Residuenplots erklärt: So prüfst du Annahmen in Regressionsmodellen

Du hast ein Regressionsmodell gefittet, das R^² sieht ordentlich aus, und die Koeffizienten wirken plausibel. Doch eine hübsche Ergebnistabelle kann ein schlecht spezifiziertes Modell kaschieren. Ein Streudiagramm entlarvt oft, was die Zahlen übersehen: der Residuenplot.

Dieser Artikel erklärt, was Residuenplots sind, wie du sie liest, welche Muster wichtig sind und wie du sie in Python und R erstellst. Viele Einsteiger lassen den Diagnoseschritt komplett aus. Am Ende wirst du das nicht mehr tun.

Was ist ein Residuenplot?

Ein Residuum ist die Lücke zwischen der Modellvorhersage und der Realität: Residuum = beobachtet − vorhergesagt. Ein Residuenplot macht diese Lücken sichtbar. Die x-Achse zeigt entweder die vorhergesagten (gefitteten) Werte oder eine erklärende Variable; die y-Achse zeigt die Residuen. Eine horizontale Referenzlinie bei null steht für perfekte Vorhersage.

Zufällige Streuung um null: ein gesunder Residuenplot. Bild: Autorin/Autor. 

Die Kernidee: Wenn dein Modell die Beziehung gut erfasst, sollten die Residuen wie Rauschen aussehen. Zufällig um null gestreut, ohne erkennbares Muster. Sobald sich eine Form abzeichnet, sagt dir das Modell etwas, das die Koeffizienten allein nicht ausdrücken konnten.

Wie man einen Residuenplot interpretiert

Suche nach Mustern. Im Idealfall gibt es keins. Das ist die ganze Regel. Was Lage, Streuung und Form der Residuen verraten, macht es spannend.

Lage: Liegt die Streuung um null zentriert?

Residuen, die in manchen Bereichen der gefitteten Werte über null und in anderen darunter liegen, deuten auf Verzerrung hin. Das Modell über- oder unterschätzt in bestimmten Bereichen systematisch. Häufig fehlen dann Variablen oder die Beziehung ist nichtlinear und mit einem Geradenmodell nicht abbildbar.

Streuung: Bleibt die Varianz ungefähr konstant?

Scanne von links nach rechts. Ist die Streuung der Residuen über alle gefitteten Werte hinweg ähnlich, ist das ein gutes Zeichen. Fächern die Punkte mit steigenden gefitteten Werten auf, ändert sich die Varianz. Das nennt man Heteroskedastizität. Die Koeffizientenschätzungen bleiben zwar konsistent, aber die Standardfehler werden unzuverlässig – relevant bei Hypothesentests.

Form: Gibt es eine Kurve oder einen Trend?

Flach und musterlos ist das Ziel. Eine U-Form oder ein Bogen signalisiert, dass ein nichtlinearer Term fehlt. Cluster oder Bänder deuten auf Untergruppen hin, die das Modell als eine behandelt. Ein einzelner Punkt weit abseits vom Rest ist eine Untersuchung wert.

Typische Muster in Residuenplots und was sie bedeuten

Vier Residuenplot-Muster, die auf Modellprobleme hinweisen. Bild: Autorin/Autor.

Zufällige Streuung um null

Das Wunschresultat. Punkte grob gleichmäßig über und unter der Nulllinie verteilt, ohne erkennbaren Trend, deuten darauf hin, dass das Modell die Beziehung angemessen einfängt. Ein wenig Zufall gehört dazu.

Gekrümmtes Muster

Ein gekrümmtes oder bogenförmiges Muster bedeutet meist, dass eine nichtlineare Beziehung unberücksichtigt blieb. Das Modell legt eine Gerade durch Daten, die sich biegen. Abhilfe schafft in der Regel ein Polynomterm (etwa x^²) oder eine Transformation des Prädiktors. Das ist in der Praxis häufig – zum Beispiel bei Immobilienpreisen oder biologischem Wachstum.

