Orthogonale Regression (Deming-Regression)
Die orthogonale Regression (auch Deming-Regression oder Errors-in-Variables-Regression) ist ein statistisches Verfahren, das den Zusammenhang zwischen zwei Messsystemen oder zwei stetigen Variablen bestimmt, wenn beide Variablen Messfehler enthalten, nicht nur die Zielgröße. Anders als die Standardregression, die nur bei Y einen Fehler annimmt, berücksichtigt sie die Unsicherheit in X und Y gleichzeitig und liefert so eine genauere und unverzerrte Ausgleichsgerade.
Zuletzt geprüft
Kernaussage
Die orthogonale Regression (auch Deming-Regression) ist ein statistisches Verfahren, das den Zusammenhang zwischen zwei Messsystemen oder zwei stetigen Variablen bestimmt, wenn beide Variablen Messfehler enthalten.
Auf dieser Seite
Was ist orthogonale Regression?
Die orthogonale Regression (auch Deming-Regression oder Errors-in-Variables-Regression) ist ein statistisches Verfahren, das den Zusammenhang zwischen zwei Messsystemen oder zwei stetigen Variablen bestimmt, wenn beide Variablen Messfehler enthalten, nicht nur die Zielgröße. Anders als die Standardregression, die nur bei der Variablen Y einen Fehler annimmt, berücksichtigt die orthogonale Regression die Unsicherheit der X- und der Y-Messwerte gleichzeitig und liefert so eine genauere und unverzerrte Ausgleichsgerade.
Am häufigsten wird sie eingesetzt, um zu beurteilen, ob zwei Messverfahren, Messgeräte oder Labore gleichwertige Ergebnisse liefern, zum Beispiel beim Vergleich eines neuen Prüfverfahrens mit einem etablierten Referenzverfahren, um festzustellen, ob beide austauschbar verwendet werden können.
Wann wird die orthogonale Regression eingesetzt?
- Verwenden Sie sie, wenn Sie zwei Messverfahren vergleichen möchten, um festzustellen, ob sie an denselben Teilen gleichwertige Ergebnisse liefern.
- Verwenden Sie sie, wenn beide verglichenen Variablen Messfehler enthalten ; hat nur die Variable Y einen Fehler, verwenden Sie stattdessen das übliche Fit Line Model.
- Verwenden Sie sie, wenn es darum geht, die Gleichwertigkeit oder Austauschbarkeit von Verfahren nachzuweisen , zum Beispiel bei der Validierung eines schnelleren oder günstigeren Prüfverfahrens gegenüber einem anerkannten Referenzstandard.
- Verwenden Sie sie, wenn Sie den wahren Zusammenhang zwischen zwei ungenau gemessenen Variablen schätzen müssen, statt einen Zusammenhang zu verwenden, der durch das Ignorieren des Fehlers in X verzerrt ist.
- Verwenden Sie sie in Labor-, klinischen, Fertigungs- und Kalibrierstudien , in denen der Vergleich von Messsystemen eine zentrale Anforderung ist.
Hinweise zur richtigen Anwendung der orthogonalen Regression
- Beide Variablen müssen stetig sein; die orthogonale Regression eignet sich nicht für kategoriale oder attributive Daten.
- Das Verhältnis der Fehlervarianzen (das Verhältnis der Messfehlervarianz von X zur Messfehlervarianz von Y) muss angegeben oder geschätzt werden. Standardmäßig wird angenommen, dass beide Variablen gleich große Messfehler haben (Verhältnis = 1); dies sollte jedoch anhand der bekannten Fähigkeit des Messsystems überprüft oder angepasst werden.
- Erheben Sie ausreichend viele Datenpaare : Messen Sie dieselben Teile mit beiden Verfahren. Empfohlen werden mindestens 30 bis 50 gepaarte Beobachtungen, um stabile und verlässliche Schätzungen der Regressionsgeraden zu erhalten.
