Exakter Fisher-Test
In diesem Beitrag
Was versteht man unter dem Exakten Fisher-Test?
Der exakte Fisher-Test ist ein statistischer Signifikanztest, mit dem geprüft wird, ob ein Zusammenhang zwischen zwei kategorialen Variablen besteht. Er wird typischerweise auf eine 2×2-Kontingenztafel angewendet und testet die Nullhypothese, dass die beiden Variablen statistisch unabhängig voneinander sind.
Im Gegensatz zum Chi-Quadrat-Test berechnet der Fisher-Test keine Näherungslösung, sondern ermittelt die exakte Wahrscheinlichkeit der beobachteten (und aller extremeren) Tabellenverteilungen – unter der Annahme fixer Randverteilungen. Diese Wahrscheinlichkeit ergibt sich aus der hypergeometrischen Verteilung:
Formel: Exakter Fisher-Test
Hierbei steht a, b, c, d für die vier Zellbesetzungen der Kontingenztafel, n für die Gesamtstichprobengröße und die Binomialkoeffizienten beschreiben die Anzahl möglicher Anordnungen. Der p-Wert ergibt sich als Summe der Wahrscheinlichkeiten aller Tabellen, die mindestens so extrem sind wie die beobachtete.
Warum ist der Exakte Fisher-Test für statistische Analysen wichtig?
Der Fisher-Test ist besonders dann wertvoll, wenn die Stichprobengröße klein ist oder einzelne Zellen der Kontingenztafel wenige Beobachtungen aufweisen. Der häufig eingesetzte Chi-Quadrat-Test basiert auf einer Näherung, die nur bei ausreichend großen Fallzahlen zuverlässig funktioniert. Als Faustregel gilt: Liegt die erwartete Häufigkeit in einer oder mehreren Zellen unter 5, sollte der Fisher-Test bevorzugt werden.
Der Test eignet sich für viele Forschungsfelder – etwa in der Medizin, Psychologie oder Sozialwissenschaft – überall dort, wo zwei Gruppen hinsichtlich eines binären Merkmals verglichen werden:
- Erkrankte vs. Gesunde, exponiert vs. nicht exponiert
- Bestanden vs. Nicht bestanden, Zustimmung vs. Ablehnung
- Behandlungsgruppe vs. Kontrollgruppe mit einem binären Outcome
Praxisbeispiel zum Exakten Fisher-Test
Eine Medizinstudentin untersucht im Rahmen ihrer Bachelorarbeit, ob ein neues Medikament die Heilungsrate bei einer seltenen Erkrankung verbessert. Da die Fallzahl gering ist, entscheidet sie sich für den exakten Fisher-Test. Sie teilt 14 Patientinnen und Patienten in zwei Gruppen auf:
| Geheilt | Nicht geheilt | Gesamt | |
|---|---|---|---|
| Medikament | 6 | 1 | 7 |
| Placebo | 2 | 5 | 7 |
| Gesamt | 8 | 6 | 14 |
Die erwarteten Häufigkeiten in einzelnen Zellen liegen unter 5, weshalb der Chi-Quadrat-Test nicht geeignet wäre. Der exakte Fisher-Test ergibt einen p-Wert von etwa 0,08. Bei einem Signifikanzniveau von α = 0,05 kann die Nullhypothese (kein Zusammenhang zwischen Behandlung und Heilung) demnach nicht verworfen werden – auch wenn der Unterschied deskriptiv deutlich erscheint.
Dieses Beispiel zeigt: Gerade bei kleinen Stichproben ist statistische Power begrenzt. Ein nicht signifikantes Ergebnis bedeutet nicht automatisch, dass kein Effekt existiert – es kann auch schlicht an zu wenig Datenmaterial liegen.
