Laten we de formules er nog even bij pakken:
$$\hat{\beta}_{\text{y voorspellen uit x}} = r_{xy} \frac{sd_y}{sd_x}$$
En andersom:
$$\hat{\beta}_{\text{x voorspellen uit y}} = r_{xy} \frac{sd_x}{sd_y}$$
Ok, laten we nu eerst een situatie nemen waarin $x$ en $y$ beiden zijn gestandaardiseerd. In dat geval (omdat we enkelvoudige regressie uitvoeren) geldt dat de correlatiecoëfficiënten gelijk zijn aan de regressie-coëfficiënten.
Stel dat de correlatie tussen deze twee variabelen gelijk is aan .5. Omdat beide variabelen zijn gestandaardiseerd geldt dat $\hat{\beta}_{\text{y voorspellen uit x}}=.5$ en $\hat{\beta}_{\text{x voorspellen uit y}}=.5$.
Stel je nu voor dat ze niet zijn gestandaardiseerd. De standaarddeviatie van $x$ is 10, en die van $y$ is 2.
Dan geldt:
$$\hat{\beta}_{\text{y voorspellen uit x}} = r_{xy} \frac{sd_y}{sd_x} = .5 \frac{2}{10} = .5 \times .2 = .1 $$
En andersom:
$$\hat{\beta}_{\text{x voorspellen uit y}} = r_{xy} \frac{sd_x}{sd_y} = .5 \frac{10}{2} = .5 \times 5 = 2.5$$
Oftewel, als $x$ met $1$ toeneemt, neemt $y$ met $.1$ toe. De standaarddeviatie van $x$ is heel groot ($10$), dus de schaal waar $x$ op is gemeten is heel breed. Een toename van $1$ in $x$ is dus een relatief kleine toename: maar een tiende van de standaarddeviatie.
Als $y$ met $1$ toeneemt, neemt $x$ met $2.5$ toe. De schaalverdeling van $y$ is immers een stuk smaller: een toename van $1$ is al een halve standaarddeviatie!
De ruis in een variabele 'vindt plaats' in de schaal van de variabele. Als je de schaalverdelingen gelijk trekt (door standaardisering), dan is het effect van ruis relatief even groot per variabele: een 'ruis' van $2$ is dan voor beide variabelen evenveel. Echter, voor standaardisatie geldt dat een 'ruis' van $2$ veel meer impact heeft voor $y$ (een hele standaarddeviatie!) dan voor $x$ (maar een vijfde standaarddeviatie!).