Regressionsanalyse

© Copyright Shutterstock / Roman Sigaev

Was ist eine Regressionsanalyse?

Die Regressionsanalyse, kurz Regression, ist ein statistisches Modell, mit dem die Beziehung zwischen zwei oder mehr Variablen untersucht werden kann. Darüber hinaus wird die Regressionsanalyse verwendet, um Änderungen der abhängigen Variablen aufgrund von Änderungen der unabhängigen Variablen zu beobachten. In der Regression stellen die unabhängigen Variablen die Eingaben dar, die Änderungen in der abhängigen Variablen verursachen. Die abhängige Variable repräsentiert die Hauptvariable, deren Veränderung basierend auf den Werten der unabhängigen Variablen beobachtet werden soll. Beispielsweise die Umsatzentwicklung.

Die Regressionsanalyse wird häufig für Vorhersagen genutzt, um zu verstehen, welche der unabhängigen Variablen sich auf die abhängige Variable bezieht und um die Formen dieser Beziehungen zu untersuchen. Eingeschränkt kann die Regression verwendet werden, um kausale Beziehungen zwischen unabhängigen und abhängigen Variablen zu ermitteln. Diese Anwendung kann jedoch zu falschen Beziehungen führen, weil eine Korrelation kein zwingender Beweis für eine Kausalität ist.

Anwendungsbereiche der Regressionsanalyse in Unternehmen

Die Hauptanwendungen für die Analyse mittels Regression sind die Bestimmung der Stärke von sogenannten Prädiktoren, die Vorhersage eines Effekts und Trendprognosen.

Die Regression kann verwendet werden, um die Stärke des Effekts zu identifizieren, den die unabhängigen Variablen auf eine abhängige Variable haben. Typische Fragen sind die Stärke der Beziehung zwischen Dosis und Wirkung, Verkaufs- und Marketingausgaben oder Alter und Einkommen. Regression wird zudem verwendet, um den Lebenszeitwert von Kunden zu segmentieren oder zu bestimmen. Zum Beispiel kann ein Einzelhändler die Käufe und Warenkörbe einer Kategorie nach Altersgruppen und Geschlecht segmentieren und so eine gezieltere Marketingkampagne erstellen.

Die Regression wird am häufigsten für die Vorhersage verwendet. Credit Scoring Anwendungen verwenden Input-Variablen, das heißt, die Daten, die über den Antragsteller gesammelt wurden, um die Wahrscheinlichkeit vorherzusagen, dass der Antragsteller das Darlehen zurückzahlen wird.

Bei der Budgetierung und Finanzierung wird die Regression verwendet, um die Beziehung zwischen Profit und Kosten zu schätzen, die später in Anwendungen verwendet werden kann, um Was-wäre-wenn-Szenarien zu generieren. Das heißt, die Regressionsanalyse hilft zu verstehen, wie stark sich die abhängige Variable mit einer Änderung in einer oder mehreren unabhängigen Variablen ändert. Eine typische Frage ist: Wie viele zusätzliche Verkäufe können je weitere 1.000 Euro erzielt werden, die für das Marketing ausgegeben werden

Die Regression wird verwendet, um die Leistung von Marketingkampagnen zu bewerten. Zum Beispiel, ob eine Kampagne die in der Testperiode ausgegebenen Gelder im Vergleich zur vorherigen Periode erhöht hat oder ob bestimmte Altersgruppen mehr ausgeben als andere.Mit der Regressionsanalyse können Trends und zukünftige Werte vorausgesagt werden. Eine typische Frage, die mit der Regressionsanalyse abgeschätzt werden kann, ist: Wie hoch ist der Ölpreis in 6 Monaten?

Wie funktioniert die Regressionsanalyse?

Um eine Regression durchführen zu können, müssen zunächst die Daten zu den betreffenden Variablen gesammelt werden. Wenn die Verkaufszahlen für den nächsten Monat vorhergesagt werden sollen, sind die abhängigen Variablen zum Beispiel die Verkaufszahlen der letzten drei Jahre.

Die unabhängigen Variablen können dutzende oder hunderte Faktoren sein, die möglicherweise einen Einfluss auf die Verkaufszahlen haben. Diese reichen von der Regenmenge über die Sonnenstunden bis hin zu neuen Wettbewerbern und den Krankheitstagen der Mitarbeiter. Die Daten der unabhängigen Variablen müssen den gleichen Zeitraum umfassen, wie die der anhängigen Variablen. Um ein aussagekräftiges Ergebnis zu erhalten, muss darauf geachtet werden, welche Faktoren am wichtigsten sind, welche Faktoren ignoriert werden können, wie die verschiedenen Faktoren miteinander interagieren und wie verlässlich die Daten sind.

In einem zweiten Schritt wird ein geeignetes Regressionsmodell gewählt. Die zwei grundlegenden Arten der Regressionsanalyse sind die einfache Regressionsanalyse und die Mehrfachregressionsanalyse.

Die einfache Regression wird verwendet, um die Beziehung zwischen einer abhängigen Variablen und einer einzelnen unabhängigen Variablen zu schätzen. Zum Beispiel um die Beziehung zwischen Ernteerträgen und Niederschlag zu bestimmen. Die Mehrfachregressionsanalyse wird verwendet, um die Beziehung zwischen einer abhängigen Variablen und zwei oder mehr unabhängigen Variablen zu schätzen. Ein Beispiel ist die Beziehung zwischen den Gehältern der Angestellten und ihrer Erfahrung und Ausbildung. Die Mehrfach- oder multiple Regressionsanalyse führt zu mehreren zusätzlichen Komplexitäten, kann jedoch realistischere Ergebnisse liefern als eine einfache Regression.

Die Regression basiert auf mehreren starken Annahmen über die Variablen, die geschätzt werden. Mehrere Schlüsseltests werden verwendet, um sicherzustellen, dass die Ergebnisse gültig sind, einschließlich Hypothesentests. Diese Tests werden verwendet, um sicherzustellen, dass die Regressionsergebnisse nicht einfach zufällig sind, sondern eine tatsächliche Beziehung zwischen zwei oder mehr Variablen anzeigen.

Was sind die häufigsten Fehler bei der Regressionsanalyse?

Die Regression ist die sogenannte Einstiegsmethode der Analytik. Unternehmen nutzen sie, um Entscheidungen über alle möglichen geschäftlichen Probleme zu treffen. Die meisten Unternehmen verwenden eine Regressionsanalyse, um ein Phänomen zu erklären, das sie verstehen möchten, um zukünftige Ereignisse vorherzusagen, oder um zu entscheiden, was zu tun ist.

Dabei wird eine wichtige Frage im Bezug auf die unabhängigen Variablen häufig außer Acht gelassen. Kann eine unabhängige Variable, die in Betracht gezogen wird, beeinflusst werden? Gegen das Wetter oder die Werbung eines Wettbewerber kann nichts getan werden. Daher sollte immer beachtet werden, welche Maßnahmen und Entscheidungen hinsichtlich der anhängigen Variablen getroffen werden können, um diese gegebenenfalls zu beeinflussen. Hinzu kommt, dass Analysen sehr empfindlich gegenüber schlechten Daten sind. Es ist wichtig, dass die Daten verlässlich sind.

Korrekt oder perfekt müssen die Daten nicht sein. Im Vorfeld sollte jedoch überlegt werden, wie wichtig die Analyse ist und welche Konsequenzen daraus gezogen werden sollen. Je größer der Einfluss der Analyseergebnisse auf das Unternehmen ist, umso präziser und verlässlicher sollten die Daten sein, die für die Regressionsanalyse genutzt werden.