Statistik-Glossar

Falsch-positiv

False Positive · Typ-I-Fehler (im Testkontext) · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Falsch-positiv?
Warum ist Falsch-positiv für statistische Analysen wichtig?
Praxisbeispiel

Was versteht man unter Falsch-positiv?

Ein falsch-positives Ergebnis (englisch: false positive) tritt auf, wenn ein statistischer Test oder ein Klassifikationsverfahren ein Ergebnis als positiv – also als vorhanden, wahr oder signifikant – meldet, obwohl in der Realität kein solcher Effekt oder kein solches Merkmal tatsächlich vorliegt.

Im Rahmen des klassischen Hypothesentestens entspricht ein Falsch-positiv dem Typ-I-Fehler: Die Nullhypothese H₀ wird fälschlicherweise abgelehnt, obwohl sie wahr ist. Die Wahrscheinlichkeit, diesen Fehler zu begehen, wird durch das Signifikanzniveau α (Alpha) kontrolliert – typischerweise auf 5 % (α = 0,05) festgelegt.

In der Klassifikation – etwa bei medizinischen Tests oder Machine-Learning-Modellen – lässt sich das Falsch-positiv in einer Vierfeldertafel (Konfusionsmatrix) verorten:

Tabelle 1. Vierfeldertafel: Testergebnis vs. tatsächlicher Zustand
	Tatsächlich positiv	Tatsächlich negativ
Test: positiv	Richtig-positiv (TP)	Falsch-positiv (FP)
Test: negativ	Falsch-negativ (FN)	Richtig-negativ (TN)

Einfach erklärt Stell dir vor, ein Rauchmelder schlägt Alarm, obwohl gar kein Feuer brennt. Das ist ein Falsch-positiv: Das Gerät zeigt eine Gefahr an, die nicht existiert. Im statistischen Sinne glaubt man, etwas entdeckt zu haben – einen Effekt, einen Unterschied, eine Krankheit –, aber in Wirklichkeit ist nichts da.

Warum ist Falsch-positiv für statistische Analysen wichtig?

Falsch-positive Ergebnisse sind in der Forschungspraxis ein zentrales Problem, weil sie zu Fehlschlüssen und irreführenden Befunden führen können. Wer auf Basis eines falsch-positiven Ergebnisses handelt, investiert Ressourcen in Effekte, die nicht existieren, oder trifft Entscheidungen ohne belastbare Grundlage.

Besonders kritisch wird das Problem, wenn viele Tests gleichzeitig durchgeführt werden – etwa bei der Analyse mehrerer Variablen oder Subgruppen. Mit jedem zusätzlichen Test steigt die Wahrscheinlichkeit, rein zufällig mindestens ein falsch-positives Ergebnis zu erhalten. Dieses Phänomen nennt sich multiples Testen oder Alpha-Fehler-Kumulierung. Korrekturen wie die Bonferroni-Korrektur oder die Kontrolle der False Discovery Rate (FDR) helfen, die Gesamtfehlerrate zu begrenzen.

Häufiger Fehler Viele verwechseln das Signifikanzniveau α mit der Wahrscheinlichkeit, dass ein positives Ergebnis auch tatsächlich wahr ist. Ein p-Wert unter 0,05 bedeutet nicht, dass der Effekt real ist – es bedeutet nur, dass das Ergebnis unter der Annahme der Nullhypothese selten wäre. Ob ein positiver Befund tatsächlich zutrifft, hängt zusätzlich von der Basisrate (Prävalenz) und der Teststärke ab.

Gut zu wissen Der positive Vorhersagewert (Positive Predictive Value, PPV) gibt an, wie wahrscheinlich es ist, dass ein positives Testergebnis auch tatsächlich korrekt ist. Er hängt nicht nur von der Falsch-positiv-Rate, sondern auch von der Häufigkeit des gesuchten Merkmals in der Grundgesamtheit ab.

Praxisbeispiel zu Falsch-positiv

Eine Medizinstudentin untersucht in ihrer Abschlussarbeit, ob ein neuer Bluttest zuverlässig eine seltene Erkrankung erkennt. Die Erkrankung tritt bei 1 % der Bevölkerung auf. Der Test hat eine Sensitivität von 95 % und eine Falsch-positiv-Rate von 5 % (Spezifität 95 %).

In einer Stichprobe von 1.000 Personen sind 10 tatsächlich erkrankt. Der Test meldet:

9 richtig-positive Ergebnisse (95 % der 10 Kranken erkannt)
1 falsch-negatives Ergebnis (1 Kranker übersehen)
49 falsch-positive Ergebnisse (5 % der 990 Gesunden fälschlicherweise als krank eingestuft)
941 richtig-negative Ergebnisse

Von den insgesamt 58 positiven Testergebnissen sind also nur 9 tatsächlich korrekt – das entspricht einem positiven Vorhersagewert von etwa 15,5 %. Obwohl der Test eine hohe Genauigkeit besitzt, ist die überwiegende Mehrheit der positiven Befunde falsch-positiv. Dieses Beispiel zeigt, wie stark die Basisrate das Verhältnis von richtigen zu falschen positiven Ergebnissen beeinflusst.