Wie führt man einen Chi-Quadrat-Test durch und interpretiert ihn?
In diesem Beitrag
Was ist der Chi-Quadrat-Test?
Der Chi-Quadrat-Test ist eines der meistgenutzten Verfahren in der empirischen Forschung – und gleichzeitig eines der am häufigsten falsch angewendeten. Im Kern beantwortet er eine einfache Frage: Stimmen die beobachteten Häufigkeiten in meinen Daten mit den Häufigkeiten überein, die ich unter der Nullhypothese erwarten würde?
Das Verfahren eignet sich immer dann, wenn Ihre Daten als Häufigkeiten in Kategorien vorliegen – also bei nominalen oder ordinalen Variablen. Typische Fragestellungen in Abschlussarbeiten sind:
- Gibt es einen Zusammenhang zwischen Geschlecht und Berufswahl?
- Sind politische Einstellungen unabhängig vom Bildungsabschluss?
- Folgen die Antworten meiner Befragten einer bestimmten Verteilung?
Wie Sie das richtige statistische Verfahren für Ihre Forschungsfrage auswählen, hängt dabei vor allem vom Skalenniveau Ihrer Variablen ab – beim Chi-Quadrat-Test arbeiten Sie ausschließlich mit kategorialen Daten, nicht mit metrischen Einzelwerten.
Anpassungstest vs. Unabhängigkeitstest
Der Chi-Quadrat-Test tritt in zwei wesentlichen Varianten auf, die unterschiedliche Fragestellungen beantworten.
Chi-Quadrat-Anpassungstest (Goodness-of-Fit)
Hier prüfen Sie, ob eine Stichprobe aus einer Population mit einer bestimmten theoretischen Verteilung stammen könnte. Sie haben also eine Variable und vergleichen die beobachteten Häufigkeiten mit erwarteten Häufigkeiten, die Sie vorab festlegen – etwa auf Basis einer Gleichverteilung oder bekannter Populationsanteile.
Methodisch wichtig: Der Test wird für klassierte Daten angewandt; liegen Ihre Daten noch nicht als Häufigkeiten vor, müssen Sie diese zunächst in eine Häufigkeitstabelle überführen. Die Wahl der Klasseneinteilung beeinflusst dabei das Ergebnis.
Chi-Quadrat-Unabhängigkeitstest
Dies ist die in Abschlussarbeiten häufigere Variante. Sie prüfen, ob zwischen zwei kategorialen Variablen ein statistischer Zusammenhang besteht. Die Daten werden in einer zweidimensionalen Kontingenztafel (Kreuztabelle) angeordnet, und der Test prüft, ob die Verteilung der einen Variable unabhängig von der anderen ist.
Eine klare Entscheidungshilfe: Der Chi-Quadrat-Test ist passend, wenn Daten als Häufigkeiten in Kategorien vorliegen – nicht wenn metrische Messwerte ohne Kategorisierung analysiert werden sollen. Wer metrische Variablen vergleichen möchte, greift stattdessen auf Korrelation oder Regression zurück.
Voraussetzungen prüfen
Bevor Sie den Test durchführen, sollten Sie die methodischen Voraussetzungen sorgfältig prüfen. In der Praxis zeigt sich, dass dieser Schritt oft unterschätzt wird.
Voraussetzungen für den Chi-Quadrat-Test
- Kategoriale Variablen: Beide Variablen sind nominal oder ordinal skaliert.
- Unabhängige Beobachtungen: Jede Person taucht nur einmal in der Tabelle auf.
- Erwartete Häufigkeiten ≥ 5: In mindestens 80 % der Zellen sollte die erwartete Häufigkeit bei 5 oder mehr liegen. Zellen mit erwarteten Häufigkeiten unter 1 sind nicht zulässig.
- Ausreichende Stichprobengröße: Die Chi-Quadrat-Approximation ist nur bei hinreichendem Stichprobenumfang verlässlich – bei kleinen Gruppen besser Fishers exakten Test verwenden.
- Zufallsstichprobe: Die Daten sollten aus einer Zufallsstichprobe stammen.
Die Voraussetzung der erwarteten Häufigkeiten wird direkt aus Ihren Daten berechnet und von jeder Statistiksoftware automatisch ausgegeben. Eine ausführliche Übersicht, welche Voraussetzungen Sie vor der Auswertung generell prüfen sollten, finden Sie in unserem separaten Beitrag.
Die Formel und ihre Logik
Die Teststatistik des Chi-Quadrat-Tests berechnet sich aus der Abweichung zwischen beobachteten und erwarteten Häufigkeiten. Für jede Zelle der Tabelle wird die Differenz gebildet, quadriert und durch die erwartete Häufigkeit dividiert. Diese Werte werden dann über alle Zellen summiert.
