Wie prüft man die Normalverteilung seiner Daten?
In diesem Beitrag
- Warum die Normalverteilung überhaupt relevant ist
- Visuelle Verfahren: Histogramm, Boxplot und Q-Q-Plot
- Formale Normalitätstests im Überblick
- Der Shapiro-Wilk-Test im Detail
- Die Tücke der Stichprobengröße
- Normalverteilung prüfen in SPSS, R und anderen Programmen
- Wie Sie das Ergebnis richtig interpretieren
- Fazit: Kein Automatismus, sondern ein Urteil
Warum die Normalverteilung überhaupt relevant ist
Die Normalverteilung ist keine Formalität – sie ist eine zentrale Voraussetzung für viele parametrische Testverfahren. T-Tests, ANOVAs und Pearson-Korrelationen setzen voraus, dass die Residuen oder die abhängige Variable zumindest näherungsweise normalverteilt sind. Wer diese Annahme ignoriert, riskiert verzerrte Testergebnisse und falsche Schlussfolgerungen.
Die Prüfung auf Normalverteilung ist deshalb ein fester Bestandteil der Datenaufbereitung und -bereinigung vor jeder statistischen Analyse. Sie steht zeitlich zwischen der Datenerhebung und der eigentlichen Hypothesenprüfung – und sollte niemals übersprungen werden.
Wie man dabei konkret vorgeht, lässt sich in zwei Hauptstrategien aufteilen: visuelle Verfahren und formale Normalitätstests. Empfohlen wird stets eine Kombination aus beidem.
Visuelle Verfahren: Histogramm, Boxplot und Q-Q-Plot
Visuelle Prüfmethoden sind oft der erste und intuitivste Schritt. Sie liefern keinen p-Wert, dafür aber ein direktes Bild davon, wie Ihre Daten verteilt sind – und wo mögliche Probleme liegen.
Das Histogramm
Ein Histogramm zeigt die Häufigkeitsverteilung Ihrer Messwerte. Bei Normalverteilung erkennen Sie die typische Glockenform: symmetrisch, mit dem höchsten Punkt in der Mitte und gleichmäßig abfallenden Flanken. Schiefe (linksschiefe oder rechtsschiefe Verteilungen) sowie mehrgipflige Verläufe lassen sich hier gut erkennen.
Der Boxplot
Der Boxplot zeigt Median, Interquartilsabstand und potenzielle Ausreißer. Bei einer symmetrisch normalverteilten Variable liegt der Median annähernd in der Mitte der Box, und die Whisker sind in etwa gleich lang. Stark asymmetrische Boxen oder viele markierte Ausreißer sind erste Hinweise auf eine Abweichung von der Normalform.
Der Q-Q-Plot (Quantil-Quantil-Plot)
Der Q-Q-Plot ist das wohl leistungsfähigste grafische Werkzeug zur Normalitätsdiagnostik. Er trägt die beobachteten Quantile Ihrer Daten gegen die theoretischen Quantile einer Normalverteilung auf. Liegen die Punkte annähernd auf einer Geraden, spricht das für Normalität. Systematische Abweichungen – ein S-förmiger Verlauf, stark abweichende Enden oder einzelne Extrempunkte – weisen dagegen auf Schiefe, schwere Tails oder Ausreißer hin.
In der Fachliteratur wird der Q-Q-Plot ausdrücklich nicht als dekorative Grafik, sondern als eigenständiger Diagnoseschritt vor parametrischen Tests behandelt. Das bedeutet: Wer einen Q-Q-Plot in seine Arbeit aufnimmt, sollte ihn auch aktiv interpretieren und nicht nur als Pflichtübung anhängen.
