Chi-Quadrat-Test
In diesem Beitrag
Was versteht man unter dem Chi-Quadrat-Test?
Der Chi-Quadrat-Test (χ²-Test) ist ein statistisches Verfahren, das prüft, ob ein beobachtetes Muster in kategorialen Daten zufällig entstanden sein könnte oder ob ein systematischer Zusammenhang besteht. Er gehört zur Gruppe der Hypothesentests und basiert auf dem Vergleich von beobachteten Häufigkeiten mit erwarteten Häufigkeiten.
Die Testgröße χ² berechnet sich nach folgender Formel:
Formel: Chi-Quadrat-Teststatistik
Dabei steht O für die beobachteten (observed) und E für die erwarteten (expected) Häufigkeiten in jeder Kategorie. Je größer die Abweichungen zwischen beobachteten und erwarteten Werten, desto größer wird χ² – und desto unwahrscheinlicher ist es, dass die Unterschiede rein zufällig sind.
Es gibt drei häufig verwendete Varianten des Chi-Quadrat-Tests:
- Unabhängigkeitstest: Prüft, ob zwei kategoriale Variablen in einer Stichprobe voneinander unabhängig sind.
- Anpassungstest (Goodness-of-Fit): Prüft, ob eine beobachtete Häufigkeitsverteilung einer theoretisch erwarteten Verteilung entspricht.
- Homogenitätstest: Prüft, ob zwei oder mehr Gruppen in Bezug auf eine kategoriale Variable dieselbe Verteilung aufweisen.
Warum ist der Chi-Quadrat-Test für statistische Analysen wichtig?
Viele Forschungsfragen beschäftigen sich mit kategorialen Daten: Bevorzugen Männer und Frauen unterschiedliche Medienformate? Unterscheidet sich die Impfquote zwischen Altersgruppen? Für solche Fragen sind klassische Mittelwertvergleiche wie der t-Test ungeeignet – hier kommt der Chi-Quadrat-Test ins Spiel.
Der Test liefert einen p-Wert, der angibt, wie wahrscheinlich die beobachteten Daten unter der Annahme der Nullhypothese (kein Zusammenhang, keine Abweichung) wären. Liegt der p-Wert unter dem festgelegten Signifikanzniveau (häufig α = 0,05), wird die Nullhypothese abgelehnt.
Praxisbeispiel zum Chi-Quadrat-Test
Eine Forscherin untersucht, ob die Wahl des Verkehrsmittels (Auto, Fahrrad, ÖPNV) mit dem Wohnort (Stadt, Land) zusammenhängt. Sie befragt 150 Personen und erhält folgende Verteilung:
| Wohnort | Auto | Fahrrad | ÖPNV | Gesamt |
|---|---|---|---|---|
| Stadt | 20 | 35 | 45 | 100 |
| Land | 30 | 10 | 10 | 50 |
| Gesamt | 50 | 45 | 55 | 150 |
Wäre die Verkehrsmittelwahl unabhängig vom Wohnort, würden sich die erwarteten Häufigkeiten aus den jeweiligen Randverteilungen berechnen. Zum Beispiel wäre die erwartete Häufigkeit für Stadtbewohner mit Auto: (100 × 50) / 150 ≈ 33,3. Die tatsächlich beobachteten 20 Stadtbewohner mit Auto weichen davon deutlich ab.
Der Chi-Quadrat-Test ergibt in diesem Szenario einen χ²-Wert von etwa 22,5 bei 2 Freiheitsgraden. Der zugehörige p-Wert liegt weit unter 0,001. Die Forscherin kann die Nullhypothese der Unabhängigkeit ablehnen: Wohnort und Verkehrsmittelwahl hängen statistisch signifikant zusammen. Ergänzend berechnet sie Cramers V = 0,39, was auf einen mittleren bis starken Zusammenhang hinweist.
