Bonferroni-Korrektur
In diesem Beitrag
Was versteht man unter der Bonferroni-Korrektur?
Die Bonferroni-Korrektur ist eine Methode zur Kontrolle des familienweisen Fehlers erster Art (engl. familywise error rate, FWER) bei multiplen Hypothesentests. Wenn mehrere statistische Tests gleichzeitig oder nacheinander durchgeführt werden, steigt die Wahrscheinlichkeit, mindestens einen falsch-positiven Befund zu erzielen – also fälschlicherweise eine Nullhypothese abzulehnen. Die Bonferroni-Korrektur begegnet diesem Problem, indem das Signifikanzniveau durch die Anzahl der durchgeführten Tests geteilt wird:
Formel: Bonferroni-Korrektur
Ein einzelner Test gilt dann nur noch als signifikant, wenn sein p-Wert diesen angepassten Schwellenwert unterschreitet. Das korrigierte Niveau stellt sicher, dass die Wahrscheinlichkeit, irgendeinen falschen Alarm unter allen Tests zu produzieren, insgesamt bei maximal bleibt.
Warum ist die Bonferroni-Korrektur für statistische Analysen wichtig?
In der Praxis werden häufig mehrere Hypothesen gleichzeitig getestet – etwa wenn Forschende viele Gruppenvergleiche durchführen, mehrere abhängige Variablen analysieren oder explorative Subgruppenanalysen vornehmen. Ohne eine Korrektur steigt das tatsächliche Fehlerrisiko erheblich: Bei 20 Tests mit liegt die Wahrscheinlichkeit, mindestens einen falsch-positiven Befund zu erhalten, bereits bei rund 64 %.
Die Bonferroni-Korrektur ist besonders dann geeignet, wenn:
- die Anzahl der Tests überschaubar ist,
- die Tests voneinander unabhängig sind,
- eine konservative Fehlerrate zwingend eingehalten werden muss (z. B. in der Medizin oder klinischen Forschung).
Praxisbeispiel zur Bonferroni-Korrektur
Angenommen, du untersuchst in deiner Masterarbeit, ob sich drei Therapiemethoden (A, B, C) in ihrer Wirksamkeit unterscheiden. Du führst paarweise t-Tests zwischen allen Gruppen durch, also drei Vergleiche: A vs. B, A vs. C und B vs. C.
Ohne Korrektur würdest du bei jedem Test das übliche Signifikanzniveau von verwenden. Mit der Bonferroni-Korrektur teilst du dieses durch die Anzahl der Tests:
Beispielrechnung
Ein Vergleich gilt nun nur dann als statistisch signifikant, wenn sein p-Wert kleiner als 0,0167 ist. Die folgende Tabelle zeigt, wie die Entscheidung mit und ohne Korrektur ausfällt:
| Vergleich | p-Wert | Signifikant ohne Korrektur? | Signifikant mit Korrektur? |
|---|---|---|---|
| A vs. B | 0,03 | Ja | Nein |
| A vs. C | 0,008 | Ja | Ja |
| B vs. C | 0,21 | Nein | Nein |
Ohne Korrektur würdest du zwei signifikante Ergebnisse berichten. Mit der Bonferroni-Korrektur bleibt nur der Vergleich A vs. C übrig. Das zeigt deutlich: Die Korrektur verhindert, dass ein grenzwertiger Befund (p = 0,03) fälschlicherweise als gesicherter Effekt interpretiert wird.