Formale Normalitätstests im Überblick
Neben den grafischen Verfahren existieren mehrere statistische Tests, die eine formale Entscheidung über Normalität ermöglichen. Die gebräuchlichsten sind:
| Test | Geeignet für | Besonderheiten |
|---|---|---|
| Shapiro-Wilk | Kleine bis mittlere Stichproben (n < 2.000) | Gilt als besonders leistungsfähig; weit verbreitet in der Literatur |
| Kolmogorov-Smirnov | Größere Stichproben | Wird oft als weniger sensitiv angesehen; in SPSS häufig als Lilliefors-Variante |
| Anderson-Darling | Allgemein | Gewichtet die Tails stärker; robuste Alternative zu KS |
| D’Agostino-Pearson | Allgemein | Kombination aus Schiefe- und Kurtosis-Test; interpretierbar |
Die Empfehlung in der Methodenliteratur ist eindeutig: Normalität sollte nicht durch einen einzelnen p-Wert entschieden werden, sondern durch eine Kombination aus grafischen Verfahren und formalen Tests. Jedes Verfahren für sich allein hat blinde Flecken – erst zusammen ergeben sie ein zuverlässiges Bild.
Der Shapiro-Wilk-Test im Detail
Der Shapiro-Wilk-Test ist in der empirischen Forschung der meistgenutzte Normalitätstest für kleine bis mittlere Stichproben. Er basiert auf einer eleganten Logik: Die Teststatistik W vergleicht die geordneten Stichprobenwerte mit den Werten, die man bei einer perfekt normalverteilten Stichprobe gleicher Größe erwarten würde.
Teststatistik des Shapiro-Wilk-Tests
Dabei sind die geordneten Beobachtungswerte und die aus den erwarteten Normalverteilungsquantilen abgeleiteten Koeffizienten. Ein W-Wert nahe 1 spricht für Normalität; ein deutlich niedrigerer Wert zeigt Abweichungen an.
Wichtig zu verstehen: Der Shapiro-Wilk-Test misst nicht einfach Schiefe, sondern prüft, ob die Gesamtstruktur der geordneten Daten mit einer Normalverteilung vereinbar ist. Das ist ein wesentlicher Unterschied – und erklärt, warum der Test bei bestimmten Verletzungen (z. B. schwere Tails bei symmetrischer Verteilung) sensibler reagiert als ein einfacher Schiefe-Koeffizient.
Moderne Statistikprogramme wie SPSS, R, Python/SciPy oder Stata greifen allesamt auf Weiterentwicklungen dieses Tests zurück, wenn Normalität formal geprüft wird.
Die Tücke der Stichprobengröße
Hier liegt einer der häufigsten Fehler in empirischen Abschlussarbeiten: der mechanische Schluss von einem Testergebnis auf Normalverteilung – ohne Berücksichtigung der Stichprobengröße.
- Kleine Stichproben (n < 30): Auch bei echten Abweichungen von der Normalverteilung ist der Test oft nicht sensitiv genug, um sie zu entdecken. Ein nicht signifikantes Ergebnis bedeutet hier nicht zwingend Normalität.
- Große Stichproben (n > 200): Bereits kleinste, praktisch bedeutungslose Abweichungen werden statistisch signifikant. Ein p < .05 beim Shapiro-Wilk-Test sagt dann wenig über die tatsächliche Relevanz der Abweichung aus.
Kurz gesagt: Bei großen Stichproben macht selbst eine winzige, irrelevante Schiefe den Test signifikant – bei kleinen Stichproben bleibt eine echte Verletzung oft unentdeckt. Das ist kein Fehler des Tests, sondern eine Eigenschaft formaler Hypothesentests generell.
Normalverteilung prüfen in SPSS, R und anderen Programmen
In SPSS
In SPSS erreichen Sie den Shapiro-Wilk-Test über den Menüpfad Analysieren → Deskriptive Statistiken → Explorative Datenanalyse. Wählen Sie dort Ihre Variable(n) aus, klicken Sie auf Diagramme und aktivieren Sie Normalverteilungsdiagramme mit Tests. SPSS gibt Ihnen dann sowohl den Kolmogorov-Smirnov-Test (mit Lilliefors-Korrektur) als auch den Shapiro-Wilk-Test aus – inklusive Q-Q-Plot.
