Abschwächungsverzerrung

Auch bekannt als: Regression dilution Errors-in-variables bias Regression attenuation Regressionsverdünnung

Statistical Error ID: attenuation_bias

Definition

Abschwächungsverzerrung tritt auf, wenn zufällige Messfehler in einer oder mehreren Variablen geschätzte Zusammenhänge systematisch gegen null verzerren. In der Regressionsanalyse führt Messfehler in der unabhängigen Variable dazu, dass der Koeffizient unterschätzt wird, sodass wahre Effekte schwächer erscheinen als sie sind. Anders als Omitted Variable Bias, der Schätzungen in beide Richtungen verschieben kann, verdünnt Abschwächungsverzerrung Effektstärken konsistent und kann dazu führen, dass reale Zusammenhänge statistisch insignifikant erscheinen.

Beispiele

Eine Studie untersucht, ob die tägliche Kalorienaufnahme die Gewichtszunahme vorhersagt, anhand selbstberichteter Ernährungstagebücher. Menschen sind notorisch ungenau bei der Schätzung ihres Kalorienverbrauchs. Dieser zufällige Messfehler in der Prädiktorvariable schwächt den geschätzten Effekt ab und lässt die Ernährung weniger einflussreich auf das Gewicht erscheinen, als sie tatsächlich ist.

Ein Psychologe untersucht den Zusammenhang zwischen Stress und Schlafqualität, indem er Teilnehmer ihren täglichen Stress auf einer Skala von 1–10 einschätzen lässt. Da Menschen Stress unterschiedlich wahrnehmen und inkonsistent bewerten, enthält diese Variable erhebliche Messfehler – der tatsächliche Zusammenhang mit der Schlafqualität wird dadurch systematisch unterschätzt.

Ein Ökonom möchte herausfinden, ob das Haushaltseinkommen die Bildungsausgaben für Kinder beeinflusst. Da viele Befragte ihr genaues Einkommen nicht kennen oder absichtlich ungenau angeben, ist die Einkommensvariable fehlerbelastet – die geschätzte Beziehung fällt schwächer aus, als sie in Wirklichkeit ist.

Prüfschritte

Prüfschritte

Binäre Ja/Nein-Fragen, die eine KI beantworten muss, um ein Argumentationsmuster in einem Text zu erkennen.

Jeder der 452 Aspekte hat Prüfschritte — einfache Ja/Nein-Fragen, die systematisch erkennen sollen, ob ein Muster in einem Text vorkommt. Für Ad Hominem: "Greift das Argument eine Person statt ihre Behauptung an?" Für falsche Dichotomie: "Werden nur zwei Optionen präsentiert, obwohl mehr existieren?"

Im Glossar ansehen →

Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:

1

Gibt es Grund zur Annahme, dass die unabhängige Variable mit erheblichem Fehler gemessen wird?
Typ: binary
2

Könnte Messrauschen in den Variablen die Effektschätzungen gegen null drücken?
Typ: binary
3

Werden Proxy-Maße statt direkter Messungen der interessierenden Variable verwendet?
Typ: binary
4

Hat die Studie die Messreliabilität bewertet oder korrigiert?
Typ: binary

Beschreibung

Warum es funktioniert

Zufällige Messfehler fügen Rauschen hinzu, das das wahre Signal verdeckt. In der Regression verdünnt dieses Rauschen in der Prädiktorvariable den Steigungskoeffizienten gegen null. Forschende interpretieren die abgeschwächte Schätzung möglicherweise als Beleg für einen schwachen oder nicht existenten Zusammenhang, statt sie als Artefakt schlechter Messung zu erkennen.

Wie man entgegnet

Verwenden Sie validierte und reliable Messinstrumente. Berichten Sie die Messreliabilität (z. B. Cronbachs Alpha, Test-Retest-Reliabilität). Wenden Sie Korrekturen für Abschwächung anhand bekannter Reliabilitätskoeffizienten an. Nutzen Sie Instrumentalvariablen oder Errors-in-Variables-Regressionsmodelle bei erheblichem Messfehler.

Auch bekannt als

Regression dilution Errors-in-variables bias Regression attenuation Regressionsverdünnung

Praxiskontext

Verbreitet in der Ernährungsepidemiologie (Selbstberichte zur Ernährung), den Sozialwissenschaften (umfragebasierte Einstellungsmessungen) und der Ökonomie (Einkommensmessung), wo Schlüsselvariablen mit erheblichem Rauschen gemessen werden.