Heterogenität
In diesem Beitrag
Was versteht man unter Heterogenität?
Heterogenität beschreibt in der Statistik das Ausmaß, in dem sich Beobachtungen, Gruppen oder Studienergebnisse voneinander unterscheiden. Sie ist das Gegenteil von Homogenität, bei der Einheiten in einem relevanten Merkmal weitgehend gleich sind.
In der Praxis begegnet einem Heterogenität in zwei zentralen Kontexten:
- Heterogenität in Stichproben: Individuen oder Beobachtungen innerhalb einer Stichprobe unterscheiden sich stark hinsichtlich relevanter Merkmale (z. B. Alter, Einkommen, Vorwissen).
- Heterogenität in Meta-Analysen: Verschiedene Primärstudien, die dasselbe Phänomen untersuchen, liefern unterschiedliche Effektgrößen. Dieses Ausmaß an Variation wird als statistische Heterogenität bezeichnet und unter anderem mit dem I²-Statistik quantifiziert. I² gibt an, welcher Anteil der Gesamtvariation auf echte Unterschiede zwischen den Studien zurückzuführen ist – und nicht auf zufällige Stichprobenfehler.
I²-Statistik (Meta-Analyse)
Dabei steht Q für den Cochran-Q-Test-Wert (ein Maß für die Gesamtstreuung der Effekte) und df für die Freiheitsgrade (Anzahl der Studien minus 1). Ein I²-Wert von 0 % bedeutet keine Heterogenität, Werte ab 50 % gelten als substanziell.
Warum ist Heterogenität für statistische Analysen wichtig?
Heterogenität ist kein Randthema – sie beeinflusst grundlegend, welche statistischen Methoden geeignet sind und wie Ergebnisse interpretiert werden dürfen.
Auswirkungen auf die Methodenwahl
Viele statistische Verfahren setzen voraus, dass Gruppen oder Varianzen homogen sind. Ein klassisches Beispiel ist die einfaktorielle Varianzanalyse (ANOVA), die Varianzhomogenität (auch Homoskedastizität) über alle Gruppen hinweg voraussetzt. Ist diese Voraussetzung verletzt, liefert die Analyse verzerrte Ergebnisse. In solchen Fällen kommen robustere Alternativen zum Einsatz, etwa der Welch-Test oder nicht-parametrische Verfahren.
Bedeutung in Meta-Analysen
In Meta-Analysen entscheidet das Ausmaß der Heterogenität darüber, ob ein Fixed-Effects-Modell oder ein Random-Effects-Modell verwendet werden sollte. Bei hoher Heterogenität zwischen Studien wäre ein Fixed-Effects-Modell unangemessen, da es fälschlicherweise annimmt, dass alle Studien denselben wahren Effekt schätzen.
Inhaltliche Interpretation
Starke Heterogenität ist nicht immer ein Problem – sie kann auch ein wichtiger inhaltlicher Befund sein. Sie zeigt, dass ein Effekt je nach Kontext, Stichprobe oder Bedingung variiert, und gibt Anlass zur Suche nach Moderatorvariablen, die diesen Unterschied erklären.
Praxisbeispiel zu Heterogenität
Eine Forscherin möchte in einer Meta-Analyse untersuchen, wie stark sich Achtsamkeitstraining auf den wahrgenommenen Stress auswirkt. Sie schließt sieben Primärstudien ein und berechnet für jede Studie eine Effektgröße (Cohens d):
| Studie | Stichprobengröße | Cohens d | Kontext |
|---|---|---|---|
| Studie 1 | 45 | 0.82 | Klinische Stichprobe |
| Studie 2 | 120 | 0.21 | Universitätsstudierende |
| Studie 3 | 60 | 0.55 | Berufstätige |
| Studie 4 | 30 | 0.90 | Klinische Stichprobe |
| Studie 5 | 200 | 0.18 | Allgemeinbevölkerung |
| Studie 6 | 75 | 0.63 | Berufstätige |
| Studie 7 | 90 | 0.30 | Universitätsstudierende |
Die Effekte schwanken erheblich – von d = 0.18 bis d = 0.90. Die berechnete I²-Statistik beträgt 74 %, was auf eine hohe statistische Heterogenität hindeutet. Ein einfacher Gesamteffekt wäre hier inhaltlich wenig aussagekräftig.
Die Forscherin untersucht daher den Studienkontext als Moderatorvariable und stellt fest: Klinische Stichproben profitieren deutlich stärker von Achtsamkeitstraining als Studierende oder die Allgemeinbevölkerung. Die Heterogenität war also kein Rauschen, sondern ein wichtiger inhaltlicher Befund.