In R
In R genügen wenige Zeilen:
# Shapiro-Wilk-Test
shapiro.test(df$testergebnis)
# Q-Q-Plot mit Referenzlinie
qqnorm(df$testergebnis, main = "Q-Q-Plot: Testergebnis")
qqline(df$testergebnis, col = "steelblue", lwd = 2)
# Histogramm zur visuellen Kontrolle
hist(df$testergebnis,
breaks = 15,
main = "Histogramm: Testergebnis",
xlab = "Messwert",
col = "lightgrey")Die Ausgabe von shapiro.test() liefert den W-Wert und den p-Wert. Bei p > .05 gilt die Normalverteilungsannahme als nicht verworfen – aber prüfen Sie zusätzlich den Q-Q-Plot, bevor Sie eine endgültige Entscheidung treffen.
In Jamovi und anderen Programmen
Jamovi bietet den Shapiro-Wilk-Test unter Exploration → Descriptives → Statistics an, wo Sie unter „Normality“ den Test aktivieren. Stata nutzt den Befehl swilk varname, Python/SciPy bietet scipy.stats.shapiro().
Welche Software Sie verwenden, ist letztlich zweitrangig – entscheidend ist, dass Sie die Ergebnisse korrekt interpretieren und dokumentieren. Wie die vollständige Aufbereitung von Daten für statistische Analysen aussieht, erfahren Sie in einem eigenen Beitrag.
Wie Sie das Ergebnis richtig interpretieren
Eine robuste Interpretation der Normalverteilungsprüfung folgt diesem Schema:
Schrittweise Beurteilung der Normalverteilung
- Histogramm und Boxplot sichten: Gibt es sichtbare Schiefe, Mehrgipfligkeit oder extreme Ausreißer?
- Q-Q-Plot beurteilen: Liegen die Punkte überwiegend auf der Diagonalen, oder gibt es systematische Abweichungen an den Rändern?
- Shapiro-Wilk-Test berechnen und W sowie p berichten
- Stichprobengröße berücksichtigen: Bei n > 200 auch nicht signifikante Tests grafisch gegenchecken
- Gesamtbewertung formulieren: Stimmen visuelle Eindrücke und Testergebnis überein?
- Bei Zweifeln: Robuste Alternativen (z. B. Mann-Whitney-U statt t-Test) in Betracht ziehen – mehr dazu im Beitrag Was tun, wenn Testvoraussetzungen nicht erfüllt sind
In der Berichterstattung in Abschlussarbeiten empfiehlt sich eine Formulierung wie: „Die Normalverteilung der Residuen wurde visuell (Q-Q-Plot, Histogramm) und formal (Shapiro-Wilk-Test: W = .97, p = .34) geprüft. Beide Verfahren lieferten keine Hinweise auf eine relevante Verletzung der Normalverteilungsannahme.“
Diese Art der Berichterstattung zeigt, dass Sie die Prüfung nicht als Pflichtformalität behandeln, sondern methodisch reflektiert vorgehen – was insbesondere bei Masterarbeiten und Dissertationen von Prüfenden positiv bewertet wird.
Fazit: Kein Automatismus, sondern ein Urteil
Die Prüfung auf Normalverteilung ist keine Rechenaufgabe, die mit einem einzigen p-Wert abgeschlossen ist. Sie ist ein methodisches Urteil, das grafische Befunde, formale Tests und den Kontext der Stichprobe zusammenführt.
Die wichtigsten Punkte noch einmal zusammengefasst:
- Nutzen Sie immer eine Kombination aus Histogramm/Q-Q-Plot und einem formalen Test wie Shapiro-Wilk.
- Berücksichtigen Sie die Stichprobengröße bei der Interpretation: Große n machen irrelevante Abweichungen signifikant, kleine n übersehen echte Verletzungen.
- Berichten Sie sowohl die Teststatistik W als auch p – nie nur den p-Wert allein.
- Bleiben Sie bei deutlichen Verletzungen handlungsfähig: Transformationen oder nicht-parametrische Alternativen sind legitime Optionen.
Die Normalverteilungsprüfung ist Teil einer durchdachten Datenbereinigung in der Statistik – sie schützt die Validität Ihrer gesamten Auswertung. Wer diesen Schritt sorgfältig dokumentiert, legt damit auch methodisch ein starkes Fundament für die Verteidigung seiner Arbeit.
