praediktor-zentrieren-schoice

bayes
paper
Published

July 10, 2026

Question

Warum wird der Prädiktor Gewicht im Kung-Regressionsmodell zentriert (d. h. weight_c = weight - mean(weight) gebildet), bevor das Modell berechnet wird?

Answerlist

  • Durch die Zentrierung entspricht der Achsenabschnitt \(\beta_0\) der (mittleren) Körpergröße bei durchschnittlichem Gewicht – ohne Zentrierung würde \(\beta_0\) die (unrealistische) Körpergröße bei einem Gewicht von 0 kg angeben.
  • Zentrieren ist nötig, damit das Regressionsgewicht \(\beta_1\) überhaupt berechnet werden kann.
  • Durch das Zentrieren ändert sich die Steigung der Regressionsgeraden (\(\beta_1\)), wodurch der Zusammenhang zwischen Gewicht und Größe stärker erscheint.
  • Zentrieren dient dazu, negative Gewichtswerte aus dem Datensatz zu entfernen.
  • Ohne Zentrierung könnte man mit stan_glm() gar kein Regressionsmodell mit dieser Variablen berechnen.

Solution

Ohne Zentrierung gibt der Achsenabschnitt \(\beta_0\) die vorhergesagte Körpergröße bei einem Gewicht von 0 kg an – ein biologisch unsinniger, nicht interpretierbarer Wert. Zieht man hingegen von jedem Gewichtswert den Stichprobenmittelwert ab (Zentrieren), entspricht \(\beta_0\) der Körpergröße einer Person mit durchschnittlichem Gewicht, was inhaltlich sinnvoll interpretierbar ist. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option ist falsch: \(\beta_1\) (die Steigung, also der Zusammenhang zwischen Gewicht und Größe) lässt sich auch ohne Zentrierung berechnen – die Zentrierung ändert lediglich die Interpretierbarkeit des Achsenabschnitts, nicht die grundsätzliche Berechenbarkeit des Modells.
  • Die dritte Option ist falsch: Zentrieren ist eine reine Verschiebung (Subtraktion einer Konstanten) und ändert die Steigung der Regressionsgeraden nicht – nur die Lage der Gerade entlang der X-Achse (bzw. die Interpretation des Achsenabschnitts) verändert sich.
  • Die vierte Option ist falsch: Zentrieren erzeugt zwar rechnerisch negative Werte für weight_c (bei unterdurchschnittlichem Gewicht), das ist aber gerade beabsichtigt (Abweichung vom Mittelwert) und hat nichts mit dem “Entfernen” negativer Werte aus dem Originaldatensatz weight zu tun.
  • Die fünfte Option ist falsch: stan_glm() kann Regressionsmodelle grundsätzlich auch mit unzentrierten Prädiktoren berechnen – Zentrieren ist eine Frage der Interpretierbarkeit, keine technische Notwendigkeit für die Berechnung.

Aufgabenname: praediktor-zentrieren-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: praediktor-zentrieren-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes