Zum Hauptinhalt springen

Lineare Regression Rechner: Gerade, R² und Prognose

MathematikStand Noch keine Bewertung
Regressionsmodell
Nachkommastellen in Gleichung und Tabelle
Anzeige

Kurzantwort

Die lineare Regression legt die Gerade durch eine Punktwolke, bei der die Summe der quadrierten senkrechten Abweichungen am kleinsten ist. Der Rechner liefert Gleichung, R², r, Standardfehler, Prognose und Residuentabelle, wahlweise auch für Kurvenmodelle.

Lineare Regression berechnen: x- und y-Werte einfügen, Regressionsgerade, R²

Kilian AchatzFachredaktion Mathematik
Geprüft: Review-Team Rechner-Portal (Okt. 2026)Stand:

Rechenbasis

Annahmen und Grenzen

Was der Rechner voraussetzt und wo seine Aussage endet.

4 Annahmen und 3 Grenzen

Annahmen

  • Jede Zeile ist ein Datenpaar (x | y); die Paare sind voneinander unabhängig erhoben und die x- und die y-Liste stehen in derselben Reihenfolge. Mindestens 3 Paare, höchstens 2.000.
  • Die Methode der kleinsten Quadrate minimiert die Summe der quadrierten senkrechten Abstände (Residuen) zwischen den y-Werten und der Kurve, nicht die Abstände zu beiden Achsen.
  • Exponentiell und Potenz werden über den natürlichen Logarithmus linearisiert; dabei minimiert die Anpassung die Fehlerquadrate der ln-Werte. R², Standardfehler und Residuen stehen auf der ursprünglichen y-Skala, das R² der linearisierten Daten daneben.
  • Die sprachliche Stärke-Einordnung des Korrelationskoeffizienten folgt Cohens Konventionen (1988): |r| ab 0,10 klein, ab 0,30 mittel, ab 0,50 groß. Das ist eine Konvention aus der Verhaltensforschung, kein Naturgesetz.

Grenzen

  • Der Rechner prüft nicht, ob das gewählte Modell zu den Daten passt. Ein hohes R² schließt ein systematisches Muster in den Residuen nicht aus; die Residuentabelle gehört zur Beurteilung.
  • Ein einzelner Ausreißer kann Gerade und R² stark verschieben, besonders bei wenigen Paaren. Korrelation belegt keine Ursache.
  • Prognosen außerhalb des Bereichs der x-Werte sind Extrapolationen; Konfidenz- und Prognoseintervalle sowie Signifikanztests für die Koeffizienten berechnet der Rechner nicht.

Stand der Prüfung: Formeln zeitlos (Methode der kleinsten Quadrate); Quellen abgerufen am 09.10.2026.

Überblick

Was sagt die lineare Regression aus? Regressionsgerade, R² und Prognose berechnen

Die lineare Regression legt eine Gerade so durch eine Punktwolke, dass die Summe der quadrierten senkrechten Abstände zu den Messpunkten möglichst klein wird. Du brauchst sie, wenn du zwei Größen gemessen hast, etwa Temperatur und Verkaufszahl, und ihren Zusammenhang als Gleichung ŷ = a + b · x festhalten willst.

Dieser Rechner nimmt eine Liste von x-Werten und eine Liste von y-Werten und liefert die Regressionsgerade mit Bestimmtheitsmaß R², Korrelationskoeffizient r, Standardfehler, Prognose und Residuentabelle.

Die x-Werte 1 bis 5 mit den Messwerten 2,1; 3,9; 6,2; 7,8 und 10,1 ergeben ŷ = 0,05 + 1,99 · x bei R² = 0,9973.

Typische Anlässe sind eine Messreihe im Labor, die Trendlinie für einen Bericht oder die Frage, um wie viel sich der Absatz je Grad Temperatur ändert. Neben der Gleichung zeigt die Residuentabelle für jeden Punkt, wie weit die Gerade danebenliegt.

Passt keine Gerade, wählst du ein anderes Regressionsmodell: exponentiell, logarithmisch, Potenz oder quadratisch. Der Rechner prüft weder Signifikanz noch Ursache; er beschreibt, wie gut die gewählte Kurve zu genau diesen Datenpaaren passt.

Eingaben

x-Werte, y-Werte und Modell: Was trägst du ein?

Trage unter „x-Werte“ die Größe ein, von der du ausgehst, zum Beispiel die Mittagstemperatur in °C. Unter „y-Werte“ steht die Größe, die du erklären willst, etwa die verkauften Eisbecher.

Beide Listen brauchen gleich viele Zahlen in derselben Reihenfolge: Das erste x gehört zum ersten y. Trenner sind Leerzeichen, Semikolon oder Zeilenumbruch, das Dezimalkomma ist erlaubt, und eine kopierte Excel-Spalte funktioniert direkt.

Zulässig sind 3 bis 2.000 Paare. Bei Jahreszahlen als x-Werten rechnest du besser mit Jahren seit Beginn (0, 1, 2 …), dann bleiben die Koeffizienten lesbar. Zahlen mit Tausenderpunkt wie 1.500 weist der Rechner ab, weil der Punkt mehrdeutig wäre.

Das Regressionsmodell wählst du nach der Form der Punkte; exponentiell, Potenz und logarithmisch verlangen positive Werte. Die Prognose für x ist optional: Mit 30 erhältst du ŷ aus der Kurve. Die Nachkommastellen gelten für Gleichung und Tabelle.

Besonders häufig sind vertauschte Listen, denn y auf x und x auf y ergeben verschiedene Geraden.

Praxisfälle

Regression berechnen nach Situation

Neun typische Suchfragen zur Regression, jede mit Eingaben und dem nachgerechneten Ergebnis aus dem Rechner oben.

  1. Lineare Regression aus fünf Messpunkten

    „Wie lautet die Regressionsgerade für die x-Werte 1 bis 5 und die y-Werte 2,1; 3,9; 6,2; 7,8; 10,1?“

    Eingabe
    x: 1;2;3;4;5 | y: 2,1;3,9;6,2;7,8;10,1 | Modell linear | Prognose für x = 6
    Ergebnis
    ŷ = 0,05 + 1,99 · x | R² = 0,9973 | r = 0,9987 | s = 0,1889 | ŷ(6) = 11,99
  2. Verkaufszahl und Temperatur

    „Wie viele Eisbecher sind bei 30 °C zu erwarten, wenn bei 14 bis 28 °C zwischen 38 und 104 verkauft wurden?“

    Eingabe
    x: 14 16 18 20 22 24 26 28 | y: 38 47 55 68 74 88 95 104 | Modell linear | Prognose 30
    Ergebnis
    ŷ = −29,75 + 4,8036 · x | R² = 0,9958 | s = 1,65 | ŷ(30) = 114,36 (Extrapolation)
  3. Exponentielle Regression bei Verdopplung

    „Welche Gleichung passt zu den Werten 1, 2, 4 und 8 bei x = 0 bis 3?“

    Eingabe
    x: 0 1 2 3 | y: 1 2 4 8 | Modell exponentiell | Prognose 10
    Ergebnis
    ŷ = 1 · e^(0,6931 · x) = 2^x | R² = 1 | ŷ(10) = 1.024
  4. Exponentielle Regression beim Zinseszins

    „Wie wächst ein Kapital von 1.000 € bei 5 % in zehn Jahren, wenn nur die ersten fünf Jahre vorliegen?“

    Eingabe
    x: 0 1 2 3 4 5 | y: 1000 1050 1102,5 1157,63 1215,51 1276,28 | Modell exponentiell | Prognose 10
    Ergebnis
    ŷ = 1.000,00 · e^(0,0488 · x) | R² > 0,99999 | ŷ(10) = 1.628,90 €
  5. Parabel durch Wurfhöhen

    „Welche quadratische Gleichung beschreibt eine Wurfhöhe von 0 m bei 0 s, 15 m bei 1 s und 15 m bei 3 s?“

    Eingabe
    x: 0 0,5 1 1,5 2 3 | y: 0 8,75 15 18,75 20 15 | Modell quadratisch | Prognose 2,5
    Ergebnis
    ŷ = 20 · x − 5 · x² | R² = 1 | ŷ(2,5) = 18,75 | höchster Punkt bei x = 2 mit 20
  6. Logarithmische Regression beim Schallpegel

    „Wie fällt ein Schallpegel von 80 dB in 1 m Entfernung bei 2, 4, 8 und 16 m ab?“

    Eingabe
    x: 1 2 4 8 16 | y: 80 73,98 67,96 61,94 55,92 | Modell logarithmisch | Prognose 32
    Ergebnis
    ŷ = 80 − 8,6850 · ln(x) | R² = 1 | r = −1 | ŷ(32) = 49,9 dB
  7. Ausgleichsgerade für eine Messreihe

    „Wie berechne ich die Ausgleichsgerade für eine Feder, die bei 0 bis 400 g von 10,1 bis 18,0 cm lang wird?“

    Eingabe
    x: 0 100 200 300 400 | y: 10,1 12 13,9 16,1 18 | Modell linear | Prognose 250
    Ergebnis
    ŷ = 10,04 + 0,0199 · x | R² = 0,9993 | s = 0,0949 | ŷ(250) = 15,015 cm
  8. Fallende Gerade und negatives r

    „Ist die Regression schlecht, wenn der Korrelationskoeffizient negativ ist?“

    Eingabe
    x: 1 2 3 4 5 | y: 10,1 7,8 6,2 3,9 2,1 | Modell linear
    Ergebnis
    ŷ = 11,99 − 1,99 · x | r = −0,9987 | R² = 0,9973 | Vorzeichen zeigt nur die Richtung
  9. Gerade oder Exponentialkurve

    „Wann lohnt sich statt der Geraden ein exponentielles Modell?“

    Eingabe
    x: 1 2 3 4 5 6 7 8 | y: 2 1 1,5 3 5 9 15 25 | Modell linear, dann exponentiell
    Ergebnis
    linear R² = 0,778 | exponentiell ŷ = 0,6087 · e^(0,4417 · x), R² = 0,955

Berechnung

Regression berechnen: lineare und nichtlineare Modelle

Die Methode der kleinsten Quadrate sucht die Gerade, bei der die Residuen e = y − ŷ, also die senkrechten Abstände der Punkte, quadriert die kleinste Summe ergeben. Von Hand legst du dafür eine Hilfstabelle an.

Du bildest die Mittelwerte x̄ und ȳ sowie die Summen Sxx = Σ(x − x̄)² und Sxy = Σ(x − x̄)(y − ȳ). Die Steigung ist b = Sxy / Sxx, der Achsenabschnitt a = ȳ − b · x̄.

In der Beispielreihe gilt x̄ = 3, ȳ = 6,02, Sxx = 10 und Sxy = 19,9, also b = 1,99 und a = 0,05.

Die Gerade läuft dabei immer durch den Schwerpunkt (x̄ | ȳ) = (3 | 6,02) der Punktwolke. Regressionsgerade ŷ = 0,05 + 1,99 · x durch fünf Messpunkte mit den Residuen 0,06; −0,13; 0,18; −0,21 und 0,10 Das Bestimmtheitsmaß R² = 1 − SSres / SStot setzt die Restabweichung SSres = 0,107 ins Verhältnis zur Gesamtstreuung SStot = 39,708 und ergibt 0,9973.

Der Korrelationskoeffizient r = Sxy / √(Sxx · Syy) beträgt 0,9987; bei der Geraden ist R² = r². Der Standardfehler s = √(SSres / (n − 2)) = 0,1889 nennt die typische Abweichung in der Einheit von y.

Exponentiell und Potenz rechnet der Rechner über ln y beziehungsweise ln x und ln y, logarithmisch über ln x; die Parabel löst die Normalgleichungen für a, b und c.

Beim Exponentialmodell y = a · e^(b · x) folgt aus b der Wachstumsfaktor e^b je Schritt; bei einer Zinsreihe mit 5 % ist b = ln 1,05 = 0,0488. Beim Potenzmodell ist b der Exponent, bei der Parabel gehört c zum Quadrat.

Lineare Regression: Steigung b gleich Sxy geteilt durch Sxx, Achsenabschnitt a gleich Mittelwert y minus b mal Mittelwert x, R-Quadrat gleich 1 minus SSres durch SStot, Standardfehler s.
Formeln des Lineare-Regression-Rechners: Die Steigung ist Produktsumme durch Quadratsumme, der Achsenabschnitt folgt aus den Mittelwerten, R² vergleicht die Reststreuung mit der Gesamtstreuung.

Nachschlagen

Regression berechnen: fünf Modelle für dieselbe Zinsreihe im Vergleich

Welches Regressionsmodell passt? Die Reihe 1.000; 1.050; 1.102,50; 1.157,63; 1.215,51; 1.276,28 € (5 % Zins über sechs Jahre) wird hier in allen Modellen gerechnet. Die Gerade erreicht ein hohes R² und prognostiziert doch zu niedrig; das exponentielle Modell trifft den Verlauf, die Parabel liegt dazwischen, und Logarithmus und Potenz passen mit R² unter 0,94 deutlich schlechter.

Regressionsgleichung, R², Standardfehler und Prognose für Jahr 10 (bei Logarithmus und Potenz Jahr 11 bei x ab 1) in fünf Modellen
ModellGleichungR²Standardfehler s (€)Prognose (€)
Linearŷ = 995,5776 + 55,2303 · x0,99874,111.547,88
Exponentiellŷ = 1.000,0005 · e^(0,0488 · x)1,00000,001.628,90
Logarithmisch (x ab 1)ŷ = 969,6701 + 149,5458 · ln(x)0,918632,981.328,27
Potenz (x ab 1)ŷ = 976,1114 · x^0,13330,936029,251.343,70
Quadratischŷ = 1.000,0639 + 48,5008 · x + 1,3459 · x²1,00000,101.619,66

Berechnet mit der Rechenfunktion des Rechners. Logarithmisch und Potenz brauchen x > 0; dafür läuft die Zählung der Jahre bei 1 statt bei 0, die Prognose gilt dort für Jahr 11 und damit für denselben Zeitpunkt wie Jahr 10 der übrigen Zeilen. Die Reihe ist ein Rechenbeispiel, keine Anlageempfehlung.

R² und Korrelationskoeffizient bei typischen Datenmustern

Wie sehen r und R² bei welcher Punktwolke aus? Sechs kleine Reihen zeigen die Spanne von der perfekten Geraden über starke Streuung und einen Ausreißer bis zur U-Form, bei der die Gerade nichts erklärt, obwohl die Punkte streng geordnet sind.

Lineare Regression: Gleichung, Korrelationskoeffizient r, R² und Standardfehler für sechs Beispielreihen
DatenmusterGleichungrR²Standardfehler s
Genau auf einer Geradenŷ = 1,0000 + 2,0000 · x1,00001,00000,00
Leichte Streuungŷ = 0,0500 + 1,9900 · x0,99870,99730,19
Starke Streuungŷ = 2,8000 + 0,6286 · x0,83150,69140,88
Fallende Gerade mit Streuungŷ = 5,8000 − 1,2000 · x−0,98640,97300,37
Ein Ausreißer am Endeŷ = −7,2500 + 3,5536 · x0,88510,78349,89
U-Form (y = x² um die Mitte)ŷ = 4,0000 + 0,0000 · x0,00000,00004,10

Berechnet mit der Rechenfunktion des Rechners im linearen Modell. Die Reihen sind erfundene Rasterwerte; bei der U-Form ist r = 0, obwohl y genau von x abhängt, weil r nur geradlinige Zusammenhänge misst.

Expertenmodus

Häufige Fragen zur linearen Regression

Was sagt die lineare Regression aus?

Die lineare Regression beschreibt, wie sich eine Größe y im Mittel ändert, wenn eine andere Größe x um 1 wächst, und legt dafür eine Gerade ŷ = a + b · x durch die Punktwolke.

Mit den fünf Messpunkten (1 | 2,1), (2 | 3,9), (3 | 6,2), (4 | 7,8) und (5 | 10,1) lautet die Gerade ŷ = 0,05 + 1,99 · x: Pro Einheit x steigt y im Mittel um 1,99.

Das Bestimmtheitsmaß R² = 0,9973 sagt, dass die Gerade 99,7 % der Streuung der y-Werte erklärt, der Standardfehler 0,1889 nennt die typische Abweichung der Punkte.

Die Regression zeigt einen Zusammenhang, keine Ursache, und gilt nur im Bereich der Daten. Mit der Prognose x = 6 liefert sie 11,99, eine Extrapolation knapp über dem Messbereich.

Gib im Rechner beide Zahlenlisten ein, wähle das Modell und lies Gleichung, R², Standardfehler und Residuen gemeinsam, nicht nur die Gleichung allein.

Wie berechnet man die Regressionsgerade? Welche Formel gilt?

Die Steigung ist b = Sxy / Sxx, der Achsenabschnitt a = ȳ − b · x̄. Dabei ist Sxx die Summe der quadrierten Abweichungen der x-Werte vom Mittelwert und Sxy die Summe der Produkte der Abweichungen von x und y.

Bei x = 1 bis 5 und y = 2,1; 3,9; 6,2; 7,8; 10,1 gilt x̄ = 3, ȳ = 6,02, Sxx = 10 und Sxy = 19,9. Daraus folgt b = 19,9 / 10 = 1,99 und a = 6,02 − 1,99 · 3 = 0,05, also ŷ = 0,05 + 1,99 · x.

Für eine Prognose setzt du x in die Gleichung ein: x = 6 ergibt 0,05 + 11,94 = 11,99. Die Gerade läuft immer durch den Schwerpunkt (x̄ | ȳ), hier (3 | 6,02).

Im Rechner siehst du Mittelwerte, Sxx, Sxy und den Rechenweg Schritt für Schritt, sodass du deine Handrechnung vergleichen kannst.

Die Formel gilt für die einfache lineare Regression mit einer Einflussgröße; für mehrere Einflussgrößen braucht es Matrizenrechnung und Fachsoftware.

Was bedeutet das Bestimmtheitsmaß R², und was ist ein guter R²-Wert?

R² ist der Anteil der Streuung von y, den die Regression erklärt: R² = 1 − SSres / SStot. Bei den fünf Messpunkten ist SSres = 0,107 und SStot = 39,708, also R² = 0,9973. Einen allgemeingültigen guten Wert gibt es nicht, er hängt vom Fach ab.

In der Physik mit Messreihen sind Werte über 0,99 üblich, in Sozialwissenschaften gelten oft schon 0,3 bis 0,5 als brauchbar. Die Datenreihe 2, 4, 5, 4, 5 bei x = 1 bis 5 ergibt R² = 0,6, die Reihe 2, 9, 3, 8, 4, 7 nur R² = 0,0775.

Ein hohes R² belegt außerdem nicht das richtige Modell: Eine Zinsreihe mit 5 % pro Jahr erreicht als Gerade R² = 0,9987, prognostiziert für Jahr 10 aber 1.547,88 € statt 1.628,90 €.

Prüfe deshalb immer die Residuen und den Wertebereich, und vergleiche Modelle mit demselben Maß, nicht nur mit dem höchsten R².

Was ist der Unterschied zwischen R und R² und zwischen Korrelation und Regression?

R² ist das Quadrat des Korrelationskoeffizienten r. Im Beispiel mit r = 0,9987 gilt R² = 0,9973.

Der Korrelationskoeffizient trägt ein Vorzeichen und zeigt die Richtung: Kehrst du die y-Werte um (10,1; 7,8; 6,2; 3,9; 2,1), wird r = −0,9987, die Gerade ŷ = 11,99 − 1,99 · x fällt, und R² bleibt 0,9973.

Die Korrelation misst nur die Stärke des linearen Zusammenhangs und ist in x und y symmetrisch.

Die Regression dagegen ist gerichtet, weil sie y aus x erklärt: Vertauscht du x und y, ändert sich die Steigung von 1,99 auf 0,5012, ihr Produkt ergibt R² = 0,9973. Beide Geraden fallen nur bei R² = 1 zusammen.

Nach Cohen (1988) gelten |r| ab 0,10 als klein, ab 0,30 als mittel und ab 0,50 als groß, eine Konvention ohne Schwelle. Du brauchst die Regression, wenn du prognostizieren willst, und die Korrelation, wenn nur die Stärke zählt.

Was sind Residuen, und wie lese ich die Residuentabelle?

Ein Residuum ist der Abstand eines Messpunkts von der Geraden: e = y − ŷ.

Bei den fünf Messpunkten ergeben sich 0,06, −0,13, 0,18, −0,21 und 0,10; ihre Summe ist 0, denn die Gerade verläuft durch den Schwerpunkt, und die Quadratsumme SSres beträgt 0,107. Die Tabelle im Rechner nennt zu jedem Punkt x, y, ŷ und das Residuum.

Liegen die Residuen zufällig um 0, passt eine Gerade.

Wechselt das Vorzeichen systematisch, erst plus, dann minus, dann wieder plus, ist die Beziehung gekrümmt: Die Reihe 1; 2; 1,5; 3; 5; 9; 15; 25 bei x = 1 bis 8 ergibt als Gerade R² = 0,778 mit dem ersten Residuum 4,96 und dem zweiten 0,92, exponentiell dagegen R² = 0,955.

Große einzelne Residuen deuten auf Ausreißer. Prüfe sie, bevor du Werte entfernst, und dokumentiere jede Entfernung mit dem Grund. Der Standardfehler fasst alle Residuen zu einer typischen Abweichung zusammen.

Was ist die Methode der kleinsten Quadrate?

Die Methode der kleinsten Quadrate wählt unter allen Geraden diejenige, bei der die Summe der quadrierten senkrechten Abstände SSres = Σ (y − ŷ)² am kleinsten ist.

Bei den fünf Messpunkten ergibt die Regressionsgerade ŷ = 0,05 + 1,99 · x die Summe 0,107. Eine andere plausible Gerade wie ŷ = 2 · x hat die Residuen 0,1, −0,1, 0,2, −0,2 und 0,1, also die Summe 0,11, und ist damit schlechter.

Quadriert wird, damit sich positive und negative Abweichungen nicht aufheben und große Abweichungen stärker zählen; das macht die Methode aber empfindlich für Ausreißer: Ein Regentag mit 74 statt 104 verkauften Bechern bei 28 °C senkt R² im Eiscafé-Beispiel von 0,9958 auf 0,7834.

Die Lösung lässt sich geschlossen berechnen, es braucht keine Iteration.

Der Rechner nutzt dieselbe Formel mit b = Sxy / Sxx für das lineare Modell und linearisiert beim exponentiellen und Potenzmodell zuerst die Daten, was er unter dem Ergebnis ausdrücklich nennt.

Wie berechne ich eine Ausgleichsgerade für Messreihen?

Eine Ausgleichsgerade ist dasselbe wie die Regressionsgerade: Sie gleicht Messwerte mit Streuung durch eine Gerade aus. Trage die unabhängige Größe als x und die gemessene als y ein.

Ein Beispiel aus der Physik: Eine Feder wird mit 0, 100, 200, 300 und 400 g belastet und hat die Längen 10,1; 12,0; 13,9; 16,1 und 18,0 cm. Der Rechner liefert ŷ = 10,04 + 0,0199 · x mit R² = 0,9993.

