Regression zur Mitte

Wer beim ersten Mal extrem abschneidet, liegt beim zweiten Mal im Schnitt näher am Durchschnitt — auch ohne jede Behandlung.

Worum geht es hier?

Das schlechteste Viertel eines Tests wird beim zweiten Test im Schnitt besser, das beste schlechter — ganz ohne Training. Der Grund: Jedes Ergebnis besteht aus echtem Können und etwas Zufall; wer extrem ist, hatte meist auch Glück oder Pech, und das wiederholt sich nicht. Je unzuverlässiger die Messung, desto stärker der Effekt; bei perfekter Messung gibt es ihn nicht. Er wird oft mit einer echten Wirkung verwechselt. Das Beispiel im Tool: Eine Hausarztpraxis nimmt alle Patienten mit hohem Blutdruck in ein Hypertonie-Programm auf und misst vier Wochen später erneut — ganz ohne Medikamente. Woher kommt die Verbesserung?

So gehst du vor

1. Szenario wählen — von perfekter Reliabilität bis zu schlechter Messung.
2. Grundprinzip — die Formel E[Y|X] = μ + r·(x − μ) live am Regler nachvollziehen: Der erwartete zweite Wert liegt zwischen dem ersten Wert und dem Mittelwert.
3. Streudiagramm T1 vs. T2 — hochselektierte (rot) und niedrigselektierte Personen (blau) im Vergleich zur Linie Y = X: Wer rot ist, rutscht unter die Linie, wer blau ist, darüber.
4. Konzepte — warum der Effekt eine echte Behandlungswirkung vortäuschen kann und wieso nur eine randomisierte Kontrollgruppe dagegen hilft.

Worauf achten?

Die Reliabilität steuert den Effekt: Es verschwinden (1 − r) · (x − μ) des Abstands zum Mittelwert — bei r = 0,7 also 30 %, bei r = 0,4 sogar 60 %.
Er wirkt in beide Richtungen: Hochscorer fallen im Schnitt zurück, Niedrigscorer steigen — der „Sophomore Slump“ im Sport ist dasselbe Phänomen.
Nur eine randomisierte Kontrollgruppe trennt Wirkung und Artefakt: Beide Gruppen zeigen denselben Effekt, erst der Unterschied zwischen ihnen schätzt die echte Wirkung.

Zum Ausprobieren

Setze die Reliabilität auf 1,0 — der Effekt verschwindet. Senke sie dann schrittweise und beobachte, wie die roten und blauen Punkte immer stärker zur Mitte wandern.

Und danach?

Messfehler-Attenuation zeigt dieselbe zugrunde liegende Mechanik — Messungenauigkeit — aus einer anderen Perspektive: wie sie Korrelationen systematisch unterschätzt, statt Extremwerte zu verzerren.

📋 Beispiel — Blutdruckstudie

Eine Hausarztpraxis misst den systolischen Blutdruck bei 400 Patienten (Erstmessung T1, μ = 130, σ = 20 mmHg). Alle Patienten mit Blutdruck ≥ 160 mmHg werden in ein Hypertonie-Programm aufgenommen und vier Wochen später erneut gemessen (T2) — ohne medikamentöse Intervention. Im Durchschnitt verbessert sich die Gruppe um — mmHg. Echte Wirkung oder statistisches Artefakt?

Grundprinzip

E[Y | X = x] = μ + r · (x − μ) (Regressionsgerade)

Regressionseffekt = (1 − r ) · (x − μ) (Regression zur Mitte)

      r = 0.70  · 
      Schwelle = 160 mmHg  · 
      Erw. RTM an der Schwelle: −9.0 mmHg
    

Streudiagramm T1 vs. T2

Selektierte Gruppe

— Personen

X ≥ — mmHg

Mittleres T1 (selektiert)

—

Erstmessung, mmHg

Beobachtete Regression

—

T2 − T1 (mmHg)

Erwartet aus r

—

(r−1)·(T1̄−μ), mmHg

Schlussfolgerung: Die selektierte Gruppe verbessert sich im Durchschnitt um — mmHg — ohne jede Behandlung. Dieser Regressionseffekt ist exakt aus r vorhersagbar: — mmHg erwartet. Ohne Kontrollgruppe würde man diesen Artefakt fälschlicherweise der Intervention zuschreiben. Beachte auch die blaue Gruppe (niedrige T1-Werte): sie zeigt Regression nach oben — derselbe Effekt, entgegengesetzte Richtung.

Konzepte

Was ist Regression zur Mitte?

Wer bei einer Messung extrem hoch oder niedrig abschneidet, liegt beim nächsten Mal im Durchschnitt näher am Mittelwert — auch wenn sich nichts verändert hat. Ursache: ein extremes Ergebnis enthält einen hohen Zufallsanteil, der beim nächsten Messzeitpunkt "verschwindet". Je unzuverlässiger die Messung, desto stärker der Effekt.

Galton's Entdeckung (1886)

Francis Galton beobachtete, dass Kinder sehr großer Eltern zwar größer als der Durchschnitt sind — aber im Schnitt kleiner als ihre Eltern. Kinder sehr kleiner Eltern waren kleiner als der Durchschnitt, aber größer als ihre Eltern. Er nannte es "regression toward mediocrity". Der Begriff "Regressionsgerade" ist ein direktes Erbe dieser Beobachtung.

Reliabilität r als Schlüsselfaktor

Der Regressionseffekt beträgt (1 − r) · (x − μ). Bei r = 1.0: kein Effekt. Bei r = 0.7: 30% des Abstands zum Mittelwert verschwinden. Bei r = 0.4: 60% verschwinden. Reliabilität ist der einzige steuerbare Faktor — präzisere Messung reduziert den RTM-Effekt.

Kontrollgruppe als Lösung

Die einzige Möglichkeit, echte Intervention von RTM zu trennen, ist eine randomisierte Kontrollgruppe. Beide Gruppen zeigen denselben RTM-Effekt. Der Unterschied zwischen ihnen schätzt den bereinigten Interventionseffekt. Ohne Kontrollgruppe ist ein Pre-Post-Ergebnis schlicht nicht interpretierbar.

Bidirektionalität

Hochscorer regredieren nach unten, Niedrigscorer nach oben. Der "Sophomore Slump" im Sport (der beste Spieler der Saison ist nächstes Jahr schlechter), spontane Erholung aus Extremzuständen, der Effekt von Fördermaßnahmen für Schwache — all das enthält RTM-Anteile.

Klinische Relevanz

Patienten mit sehr hohem Blutdruck, starken Schmerzen oder schlechtem Befinden befinden sich beim Studieneinschluss oft in einem temporären "Hochpunkt". Selbst ohne Behandlung verbessern sich viele — weil der nächste Messzeitpunkt zwangsläufig weniger extrem ausfällt. Pre-Post-Studien ohne Kontrollgruppe führen fast zwingend zu positiven, aber artifziellen Ergebnissen.

Regression zur Mitte

Hilfe — Regression zur Mitte