Lineares Regressionsmodell

Grundbegriffe

Einfache lineare Regressionsfunktion oder Regressionsgerade

Die einfache lineare Regressionsfunktion oder Regressionsgerade hat die Form:

${\hat {y_{i}}}=b_{0}+b_{1}\cdot x_{i}\quad i=1,\ldots ,n$

Hierbei sind $x_{i}$ die beobachteten Werte des Merkmals $X\;$ (fest vorgegeben) und $b_{0}$ und $b_{1}$ die noch unbekannten Regressionsparameter.

Der jeweilige Beobachtungswert $y_{i}\,(i=1,\ldots ,n)$ ergibt sich durch die Addition des Residuums ${\hat {u_{i}}}$ zum Regresswert ${\hat {y_{i}}}$ (vgl. auch die grafische Darstellung):

$y_{i}={\hat {y_{i}}}+{\hat {u_{i}}}=b_{0}+b_{1}\cdot x_{i}+{\hat {u_{i}}}\quad (i=1,\ldots ,n)$

Regressionsparameter: Regressionskonstante und linearer Regressionskoeffizient

Die Regressionsparameter der einfachen linearen Regressionfunktion haben folgende Bedeutung:

• $b_{0}$ - Regressionskonstante

Sie kennzeichnet den Schnittpunkt der Regressionsfunktion mit der $y$-Achse und besitzt die gleiche Maßeinheit wie das Merkmal $Y\;$.

• $b_{1}$ - linearer Regressionskoeffizient

Er kennzeichnet den Anstieg der Regressionsfunktion. Er gibt an, um wieviel Einheiten sich der Wert des Merkmals $Y\;$ durchschnittlich ändert, wenn der Wert des Merkmals $X\;$ um eine Einheit geändert wird.

Multiple lineare Regression

Werden mehr als eine erklärende Variable in das lineare Modell eingefügt, so handelt es sich um eine multiple lineare Regression.

Dementsprechend wird eine multiple lineare Regressionsfunktion mit $m$ exogenen Variablen $X_{1},X_{2},\ldots ,X_{m}(m<n)$ aufgestellt:

${\widehat {y_{i}}}=b_{0}+b_{1}\cdot x_{1i}+b_{2}\cdot x_{2i}+\cdots +b_{m}\cdot x_{mi}$

Die Schätzung der Regressionsparameter erfolgt wie auch bei der einfachen linearen Regressionfunktion mittels der Kleinste-Quadrate-Methode (KQ).

Auf eine weitergehende Darstellung wird an dieser Stelle verzichtet, da die multiple Regressionsanalyse ein Thema der Ökonometrie-Lehrveranstaltung ist.