Chi-Quadrat-Teststatistik
Dabei steht für die beobachtete Häufigkeit (Observed) und für die erwartete Häufigkeit (Expected) in einer Zelle.
Die Logik dahinter: Je größer die Abweichung zwischen beobachteten und erwarteten Häufigkeiten, desto größer wird . Ein konkretes Zahlenbeispiel illustriert das gut: Bei erwarteten Häufigkeiten von 750 und 250 sowie beobachteten Werten von 770 und 230 ergibt sich ein χ²-Wert von 2,13 – ein vergleichsweise kleiner Wert, der auf eine geringe Abweichung hindeutet. Stärkere Abweichungen erzeugen entsprechend höhere Werte.
Die Freiheitsgrade bestimmen, welche Chi-Quadrat-Verteilung zur Beurteilung herangezogen wird:
- Anpassungstest: (Anzahl der Kategorien minus 1)
- Unabhängigkeitstest: (Zeilen minus 1 multipliziert mit Spalten minus 1)
Schritt für Schritt durchführen
Der Ablauf eines Chi-Quadrat-Tests folgt einer klaren Struktur, die sich in jede statistische Auswertung einer empirischen Abschlussarbeit einbetten lässt.
Schritt 1: Hypothesen formulieren
Formulieren Sie Null- und Alternativhypothese explizit, bevor Sie die Daten analysieren:
- H₀: Es besteht kein Zusammenhang zwischen Variable A und Variable B (bzw. die Daten folgen der angenommenen Verteilung).
- H₁: Es besteht ein Zusammenhang zwischen Variable A und Variable B (bzw. die Daten weichen von der angenommenen Verteilung ab).
Schritt 2: Kreuztabelle erstellen
Beim Unabhängigkeitstest erstellen Sie eine Kontingenztafel mit den beobachteten Häufigkeiten. Jede Zelle enthält die Anzahl der Fälle, die beiden Kategorien gleichzeitig angehören.
Schritt 3: Erwartete Häufigkeiten berechnen
Für jede Zelle berechnet sich die erwartete Häufigkeit als:
Erwartete Häufigkeit pro Zelle
Schritt 4: Teststatistik berechnen und p-Wert bestimmen
Berechnen Sie nach der Formel oben. Suchen Sie dann in der Chi-Quadrat-Tabelle (oder lassen Sie die Software) den p-Wert für Ihre Teststatistik und die entsprechenden Freiheitsgrade ermitteln.
Schritt 5: Entscheidung treffen
Vergleichen Sie den p-Wert mit Ihrem vorab festgelegten Signifikanzniveau (üblicherweise α = 0,05). Liegt p < α, verwerfen Sie die Nullhypothese.
Chi-Quadrat-Test in SPSS und R
SPSS
In SPSS führen Sie den Unabhängigkeitstest über den Menüpfad Analysieren → Deskriptive Statistiken → Kreuztabellen durch. Wählen Sie dort Ihre Zeilen- und Spaltenvariable aus und klicken Sie auf Statistiken → Chi-Quadrat. Über Zellen → Erwartete Werte lassen Sie sich die erwarteten Häufigkeiten ausgeben – wichtig für die Voraussetzungsprüfung.
Die SPSS-Ausgabe liefert Ihnen automatisch den Pearson-Chi-Quadrat-Wert, die Freiheitsgrade, den p-Wert sowie eine Warnung, falls mehr als 20 % der Zellen erwartete Häufigkeiten unter 5 aufweisen.
R
In R ist der Test mit wenigen Zeilen erledigt:
# Daten als Kreuztabelle
tabelle <- matrix(c(45, 30, 25, 50), nrow = 2,
dimnames = list(Geschlecht = c("Männlich", "Weiblich"),
Berufswahl = c("Technik", "Soziales")))
# Chi-Quadrat-Unabhängigkeitstest
ergebnis <- chisq.test(tabelle)
# Ergebnisse anzeigen
print(ergebnis)
# Erwartete Häufigkeiten prüfen
ergebnis$expected
# Effektstärke Cramér's V (Paket rstatix benötigt)
library(rstatix)
cramer_v(tabelle)Die Ausgabe von chisq.test() enthält den χ²-Wert, die Freiheitsgrade und den p-Wert. Über ergebnis$expected prüfen Sie die erwarteten Häufigkeiten direkt.
