Hausman-Spezifikationstest bei Paneldaten: Ablauf und Fehler

Hausman-Spezifikationstest bei Paneldaten: Das Wichtigste im Überblick

Der Hausman-Spezifikationstest zeigt dir bei Paneldaten, ob du ein Fixed-Effects- oder ein Random-Effects-Modell schätzen solltest. Ist der Test signifikant, nimmst du Fixed Effects, sonst ist Random Effects vertretbar. Hier findest du den Ablauf in Stata und R, die Deutung des Ergebnisses und die Fehler, die in Seminar- und Abschlussarbeiten am häufigsten auftauchen.

Was der Hausman-Test bei Paneldaten entscheidet

Der Hausman-Spezifikationstest prüft, ob sich die Koeffizienten aus Fixed-Effects- und Random-Effects-Schätzung systematisch unterscheiden. Lehnst du die Nullhypothese auf dem üblichen Signifikanzniveau von 5 Prozent ab (p-Wert unter 0,05), verwendest du das Fixed-Effects-Modell; lehnst du sie nicht ab, darfst du das effizientere Random-Effects-Modell nutzen.

Die Logik dahinter ist einfach erklärt: Unter der Nullhypothese sind die unbeobachteten individuellen Effekte nicht mit den erklärenden Variablen korreliert. Dann sind beide Schätzer konsistent, Random Effects ist aber effizienter. Ist diese Annahme verletzt, bleibt nur der Fixed-Effects-Schätzer konsistent, und die Koeffizienten driften auseinander. Genau diese Differenz misst der Test.

Die Teststatistik lautet H = (b_FE - b_RE)' [Var(b_FE) - Var(b_RE)]^-1 (b_FE - b_RE). Sie folgt asymptotisch einer Chi-Quadrat-Verteilung, deren Freiheitsgrade der Zahl der verglichenen Koeffizienten entsprechen. Zeitkonstante Variablen wie Geschlecht oder Geburtsjahr fallen dabei heraus, weil Fixed Effects sie nicht schätzen kann.

Neben dem klassischen Vergleich gibt es Varianten. Frondel und Vance haben in einem Arbeitspapier des SFB 823 an der TU Dortmund gezeigt, dass man statt Fixed und Random Effects auch Between-Groups- und Fixed-Effects-Koeffizienten vergleichen kann; beide Verfahren kommen zu denselben Schlussfolgerungen. Für ökonometrische Hausarbeiten, etwa für Studiengänge wie Volkswirtschaftslehre, Soziologie oder Politikwissenschaft, reicht in aller Regel der Standardtest, solange du seine Voraussetzungen kennst.

Ablauf in Stata und R Schritt für Schritt

Bevor du rechnest, prüfst du, ob dein Datensatz wirklich ein Panel ist: dieselben Einheiten, etwa Personen, Firmen oder Länder, müssen über mehrere Zeitpunkte beobachtet sein. Danach folgst du diesem Ablauf.

1. Panelstruktur festlegen. In Stata schreibst du xtset id jahr, in R mit dem Paket plm pdata.frame(daten, index = c("id", "jahr")).
2. Fixed Effects schätzen und speichern. Stata: xtreg lohn bildung erfahrung, fe und danach estimates store fe. R: fe <- plm(lohn ~ bildung + erfahrung, data = pd, model = "within").
3. Random Effects schätzen und speichern. Stata: xtreg lohn bildung erfahrung, re und estimates store re. R: re <- plm(..., model = "random").
4. Test ausführen. Stata: hausman fe re, wobei der konsistente Schätzer zuerst steht. R: phtest(fe, re).
5. Ergebnis lesen. Entscheidend sind die Chi-Quadrat-Statistik, die Freiheitsgrade und der p-Wert.

Ein Beispiel für die Formulierung im Ergebnisteil: Der Hausman-Test lehnt die Nullhypothese ab (Chi-Quadrat mit 2 Freiheitsgraden, p < 0,01). Die individuellen Effekte sind daher mit den Regressoren korreliert, weshalb im Folgenden das Fixed-Effects-Modell berichtet wird. Bei einem nicht signifikanten Ergebnis schreibst du entsprechend, dass keine systematische Abweichung nachweisbar ist und du Random Effects verwendest.

Welche Software und welche Berichtsform verlangt wird, steht oft in den Modulvorgaben deines Lehrstuhls; ob ein Methodenteil benotet wird, regelt die Prüfungsordnung deines Fachs. Allgemeine Studium-Tipps zum Aufbau wissenschaftlicher Arbeiten helfen dir zusätzlich, Tabellen und Methodenbegründung sauber zu trennen.

