Statistik-Glossar

A-priori-Poweranalyse

A priori power analysis · Vorab-Poweranalyse · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter A-priori-Poweranalyse?
Warum ist die A-priori-Poweranalyse wichtig?
Praxisbeispiel

Was versteht man unter A-priori-Poweranalyse?

Die A-priori-Poweranalyse ist eine Methode zur Bestimmung des notwendigen Stichprobenumfangs vor der Datenerhebung. Sie berechnet, wie viele Probanden oder Beobachtungen benötigt werden, um einen Effekt einer bestimmten Größe mit ausreichender statistischer Power zuverlässig zu entdecken.

Die statistische Power (auch Teststärke) ist die Wahrscheinlichkeit, einen tatsächlich vorhandenen Effekt auch tatsächlich zu erkennen – also einen wahren Effekt nicht zu übersehen. Sie ist definiert als:

Formel: Statistische Power

$1 - \beta$

Dabei steht $\beta$ für den Fehler 2. Art (Beta-Fehler) – also die Wahrscheinlichkeit, einen vorhandenen Effekt zu verpassen. In der Praxis wird eine Power von mindestens 0,80 (80 %) angestrebt, oft auch 0,90 oder 0,95.

Für die Berechnung werden in der Regel vier Parameter benötigt:

Effektgröße (z. B. Cohen’s d, f, r): Wie groß ist der erwartete Effekt?
Signifikanzniveau α: Wie hoch ist die akzeptierte Fehler-1.-Art-Rate? (Üblicherweise α = 0,05)
Gewünschte Power (1 − β): Wie hoch soll die Teststärke sein?
Stichprobenumfang n: Dieser Wert ist das Ergebnis der A-priori-Analyse.

Einfach erklärt Stell dir vor, du suchst mit einer Taschenlampe im Dunkeln nach einem Gegenstand. Die Poweranalyse sagt dir vorab, wie hell deine Taschenlampe sein muss, damit du einen Gegenstand einer bestimmten Größe mit hoher Wahrscheinlichkeit findest. Je kleiner der Gegenstand (kleiner Effekt), desto mehr Licht – also desto mehr Probanden – brauchst du.

Warum ist die A-priori-Poweranalyse für statistische Analysen wichtig?

Eine A-priori-Poweranalyse erfüllt in der Forschungspraxis zwei zentrale Funktionen: Sie schützt vor zu kleinen Stichproben und vor unnötig großen.

Studien mit zu wenigen Teilnehmenden sind unterpowert. Das bedeutet: Selbst wenn ein Effekt real existiert, wird er statistisch nicht zuverlässig erkannt. Solche Studien produzieren häufig nicht-signifikante Ergebnisse, obwohl ein echter Effekt vorhanden wäre – ein Beta-Fehler. Umgekehrt verschwenden überdimensionierte Studien Ressourcen und können bei sehr großen Stichproben auch triviale, praktisch bedeutungslose Effekte als signifikant ausweisen.

Viele Fachzeitschriften, Ethikkommissionen und Forschungsförderinstitutionen verlangen heute eine dokumentierte Poweranalyse als Teil des Studienprotokolls. Ohne sie gilt eine Stichprobenwahl oft als methodisch nicht begründet.

Häufiger Fehler Viele Forschende schätzen die Effektgröße zu optimistisch ein oder orientieren sich unkritisch an Werten aus der Literatur, die aus kleinen Pilotstudien stammen. Solche Effektgrößen sind oft überschätzt (Publication Bias). Das führt zu einer zu kleinen berechneten Stichprobengröße und damit zu einer unterpowerten Studie.

Gut zu wissen Die A-priori-Poweranalyse ist nicht zu verwechseln mit der Post-hoc-Poweranalyse, die nach der Datenerhebung durchgeführt wird. Letztere gilt methodisch als wenig informativ, da die berechnete Power bei nicht-signifikanten Ergebnissen fast immer niedrig ausfällt – sie sagt dann nichts aus, was man nicht schon weiß.

Praxisbeispiel zu A-priori-Poweranalyse

Eine Psychologiestudentin möchte in ihrer Masterarbeit untersuchen, ob ein neues Entspannungstraining den wahrgenommenen Stress (gemessen mit einem standardisierten Fragebogen) stärker reduziert als eine Kontrollbedingung. Sie plant einen t-Test für unabhängige Stichproben.

Auf Basis vergleichbarer Studien schätzt sie einen mittleren Effekt nach Cohen’s d = 0,50. Sie legt folgende Parameter fest:

Tabelle 1. Parameter der A-priori-Poweranalyse
Parameter	Gewählter Wert
Effektgröße (Cohen’s d)	0,50 (mittel)
Signifikanzniveau (α)	0,05 (zweiseitig)
Gewünschte Power (1 − β)	0,80
Berechneter Stichprobenumfang	64 Personen (32 je Gruppe)

Die Analyse – durchgeführt z. B. mit der freien Software G*Power – ergibt, dass sie mindestens 32 Personen pro Gruppe, also insgesamt 64 Personen, benötigt. Dieser Wert wird im Methodenteil der Arbeit berichtet und begründet, damit Lesende und Prüfende nachvollziehen können, warum genau diese Stichprobengröße gewählt wurde.

Plant sie stattdessen, einen kleinen Effekt (d = 0,20) zu entdecken, steigt der notwendige Stichprobenumfang auf rund 394 Personen – ein deutliches Zeichen dafür, wie stark die erwartete Effektgröße die Planung beeinflusst.