Die Steigung 0,0199 cm pro Gramm ist die Federkonstante in Längenform, der Achsenabschnitt 10,04 cm die Länge ohne Last. Für 250 g ergibt die Prognose 15,015 cm, innerhalb des Messbereichs und damit eine Interpolation.

Der Standardfehler 0,0949 cm zeigt die Streuung der Messung. Zeichne die Gerade im Diagramm zusammen mit den Messpunkten, damit Ausreißer sofort auffallen.

Wähle die Einheiten so, dass Steigung und Achsenabschnitt eine physikalische Bedeutung behalten, und gib im Protokoll beide mit ihrer Unsicherheit an.

Wie rechne ich die lineare Regression in Excel?

Excel hat dafür fertige Funktionen, mit der y-Spalte zuerst.

In der deutschen Fassung gilt für x in A2:A6 und y in B2:B6: =STEIGUNG(B2:B6;A2:A6) liefert die Steigung 1,99, =ACHSENABSCHNITT(B2:B6;A2:A6) den Achsenabschnitt 0,05 und =BESTIMMTHEITSMASS(B2:B6;A2:A6) das R² von 0,9973. =KORREL(A2:A6;B2:B6) ergibt den Korrelationskoeffizienten 0,9987, =STFEHLERYX(B2:B6;A2:A6) den Standardfehler 0,1889 und =PROGNOSE.LINEAR(6;B2:B6;A2:A6) die Prognose 11,99.

Alternativ legst du im Punktdiagramm eine Trendlinie an und blendest Gleichung und R² ein. Für mehrere Einflussgrößen oder die ausführliche Statistik gibt es RGP oder das Analyse-Add-in.

Die Reihenfolge der Argumente ist die häufigste Fehlerquelle: Vertauschst du x und y, erhältst du 0,5012 statt 1,99. Vergleiche das Ergebnis einmal mit dem Rechner; beide müssen auf vier Stellen übereinstimmen.

Leere Zellen und Texte im Bereich verfälschen die Rechnung oder erzeugen Fehlermeldungen.

Achte außerdem darauf, dass x- und y-Spalte gleich viele Werte haben und dieselben Zeilen abdecken, sonst meldet Excel einen Fehler oder rechnet mit verschobenen Paaren.

Welche Voraussetzungen hat die lineare Regression, und was ist mit mehreren Einflussgrößen?

Die einfache lineare Regression setzt einen annähernd linearen Zusammenhang, unabhängige Beobachtungen, ähnlich große Streuung der Residuen über den ganzen x-Bereich und für Tests und Intervalle annähernd normalverteilte Residuen voraus.

Für die reine Berechnung von Geraden und R² genügt ein linearer Verlauf. Prüfe ihn mit der Residuentabelle und einem Punktdiagramm: Die Reihe 2, 9, 3, 8, 4, 7 ergibt nur R² = 0,0775 und zeigt, dass keine Gerade passt.

Mindestens zwei verschiedene x-Werte sind nötig, sonst ist die Steigung nicht definiert, und mit sehr wenigen Punkten ist die Gerade unsicher.

Die multiple lineare Regression mit mehreren Einflussgrößen x₁, x₂ und weiteren bietet dieser Rechner nicht; er rechnet mit genau einer Einflussgröße. Wenn mehrere Einflüsse zusammenwirken, kann eine einfache Regression sie vermischen.

Dann brauchst du Fachsoftware, und die Ergebnisse müssen auf Mehrfachtests und Kollinearität geprüft werden.

Welche Arten von Regression gibt es, wann passt eine nichtlineare?

Neben der linearen Regression rechnet der Rechner vier weitere Modelle: exponentiell ŷ = a · e^(b · x), logarithmisch ŷ = a + b · ln x, Potenz ŷ = a · x^b und quadratisch ŷ = a + b · x + c · x².

Eine nichtlineare Form passt, wenn die Residuen der Geraden ein Muster zeigen. Die Reihe 2; 1; 1,5; 3; 5; 9; 15; 25 bei x = 1 bis 8 ergibt als Gerade ŷ = −6 + 3,0417 · x mit R² = 0,778, exponentiell ŷ = 0,6087 · e^(0,4417 · x) mit R² = 0,955.

Verdopplungen wie 1, 2, 4, 8 führen exponentiell auf R² = 1 und ŷ(10) = 1.024, eine Gerade käme nur auf R² = 0,92. Feste Prozente sind exponentiell, Sättigung logarithmisch, ein Wurf quadratisch.

Wähle das Modell nach der Sachlage, nicht nach dem höchsten R², und prognostiziere nur im Wertebereich der Daten, denn außerhalb laufen Modelle weit auseinander.

Hinweise

Regression richtig lesen: Steigung, R², Residuen und Prognose

Lies zuerst die Steigung: b = 1,99 heißt, dass y im Mittel um 1,99 steigt, wenn x um 1 wächst. Der Achsenabschnitt a = 0,05 ist der Wert bei x = 0 und nur sinnvoll, wenn x = 0 im Messbereich liegt.

R² = 0,9973 bedeutet, dass die Gerade 99,7 % der Streuung der y-Werte erklärt; r = 0,9987 liegt nach den Konventionen von Cohen (1988) weit im Bereich „groß“ ab 0,50.

Der Standardfehler 0,1889 zeigt, wie weit ein Punkt typischerweise von der Geraden entfernt liegt. Ein negatives r wie −0,95 bedeutet nur eine fallende Gerade, keine schlechte Anpassung.

Entscheidend ist die Residuentabelle: Die Abweichungen 0,06; −0,13; 0,18; −0,21 und 0,10 wechseln das Vorzeichen und zeigen kein Muster. Folgen dagegen erst nur positive, dann nur negative Residuen, passt das Modell nicht, auch bei hohem R².

Die Prognose ŷ(6) = 11,99 liegt außerhalb der Daten von 1 bis 5 und ist eine Extrapolation.