- Stellen Sie sicher, dass die gemessenen Teile den gesamten relevanten Arbeitsbereich abdecken ; ein enger Messbereich führt zu unzuverlässigen Schätzungen von Steigung und Achsenabschnitt und erschwert es, Schlussfolgerungen zur Gleichwertigkeit der Verfahren zu stützen.
- Prüfen Sie nach der Anpassung das Konfidenzintervall der Steigung : Enthält es 1.0, reagieren die beiden Verfahren proportional gleichwertig. Prüfen Sie das Konfidenzintervall des Achsenabschnitts : Enthält es 0, besteht kein konstanter systematischer Bias zwischen den Verfahren.
- Prüfen Sie die Residuendiagramme , um sicherzustellen, dass die Modellannahmen erfüllt sind und keine ungewöhnlichen Beobachtungen die angepasste Gerade übermäßig beeinflussen.
- Übertragen Sie Schlussfolgerungen nicht über den Bereich der geprüften Teile hinaus ; die Gleichwertigkeit der beiden Verfahren ist nur innerhalb des gemessenen Bereichs nachgewiesen.
Alternativen: Wann Sie keine orthogonale Regression verwenden sollten
- Wenn nur die Zielgröße (Y) Messfehler enthält und der Prädiktor (X) mit vernachlässigbarem Fehler gemessen wird oder ein eingestellter, exakter Wert ist, verwenden Sie stattdessen Ausgleichsgerade anpassen oder Regressionsmodell anpassen ; die orthogonale Regression würde überkorrigieren und eine verzerrte Steigungsschätzung liefern.
- Wenn es darum geht, eine Zielgröße aus Prädiktoren vorherzusagen , statt zwei Messsysteme zu vergleichen, verwenden Sie stattdessen Regressionsmodell anpassen ; die orthogonale Regression ist speziell für den Methodenvergleich gedacht, nicht für Vorhersagen.
- Wenn das Verhältnis der Fehlervarianzen völlig unbekannt ist und sich nicht aus einer Messsystemstudie schätzen lässt, sind die Ergebnisse der orthogonalen Regression unzuverlässig; führen Sie zuerst eine Gage R&R oder Messsystemanalyse durch, um den Fehler jeder Variablen zu quantifizieren, bevor Sie fortfahren.
- Wenn Sie mehr als zwei Variablen gleichzeitig vergleichen oder modellieren möchten, verwenden Sie stattdessen Regressionsmodell anpassen oder multivariate Analyse .
- Wenn die beiden verglichenen Variablen unterschiedliche Skalen haben oder grundlegend verschiedene Merkmale messen, ist eine Methodenvergleichsstudie nicht geeignet; die orthogonale Regression setzt voraus, dass beide Variablen dieselbe zugrunde liegende Größe messen.
- Wenn die Zielgröße kategorial oder binärist, verwenden Sie stattdessen die logistische Regression .
Beispiel für eine orthogonale Regression
Ein Ingenieur vergleicht ein neues Blutdruckmessgerät mit einem vorhandenen Gerät, indem er den systolischen Blutdruck von 60 Personen mit beiden Geräten misst. Zur Beurteilung der Gleichwertigkeit wird die orthogonale Regression verwendet, da beide Geräte Messfehler aufweisen. Aus früheren Studien ist bekannt, dass die Varianz des neuen Geräts 1.08 und die des vorhandenen Geräts 1.20 beträgt. Das neue Gerät wird als Zielgröße und das vorhandene Gerät als Prädiktor behandelt, woraus sich für die Analyse ein Fehlervarianzverhältnis von 0.90 ergibt. Die folgenden Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Um die orthogonale Regression zu finden, wählen Sie Statistical module> Regression>Orthogonal Regression.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Anwendung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe


Anleitung: Orthogonale Regression durchführen
Gehen Sie wie folgt vor:
- Melden Sie sich bei Zometric Statistical Software an: https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Regression > Orthogonal Regression.
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie ein (Strg+V); alternativ gibt es die Option Load Example, mit der die Beispieldaten geladen werden.
