Inferenzstatistik
In diesem Beitrag
Was versteht man unter Inferenzstatistik?
Die Inferenzstatistik – auch schließende Statistik oder Inferential Statistics genannt – ist jener Teilbereich der Statistik, der es ermöglicht, auf Basis von Stichprobendaten Aussagen über eine größere Grundgesamtheit zu treffen. Im Kern geht es darum, von dem, was man beobachtet hat, auf das zu schließen, was man nicht vollständig beobachten konnte.
Formal gesprochen schätzt die Inferenzstatistik unbekannte Populationsparameter (z. B. den wahren Mittelwert oder die wahre Varianz ) anhand von Stichprobenstatistiken (z. B. dem Stichprobenmittelwert ). Dabei werden stets Aussagen mit einer gewissen Unsicherheit verbunden – ausgedrückt durch Konzepte wie Konfidenzintervalle, p-Werte und Signifikanzniveaus.
Die Inferenzstatistik umfasst zwei zentrale Verfahrensklassen:
- Hypothesentests (z. B. t-Test, Chi-Quadrat-Test): Sie prüfen, ob ein beobachteter Effekt in der Stichprobe mit hinreichender Sicherheit auch in der Grundgesamtheit existiert.
- Schätzverfahren (Punkt- und Intervallschätzung): Sie liefern konkrete Schätzwerte für unbekannte Populationsparameter, z. B. in Form eines Konfidenzintervalls.
Warum ist Inferenzstatistik für statistische Analysen wichtig?
In der wissenschaftlichen Praxis ist es fast nie möglich, eine vollständige Grundgesamtheit zu erheben. Ob in der Psychologie, Medizin, Wirtschaftswissenschaft oder Sozialforschung – Forscher arbeiten nahezu immer mit Stichproben. Die Inferenzstatistik macht diese Stichprobendaten erst wissenschaftlich verwertbar, denn sie erlaubt verallgemeinerbare Aussagen mit kontrollierbarer Unsicherheit.
Ohne inferenzstatistische Methoden könnte man zwar beschreiben, was in einer Stichprobe beobachtet wurde (das ist Aufgabe der deskriptiven Statistik), aber keine Schlüsse auf die Gesamtheit ziehen. Erst der inferenzstatistische Schritt macht Aussagen wie „Der Unterschied zwischen den Gruppen ist statistisch signifikant“ möglich.
Praxisbeispiel zu Inferenzstatistik
Eine Psychologiestudentin untersucht in ihrer Bachelorarbeit, ob eine neue Lernmethode die Prüfungsleistungen verbessert. Sie teilt 60 Studierende zufällig in zwei Gruppen auf: 30 lernen mit der neuen Methode (Experimentalgruppe), 30 mit der bisherigen Methode (Kontrollgruppe).
| Gruppe | n | Mittelwert | Standardabweichung |
|---|---|---|---|
| Experimentalgruppe | 30 | 74,2 Punkte | 8,1 |
| Kontrollgruppe | 30 | 68,5 Punkte | 9,4 |
Der Unterschied von 5,7 Punkten ist zunächst nur eine deskriptive Beobachtung in dieser Stichprobe. Um zu entscheiden, ob dieser Unterschied auch in der Grundgesamtheit aller Studierenden zu erwarten wäre, führt die Studentin einen unabhängigen t-Test durch. Dieser liefert einen p-Wert von 0,03 – kleiner als das vorab festgelegte Signifikanzniveau von α = 0,05.
Die inferenzstatistische Schlussfolgerung lautet: Der Unterschied ist statistisch signifikant. Es gibt hinreichend Evidenz dafür, dass die neue Lernmethode in der Grundgesamtheit einen positiven Effekt auf die Prüfungsleistung hat. Zusätzlich berechnet sie ein 95-%-Konfidenzintervall für den mittleren Unterschied, das den Bereich von 0,6 bis 10,8 Punkten umfasst – und damit angibt, in welchem Bereich der wahre Populationseffekt mit 95 % Wahrscheinlichkeit liegt.
