Wie interpretiere ich den SPSS-Output einer ANOVA?
In diesem Beitrag
- Was die ANOVA testet – und was der Output zeigt
- ANOVA in SPSS durchführen
- Schritt 1: Voraussetzungen prüfen
- Schritt 2: Deskriptivstatistik lesen
- Schritt 3: Die ANOVA-Tabelle und den F-Test interpretieren
- Schritt 4: Effektstärke bestimmen
- Schritt 5: Post-hoc-Tests lesen
- Besonderheit: Zweifaktorielle ANOVA
- Ergebnisse korrekt berichten
Was die ANOVA testet – und was der Output zeigt
Die ANOVA (Analysis of Variance) prüft, ob sich die Mittelwerte von drei oder mehr Gruppen statistisch bedeutsam voneinander unterscheiden. Sie ist damit die direkte Erweiterung des t-Tests auf mehr als zwei Gruppen – mit dem entscheidenden Vorteil, dass keine Inflation des Alpha-Fehlers durch mehrere paarweise Vergleiche entsteht.
Der SPSS-Output einer ANOVA ist dabei mehr als nur eine einzige Tabelle. Die ANOVA in SPSS prüft die Nullhypothese, dass alle Gruppenmitten gleich sind, und erzeugt dafür mehrere aufeinander aufbauende Teile: Voraussetzungsüberprüfungen, Deskriptivstatistiken, den eigentlichen F-Test und – bei signifikantem Ergebnis – Post-hoc-Vergleiche.
Wer diese Teile einzeln und in der richtigen Reihenfolge liest, kann den Output vollständig interpretieren. Die folgenden Abschnitte führen Sie Schritt für Schritt durch diesen Prozess.
ANOVA in SPSS durchführen
Bevor Sie den Output lesen können, müssen Sie wissen, auf welchem Weg Sie ihn erzeugt haben. In SPSS gibt es zwei gängige Wege:
Einfaktorielle ANOVA über das One-Way-Menü
Der direkteste Weg für eine einfaktorielle ANOVA ist der Menüpfad Analysieren → Mittelwerte vergleichen → Einfaktorielle ANOVA. Hier tragen Sie Ihre abhängige Variable in das Feld Abhängige Variablen und Ihre Gruppierungsvariable in das Feld Faktor ein.
Wichtig: Klicken Sie unbedingt auf Optionen und aktivieren Sie dort Deskriptive Statistiken sowie den Homogenitätstest der Varianzen. Ohne diese Optionen fehlen Ihnen zentrale Teile des Outputs.
ANOVA über das GLM-Menü
Für zwei- oder mehrfaktorielle ANOVAs nutzen Sie Analysieren → Allgemeines lineares Modell → Univariat. Dieses Menü bietet mehr Flexibilität: Sie können mehrere Faktoren gleichzeitig einschließen, Interaktionseffekte prüfen und Profildiagramme anfordern. In der Praxis wird die GLM-Prozedur häufig auch für einfaktorielle Designs genutzt, weil sie Haupt- und Interaktionseffekte sowie Post-hoc-Vergleiche in einem Schritt ermöglicht.
Schritt 1: Voraussetzungen prüfen
Bevor Sie den F-Test interpretieren, müssen Sie prüfen, ob die Voraussetzungen der ANOVA erfüllt sind. Eine Interpretation auf Basis eines ungeeigneten Tests kann zu falschen Schlussfolgerungen führen – das ist einer der häufigsten Fehler in empirischen Abschlussarbeiten.
Normalverteilung der Residuen
Die ANOVA setzt voraus, dass die abhängige Variable innerhalb jeder Gruppe annähernd normalverteilt ist. In der Praxis ist die ANOVA gegenüber moderaten Verletzungen dieser Annahme robust – allerdings sollten die Daten zumindest symmetrisch verteilt sein und keine starken Ausreißer aufweisen. Prüfen Sie die Normalverteilung über Analysieren → Deskriptive Statistiken → Explorative Datenanalyse mit dem Shapiro-Wilk-Test.
Varianzhomogenität – der Levene-Test
Der Levene-Test prüft, ob die Varianzen in allen Gruppen gleich sind. Sie finden ihn im Output unter Test der Homogenität der Varianzen. Die Entscheidungsregel ist einfach:
- p > .05: Varianzhomogenität ist gegeben. Der klassische F-Test kann interpretiert werden.
- p ≤ .05: Die Varianzen unterscheiden sich signifikant. Nutzen Sie stattdessen den Welch- oder Brown-Forsythe-Test.
Bei verletzter Varianzhomogenität empfiehlt SPSS die robusten Alternativen Welch und Brown-Forsythe als Ersatz für den klassischen F-Test. Diese finden Sie im Output im Abschnitt Robuste Tests der Gleichheit der Mittelwerte – vorausgesetzt, Sie haben diese Option beim Durchführen der Analyse aktiviert.
