4,8 Sterne aus 109 Bewertungen

Wenn eine Kurve mehr erklärt als eine Gerade

Quadratische Regression: wenn der Zusammenhang eine Kurve ist

Lesezeit ca. 7 Min. · zuletzt aktualisiert: 2. Oktober 2026 · Regressionsanalyse

Wer ein gebogenes Streudiagramm vor sich hat, fragt sich oft, ob ein quadratisches Modell die Daten besser beschreibt als eine einfache Gerade und wie sich ein solches Modell überhaupt einordnen lässt.

Was eine quadratische Regression beschreibt

Eine quadratische Regression beschreibt einen gebogenen Zusammenhang, indem sie neben x auch x hoch 2 ins Modell aufnimmt. In Worten ausgedrückt ergibt sich y aus einem Achsenabschnitt, einem Koeffizienten mal x und einem weiteren Koeffizienten mal x hoch 2, wobei jeder dieser drei Bestandteile zum geschätzten Wert beiträgt. Diese Erweiterung erlaubt es, eine Kurve statt einer geraden Linie an die Daten anzupassen, ohne dass dafür ein grundsätzlich anderes Schätzverfahren nötig wird. Die quadratische Regression gilt als Spezialfall der polynomialen Regression, bei der der Zusammenhang zwischen einer abhängigen und einer unabhängigen Größe als Polynom in x modelliert wird. Statt nur den linearen Term x zu verwenden, nimmt das Modell zusätzlich die zweite Potenz auf und kann dadurch Biegungen im Datenverlauf abbilden, die eine einfache Gerade nicht erfassen würde. Wer sich mit der zugehörigen Regressionsgleichung beschäftigt, stellt fest, dass sie gegenüber der linearen Variante nur um dieses eine zusätzliche quadratische Glied erweitert wird, die grundlegende Struktur aus Achsenabschnitt und Steigungstermen bleibt jedoch erhalten. Wer ein gebogenes Streudiagramm vor sich hat, kann prüfen, ob sich der Verlauf mit diesem erweiterten Modell beschreiben lässt, ohne das Schätzverfahren grundsätzlich zu ändern. Wichtig ist dabei, dass die zusätzliche Potenz nicht bedeutet, dass das Modell beliebig flexibel wird, sondern dass es weiterhin eine bestimmte, klar beschreibbare Kurvenform erzeugt, nämlich eine Parabel.

Quadratische Regression: der Ablauf in drei Schritten

Warum die quadratische Regression als lineare Regression gilt

Auch wenn die Kurve gebogen aussieht, bleibt das Modell in einem entscheidenden Sinn linear: Es ist quadratisch in der Variable x, aber linear in den Parametern, und genau deshalb lassen sich die Verfahren der linearen Regression auf dieses Modell anwenden. Diese Unterscheidung zwischen der Form des Zusammenhangs und der Struktur der Schätzgleichung ist der Grund, warum die quadratische Regression trotz ihrer gekrümmten Linie zur Familie der linearen Modelle gezählt wird. Geschätzt werden die Koeffizienten nach der Methode der kleinsten Quadrate, einem Vorgehen, das im Skript der Montanuniversität Leoben zur Ausgleichsrechnung behandelt wird; dort wird ein Polynom ausdrücklich als lineares Datenmodell eingeordnet. Eine hilfreiche Vorstellung besteht darin, x hoch 2 wie eine zusätzliche, zweite erklärende Variable zu behandeln, die neben x selbst ins Modell eintritt. Aus dieser Perspektive lässt sich die Schätzung als eine Art multiple lineare Regressionsanalyse auffassen, bei der nicht zwei unterschiedliche Messgrößen, sondern x und sein Quadrat gemeinsam als Prädiktoren auftreten. Dieser Blickwinkel erklärt, warum sich an den rechnerischen Grundlagen nichts Grundsätzliches ändert, sobald man von einer einfachen linearen Regression zu einem quadratischen Modell übergeht. Während die klassische Gerade nur eine lineare Regression im engeren Sinn liefert, nutzt das quadratische Modell dieselbe Schätzlogik, um zusätzlich eine Krümmung zuzulassen. Das Schätzproblem bleibt durch die Linearität in den Parametern so strukturiert, dass die Verfahren der Ausgleichsrechnung unmittelbar anwendbar sind.

Wie sich der quadratische Term lesen lässt

Der Koeffizient vor x hoch 2 bestimmt die Form der Parabel: Ist er positiv, öffnet sich die Kurve nach oben, ist er negativ, öffnet sie sich nach unten. Diese Eigenschaft ergibt sich unmittelbar aus der mathematischen Struktur einer Parabel und lässt sich an der Kurve selbst ablesen, sobald das Modell geschätzt und grafisch dargestellt wurde. Komplizierter wird die Deutung beim linearen Term, also beim Koeffizienten vor x allein. In einem rein linearen Modell gibt dieser Koeffizient die Steigung über den gesamten Datenbereich hinweg an. Sobald jedoch ein quadratisches Glied hinzukommt, ändert sich diese einfache Lesart: Die Steigung der Kurve ist an jeder Stelle unterschiedlich, weil sie sich mit x selbst verändert. Der Regressionskoeffizient vor x beschreibt dann nicht mehr die durchgehende Steigung wie bei einer Geraden, sondern nur noch einen Baustein innerhalb einer Funktion, deren Anstieg sich von Punkt zu Punkt wandelt. Diese Folgerung ergibt sich direkt aus dem Aufbau des Modells selbst, ohne dass eine weitere Rechnung notwendig wäre, um sie nachzuvollziehen. Für die Interpretation bedeutet das: Wer einen einzelnen Koeffizienten isoliert betrachtet, ohne den zweiten Term mitzudenken, unterschätzt oder überschätzt die tatsächliche Wirkung von x auf y. Eine vollständige Deutung berücksichtigt daher beide Koeffizienten gemeinsam und fragt, wie sich die Kurve im jeweils interessierenden Abschnitt des Datenbereichs verhält. Konkrete Zahlenwerte oder eine Formel für den höchsten oder tiefsten Punkt der Parabel sind dafür nicht erforderlich, die grundsätzliche Richtung der Deutung lässt sich bereits aus dem Vorzeichen und der Struktur des Modells ableiten.

