Omnibus-Test
In diesem Beitrag
Was versteht man unter dem Omnibus-Test?
Ein Omnibus-Test (auch: globaler Test) ist ein statistischer Hypothesentest, der gleichzeitig prüft, ob irgendein Unterschied oder Effekt in einer Gruppe von Parametern vorliegt – ohne dabei vorab festzulegen, welche Parameter oder Gruppen sich konkret unterscheiden. Er testet also eine übergeordnete Nullhypothese, die mehrere Einzelhypothesen zusammenfasst.
Das Prinzip lässt sich allgemein so formulieren: Die Nullhypothese des Omnibus-Tests lautet, dass alle zu vergleichenden Gruppen oder Parameter gleich sind. Die Alternativhypothese besagt, dass mindestens eine Gruppe oder ein Parameter davon abweicht.
Nullhypothese des Omnibus-Tests (Beispiel ANOVA)
Das bekannteste Beispiel ist die einfaktorielle ANOVA (Analysis of Variance): Sie prüft global, ob sich die Mittelwerte von drei oder mehr Gruppen unterscheiden. Weitere typische Omnibus-Tests sind der F-Test in der Regressionsanalyse (prüft, ob das Modell insgesamt erklärt) oder der Chi-Quadrat-Test bei Kontingenztafeln mit mehreren Kategorien.
Warum ist der Omnibus-Test für statistische Analysen wichtig?
Der Omnibus-Test dient als erster Schritt in einer mehrstufigen Analysestrategie. Er schützt vor einem zentralen Problem: dem Alphafehler-Kumulierung (auch Familywise Error Rate). Wenn man mehrere Gruppen direkt paarweise vergleicht, ohne vorherigen globalen Test, steigt die Wahrscheinlichkeit, einen falsch-positiven Befund zu erhalten, mit jeder zusätzlichen Einzelvergleichung an.
Indem man zunächst einen Omnibus-Test durchführt und nur bei signifikantem Ergebnis auf Post-hoc-Tests (z. B. Tukey-HSD, Bonferroni) zurückgreift, bleibt das globale Signifikanzniveau kontrolliert. Der Omnibus-Test fungiert somit als Gatekeeper: Er gibt das „grüne Licht“ für detailliertere Einzelvergleiche.
Praxisbeispiel zu Omnibus-Test
Eine Psychologiestudentin untersucht in ihrer Bachelorarbeit, ob drei verschiedene Lernmethoden (Karteikarten, Mindmaps, Zusammenfassungen) zu unterschiedlichen Prüfungsergebnissen führen. Sie teilt 60 Probandinnen und Probanden zufällig in drei Gruppen auf und erhebt am Ende die Prüfungspunkte.
| Lernmethode | n | Mittelwert | Standardabweichung |
|---|---|---|---|
| Karteikarten | 20 | 72 Punkte | 8,3 |
| Mindmaps | 20 | 78 Punkte | 7,1 |
| Zusammenfassungen | 20 | 68 Punkte | 9,5 |
Die Studentin führt eine einfaktorielle ANOVA als Omnibus-Test durch. Das Ergebnis lautet: F(2, 57) = 4,82, p = .012. Da p < .05, ist der Omnibus-Test signifikant – es gibt also mindestens einen Unterschied zwischen den drei Gruppen.
Jetzt erst sind Post-hoc-Vergleiche sinnvoll. Ein anschließender Tukey-HSD-Test zeigt, dass sich die Gruppe „Mindmaps“ signifikant von „Zusammenfassungen“ unterscheidet, während die anderen Paare keine signifikanten Differenzen aufweisen. Ohne den vorgeschalteten Omnibus-Test hätte die Studentin alle drei paarweisen Vergleiche auf einmal durchgeführt – und damit das Risiko eines falsch-positiven Befundes erhöht.
