Regression, hierarchische

[engl. hierarchical/sequential regression], [FSE], Regressionsanalyse, ist eine Strategie zur Anwendung der multiplen Regression, bei der die Prädiktoren (unabhängige Variablen, UV) nicht simultan eingeführt werden, sondern stufenweise einzeln oder in Blöcken in einer vorher festgelegten Reihenfolge. Davon zu unterscheiden ist die sog. schrittweise Regression, bei der die UV nach ausschließlich stat. Kriterien eingeführt werden (Wherry-Doolittle-Verfahren). Die hierarchische Regression erlaubt die gezielte Prüfung von unterschiedlichen wiss. Hypothesen über die Art der Zus.hänge zw. den UV und der abhängigen Variablen (AV). Auf jeder Stufe wird ermittelt, welchen zusätzlichen Varianzteil (meist semi-partielles R²-change; Varianzaufklärung) die neu eingeführten Prädiktoren in der AV erklären und ob dieser sich überzufällig von 0 unterscheidet (F-change).

Bei der Untersuchung eines Ursache-Wirkungs-Zus.hangs (Kausalität) sollen die Prädiktoren nach kausaler Priorität eingeführt werden, d. h., kausal grundlegendere UV sind früher einzuführen als später auftretende, möglicherweise von ihnen beeinflusste. Wird bspw. die Abhängigkeit des Ausbildungserfolgs (AV) von Schulleistung und Intelligenz untersucht, werden Schulnoten nach Intelligenztestergebnissen eingeführt. Damit wird die gemeinsame Varianz der beiden (Blöcke von) UV den grundlegenden Ursachenvariablen zugeschrieben, wodurch Fehlinterpretationen durch sog. Scheinkorrelationen (spurious correlations) vermieden werden. Bei anderen, eher pragmatischen Fragestellungen können dagegen andere Reihenfolgen sinnvoll sein. Soll z. B. geprüft werden, ob der Ausbildungserfolg praktisch wesentlich besser vorhergesagt wird, wenn über die Schulnoten hinaus die aufwendigen Intelligenztests verwendet werden, müsste man die Schulnoten auf der ersten und die Tests auf der zweiten Stufe einführen.

Entspr. der kausalen Priorität werden zur stat. Kontrolle von Störvariablen (SV) insbes. in Quasi-Experimenten (Quasi-Experiment) diese vor den inhaltlich interessierenden UV eingeführt, damit ermittelt werden kann, welchen Netto-Effekt auf die AV diese UV über die auspartialisierten SV hinaus haben. Grundsätzlich werden Hypothesen über den Zus.hang einer Variablen(gruppe) mit der AV umso strenger geprüft, je mehr andere bedeutsame Variablen vorher auspartialisiert worden sind.