Kovariaten#

Eine Kovariate ist eine Variable, die mit der abhängigen Variable zusammenhängt und deren Einfluss man statistisch kontrollieren möchte. Durch die Berücksichtigung von Kovariaten kann man genauere Schätzungen des untersuchten Effekts erhalten.

Grundidee#

Wenn du den Effekt einer Behandlung untersuchen möchtest, gibt es oft andere Variablen, die das Ergebnis ebenfalls beeinflussen. Indem du diese Variablen als Kovariaten in die Analyse einbeziehst, kannst du ihren Einfluss herausrechnen und den „reinen" Effekt der Behandlung isolieren.

Arten von Kovariaten#

Störvariablen (Confounders)#

Eine Variable, die sowohl mit der unabhängigen als auch mit der abhängigen Variable zusammenhängt. Wird sie nicht kontrolliert, kann der Effekt verzerrt (konfundiert) sein.

Kontrollvariablen#

Variablen, die man in die Analyse einbezieht, um die Fehlervarianz zu reduzieren und die Power zu erhöhen. Sie müssen nicht notwendigerweise Confounder sein.

Mediatoren und Moderatoren#

• Mediator: Erklärt den Mechanismus des Effekts (UV → Mediator → AV)
• Moderator: Verändert die Stärke des Effekts (der Effekt hängt vom Moderator ab)

Diese werden anders behandelt als klassische Kovariaten.

ANCOVA — Kovarianzanalyse#

Die ANCOVA (Analysis of Covariance) kombiniert ANOVA und Regression. Sie vergleicht Gruppenmittelwerte, nachdem der Einfluss einer oder mehrerer Kovariaten herausgerechnet wurde.

Das Modell:

wobei:

• $\tau_i$ der Effekt der Gruppe i ist
• $\beta$ der Regressionskoeffizient der Kovariate ist
• $X_{ij}$ der Wert der Kovariate ist

Voraussetzungen der ANCOVA#

1. Alle ANOVA-Voraussetzungen (Normalverteilung, Varianzhomogenität, Unabhängigkeit)
2. Linearer Zusammenhang zwischen Kovariate und AV
3. Homogenität der Regressionssteigungen — Der Zusammenhang zwischen Kovariate und AV muss in allen Gruppen gleich sein
4. Kovariate unabhängig von UV — Die Gruppenzugehörigkeit darf die Kovariate nicht beeinflusst haben

Wann ANCOVA verwenden?#

• In experimentellen Designs zur Erhöhung der Power durch Reduktion der Fehlervarianz
• In quasi-experimentellen Designs zur Kontrolle von Vorunterschieden zwischen Gruppen

Kovariaten in der Regression#

In der multiplen Regression werden Kovariaten als zusätzliche Prädiktoren aufgenommen:

Der Koeffizient $b_1$ gibt den Effekt von $X_1$ an, kontrolliert für alle anderen Variablen.

Praktische Richtlinien#

Welche Kovariaten aufnehmen?#

1. Theoretisch begründet: Die Kovariate sollte inhaltlich mit der AV zusammenhängen
2. Vor der Intervention gemessen: Die Kovariate sollte nicht durch die UV beeinflusst worden sein
3. Reliabel gemessen: Unreliable Kovariaten verschlechtern die Korrektur

Wie viele Kovariaten?#

• Nicht zu viele: Faustregel in der Regression: mindestens 10–20 Beobachtungen pro Prädiktor
• Jede Kovariate verbraucht Freiheitsgrade
• Zu viele Kovariaten können zu Überanpassung führen

Wann keine Kovariaten verwenden?#

• Wenn die Kovariate nach der UV gemessen wurde (Mediator statt Kovariate)
• Wenn die Kovariate mit der UV konfundiert ist (z. B. Kovariate unterscheidet sich systematisch zwischen den Gruppen in einem Quasi-Experiment)
• Wenn die Voraussetzung der Homogenität der Regressionssteigungen verletzt ist

Häufige Missverständnisse#

„Kovariaten können jedes Konfundierungsproblem lösen." Nein. Nur gemessene Variablen können kontrolliert werden. Nicht gemessene Confounder bleiben unkontrolliert. Deshalb ist Randomisierung der Goldstandard.

„Man sollte so viele Kovariaten wie möglich aufnehmen." Nein. Jede unnötige Kovariate verbraucht Freiheitsgrade und kann die Ergebnisse destabilisieren. Nur theoretisch begründete Kovariaten aufnehmen.

„ANCOVA kann Baseline-Unterschiede in Quasi-Experimenten vollständig ausgleichen." Nicht vollständig. ANCOVA reduziert Bias, kann aber nicht-gemessene Confounder oder nicht-lineare Zusammenhänge nicht korrigieren. Die Ergebnisse bleiben vorsichtig zu interpretieren.

„Die Kovariate muss normalverteilt sein." Nein. In der ANCOVA muss nur die abhängige Variable (bedingt auf die Kovariate) normalverteilt sein. Die Kovariate selbst kann jede Verteilung haben.