Kernregression nach Nadaraya-Watson: Ablauf, Tipps und typische Fehler

Kernregression nach Nadaraya-Watson: Vorgehen und typische Fehler

Die Kernregression nach Nadaraya-Watson schätzt den Zusammenhang zwischen x und y ohne feste Funktionsform. Jeder Schätzwert ist ein gewichteter Mittelwert der beobachteten y-Werte, wobei nahe Punkte stärker zählen. Entscheidend sind die Wahl des Kerns und vor allem der Bandbreite. Hier lernst du Formel, Vorgehen in R oder Python, typische Fehler und eine Checkliste für Hausarbeit oder Klausur.

Was die Kernregression nach Nadaraya-Watson leistet

Die Kernregression nach Nadaraya-Watson schätzt den bedingten Erwartungswert E(Y | X = x) als gewichteten Durchschnitt aller y-Werte, wobei die Gewichte von einer Kernfunktion K und einer Bandbreite h bestimmt werden. Die wichtigste Regel lautet: Die Bandbreite beeinflusst das Ergebnis viel stärker als der Kern, also wähle h datengetrieben per Kreuzvalidierung.

Verständlich erklärt sieht die Formel so aus: m(x) = Σ K((x − xi)/h) · yi / Σ K((x − xi)/h). Der Zähler gewichtet die beobachteten Werte, der Nenner normiert die Gewichte, sodass sie sich zu eins aufsummieren. Das Verfahren geht auf zwei Arbeiten aus dem Jahr 1964 zurück, eine von Elizbar Nadaraya und eine von Geoffrey Watson. Fachlich ist es ein lokal konstanter Schätzer, also eine lokale Polynomregression vom Grad null.

• Gauß-Kern: K(u) = exp(−u²/2) / √(2π), glatt und überall positiv.
• Epanechnikov-Kern: K(u) = 0,75 · (1 − u²) für |u| ≤ 1, sonst null.
• Laplace-Kern: K(u) = 0,5 · exp(−|u|), mit schwereren Rändern als der Gauß-Kern.

Kleine Bandbreiten liefern eine zackige Kurve mit hoher Varianz, große Bandbreiten glätten echte Strukturen weg und erzeugen Verzerrung. Dieser Zielkonflikt zwischen Bias und Varianz ist der Kern jeder Prüfungsfrage zum Thema. Die Methode taucht vor allem in Studiengänge wie Statistik, Data Science, Volkswirtschaftslehre und Psychologie mit Methodenschwerpunkt auf.

Ablauf: In fünf Schritten zur geschätzten Kurve

Für die Umsetzung brauchst du nur eine erklärende Variable, eine Zielvariable und eine Software mit Kernregression. Ein anschaulicher Übungsdatensatz stammt aus dem Bereich Wohnen im Studium, etwa Kaltmiete pro Quadratmeter gegen Entfernung zum Campus, weil der Zusammenhang dort selten linear verläuft.

1. Daten ansehen: Zeichne zuerst ein Streudiagramm. Prüfe, ob es Ausreißer, Lücken in x oder Häufungen am Rand gibt.
2. Kern festlegen: Starte mit dem Gauß-Kern. Das R-Paket kernreg bietet den Gauß- und den Laplace-Kern an, für Vergleiche reicht das.
3. Startwert für h: Als grobe Orientierung dient die Faustregel nach Silverman, h = 1,06 · σ · n^(−1/5). Sie stammt aus der Dichteschätzung und ersetzt keine Optimierung.
4. Bandbreite optimieren: Nutze Kreuzvalidierung. In kernreg steht dafür eine K-fache Kreuzvalidierung bereit, mit der du mehrere Kandidaten für h vergleichst. Alternativ minimierst du den Leave-one-out-Fehler CV(h) = (1/n) Σ (yi − m₋ᵢ(xi))².
5. Ergebnis darstellen: Zeichne die geschätzte Kurve über das Streudiagramm und nenne Kern und Bandbreite in der Bildunterschrift.