Schritt 2: Deskriptivstatistik lesen
Bevor Sie den globalen Signifikanztest betrachten, lohnt sich ein Blick auf die Deskriptivtabelle. Sie enthält für jede Gruppe die Fallzahl (N), den Mittelwert (M), die Standardabweichung (SD), den Standardfehler sowie das 95-%-Konfidenzintervall des Mittelwerts.
Diese Tabelle beantwortet die Frage, welche Gruppen sich in welche Richtung unterscheiden – eine Information, die der F-Test allein nicht liefert. Ein signifikanter F-Wert sagt nur, dass irgendwo ein Unterschied existiert. Die Mittelwerte zeigen, wo dieser Unterschied liegt.
Schritt 3: Die ANOVA-Tabelle und den F-Test interpretieren
Die zentrale Tabelle im SPSS-Output heißt ANOVA und enthält die Quadratsummen, Freiheitsgrade, mittleren Quadratsummen, den F-Wert und den p-Wert (Sig.).
Aufbau der ANOVA-Tabelle
| Zeile | Bedeutung |
|---|---|
| Zwischen den Gruppen | Varianz, die durch die Gruppenunterschiede erklärt wird (systematische Varianz) |
| Innerhalb der Gruppen | Varianz, die innerhalb der Gruppen verbleibt (Fehlervarianz) |
| Gesamt | Gesamtvarianz im Datensatz |
Der F-Wert und seine Logik
Der F-Wert ist der Quotient aus der mittleren Quadratsumme zwischen den Gruppen und der mittleren Quadratsumme innerhalb der Gruppen. Je größer dieser Quotient, desto mehr Varianz wird durch die Gruppenunterschiede erklärt – und desto wahrscheinlicher ist ein signifikantes Ergebnis.
F-Wert der ANOVA
Den p-Wert einordnen
Der p-Wert (in SPSS als Sig. bezeichnet) gibt an, wie wahrscheinlich das beobachtete F-Verhältnis (oder ein noch extremeres) wäre, wenn die Nullhypothese zuträfe. Die Entscheidungsregel lautet:
- Sig. < .05: Der Gruppenunterschied ist statistisch signifikant. Die Nullhypothese (alle Mittelwerte sind gleich) wird verworfen.
- Sig. ≥ .05: Kein statistisch signifikanter Unterschied nachweisbar. Die Nullhypothese wird beibehalten.
Beachten Sie: Statistische Signifikanz bedeutet nicht automatisch praktische Relevanz. Ein signifikanter F-Test bei sehr großer Stichprobe kann auch auf kleine, inhaltlich bedeutungslose Unterschiede hinweisen. Deshalb ist die Effektstärke unverzichtbar.
Schritt 4: Effektstärke bestimmen
Die ANOVA-Tabelle in SPSS enthält standardmäßig keine Effektstärke. Sie müssen diese entweder manuell berechnen oder über das GLM-Menü anfordern (dort unter Optionen → Partielles Eta-Quadrat).
Die gebräuchlichste Effektstärke für die ANOVA ist Eta-Quadrat () bzw. das partielle Eta-Quadrat ():
Eta-Quadrat
Eta-Quadrat gibt an, welcher Anteil der Gesamtvarianz durch den Gruppenfaktor erklärt wird. Die Orientierungswerte nach Cohen (1988) sind:
Konventionen für Eta-Quadrat
- η² ≈ .01: Kleiner Effekt
- η² ≈ .06: Mittlerer Effekt
- η² ≈ .14: Großer Effekt
In der Fachliteratur gilt es als gute wissenschaftliche Praxis, Effektstärken neben dem p-Wert standardmäßig zu berichten – denn erst die Kombination aus Signifikanz und Effektgröße erlaubt eine vollständige Bewertung der Befunde.
Schritt 5: Post-hoc-Tests lesen
Ein signifikanter F-Test zeigt nur, dass irgendwo ein Unterschied zwischen den Gruppen besteht. Er sagt nicht, welche Gruppen sich konkret voneinander unterscheiden. Dafür benötigen Sie Post-hoc-Tests.
Welcher Post-hoc-Test ist der richtige?
Die Wahl hängt primär vom Ergebnis des Levene-Tests ab:
| Situation | Empfohlenes Verfahren |
|---|---|
| Varianzhomogenität gegeben, gleiche Gruppengrößen | Tukey HSD |
| Varianzhomogenität gegeben, ungleiche Gruppengrößen | Bonferroni oder Scheffé |
| Varianzhomogenität verletzt | Games-Howell |
Im SPSS-Output finden Sie Post-hoc-Tests unter dem Abschnitt Mehrfachvergleiche. Die Tabelle zeigt für jedes Gruppenpaar die mittlere Differenz, den Standardfehler, den Signifikanzwert und das Konfidenzintervall der Differenz.
