Statistik-Glossar

Holm-Korrektur

Holm-Bonferroni-Methode / Holm’s step-down procedure · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter der Holm-Korrektur?
Warum ist die Holm-Korrektur für statistische Analysen wichtig?
Praxisbeispiel

Was versteht man unter der Holm-Korrektur?

Die Holm-Korrektur (auch Holm-Bonferroni-Methode) ist ein statistisches Verfahren zur Kontrolle des familywise error rate (FWER) bei multiplen Hypothesentests. Der FWER bezeichnet die Wahrscheinlichkeit, mindestens einen fälschlichen signifikanten Befund zu erzielen (Typ-I-Fehler), wenn mehrere Tests gleichzeitig durchgeführt werden. Die Methode wurde 1979 von Sture Holm als Verbesserung der bekannten Bonferroni-Korrektur entwickelt.

Das Verfahren arbeitet schrittweise (step-down) und folgt diesem Ablauf:

Berechne alle p-Werte der Einzeltests und sortiere sie aufsteigend: $p_{(1)} \leq p_{(2)} \leq \cdots \leq p_{(m)}$
Vergleiche den kleinsten p-Wert mit dem angepassten Signifikanzniveau $\frac{\alpha}{m}$ , wobei m die Gesamtzahl der Tests ist.
Ist der kleinste p-Wert kleiner als dieser Schwellenwert, wird das Ergebnis als signifikant bewertet und man fährt zum nächstgrößeren p-Wert fort. Dieser wird nun mit $\frac{\alpha}{m - 1}$ verglichen.
Das Verfahren wird fortgesetzt, bis ein p-Wert den zugehörigen Schwellenwert überschreitet. Ab diesem Punkt gelten alle verbleibenden Tests als nicht signifikant.

Allgemein gilt für den i-ten geordneten p-Wert der Vergleichsschwellenwert:

Schwellenwert beim i-ten Schritt

$\alpha_i = \frac{\alpha}{m - i + 1}$

Einfach erklärt Wenn du viele statistische Tests auf einmal durchführst, steigt die Chance, rein zufällig ein „signifikantes“ Ergebnis zu erhalten – ähnlich wie beim wiederholten Münzwurf. Die Holm-Korrektur schützt dich davor, indem sie die Messlatte für Signifikanz schrittweise anpasst: Je mehr Tests du schon bestanden hast, desto weniger streng wird die Anforderung für den nächsten Test – aber immer noch strenger als ohne Korrektur.

Warum ist die Holm-Korrektur für statistische Analysen wichtig?

Sobald mehrere Hypothesen gleichzeitig getestet werden – etwa in klinischen Studien, Umfragestudien oder bei der Analyse von Gruppenunterschieden nach einer ANOVA – wächst die Wahrscheinlichkeit eines falsch-positiven Befunds mit jedem zusätzlichen Test. Führt man beispielsweise 20 Tests mit einem Signifikanzniveau von α = 0,05 durch, beträgt die Wahrscheinlichkeit, mindestens einen Typ-I-Fehler zu begehen, bereits etwa 64 %.

Die Holm-Korrektur löst dieses Problem auf eine elegant effizientere Weise als die klassische Bonferroni-Korrektur. Während die Bonferroni-Methode alle p-Werte pauschal mit $\frac{\alpha}{m}$ vergleicht, ist die Holm-Korrektur gleichmäßig mächtiger (uniformly more powerful): Sie kontrolliert den FWER genauso zuverlässig, verwirft aber im Durchschnitt mehr Nullhypothesen zu Recht – sie ist also weniger konservativ und verpasst seltener echte Effekte.

Gut zu wissen Die Holm-Korrektur ist ein sogenanntes closed testing procedure-Verfahren. Das bedeutet, sie ist mathematisch beweisbar valide zur FWER-Kontrolle, ohne dabei unnötig Teststärke zu verschwenden. In den meisten Softwarepaketen (R, SPSS, Python) ist sie standardmäßig verfügbar, z. B. in R mit p.adjust(p_werte, method = "holm").

Häufiger Fehler Viele verwechseln die Holm-Korrektur mit der Benjamini-Hochberg-Korrektur. Letztere kontrolliert nicht den FWER, sondern die False Discovery Rate (FDR) – also den erwarteten Anteil falsch-positiver Befunde unter allen als signifikant deklarierten Ergebnissen. Die Wahl zwischen FWER- und FDR-Kontrolle hängt vom Forschungskontext ab und sollte bewusst getroffen werden.

Praxisbeispiel zu Holm-Korrektur

Stell dir vor, du untersuchst in einer Studie den Einfluss von drei Behandlungsmethoden auf den Blutdruck und führst drei paarweise Vergleiche durch (Gruppe A vs. B, A vs. C, B vs. C). Du erhältst folgende p-Werte und möchtest auf dem Niveau α = 0,05 testen:

Tabelle 1. Schrittweise Holm-Korrektur für drei paarweise Tests (α = 0,05)
Rang (i)	Vergleich	p-Wert	Schwellenwert α / (m − i + 1)	Signifikant?
1	A vs. C	0,008	0,05 / 3 = 0,0167	✓ Ja
2	A vs. B	0,021	0,05 / 2 = 0,025	✓ Ja
3	B vs. C	0,048	0,05 / 1 = 0,05	✓ Ja

In diesem Beispiel werden alle drei Tests als signifikant eingestuft, da jeder p-Wert seinen schrittweise angepassten Schwellenwert unterschreitet. Hätte man hingegen ohne Korrektur gearbeitet, wäre das Ergebnis formal dasselbe – doch ohne Korrektur würde man das Risiko eingehen, falsch-positive Befunde zu übersehen. Wäre der dritte p-Wert z. B. 0,041 und der zweite bereits nicht signifikant gewesen, hätte das Verfahren an diesem Punkt gestoppt und alle nachfolgenden Tests automatisch als nicht signifikant deklariert.