In Python bietet statsmodels die Klasse KernelReg mit reg_type='lc' für den lokal konstanten Schätzer, in Base-R gibt es ksmooth(x, y, kernel = "normal", bandwidth = h). Beachte bei ksmooth, dass die Bandbreite dort anders skaliert ist als in der Formel oben. Eine passende Formulierung für deine Arbeit lautet: Die Bandbreite wurde per zehnfacher Kreuzvalidierung bestimmt, verwendet wurde ein Gauß-Kern. Welche Software in einer Abschlussarbeit erlaubt ist und wie Code dokumentiert werden muss, regelt oft deine Prüfungsordnung, also lies sie vor dem Start nach.

Typische Fehler und die bessere Lösung

Die meisten Punktabzüge bei der Kernregression entstehen nicht in der Formel, sondern bei Bandbreite, Rändern und Interpretation. Die folgende Übersicht stellt die typischen Fehler der passenden Lösung gegenüber.

Ein weiterer Fehler betrifft hohe Dimensionen: Mit jeder zusätzlichen Variable werden lokale Nachbarschaften dünner besetzt, der sogenannte Fluch der Dimensionalität. Bleib deshalb bei ein bis zwei Regressoren oder begründe ausführlich, warum mehr sinnvoll sind. Hilfreich sind hier allgemeine Studium-Tipps zum Zeitmanagement, denn eine saubere Kreuzvalidierung braucht Rechenzeit und darf nicht am Abend vor der Abgabe beginnen.

Wer sich unsicher ist, ob ein Fach mit so viel Methodik zu den eigenen Stärken passt, sollte das vor dem Einschreiben klären. Ein Studienorientierungstest zeigt, ob dir quantitative Fragen liegen, und eine Studienberatung kann einschätzen, wie viel Statistik ein konkreter Studiengang verlangt.

Checkliste vor Abgabe oder Klausur

Bevor du eine Auswertung mit Nadaraya-Watson abgibst, geh diese prüfbaren Punkte einzeln durch.

• Formel mit Zähler und Nenner korrekt notiert und Symbole erklärt
• Kern genannt, zum Beispiel Gauß, Laplace oder Epanechnikov
• Bandbreite als konkreter Zahlenwert angegeben
• Methode der Bandbreitenwahl genannt, etwa K-fache oder Leave-one-out-Kreuzvalidierung
• Streudiagramm mit überlagerter Kurve beschriftet
• Randbereiche gesondert kommentiert
• Keine Schätzung außerhalb des Datenbereichs
• Interpretation als bedingter Mittelwert, nicht als Ursache
• Code und Softwareversion im Anhang dokumentiert

Ob nichtparametrische Verfahren schon im Grundstudium oder erst im Master vorkommen, hängt vom Curriculum ab. Wenn du gerade einen Studiengang wählen möchtest, vergleiche deshalb die Modulhandbücher und frage gezielt nach Veranstaltungen zu nichtparametrischer Statistik. Die Frage Universität oder Fachhochschule spielt dabei mit hinein, weil sich theoretische Herleitung und angewandte Umsetzung je nach Hochschulart unterschiedlich stark gewichten.

Die Liste der Hochschulen und Universitäten mit Statistikschwerpunkt ist lang, und viele Modulhandbücher nennen Kernregression ausdrücklich als Inhalt. Für den Studienstart lohnen sich Erstsemester-Tipps, die erklären, wie du früh eine Lerngruppe für Methodenfächer findest. Praktische Erfahrung sammelst du über Studentenjobs als Hilfskraft in einem Lehrstuhl für Statistik, wo Glättungsverfahren zum Alltag gehören. Ein Auslandssemester an einer Hochschule mit starkem Statistikinstitut kann das Thema vertiefen, sofern die Kurse anerkannt werden.

Quellen und Stand

• Offizielle Quelle: cran.rstudio.com (geprüft am 2026-10-28)
• Wikipedia: Kernel regression: en.wikipedia.org (geprüft am 2026-10-28)
• statsmodels: KernelReg: www.statsmodels.org (geprüft am 2026-10-28)