Statistik-Glossar

Homogenität der Varianzen

Homoscedasticity / Varianzgleichheit · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Homogenität der Varianzen?
Warum ist Homogenität der Varianzen wichtig?
Praxisbeispiel

Was versteht man unter Homogenität der Varianzen?

Homogenität der Varianzen – auch Varianzhomogenität oder Homoskedastizität genannt – bezeichnet die Annahme, dass die Streuung (Varianz) einer abhängigen Variable in allen zu vergleichenden Gruppen gleich groß ist. Formal ausgedrückt bedeutet das: Für k Gruppen gilt

Formale Bedingung

$\sigma_1^2 = \sigma_2^2 = \cdots = \sigma_k^2$

Diese Voraussetzung ist insbesondere für Verfahren relevant, die Gruppen miteinander vergleichen, etwa den t-Test oder die einfaktorielle Varianzanalyse (ANOVA). Beide Verfahren setzen voraus, dass die Varianzen der verglichenen Gruppen nicht systematisch voneinander abweichen.

Um zu prüfen, ob Varianzhomogenität vorliegt, werden spezielle Voraussetzungstests eingesetzt. Die bekanntesten sind:

Levene-Test: Prüft auf Basis der absoluten Abweichungen vom Gruppenmittelwert. Gilt als robust gegenüber Verletzungen der Normalverteilungsannahme und wird in der Praxis am häufigsten verwendet.
Bartlett-Test: Statistisch effizienter, aber empfindlicher gegenüber Nicht-Normalverteilung.
Fligner-Killeen-Test: Eine nicht-parametrische Alternative, die besonders robust bei Ausreißern ist.

Ein signifikantes Ergebnis in diesen Tests (üblicherweise p < .05) deutet darauf hin, dass die Varianzen der Gruppen sich bedeutsam unterscheiden – die Voraussetzung der Varianzhomogenität wäre dann verletzt.

Einfach erklärt: Stell dir vor, du vergleichst die Prüfungsnoten von drei Lerngruppen. Varianzhomogenität bedeutet, dass die Noten in jeder Gruppe ähnlich weit streuen – also nicht in einer Gruppe alle sehr nah beieinanderliegen, während sie in einer anderen Gruppe weit auseinandergehen. Wenn die Streuung in den Gruppen sehr unterschiedlich ist, können statistische Vergleiche zu falschen Schlüssen führen.

Warum ist Homogenität der Varianzen für statistische Analysen wichtig?

Viele der gängigen parametrischen Testverfahren basieren auf der Annahme der Varianzhomogenität. Ist diese Voraussetzung erfüllt, liefern diese Tests zuverlässige und valide Ergebnisse. Wird sie verletzt, können die berechneten Prüfgrößen und p-Werte verzerrt sein – was zu falschen Schlussfolgerungen führt.

In der Praxis gibt es jedoch robuste Alternativen, die auch bei Varianzinhomogenität korrekte Ergebnisse liefern:

Beim t-Test: Welch-Test (auch „t-Test für ungleiche Varianzen“) statt des klassischen Student-t-Tests.
Bei der ANOVA: Welch-ANOVA oder Brown-Forsythe-Test als robuste Varianten.
Alternativ können nicht-parametrische Tests wie der Mann-Whitney-U-Test oder der Kruskal-Wallis-Test eingesetzt werden.

Häufiger Fehler: Viele Studierende führen den Levene-Test durch und interpretieren ein nicht-signifikantes Ergebnis als Beweis für Varianzhomogenität. Korrekt ist jedoch: Ein nicht-signifikantes Ergebnis bedeutet lediglich, dass kein statistisch bedeutsamer Unterschied nachgewiesen werden konnte – nicht, dass die Varianzen identisch sind. Vor allem bei kleinen Stichproben hat der Test wenig Power und übersieht reale Unterschiede leicht.

Gut zu wissen: Die ANOVA gilt als relativ robust gegenüber moderaten Verletzungen der Varianzhomogenität, solange die Gruppengrößen ähnlich sind. Bei stark ungleichen Stichprobengrößen in Kombination mit heterogenen Varianzen wird die Analyse jedoch schnell unzuverlässig.

Praxisbeispiel zu Homogenität der Varianzen

Eine Forscherin möchte untersuchen, ob drei verschiedene Lernmethoden (Methode A, B und C) zu unterschiedlichen Testergebnissen führen. Sie plant eine einfaktorielle ANOVA und prüft zunächst mit dem Levene-Test, ob Varianzhomogenität vorliegt.

Tabelle 1. Gruppenvarianzen und Stichprobenumfänge der drei Lerngruppen
Gruppe	n	Mittelwert	Varianz
Methode A	30	72,4	18,3
Methode B	30	75,1	21,7
Methode C	30	68,9	19,5

Der Levene-Test ergibt F(2, 87) = 0,84, p = .435. Da p > .05, gibt es keinen Hinweis auf eine bedeutsame Verletzung der Varianzhomogenität. Die Forscherin kann die ANOVA wie geplant durchführen und muss nicht auf eine robuste Alternative ausweichen.

Hätte der Levene-Test ein signifikantes Ergebnis gezeigt (z. B. p = .012), wäre die Voraussetzung verletzt. In diesem Fall sollte sie stattdessen die Welch-ANOVA verwenden, die keine Varianzhomogenität voraussetzt und auch bei unterschiedlichen Gruppenvarianzen valide Ergebnisse liefert.