- Füllen Sie anschließend die erforderlichen Optionen aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Auf dem Dashboard der Orthogonal Regression ist das Fenster in zwei Bereiche geteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Beispieldaten werden geladen.
Im rechten Bereich stehen folgende Optionen zur Verfügung:
- Response(Y): Wählen Sie die Spalte mit den Messwerten des Verfahrens oder Geräts aus, das Sie bewerten möchten, typischerweise das neue, alternative oder zu prüfende Verfahren , das gegen eine etablierte Referenz beurteilt wird. Diese Variable wird auf der vertikalen Achse dargestellt. In einer Methodenvergleichsstudie ist dies meist das neuere, schnellere oder günstigere Messsystem, dessen Gleichwertigkeit mit der Referenz nachgewiesen werden soll.
- Predictor (X): Wählen Sie die Spalte mit den Messwerten des Referenz-, etablierten oder Standardverfahrens aus, also des Messsystems, das bereits als verlässlich und genau anerkannt ist. Diese Variable wird auf der horizontalen Achse dargestellt. Die Spalten für Response und Predictor müssen Messwerte enthalten, die an denselben Teilen oder Proben erhoben wurden; jede Zeile steht für ein Teil, das mit beiden Verfahren gemessen wurde.
- Error Variance Ratio (Y/X): Legt das angenommene Verhältnis zwischen der Messfehlervarianz der Variablen Y und der Messfehlervarianz der Variablen X fest. Dies ist die wichtigste und spezifischste Eingabe der orthogonalen Regression: Sie teilt dem Modell mit, wie groß der Fehler jeder Variablen im Verhältnis zur anderen ist, damit die angepasste Gerade die Ungenauigkeit beider Messungen korrekt berücksichtigt.
Häufig gestellte Fragen
Was ist orthogonale Regression?
Die orthogonale Regression, auch Deming-Regression oder Errors-in-Variables-Regression genannt, bestimmt den Zusammenhang zwischen zwei Messsystemen oder zwei stetigen Variablen, wenn beide Messfehler enthalten. Anders als die Standardregression, die nur bei Y einen Fehler annimmt, berücksichtigt sie die Unsicherheit in X und Y und liefert so eine genauere und unverzerrte Ausgleichsgerade.
Wann sollte man orthogonale statt einfacher linearer Regression verwenden?
Verwenden Sie die orthogonale Regression, um zwei Messverfahren, Messgeräte oder Labore zu vergleichen, wenn beide Variablen Messfehler enthalten, zum Beispiel bei der Validierung eines neuen Prüfverfahrens gegenüber einer Referenz. Hat nur Y einen Fehler und ist X ein eingestellter oder exakter Wert, verwenden Sie stattdessen Fit Line oder Fit Regression Model, da die orthogonale Regression die Steigung überkorrigieren würde.
Wie interpretiert man die Ergebnisse der orthogonalen Regression?
Prüfen Sie das Konfidenzintervall der Steigung: Enthält es 1.0, reagieren die beiden Verfahren proportional gleichwertig. Prüfen Sie das Konfidenzintervall des Achsenabschnitts: Enthält es 0, besteht kein konstanter systematischer Bias zwischen den Verfahren. Prüfen Sie die Residuendiagramme und übertragen Sie die Gleichwertigkeit nicht über den Bereich der geprüften Teile hinaus.
Was ist das Fehlervarianzverhältnis in der orthogonalen Regression?
Das Fehlervarianzverhältnis ist das Verhältnis der Messfehlervarianz von Y zu der von X. Es teilt dem Modell mit, wie groß der Fehler jeder Variablen im Verhältnis zur anderen ist. Standardmäßig wird ein gleich großer Fehler angenommen (Verhältnis 1); dies sollte jedoch überprüft oder geschätzt werden, zum Beispiel anhand einer Gage R&R-Studie. Verwenden Sie mindestens 30 bis 50 gepaarte Beobachtungen.
