ungewissheit-beta-sigma-schoice

inferenz
paper
Published

July 10, 2026

Question

Zwei Forschende schätzen je ein Regressionsmodell zur Vorhersage von Klausurpunkten anhand der Lernzeit.

  • Modell A hat ein sehr enges Konfidenzintervall für die Steigung \(\beta_1\), aber die einzelnen Datenpunkte streuen recht stark um die Regressionsgerade (kleines \(R^2\), großes \(\sigma\)).
  • Modell B hat ein breites Konfidenzintervall für \(\beta_1\), aber die Datenpunkte liegen sehr nah an der Regressionsgeraden (großes \(R^2\), kleines \(\sigma\)).

Welche Aussage zu den zwei Arten der Ungewissheit (Ungewissheit zur Regressionsgeraden vs. Ungewissheit zur Vorhersagegenauigkeit) trifft zu?

Answerlist

  • Modell A hat eine geringe Ungewissheit bzgl. der Lage der Regressionsgeraden (\(\beta\)), aber eine hohe Ungewissheit bzgl. der Vorhersagegenauigkeit einzelner Werte (\(\sigma\)); bei Modell B ist es umgekehrt.
  • Beide Modelle weisen bzgl. \(\beta\) und \(\sigma\) die gleiche Ungewissheit auf, da Konfidenzintervall-Breite und Streuung der Residuen dasselbe messen.
  • Modell A hat sowohl bzgl. \(\beta\) als auch bzgl. \(\sigma\) eine höhere Ungewissheit als Modell B.
  • Die Breite des Konfidenzintervalls für \(\beta_1\) hängt ausschließlich von \(\sigma\) ab, die Stichprobengröße spielt dabei keine Rolle.
  • \(R^2\) und \(\sigma\) sind zwei völlig unabhängige, unverwandte Kennwerte ohne inhaltlichen Zusammenhang.

Solution

Das Kapitel unterscheidet zwei Arten von Ungewissheit im Regressionsmodell: (1) Ungewissheit zu den Regressionsgewichten (\(\beta_0\), \(\beta_1\); ausgedrückt z. B. über die Breite ihrer Konfidenzintervalle) und (2) Ungewissheit zur Vorhersagegenauigkeit (ausgedrückt über \(\sigma\) bzw. \(R^2\)). Diese beiden Ungewissheiten sind grundsätzlich unabhängig voneinander: Ein Modell kann die Lage der Regressionsgeraden sehr genau kennen (enges Konfidenzintervall für \(\beta\)), aber trotzdem einzelne Werte nur ungenau vorhersagen (großes \(\sigma\)) – und umgekehrt. Genau das ist bei Modell A (enges \(\beta\)-KI, aber großes \(\sigma\)) und Modell B (breites \(\beta\)-KI, aber kleines \(\sigma\)) der Fall. Die erste Antwortoption beschreibt das korrekt.

Warum die Distraktoren falsch sind:

  • Konfidenzintervall-Breite (Ungewissheit über \(\beta\)) und Residualstreuung (Ungewissheit über \(\sigma\)) messen unterschiedliche Dinge; sie können unabhängig voneinander groß oder klein sein, wie das Beispiel zeigt. Die zweite Option unterstellt fälschlich, beide seien identisch.
  • Die dritte Option widerspricht direkt der Aufgabenstellung: Modell A hat gerade ein engeres \(\beta\)-Konfidenzintervall als Modell B, also nicht durchgängig mehr Ungewissheit.
  • Die Breite des Konfidenzintervalls für \(\beta_1\) hängt zwar auch von \(\sigma\) ab, aber ebenso von der Stichprobengröße (größere Stichproben führen tendenziell zu engeren Konfidenzintervallen) sowie von der Streuung der UV. Die vierte Option ist daher eine unzulässige Vereinfachung.
  • \(R^2\) und \(\sigma\) sind laut Kapitel zwei Kennwerte, “die die gleiche Aussage machen” – sie hängen also eng zusammen (beide quantifizieren die Vorhersagegüte/den Vorhersagefehler). Die fünfte Option behauptet das Gegenteil.

Aufgabenname: ungewissheit-beta-sigma-schoice

Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

Meta-information

exname: ungewissheit-beta-sigma-schoice extype: schoice expoints: 1 exsolution: 10000 exshuffle: 5 excategory: inferenz