Trichter- oder Fächerform

Residuen, die mit steigenden gefitteten Werten breiter streuen: Das ist Heteroskedastizität, die Varianz ist nicht konstant. Häufig bei Finanzdaten, wo der Fehler mit der Höhe der Zielgröße skaliert. Eine Log-Transformation der Zielvariable ist oft ein guter erster Schritt; Weighted Least Squares ist eine weitere Option.

Cluster oder Gruppen

Deutliche Gruppen im Residuenplot bedeuten meist, dass die Daten Unterpopulationen enthalten, die im Modell fehlen. Wahrscheinlich gehört eine kategoriale Variable (Region, Behandlungsgruppe, Produkttyp) ins Modell. Wenn du zwei oder drei enge Bänder siehst, fange dort an.

Große isolierte Residuen

Ein einzelner Punkt weit weg vom Rest verdient Aufmerksamkeit. Er kann ein echter Ausreißer, ein Tippfehler oder eine Beobachtung mit ungewöhnlichen Merkmalen sein. Lösche ihn nicht automatisch. Verstehe ihn zuerst. Ob er bleibt oder geht, hängt vom Kontext ab – nicht von der Bequemlichkeit.

Für all diese Muster gilt: Der Residuenplot zeigt Symptome, keine Diagnose. Er sagt dir, dass etwas nicht stimmt; das Warum musst du herausfinden.

Welche Regressionsannahmen lassen sich mit Residuenplots prüfen?

Mit den Mustern im Hinterkopf lohnt sich die Klarstellung, welche Annahmen ein Residuenplot prüfen kann – und welche nicht.

• Linearität: Wenn die Beziehung zwischen Prädiktoren und Zielgröße wirklich linear ist, zeigen Residuen gegen gefittete Werte keinen Trend. Eine Kurve oder ein Bogen ist ein direktes visuelles Signal, dass Linearität nicht hält.
• Konstante Varianz: Das Trichtermuster ist Heteroskedastizität in Reinform. Nimmt die Streuung mit den gefitteten Werten zu, ist die Annahme gleicher Varianz verletzt. Der Residuen-gegen-gefittete-Plot ist hier das Standardwerkzeug.
• Unabhängigkeit: Wenn deine Beobachtungen eine natürliche Reihenfolge haben (Zeit, Raum, Subjekt-Cluster), kannst du Residuen gegen diese Ordnung plotten. Trendende Residuen in zeitlicher Reihenfolge deuten auf Autokorrelation. Ein reiner Residuen-gegen-gefittete-Plot zeigt das nicht immer; oft brauchst du einen Residuen-gegen-Ordnung-Plot.
• Ausreißer und einflussreiche Beobachtungen: Große isolierte Residuen markieren Beobachtungen, die das Modell schlecht vorhersagt. Für Einfluss, also Beobachtungen, die die Regressionsgerade übermäßig ziehen, ist der Residuen-gegen-Leverage-Plot informativer als der Basis-Residuenplot.

Was Residuenplots nicht zuverlässig prüfen können, ist Normalität. Ein flacher Residuen-gegen-gefittete-Plot bestätigt nicht, dass Fehler normalverteilt sind. Dafür brauchst du einen Q-Q-Plot. Das wird oft verwechselt – halte das sauber auseinander.

So erstellst du einen Residuenplot in Python

Der Standard-Workflow nutzt scikit-learn zum Fitten und zur Berechnung der Residuen, anschließend matplotlib zur Visualisierung. Hier ein komplettes Beispiel mit einfacher linearer Regression auf Immobiliendaten:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Sample data: square footage predicting home price
sqft = np.array([800, 1000, 1200, 1500, 1800, 2000, 2200, 2500, 3000, 3500])
price = np.array([150, 180, 210, 260, 300, 330, 370, 420, 500, 560])