Post-hoc-Tabelle richtig lesen
Jedes Gruppenpaar erscheint zweimal in der Tabelle (einmal von A nach B, einmal von B nach A). Achten Sie auf:
- Die mittlere Differenz (I–J): Gibt an, um wie viel Einheiten sich die Mittelwerte unterscheiden und in welche Richtung.
- Den Sig.-Wert: Ist er kleiner als .05, unterscheiden sich die beiden Gruppen signifikant voneinander.
- Das 95-%-Konfidenzintervall: Schließt es die Null nicht ein, spricht das ebenfalls für einen signifikanten Unterschied.
Ein Sternchen (*) in der Spalte Mittlere Differenz zeigt in SPSS an, dass der Unterschied das eingestellte Signifikanzniveau (in der Regel .05) unterschreitet.
Besonderheit: Zweifaktorielle ANOVA
Wenn Sie eine zweifaktorielle ANOVA über das GLM-Menü gerechnet haben, enthält Ihr Output zusätzliche Teile: die Tests der Zwischensubjekteffekte sowie – optional – ein Profildiagramm.
Tests der Zwischensubjekteffekte
Diese Tabelle zeigt für jeden Faktor und die Interaktion zwischen den Faktoren einen eigenen F-Test. Sie lesen sie zeilenweise:
- Haupteffekt Faktor A: Hat Faktor A einen signifikanten Einfluss, unabhängig von Faktor B?
- Haupteffekt Faktor B: Hat Faktor B einen signifikanten Einfluss, unabhängig von Faktor A?
- Interaktion A × B: Hängt der Effekt von Faktor A vom Niveau von Faktor B ab (oder umgekehrt)?
Interaktionseffekte richtig einordnen
Die Interpretation der Haupteffekte ist nur dann uneingeschränkt sinnvoll, wenn kein signifikanter Interaktionseffekt vorliegt. Bei einer signifikanten Interaktion sollten Sie die Haupteffekte nicht isoliert berichten, sondern die Interaktion in den Vordergrund stellen.
Das Profildiagramm (Mittelwertprofil) hilft dabei: Wenn die Linien für die Gruppen eines Faktors nicht parallel verlaufen, deutet das auf eine Interaktion hin. In SPSS lassen sich Mittelwertprofile direkt über den Plot-Subbefehl im GLM-Menü anfordern und erleichtern das Verständnis von Interaktionseffekten erheblich.
Ergebnisse korrekt berichten
Im Ergebnisteil Ihrer Abschlussarbeit berichten Sie die ANOVA-Ergebnisse nach einem festen Schema. Orientieren Sie sich an den APA-Richtlinien, die an den meisten Hochschulen im DACH-Raum verbindlich sind.
Berichtsschema für eine einfaktorielle ANOVA
Ein vollständiger Ergebnissatz enthält:
- Das Ergebnis des Levene-Tests (Voraussetzungsüberprüfung)
- Die Mittelwerte und Standardabweichungen der Gruppen
- F-Wert, Freiheitsgrade und p-Wert
- Die Effektstärke (η² oder η²p)
- Bei signifikantem Ergebnis: das Ergebnis des Post-hoc-Tests
Beispielformulierung
Eine einfaktorielle ANOVA ergab einen signifikanten Unterschied in der Prüfungsleistung zwischen den drei Lerngruppen, F(2, 87) = 8.43, p = .001, η² = .16. Der Levene-Test zeigte keine signifikante Verletzung der Varianzhomogenität, F(2, 87) = 1.12, p = .330. Post-hoc-Analysen (Tukey HSD) zeigten, dass sich Gruppe A (M = 74.2, SD = 8.1) signifikant von Gruppe C (M = 63.5, SD = 9.4) unterschied (p = .002), während sich Gruppe B (M = 70.8, SD = 7.6) weder von Gruppe A noch von Gruppe C signifikant unterschied.
Beachten Sie: Freiheitsgrade werden als F(df_zwischen, df_innerhalb) angegeben. SPSS liefert beide Werte direkt aus der ANOVA-Tabelle.
Wer bei der Auswertung unsicher ist, welche Tabellen berichtet werden müssen oder wie Ergebnisse korrekt formuliert werden, findet bei der methodische SPSS-Hilfe durch erfahrene Statistiker eine verlässliche Unterstützung – von der Analysevorbereitung bis zur fertigen Ergebnisdarstellung.
Wenn Sie Ihre Ergebnisse anschließend in Ihre Arbeit übertragen möchten, lohnt sich ein Blick auf den Artikel zur korrekten Aufbereitung und dem Export von SPSS-Ergebnissen für Abschlussarbeiten. Wer darüber hinaus weitere Analyseverfahren in SPSS anwenden möchte – etwa eine Regressionsanalyse oder eine Faktorenanalyse – findet dazu ebenfalls ausführliche Anleitungen.