Bei exponentiell und Potenz zeigt der Rechner neben R² auf der y-Skala auch das R² der linearisierten Daten, das Tabellenkalkulationen für Trendlinien nennen; beide können auseinanderlaufen.

Bei der Parabel öffnet ein negatives c die Kurve nach unten, der Scheitel liegt bei x = −b / (2c). Zinseszinsreihe 1.000 € bei 5 %: Die Gerade hat R² = 0,9987 und prognostiziert 1.547,88 €, die exponentielle Kurve trifft 1.628,90 € Ein hohes R² beweist die Modellwahl nicht: Bei einer Zinseszinsreihe erreicht sogar die Gerade 0,9987, verfehlt aber die Prognose für Jahr 10 um rund 81 Euro.

Anwendung

Praxisbeispiel: Wie viele Eisbecher bei 30 °C?

Ein Eiscafé will wissen, wie viele Becher für die nächste Hitzewelle zu bestellen sind, und notiert dafür an acht Tagen die Mittagstemperatur in °C und die verkauften Eisbecher: 14 °C → 38, 16 → 47, 18 → 55, 20 → 68, 22 → 74, 24 → 88, 26 → 95 und 28 °C → 104.

Die Inhaberin trägt die Temperaturen als x-Werte und die Becher als y-Werte ein, wählt „linear“ und setzt die Prognose auf 30. Mit x̄ = 21, ȳ = 71,125, Sxx = 168 und Sxy = 807 ergibt sich b = 4,8036 und a = −29,75, also ŷ = −29,75 + 4,80 · x.

R² beträgt 0,9958, der Standardfehler 1,65 Becher. Im Schnitt weicht ein Tag also um etwa 1,65 Becher von der Geraden ab; am weitesten daneben liegt der Tag mit 24 °C mit 2,46 Bechern. Eisbecher-Verkauf bei acht Temperaturen von 14 bis 28 °C mit Regressionsgerade; ein einzelner Regentag senkt R² von 0,9958 auf 0,7834 Die Prognose für 30 °C lautet 114,36 Becher.

Weil 30 °C über den beobachteten 28 °C liegt, plant sie mit etwa 115 Bechern plus Puffer und schaut nach den ersten heißen Tagen, ob die Gerade hält.

Pro Grad mehr kalkuliert sie rund fünf Becher zusätzlich; zwischen 28 °C (104,75 Becher laut Gerade) und 30 °C (114,36) liegen knapp zehn Becher. Die negative Zahl bei 0 °C ignoriert sie bewusst: Die Gerade gilt nur im Bereich von 14 bis 28 °C.

Fiele der Wert bei 28 °C wegen Regen auf 74, sänke R² auf 0,7834 und die Steigung auf 3,5536; diesen Tag würde sie dann getrennt betrachten und nicht in die Prognose einrechnen.

Fallstricke

Fünf typische Fehler bei der Regression

Fehler 1: R² nahe 1 für den Beweis des richtigen Modells halten. Die Reihe 1.000; 1.050; 1.102,50; 1.157,63; 1.215,51; 1.276,28 über sechs Jahre ergibt als Gerade R² = 0,9987 und für Jahr 10 nur 1.547,88 €, exponentiell aber 1.628,90 €.

Fehler 2: x und y vertauschen. Für die Beispielreihe liefert die Regression von y auf x die Steigung 1,99, die von x auf y aber 0,5012; der Kehrwert 1,9954 weicht ab, und das Produkt beider Steigungen ist R² = 0,9973.

Fehler 3: Einen Ausreißer übersehen. Sinkt im Eisbecher-Beispiel der letzte Wert von 104 auf 74, fällt R² von 0,9958 auf 0,7834 und die Steigung von 4,8036 auf 3,5536. Fehler 4: Die Gerade über die Daten hinaus ziehen.

Bei 0 °C ergibt dieselbe Gerade −29,75 Becher; sie gilt nur zwischen 14 und 28 °C, außerhalb brauchst du neue Messungen.

Fehler 5: Aus einer hohen Korrelation auf eine Ursache schließen. r = 0,9979 sagt nur, dass beide Größen gemeinsam laufen, nicht, dass die Temperatur den Kauf verursacht. Fehler 6: Nullen in ein ln-Modell stecken.

Ein y von 0 macht das exponentielle Modell und das Potenzmodell unmöglich; der Rechner meldet die Stelle, statt still zu runden. Wechsle dann das Modell oder prüfe den Wert.

Nächster Schritt

Lineare-Regression-Rechner: Fazit, Quellen und Grenzen

Der Rechner macht aus zwei Zahlenlisten die Regressionsgerade oder eine von vier Kurven, dazu R², Korrelationskoeffizient, Standardfehler, Prognose, Residuentabelle und Rechenweg.

Entscheidend sind gleich lange Listen, das passende Modell und der Blick auf die Residuen statt nur auf R². Alle Zahlen stammen aus der Rechenfunktion der Seite. Grundlage sind Fahrmeir u. a. (Statistik, 8. Aufl.

2016), das NIST/SEMATECH e-Handbook (2012, Abschnitte 4.4.3.1 und 4.1.4.1) und für die Stärke-Einordnung Cohen (1988).

Grenzen: Exponentiell und Potenz werden über Logarithmen linearisiert, es gibt keine Konfidenzintervalle und Signifikanztests, und Prognosen außerhalb der Daten sind unsicher. Stand der Prüfung: 09.10.2026.

Als Nächstes lohnt der Blick auf die Standardabweichung der y-Werte, den Durchschnitt oder die lineare Interpolation für Werte zwischen zwei Punkten. Bei Zweifeln zeichne die Punkte auf: Ein Muster in den Residuen schlägt jedes R².

