Nichtparametrischer Test
In diesem Beitrag
Was versteht man unter nichtparametrischen Tests?
Nichtparametrische Tests sind statistische Verfahren, die keine oder nur sehr geringe Annahmen über die Verteilung der Grundgesamtheit voraussetzen. Im Gegensatz zu parametrischen Tests – wie dem t-Test oder der ANOVA – müssen die Daten weder normalverteilt sein noch müssen Varianzhomogenität oder andere strenge Verteilungsvoraussetzungen erfüllt sein.
Der Name „nichtparametrisch“ bedeutet: Es werden keine festen Parameter (etwa Mittelwert μ oder Standardabweichung σ) einer bestimmten Verteilung geschätzt. Stattdessen arbeiten diese Tests häufig mit Rangwerten oder der reinen Reihenfolge der Messwerte. Deshalb werden sie auch als verteilungsfreie Tests bezeichnet.
Typische nichtparametrische Tests im Überblick
| Nichtparametrischer Test | Parametrisches Pendant | Anwendungsfall |
|---|---|---|
| Mann-Whitney-U-Test | Unabhängiger t-Test | Vergleich zweier unabhängiger Gruppen |
| Wilcoxon-Vorzeichen-Rang-Test | Abhängiger t-Test | Vergleich zweier abhängiger Messungen |
| Kruskal-Wallis-Test | Einfaktorielle ANOVA | Vergleich von drei oder mehr Gruppen |
| Spearman-Rangkorrelation | Pearson-Korrelation | Zusammenhang zwischen zwei Variablen |
| Chi-Quadrat-Test | – | Häufigkeiten und Zusammenhänge bei Kategorien |
Warum sind nichtparametrische Tests für statistische Analysen wichtig?
In der Praxis sind die Voraussetzungen parametrischer Tests häufig nicht erfüllt – besonders bei kleinen Stichproben, ordinalen Skalen oder stark schiefen Verteilungen. Nichtparametrische Tests bieten hier eine robuste Alternative, ohne auf statistische Absicherung verzichten zu müssen.
Sie sind besonders dann sinnvoll, wenn:
- die Daten ordinal skaliert sind (z. B. Schulnoten, Likert-Skalen),
- die Normalverteilungsannahme verletzt ist und sich auch durch Transformationen nicht beheben lässt,
- die Stichprobengröße sehr klein ist (n < 30), sodass der zentrale Grenzwertsatz nicht greift,
- oder Ausreißer die Ergebnisse parametrischer Verfahren erheblich verzerren würden.
Praxisbeispiel zu nichtparametrischen Tests
Eine Psychologiestudentin untersucht in ihrer Bachelorarbeit, ob ein Entspannungstraining die wahrgenommene Stressbelastung bei Studierenden verringert. Sie erhebt die Stressbelastung vor und nach dem Training auf einer Skala von 1 bis 10 bei 12 Teilnehmenden.
Da die Stichprobe klein (n = 12) und die Skala ordinal ist, ist der Einsatz eines parametrischen abhängigen t-Tests problematisch. Die Studentin entscheidet sich stattdessen für den Wilcoxon-Vorzeichen-Rang-Test.
Dieser Test wertet nicht die genauen Differenzen zwischen Vor- und Nachmessung aus, sondern deren Rangwerte: Wie groß war die Veränderung relativ zu den anderen Teilnehmenden – und in welche Richtung? Das Ergebnis zeigt einen statistisch signifikanten Rückgang der Stressbelastung (p = .03), was auf einen echten Effekt des Trainings hindeutet.
Hätte die Studentin fälschlicherweise den t-Test verwendet, wäre das Ergebnis aufgrund der kleinen Stichprobe und möglicher Verletzung der Normalverteilung weniger verlässlich gewesen. Der nichtparametrische Test liefert hier die robustere und angemessenere Entscheidungsgrundlage.