# Reshape for sklearn and fit the model
X = sqft.reshape(-1, 1)
model = LinearRegression()
model.fit(X, price)

# Generate predictions and calculate residuals
predicted = model.predict(X)
residuals = price - predicted

# Plot residuals against fitted values
plt.figure(figsize=(8, 5))
plt.scatter(predicted, residuals, color='steelblue', edgecolors='white', s=80)
plt.axhline(y=0, color='red', linestyle='--', linewidth=1.2)
plt.xlabel('Fitted Values')
plt.ylabel('Residuals')
plt.title('Residual Plot')
plt.tight_layout()
plt.show()

Entscheidend ist die Zeile residuals = price - predicted. Der Aufruf axhline() fügt die Null-Referenzlinie hinzu; ohne sie ist der Plot deutlich schwerer zu lesen. Wenn die Ausgabe weitgehend musterlos wirkt, liegst du ganz gut. Beachte, dass die Residuen bei höheren gefitteten Werten größer werden. Mit nur 10 Punkten ist das schwer sicher zu sagen, aber es deutet auf die erwähnte Fächerform hin.

Für einen tieferen Einstieg in Regression mit Python führt unser Kurs Introduction to Regression with statsmodels in Python Schritt für Schritt durch Modellfit, Annahmeprüfung und Interpretation.

So erstellst du einen Residuenplot in R

R macht es out of the box etwas einfacher. Sobald du mit lm() ein Modell gefittet hast, erzeugt die eingebaute plot()-Funktion automatisch ein komplettes Diagnose-Panel, inklusive Residuen-gegen-gefittete-Plot.

# Same housing data in R
sqft <- c(800, 1000, 1200, 1500, 1800, 2000, 2200, 2500, 3000, 3500)
price <- c(150, 180, 210, 260, 300, 330, 370, 420, 500, 560)

# Fit the model and view diagnostics
housing_model <- lm(price ~ sqft)
plot(housing_model, which = 1) # which = 1 gives residuals vs. fitted

Das Argument which = 1 gibt nur den Residuen-gegen-gefittete-Plot zurück. Lässt du es weg, erhältst du alle vier Standard-Diagnoseplots: Residuen vs. gefittet, Q-Q, Scale-Location und Residuen vs. Leverage. Praktisch, wenn du schnell den kompletten Überblick willst. R annotiert zudem die drei extremsten Punkte per Index – das spart die manuelle Ausreißersuche.

Für einen vollständigen Einstieg in Regression mit R deckt unser Kurs Introduction to Regression in R den kompletten Weg von Modellierung bis Diagnose ab.

Residualenplots vs. andere Regressionsdiagnose-Plots

Der Residuen-gegen-gefittete-Plot ist der Startpunkt, nicht das Gesamtbild. Einige verwandte Plots beantworten andere Fragen.

Residuenplot vs. Q-Q-Plot

Der Residuen-gegen-gefittete-Plot prüft Linearität und konstante Varianz. Der Q-Q-Plot prüft die Normalität, also ob die Residuen einer Normalverteilung folgen. Das sind unterschiedliche Fragen. Ein sauberer Residuenplot garantiert keine Normalität, und ein Q-Q-Plot sagt nichts über Varianz. In der Regel brauchst du beides.

Zwei verschiedene Plots, zwei verschiedene Fragen an dein Modell. Bild: Autorin/Autor.

Residuenplot vs. Scale-Location-Plot

Der Scale-Location-Plot (auch Spread-Location) stellt die Quadratwurzel der absoluten standardisierten Residuen gegen gefittete Werte dar. Er ist dafür gedacht, Heteroskedastizität zu erkennen, und macht das Trichtermuster oft deutlicher sichtbar als der rohe Residuenplot, weil das Vorzeichen entfernt wird und der Fokus ausschließlich auf der Streuung liegt.

Residuenplot vs. Residuen-gegen-Leverage-Plot

Leverage misst, wie ungewöhnlich die Prädiktorwerte einer Beobachtung sind – nicht, wie schlecht sie vorhergesagt wurde. Hohes Leverage kombiniert mit großem Residuum kann eine einflussreiche Beobachtung sein. Der Residuen-gegen-Leverage-Plot identifiziert diese Kombinationen und hebt die problematischsten Punkte meist hervor. Wenn du befürchtest, dass einflussreiche Beobachtungen dein Modell verzerren, prüfe diesen Plot.