Typische Fehler beim Hausman-Test und bessere Lösungen

Die meisten Punktabzüge entstehen nicht beim Rechnen, sondern bei der Spezifikation und der Deutung. Diese typischen Fehler solltest du kennen.

• Falsche Reihenfolge im Befehl. Wer in Stata hausman re fe schreibt, vertauscht konsistenten und effizienten Schätzer. Besser: immer zuerst das Fixed-Effects-Modell nennen.
• Robuste Standardfehler im Test. Der klassische Hausman-Test setzt voraus, dass Random Effects unter der Nullhypothese voll effizient ist. Mit geclusterten oder robusten Standardfehlern gilt das nicht mehr. Besser: den Mundlak-Ansatz (Gruppenmittelwerte der Regressoren ins RE-Modell aufnehmen und gemeinsam testen) oder in Stata das Zusatzpaket xtoverid verwenden.
• Nicht positiv definite Varianzmatrix. Stata warnt dann, dass die Differenzmatrix nicht positiv definit ist, und die Statistik kann negativ werden. Besser: die Option sigmamore nutzen oder auf den Mundlak-Test ausweichen, statt das Ergebnis einfach zu übernehmen.
• Zeitkonstante Variablen im Vergleich. Sie lassen sich mit Fixed Effects nicht schätzen. Besser: das Ergebnis nur über zeitvariable Koeffizienten deuten und das auch so berichten.
• Nichtablehnung als Beweis lesen. Ein p-Wert über 0,05 zeigt nur, dass keine Abweichung nachweisbar ist, nicht dass Random Effects richtig ist. Besser: vorsichtig formulieren und bei kleinen Stichproben auch die Fixed-Effects-Ergebnisse als Robustheitscheck zeigen.
• Test ohne inhaltliche Begründung. Wer nur das Testergebnis zitiert, verschenkt Argumente. Besser: zusätzlich erklären, warum unbeobachtete Merkmale wie Motivation oder Unternehmenskultur mit den Regressoren zusammenhängen könnten.

Bleibst du bei der Methodik unsicher, ist die Methodenberatung deines Instituts oft hilfreicher als die allgemeine Studienberatung, weil dort Fachleute für Ökonometrie sitzen; das betrifft Hochschulen und Universitäten gleichermaßen.

Checkliste vor der Abgabe

Mit diesen überprüfbaren Kontrollpunkten sicherst du den Hausman-Spezifikationstest in deiner Arbeit ab:

• Ist die Panelstruktur mit Identifikator und Zeitvariable korrekt gesetzt?
• Hast du beide Modelle mit identischen Regressoren und identischer Stichprobe geschätzt?
• Steht im Befehl der Fixed-Effects-Schätzer an erster Stelle?
• Wurden für den klassischen Test keine robusten Standardfehler verwendet, oder hast du stattdessen den Mundlak-Ansatz gewählt?
• Sind Chi-Quadrat-Wert, Freiheitsgrade und p-Wert im Text oder in einer Tabelle angegeben?
• Ist die Entscheidung für Fixed oder Random Effects aus dem p-Wert nachvollziehbar abgeleitet?
• Hast du eine Warnung zur Varianzmatrix geprüft und behandelt?
• Begründest du die Modellwahl auch inhaltlich und nicht nur statistisch?

Der Test taucht vor allem in empirisch ausgerichteten Fächern auf. Wenn du gerade einen Studiengang wählen willst und wissen möchtest, wie viel Statistik dich erwartet, lohnt ein Blick in die Modulhandbücher; ein Studienorientierungstest zeigt dir eher Interessen als Methodenlast. Ob du solche Verfahren an einer Universität oder Fachhochschule eher angewandt oder theoretisch lernst, unterscheidet sich je nach Curriculum, also prüfe dort die Pflichtmodule.

Im ersten Methodenkurs helfen dir Erstsemester-Tipps, etwa Lerngruppen für Stata oder R früh zu bilden. Wer Daten aus dem Ausland nutzt, etwa aus einem Auslandssemester mit Projektarbeit, sollte die Panelstruktur besonders sorgfältig dokumentieren. Und wenn Statistik dein Ding ist: Studentenjobs als studentische Hilfskraft an Lehrstühlen bestehen oft genau aus solchen Auswertungen, was sich auch neben Themen wie Wohnen im Studium und Pendeln gut planen lässt.

Quellen und Stand

• Offizielle Quelle: eldorado.tu-dortmund.de (geprüft am 2026-10-28)
• Wikipedia: Durbin-Wu-Hausman test: en.wikipedia.org (geprüft am 2026-10-28)
• Stata Manual: hausman: www.stata.com (geprüft am 2026-10-28)