuchte X-Wert weit außerhalb Ihrer Messwerte liegt. Dort setzt sich das lineare Muster möglicherweise nicht fort.

Warum ist mein Regressionsachsenabschnitt negativ, obwohl alle meine Messwerte positiv sind?

Der Achsenabschnitt ist der vorhergesagte Y-Wert der Geraden für X = 0. Dieser Wert kann außerhalb des gemessenen Bereichs liegen. Deshalb kann der Achsenabschnitt negativ sein, obwohl alle beobachteten X- und Y-Werte positiv sind. Eine an Messwerte mit X zwischen 10 und 20 angepasste Gerade kann beispielsweise die Y-Achse unterhalb von null schneiden. Der Achsenabschnitt ist ein mathematischer Bestandteil der angepassten Gleichung. Wenn X tatsächlich nicht null sein kann, hat er möglicherweise wenig praktische Bedeutung.

Kann eine lineare Regression beweisen, dass X Veränderungen in Y verursacht?

Nein. Eine lineare Regression beschreibt einen Zusammenhang in den Daten und kann ihn für Vorhersagen verwenden. Die angepasste Gerade allein belegt jedoch nicht, dass eine Veränderung von X eine Veränderung von Y verursacht. Ein dritter Einflussfaktor, Auswahlverzerrungen oder die Datenerhebung können den Zusammenhang teilweise oder vollständig erklären. Eisverkäufe und Schwimmen nehmen beispielsweise möglicherweise beide zu, weil sie mit wärmerem Wetter zusammenhängen. Bevor Sie einen ursächlichen Zusammenhang behaupten, berücksichtigen Sie das Untersuchungsdesign und Ihr Fachwissen.

Zusätzliche Ressourcen

Zitieren Sie diesen Inhalt, diese Seite oder dieses Tool als:

"Lineare Regressionsrechner" unter https://MiniWebtool.com/de/lineare-regressionsrechner/ von MiniWebtool, https://MiniWebtool.com/

vom miniwebtool-Team. Aktualisiert: 17. Januar 2026

Entwickler-API verfügbar: Führen Sie dieses Tool in Ihrer App, Automatisierung oder Ihrem Agenten mit einer JSON-HTTP-Anfrage aus. API-Dokumentation ansehen

Lineare Regressionsrechner

Lineare Regressionsrechner

Was ist lineare Regression?

Die Regressionsgleichung

Wie man lineare Regression berechnet

Berechnung der Steigung (b₁)

Berechnung des Y-Achsenabschnitts (b₀)

Verständnis von Korrelation und R-Quadrat

Korrelationskoeffizient (r)

R-Quadrat (Bestimmtheitsmaß)

Wie man diesen Rechner verwendet

Ihre Ergebnisse verstehen

Primäre Ergebnisse

Zusätzliche Statistiken

Anwendungen der linearen Regression

Geschäft und Finanzen

Wissenschaft und Forschung

Wirtschaft

Sozialwissenschaften

Annahmen der linearen Regression

Häufig gestellte Fragen

Was ist lineare Regression?

Wie deute ich die Steigung in der linearen Regression?

Was ist R-Quadrat und was bedeutet es?

Was ist der Unterschied zwischen Korrelation (r) und R-Quadrat?

Wie viele Datenpunkte benötige ich für die lineare Regression?

Was sind Residuen in der linearen Regression?

Wie sage ich mit einer linearen Regressionsgleichung einen Wert voraus?

Warum ist mein Regressionsachsenabschnitt negativ, obwohl alle meine Messwerte positiv sind?

Kann eine lineare Regression beweisen, dass X Veränderungen in Y verursacht?

Zusätzliche Ressourcen

Statistik und Datenanalyse:

Beliebte und aktualisierte Tools:

Mit Pro alles als ein ZIP herunterladen