Vertiefung

Rechenbeispiele: Gerade, Wachstum, Potenz, Parabel und Logarithmus

Beispiel 1 · Einfach · ŷ = −29,75 + 4,8036 · x, R² = 0,9958, Standardfehler 1,65, ŷ(30) = 114,36

Eisbecher und Mittagstemperatur

x-Werte (unabhängige Größe)
14 16 18 20 22 24 26 28
y-Werte (abhängige Größe)
38 47 55 68 74 88 95 104
Regressionsmodell
Linear: y = a + b · x
Prognose für x (optional)
30

Beispiel 2 · Mittel · ŷ = 1 · e^(0,6931 · x) = 2^x, R² = 1, ŷ(10) = 1.024

Verdopplung exponentiell

x-Werte (unabhängige Größe)
0 1 2 3
y-Werte (abhängige Größe)
1 2 4 8
Regressionsmodell
Exponentiell: y = a · e^(b · x), y > 0
Prognose für x (optional)
10

Beispiel 3 · Komplex · ŷ = 1.000,00 · e^(0,0488 · x), R² > 0,99999, ŷ(10) = 1.628,90 €

Zinseszins von 1.000 € bei 5 % exponentiell

x-Werte (unabhängige Größe)
0 1 2 3 4 5
y-Werte (abhängige Größe)
1000 1050 1102,5 1157,63 1215,51 1276,28
Regressionsmodell
Exponentiell: y = a · e^(b · x), y > 0
Prognose für x (optional)
10

Beispiel 4 · Komplex · ŷ = 3,1405 · x^2,0004, R² > 0,99999, ŷ(5) = 78,56

Kreisfläche als Potenzmodell

x-Werte (unabhängige Größe)
1 2 3 4
y-Werte (abhängige Größe)
3,14 12,57 28,27 50,27
Regressionsmodell
Potenz: y = a · x^b, x > 0 und y > 0
Prognose für x (optional)
5

Beispiel 5 · Komplex · ŷ = 20 · x − 5 · x², R² = 1, ŷ(2,5) = 18,75

Wurfhöhe als Parabel

x-Werte (unabhängige Größe)
0 0,5 1 1,5 2 3
y-Werte (abhängige Größe)
0 8,75 15 18,75 20 15
Regressionsmodell
Quadratisch: y = a + b · x + c · x²
Prognose für x (optional)
2,5

Beispiel 6 · Komplex · ŷ = 80 − 8,6850 · ln(x), R² = 1, r = −1, ŷ(32) = 49,9 dB

Schallpegel logarithmisch

x-Werte (unabhängige Größe)
1 2 4 8 16
y-Werte (abhängige Größe)
80 73,98 67,96 61,94 55,92
Regressionsmodell
Logarithmisch: y = a + b · ln(x), x > 0
Prognose für x (optional)
32

Weiterführende Rechner und Themen

Alle Anschlussrechner und Vertiefungen in einem klaren Modul, damit du direkt zur nächsten sinnvollen Berechnung springen kannst.

Varianz-RechnerVarianz und Standardabweichung einer Datenmenge berechnen – Stichprobenvarianz und Grundgesamtheit.MedianrechnerMedian und Modus einer Wertegruppe berechnen – inklusive Sortierung und Einordnung.Z-Wert-RechnerZ-Score z = (x−μ)/σ und Percentilrang der Standardnormalverteilung berechnen.Lineares GleichungssystemLineare 2x2-Gleichungssysteme mit Rechenweg lösen.PerzentilrechnerBeliebiges Perzentil sowie Quartile Q1, Median und Q3, Interquartilsabstand, Minimum und Maximum aus einer Zahlenliste berechnen.Gini-Koeffizient-RechnerGini-Koeffizient berechnen aus einer Werteliste oder aus klassierten Daten: Gini, normierter Gini, Gini-Index, Anteil der obersten 10 und 20 Prozent und Lorenzkurven-Tabelle mit Rechenweg.t-Test-Rechnert-Test berechnen: Einstichproben-, gepaarter und Zweistichproben-Test (Welch oder gleiche Varianzen) aus Kennzahlen oder Rohdaten – mit p-Wert, kritischem t-Wert, Entscheidung und t-Tabelle.Freiheitsgrade-RechnerFreiheitsgrade (df) für t-Test, Welch-Test, χ²-Unabhängigkeits- und Anpassungstest, ANOVA, Regression und Varianz berechnen – mit Formel, kritischem Wert zum Signifikanzniveau α und Tabelle der kritischen t-Werte.Binomialverteilung-RechnerBinomialverteilung berechnen: P(X=k), P(X<=k), P(X>=k) für Bernoulli-Ketten mit Erwartungswert, Varianz und Standardabweichung.AQL-TabelleAQL-Stichprobenplan nach ISO 2859-1 berechnen: Losgröße und Prüfniveau eingeben, Kennbuchstabe, Stichprobenumfang, Annahmezahl und Rückweisezahl für Normal-, verschärfte und reduzierte Prüfung ermitteln.Häufigkeit-RechnerRelative Häufigkeit berechnen: aus einer Urliste oder aus h und n die Häufigkeitstabelle mit absoluter, relativer, prozentualer und kumulierter Häufigkeit, Modalwert und gekürztem Bruch, wahlweise mit Klassen.Odds-Ratio-RechnerOdds Ratio (Chancenverhältnis) aus der Vierfeldertafel berechnen: mit Konfidenzintervall nach Woolf, Haldane-Korrektur bei Nullzellen, relativem Risiko, Risikodifferenz und NNT.Stichprobengröße-RechnerStichprobengröße berechnen für Umfragen (Anteil), Mittelwerte und den Vergleich zweier Gruppen (Poweranalyse) – mit Endlichkeitskorrektur, Rücklaufquote, Rechenweg und Tabelle nach Fehlermarge und Konfidenzniveau.Kritischer-Wert-RechnerKritischen Wert und p-Wert für z, t, χ² und F berechnen: ein- oder zweiseitig, mit Ablehnungsbereich, Testentscheidung und t-Wert-Tabelle.Benford-RechnerBenfordsches Gesetz prüfen: Zahlenliste einfügen und die führenden Ziffern mit der Sollverteilung vergleichen – mit χ²-Test, MAD, Tabelle je Ziffer und Hinweisen zu Listengröße und Aussagekraft.

