Statistik-Glossar

p-Wert

p-value · Überschreitungswahrscheinlichkeit · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter dem p-Wert?
Warum ist der p-Wert für statistische Analysen wichtig?
Praxisbeispiel

Was versteht man unter dem p-Wert?

Der p-Wert (engl. p-value) ist eine Kennzahl aus der frequentistischen Inferenzstatistik. Er gibt die Wahrscheinlichkeit an, ein mindestens so extremes Testergebnis zu beobachten wie das tatsächlich gemessene – vorausgesetzt, die Nullhypothese ist wahr.

Formale Definition

$p = P(T \geq t \mid H_0 \text{ ist wahr})$

Dabei steht T für die beobachtete Teststatistik und t für den tatsächlich berechneten Wert aus den Daten. Der p-Wert ist kein fester Schwellenwert, sondern ein kontinuierliches Maß. Konventionell wird er mit einem vorab festgelegten Signifikanzniveau α verglichen – häufig $\alpha = 0{,}05$ oder $\alpha = 0{,}01$ .

Einfach erklärt: Stell dir vor, du wirfst eine Münze 10-mal und erhältst 9-mal Kopf. Der p-Wert beantwortet die Frage: „Wie wahrscheinlich wäre dieses Ergebnis (oder ein noch extremeres), wenn die Münze tatsächlich fair wäre?“ Ein sehr kleiner p-Wert bedeutet: Dieses Ergebnis wäre unter einer fairen Münze sehr unwahrscheinlich – also zweifeln wir an der Nullhypothese.

Warum ist der p-Wert für statistische Analysen wichtig?

Der p-Wert ist das zentrale Ergebnis eines statistischen Hypothesentests. Er hilft zu entscheiden, ob ein beobachtetes Ergebnis zufällig entstanden sein könnte oder auf einen echten Effekt hinweist. In der Praxis bedeutet ein p-Wert unter dem gewählten Signifikanzniveau, dass das Ergebnis statistisch signifikant ist – die Nullhypothese wird dann abgelehnt.

Trotz seiner weiten Verbreitung wird der p-Wert häufig missverstanden oder falsch verwendet. Typische Fehler sind:

Verwechslung mit der Irrtumswahrscheinlichkeit: Ein p-Wert von 0,03 bedeutet nicht, dass die Nullhypothese mit 3 % Wahrscheinlichkeit wahr ist. Er sagt nur etwas über die Wahrscheinlichkeit der Daten unter der Nullhypothese aus.
Gleichsetzung mit praktischer Bedeutsamkeit: Ein kleiner p-Wert bedeutet nicht automatisch, dass ein Effekt groß oder praxisrelevant ist. Bei sehr großen Stichproben können selbst winzige, bedeutungslose Unterschiede statistisch signifikant werden.
Fehlinterpretation als Replikationswahrscheinlichkeit: Ein p-Wert von 0,05 bedeutet nicht, dass ein Experiment mit 95 % Wahrscheinlichkeit reproduzierbar ist.

Häufiger Fehler: Der p-Wert wird oft als einziges Entscheidungskriterium herangezogen. Fachgesellschaften wie die American Statistical Association (ASA) empfehlen ausdrücklich, den p-Wert immer zusammen mit Effektgrößen und Konfidenzintervallen zu berichten, um ein vollständiges Bild zu erhalten.

Gut zu wissen: Das Signifikanzniveau α wird vor der Analyse festgelegt und nicht im Nachhinein angepasst. Ein nachträgliches Anpassen von α an das Testergebnis – auch bekannt als p-hacking – ist methodisch unzulässig und führt zu aufgeblähten Fehlerraten.

Praxisbeispiel zu dem p-Wert

Eine Psychologin möchte wissen, ob ein neues Lernprogramm die Prüfungsleistung von Studierenden verbessert. Sie teilt 60 Studierende zufällig in zwei Gruppen auf: eine Gruppe mit dem neuen Programm (Experimentalgruppe) und eine ohne (Kontrollgruppe). Nach dem Kurs erzielt die Experimentalgruppe im Schnitt 72 Punkte, die Kontrollgruppe 68 Punkte.

Tabelle 1. Ergebnisse des Gruppenvergleichs (t-Test, zweiseitig)
Gruppe	n	Mittelwert	Standardabweichung
Experimentalgruppe	30	72,0	8,5
Kontrollgruppe	30	68,0	9,1

Ein unabhängiger t-Test ergibt einen p-Wert von 0,038. Da dieser Wert unter dem vorab festgelegten Signifikanzniveau von α = 0,05 liegt, wird die Nullhypothese – „Es gibt keinen Unterschied zwischen den Gruppen“ – abgelehnt. Das Ergebnis gilt als statistisch signifikant.

Allerdings sollte die Psychologin auch die Effektgröße berichten (z. B. Cohens d), um einzuschätzen, ob der Unterschied von 4 Punkten auch praktisch relevant ist. Ein statistisch signifikantes Ergebnis sagt darüber allein noch nichts aus.