Ergebnisse korrekt interpretieren
Ein signifikanter Chi-Quadrat-Test (p < 0,05) bedeutet: Die beobachteten Häufigkeiten weichen statistisch bedeutsam von den erwarteten ab – es besteht also ein Zusammenhang zwischen den Variablen, oder die Daten passen nicht zur angenommenen Verteilung.
Was der p-Wert allein Ihnen nicht verrät:
- Die Richtung des Zusammenhangs (welche Gruppe ist stärker in welcher Kategorie vertreten?)
- Die praktische Relevanz des Befunds
- Welche Zellen besonders stark zur Teststatistik beitragen (dafür: standardisierte Residuen prüfen)
Für eine vollständige Interpretation lohnt es sich, die standardisierten Residuen in der Kreuztabelle zu betrachten. Werte über |1,96| zeigen Zellen an, die überdurchschnittlich stark von der Erwartung abweichen – das sind oft die inhaltlich interessantesten Befunde.
Effektstärke: Cramér's V
Für den Chi-Quadrat-Unabhängigkeitstest ist Cramér's V die gängigste Effektstärke. Sie normiert den χ²-Wert auf einen Bereich von 0 bis 1 und macht Ergebnisse unabhängig von Stichprobengröße und Tabellenformat vergleichbar.
Cramér's V
Dabei ist die Gesamtstichprobengröße und der kleinere Wert aus Zeilen- oder Spaltenanzahl. Richtwerte für die Interpretation:
| Cramér's V | Effektstärke |
|---|---|
| ≈ 0,10 | Kleiner Effekt |
| ≈ 0,30 | Mittlerer Effekt |
| ≥ 0,50 | Großer Effekt |
Diese Richtwerte stammen aus der Konvention nach Cohen und sollten immer im fachlichen Kontext interpretiert werden – in manchen Disziplinen gilt bereits ein V von 0,20 als substantiell bedeutsam.
APA-konforme Darstellung
In wissenschaftlichen Arbeiten wird das Ergebnis eines Chi-Quadrat-Tests nach einem standardisierten Schema berichtet. Die genauen Anforderungen an die APA-konforme Darstellung statistischer Ergebnisse sind in der 7. Auflage des APA-Manuals festgelegt.
Ein korrektes Berichtsformat sieht so aus:
Es zeigte sich ein signifikanter Zusammenhang zwischen Geschlecht und Berufswahl, χ²(1, N = 150) = 8,43, p = .004, Cramér's V = .24.
Folgende Elemente gehören zwingend in die Ergebnisdarstellung:
- Das Symbol χ² mit Freiheitsgrad und Stichprobengröße in Klammern
- Den Chi-Quadrat-Wert (auf zwei Dezimalstellen gerundet)
- Den p-Wert (bei p < .001 als „< .001" angeben)
- Die Effektstärke Cramér's V
Beachten Sie die korrekte Rundung statistischer Kennwerte – dazu gibt es gesonderte Konventionen, die in unserem Beitrag zum Runden statistischer Kennwerte ausführlich erklärt werden.
Häufige Fehler vermeiden
In der Praxis begegnen uns immer wieder dieselben Stolperfallen beim Chi-Quadrat-Test:
- Zu kleine erwartete Häufigkeiten: Wenn viele Zellen erwartete Häufigkeiten unter 5 aufweisen, ist der Chi-Quadrat-Test nicht valide. Lösung: Kategorien zusammenfassen oder Fishers exakten Test verwenden.
- Metrische Variablen kategorisieren und dann Chi-Quadrat rechnen: Das ist möglich, aber Sie verlieren durch die Kategorisierung Information. Prüfen Sie, ob nicht ein Korrelationskoeffizient die bessere Wahl wäre.
- Abhängige Beobachtungen: Wenn Personen mehrfach in der Tabelle auftauchen (z.B. bei Messwiederholungen), ist der Chi-Quadrat-Test nicht anwendbar. Hier käme McNemar's Test infrage.
- Effektstärke weglassen: Nur den p-Wert zu berichten ist methodisch unvollständig. Cramér's V gehört zwingend dazu.
- Klasseneinteilung ignorieren: Beim Anpassungstest beeinflusst die Art der Klassenbildung das Ergebnis – eine willkürliche Einteilung kann die Testvalidität gefährden.
Wenn Sie unsicher sind, welcher Test für Ihr Forschungsdesign der richtige ist, hilft ein Blick auf einen Entscheidungsbaum für statistische Tests – oder Sie lassen sich bei der statistischen Auswertung Ihrer Abschlussarbeit von erfahrenen Methodikerinnen und Methodikern begleiten, die sowohl die Testauswahl als auch die korrekte Interpretation absichern.