Weiternutzung

Grafiken weiterverwenden

Alle 3 Grafiken dieser Seite darfst du in eigenen Artikeln und Beiträgen verwenden.

Nutzung frei, wenn du rechner-portal.de als Quelle verlinkst. CC BY 4.0

  • Regressionsgerade ŷ = 0,05 + 1,99 · x durch fünf Messpunkte mit R² = 0,9973 und den Residuen 0,06, −0,13, 0,18, −0,21 und 0,10

    Regressionsgerade durch fünf Messpunkte mit Residuen

    760 × 360 Pixel · Schaubild

    Herunterladen

    Einbettungscode

    HTML zum Einbinden

    <a href="https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner">
      <img src="https://rechner-portal.de/images/mathematik/lineare-regression-rechner-gerade.svg"
           alt="Regressionsgerade ŷ = 0,05 + 1,99 · x durch fünf Messpunkte mit R² = 0,9973 und den Residuen 0,06, −0,13, 0,18, −0,21 und 0,10"
           width="760" height="360">
    </a>
    <p>Quelle: <a href="https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner">Regressionsgerade durch fünf Messpunkte mit Residuen auf Rechner-Portal</a></p>

    Textbaustein für die Bildunterschrift

    Quelle: Rechner-Portal (rechner-portal.de) — https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner
  • Zinseszinsreihe über fünf Jahre: Die Gerade hat R² 0,9987 und prognostiziert 1.547,88 Euro für Jahr 10, die Exponentialkurve 1.628,90 Euro

    Gerade und Exponentialkurve für dieselbe Zinsreihe im Vergleich

    760 × 360 Pixel · Schaubild

    Herunterladen

    Einbettungscode

    HTML zum Einbinden

    <a href="https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner">
      <img src="https://rechner-portal.de/images/mathematik/lineare-regression-rechner-modellvergleich.svg"
           alt="Zinseszinsreihe über fünf Jahre: Die Gerade hat R² 0,9987 und prognostiziert 1.547,88 Euro für Jahr 10, die Exponentialkurve 1.628,90 Euro"
           width="760" height="360">
    </a>
    <p>Quelle: <a href="https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner">Gerade und Exponentialkurve für dieselbe Zinsreihe im Vergleich auf Rechner-Portal</a></p>

    Textbaustein für die Bildunterschrift

    Quelle: Rechner-Portal (rechner-portal.de) — https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner
  • Eisbecher und Mittagstemperatur: Die Regressionsgerade hat R² 0,9958, mit einem Regentag bei 28 Grad nur 0,7834

    Regressionsgerade mit und ohne Regentag im Eiscafé

    760 × 360 Pixel · Schaubild

    Herunterladen

    Einbettungscode

    HTML zum Einbinden

    <a href="https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner">
      <img src="https://rechner-portal.de/images/mathematik/lineare-regression-rechner-eiscafe.svg"
           alt="Eisbecher und Mittagstemperatur: Die Regressionsgerade hat R² 0,9958, mit einem Regentag bei 28 Grad nur 0,7834"
           width="760" height="360">
    </a>
    <p>Quelle: <a href="https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner">Regressionsgerade mit und ohne Regentag im Eiscafé auf Rechner-Portal</a></p>

    Textbaustein für die Bildunterschrift

    Quelle: Rechner-Portal (rechner-portal.de) — https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner

Quellen, Transparenz und Haftung

Haftungsausschluss

Die Ergebnisse dieses Rechners sind Orientierungswerte und ersetzen keine professionelle Beratung. Für verbindliche Entscheidungen – insbesondere in finanziellen, gesundheitlichen oder rechtlichen Angelegenheiten – empfehlen wir die Einholung fachkundiger Beratung. Aktuelle Vertrags-, Produkt- und Regulierungsdaten können von den Rechenwerten abweichen.

Rechnerspezifische Grenzen: Der Rechner liefert die rechnerisch beste Kurve durch die eingegebenen Datenpaare. Er prüft weder, ob das gewählte Modell zu den Daten passt, noch ob ein Zusammenhang ursächlich ist. Prognosen außerhalb der Daten sind Extrapolationen und unsicher.

Quelle: Statistik: Regressionsanalyse nach der Methode der kleinsten Quadrate nach Fahrmeir u. a. (2016) und NIST/SEMATECH e-Handbook (2012); Stand Oktober 2026.

Stand: 2026-10-12

Externe Fachquellen
Qualitätsnachweise
Verantwortlich
Kilian Achatz
Herausgeber
Rechner-Portal
Letzte fachliche Prüfung
12. Oktober 2026
Fachbereich
Mathematik / Statistik
Formeln basieren auf
Linear: b = Sxy / Sxx mit Sxx = Σ(x − x̄)², Sxy = Σ(x − x̄)(y − ȳ); a = ȳ − b · x̄; r = Sxy / √(Sxx · Syy); R² = 1 − SSres / SStot mit SSres = Σ(y − ŷ)², SStot = Σ(y − ȳ)²; Standardfehler s = √(SSres / (n − 2)). Exponentiell und Potenz über ln y (bzw. ln x und ln y) linearisiert, logarithmisch über ln x; quadratisch über die 3×3-Normalgleichungen mit s = √(SSres / (n − 3)).
Zitation & Richtlinien

APA-Format

Rechner-Portal (2026). Lineare Regression berechnen. Abgerufen von https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner

Harvard-Format

Rechner-Portal, 2026. Lineare Regression berechnen. Available at: https://rechner-portal.de/mathematik/statistik/lineare-regression-rechner

Werbestatus

Mögliche Werbung hat keinen Einfluss auf Rechenweg, Ergebnis oder Priorisierung dieses Rechners.