Was tun, wenn der Residuenplot ein Problem zeigt?

Ein Residuenplot ist eine Diagnose, kein Urteil. Ein Muster heißt nicht, dass das Modell unbrauchbar ist. So leiten sich typische Muster in nächste Schritte übersetzt ab:

• Gekrümmtes Muster: Erwäge einen Polynomterm oder eine Transformation eines Prädiktors. Eine Log-Transformation von x oder ein x²-Term richtet die Beziehung oft gerade.
• Trichterform: Probiere eine Log- oder Quadratwurzel-Transformation der Zielvariable. Wenn das nicht hilft, gewichtet kleinste Quadrate, um lautere Beobachtungen geringer zu gewichten.
• Große isolierte Residuen: Untersuche die Beobachtung. Prüfe zuerst auf Erfassungsfehler. Ist der Punkt legitim, überlege, ob dein Modell das Ungewöhnliche daran berücksichtigen muss.
• Cluster oder Gruppen: Suche nach einer fehlenden kategorialen Variable. Separate Modelle für Untergruppen sind manchmal die richtige Lösung.

Der Residuenplot zeigt Symptome. Er nennt nicht die genaue Ursache, und ein Muster kann mehrere Erklärungen haben. Nutze ihn als Anstoß für bessere Fragen.

Häufige Fehler beim Lesen von Residuenplots

• Einen perfekt zufälligen Plot erwarten: Reale Daten sind unordentlich. Ein paar abweichende Punkte, leichte Asymmetrie, etwas Clustering an den Rändern: Das ist normal. Die Frage ist nicht, ob der Plot perfekt zufällig ist, sondern ob es ein systematisches Muster gibt, das ein besseres Modell beseitigen würde.
• Jeden Ausreißer als schlechte Daten behandeln: Ein großes Residuum bedeutet, dass das Modell diese Beobachtung schlecht vorhergesagt hat – nicht, dass sie falsch ist. Manchmal ist der Ausreißer der interessanteste Datenpunkt im Datensatz. Lösche ihn erst, nachdem du verstanden hast, was er ist.
• Annehmen, ein Residuenplot beweise Normalität: Tut er nicht. Ein sauberer Residuen-gegen-gefittete-Plot sagt etwas über Linearität und konstante Varianz. Normalität erfordert einen Q-Q-Plot. Diese Diagnosen ergänzen sich – sie sind nicht austauschbar.
• Den Plot ohne Kontext betrachten: Ein Residuenplot aus einem Zeitreihenmodell ist anders zu lesen als einer aus Querschnittsdaten. Wie besorgniserregend ein Muster ist, hängt von Datenstruktur, Stichprobengröße und Einsatzzweck des Modells ab. Was in einem Prognosemodell behoben werden sollte, kann in einer explorativen Analyse vernachlässigbar sein.

Fazit

Modell fitten, Zusammenfassung prüfen, sich über R^² freuen: Hier hören die meisten auf. Der Residuenplot ist der Blick danach – und erzählt oft eine andere Geschichte. Zufällige Streuung um null ist das Ziel. Kurven, Trichter, Cluster und extreme, isolierte Punkte deuten jeweils auf etwas hin, das das Modell noch nicht berücksichtigt.

Kein einzelner Plot liefert das ganze Bild. Kombiniere den Residuen-gegen-gefittete-Plot mit einem Q-Q-Plot für Normalität, einem Scale-Location-Plot für Varianz und einem Leverage-Plot, wenn einflussreiche Beobachtungen ein Thema sind. Jeder beantwortet eine andere Frage.

Wenn du tiefer einsteigen willst, behandelt unser Kurs Intermediate Regression with statsmodels in Python die Annahmeprüfung im Detail – inklusive Reaktionen, wenn Diagnosen ein Problem melden. Für einen breiteren Überblick über Regressionsannahmen und Modellevaluation ist unser Tutorial zu den Annahmen der linearen Regression in Python der nächste sinnvolle Schritt.