Quadratische Regression: Prüfliste mit vier Punkten

Wann eine quadratische Regression sinnvoll ist

Bevor ein quadratisches Modell gewählt wird, lohnt sich ein genauer Blick auf die vorliegenden Daten und auf die Frage, ob eine Krümmung inhaltlich plausibel ist. Es empfiehlt sich, mehrere Aspekte gemeinsam zu prüfen, bevor die Entscheidung für eine gebogene statt einer geraden Anpassung fällt. Der visuelle Eindruck eines gebogenen Streudiagramms und die inhaltliche Begründung für den Kurvenverlauf ergänzen sich dabei; ein Modell, das nur rechnerisch eine Kurve erzeugt, ohne dass eine sachliche Erklärung für die Biegung vorliegt, ist in seiner Interpretation schwieriger einzuordnen.

  • Das Streudiagramm zeigt eine deutliche Biegung und keine gerade Punktwolke
  • Es gibt eine inhaltliche Begründung dafür, warum der Zusammenhang gekrümmt verlaufen sollte
  • Der vorliegende Datenbereich deckt die vermutete Biegung tatsächlich ab, statt nur einen geraden Ausschnitt der Kurve zu zeigen

Da das quadratische Modell linear in den Parametern bleibt, gelten für seine Anwendung dieselben Voraussetzungen der linearen Regression wie für ein einfaches Modell mit nur einer Geraden. Nach der Schätzung lohnt sich ein Blick auf die Residuen, also auf die Reste, die zwischen den beobachteten Werten und den vom Modell vorhergesagten Werten übrig bleiben, um zu beurteilen, ob die Kurve zu den Daten passt. Weil das Modell linear in den Parametern ist, lässt sich die Prüfung der Residuen nach denselben Gesichtspunkten vornehmen wie bei einem einfachen linearen Modell. Wer die mathematischen Grundlagen der polynomialen Regression vertiefen möchte, findet dazu einen Ausgangspunkt in den Vorlesungsfolien der Montanuniversität Leoben. Offene Fragen dazu, ob im konkreten Fall ein quadratisches oder ein anderes Modell passender ist, lassen sich in Rücksprache mit der betreuenden Person oder der Methodenberatung der eigenen Hochschule klären, statt sie allein anhand allgemeiner Regeln zu entscheiden.

Quellen und Stand

Soll jemand deinen Methoden- und Ergebnisteil vor der Abgabe sprachlich prüfen?

Datei hochladen

Häufige Fragen zur quadratischen Regression

Ist eine quadratische Regression grundsätzlich etwas anderes als eine lineare Regression?

Das Modell ist quadratisch in der Variable x, aber linear in den Parametern, und genau deshalb lassen sich die Verfahren der linearen Regression darauf anwenden. Es handelt sich also um eine Erweiterung innerhalb derselben Modellfamilie, nicht um ein völlig anderes Verfahren.

Was bedeutet ein negativer Koeffizient vor x hoch 2?

Ist der Koeffizient vor x hoch 2 negativ, öffnet sich die geschätzte Kurve nach unten, während sie sich bei einem positiven Koeffizienten nach oben öffnet. Diese Eigenschaft ergibt sich unmittelbar aus der Form der Parabel.

Wird für die quadratische Regression eine andere Schätzmethode gebraucht als für die einfache lineare Regression?

Geschätzt wird nach der Methode der kleinsten Quadrate, und im Skript der Montanuniversität Leoben zur Ausgleichsrechnung wird ein Polynom ausdrücklich als lineares Datenmodell eingeordnet. Es handelt sich also um dieselbe grundsätzliche Schätzlogik wie bei einem einfachen linearen Modell.

Kann ich x hoch 2 wie eine zweite Variable behandeln?

Eine hilfreiche Vorstellung besteht darin, x hoch 2 wie eine zusätzliche, zweite erklärende Variable zu betrachten, die neben x selbst ins Modell eintritt. Aus dieser Perspektive lässt sich die Schätzung als eine Art multiple lineare Regressionsanalyse auffassen, bei der x und sein Quadrat gemeinsam als Prädiktoren auftreten.

Woran erkenne ich im Streudiagramm, ob ein quadratisches Modell passen könnte?

Als Empfehlung gilt, auf eine deutliche Biegung im Streudiagramm, eine inhaltliche Begründung für die Kurve und einen Datenbereich zu achten, der diese Biegung auch tatsächlich abdeckt. Erst wenn diese Punkte zusammenkommen, spricht einiges für ein gebogenes statt eines geraden Modells.

Warum gibt der Koeffizient vor x bei einem quadratischen Modell nicht mehr die gesamte Steigung an?

Sobald ein quadratisches Glied im Modell enthalten ist, ändert sich die Steigung der Kurve mit x selbst, sodass der Regressionskoeffizient vor x allein nicht mehr die Steigung über den gesamten Bereich beschreibt. Diese Folgerung ergibt sich direkt aus dem Aufbau des Modells.

Unsere Partner