prioris-nicht-zentrieren-interaktion-schoice

bayes
paper
Published

July 10, 2026

Question

Einer der “Lieblingsfehler” im Kapitel lautet: “Prädiktoren nicht zentrieren, wenn es einen Interaktionsterm gibt”. Warum ist das Fehlen der Zentrierung bei einem Interaktionsmodell besonders problematisch?

Answerlist

  • Ohne Zentrierung beziehen sich die Haupteffekt-Koeffizienten der beteiligten Prädiktoren jeweils auf den (oft unrealistischen) Fall, dass der jeweils andere Prädiktor den Wert 0 annimmt – das erschwert die Interpretation erheblich und lädt zu Fehlinterpretationen ein (wie bei mpg ~ hp*vs).
  • Ohne Zentrierung lässt sich ein Interaktionsmodell technisch überhaupt nicht mit stan_glm() berechnen.
  • Zentrieren ist bei Interaktionsmodellen zwar üblich, hat aber überhaupt keinen Effekt auf die Interpretierbarkeit der Koeffizienten.
  • Nicht-zentrierte Prädiktoren führen bei Interaktionsmodellen automatisch zu falschen Vorhersagen des Modells.
  • Zentrieren ist nur bei Interaktionsmodellen mit ausschließlich nominalen Prädiktoren notwendig.

Solution

Wie am Beispiel mpg ~ hp*vs gezeigt: Ohne Zentrierung bezieht sich der Koeffizient von vs auf den (unrealistischen) Fall hp=0, was leicht zu Fehlinterpretationen führt (siehe “Lieblingsfehler” Interaktion falsch interpretieren). Zentriert man hingegen die metrischen Prädiktoren, beziehen sich die Haupteffekte auf den durchschnittlichen Wert des jeweils anderen Prädiktors – eine deutlich sinnvollere Referenzgröße. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option ist falsch: stan_glm() berechnet Interaktionsmodelle problemlos auch mit unzentrierten Prädiktoren (wie im Kapitel explizit am Modell m2 gezeigt) – das Problem betrifft die Interpretierbarkeit, nicht die technische Berechenbarkeit.
  • Die dritte Option widerspricht der zentralen Botschaft dieses und früherer Kapitel: Zentrieren ändert zwar nicht die Vorhersagen des Modells, wohl aber ganz erheblich, worauf sich die Haupteffekt-Koeffizienten beziehen und wie leicht (oder schwer) sie zu interpretieren sind.
  • Die vierte Option ist falsch: Zentrieren ändert – wie in einem früheren Kapitel gezeigt – nichts an den vorhergesagten Werten des Modells, nur an der Interpretierbarkeit der Koeffizienten.
  • Die fünfte Option ist eine unzutreffende Einschränkung: Der im Kapitel gezeigte Problemfall (hp) betrifft gerade einen metrischen Prädiktor – die Zentrierungsempfehlung gilt in erster Linie für metrische, nicht für rein nominale Prädiktoren.

Aufgabenname: prioris-nicht-zentrieren-interaktion-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: prioris-nicht-zentrieren-interaktion-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: bayes