Klassische Methoden der Variablenselektion

Statistische Modelle zur Beschreibung empirischer Daten sollen die wesentlichen Assoziationen zwischen unabhängigen Variablen (UV) und der Zielgröße erfassen. In der Praxis ist es häufig unklar, welche UV aus den verfügbaren Kandidatenvariablen ausgewählt und in ein Modell aufgenommen werden sollen. Klassische Variablenselektionsmethoden basieren in der Regel auf Signifikanz- oder Informationskriterien, pönalisierter Likelihood oder dem change in estimate-Kriterium. Wenn Variablen für ein Modell aufgrund der Stärke ihrer Assoziationen zur Zielgröße im zu analysierenden Datensatz ausgewählt werden, unterliegt die Modellstruktur dem Zufall der Stichprobenziehung, was die Gültigkeit der statistischen Inferenz beeinträchtigt. Unter diesem Gesichtspunkt befasst sich dieses Kapitel mit Empfehlungen zur Variablenselektion und mit Maßzahlen, die in einer Datenanalyse Aufschluss über Modellinstabilität, Verzerrung und erhöhte Variabilität von Regressionskoeffizienten geben können.