Parametrischer Test
In diesem Beitrag
Was versteht man unter einem Parametrischen Test?
Ein parametrischer Test ist ein statistisches Testverfahren, das bestimmte Annahmen über die Verteilung der zugrunde liegenden Population voraussetzt. Konkret wird dabei angenommen, dass die Daten einer bekannten Verteilungsform folgen – meist der Normalverteilung – und dass die relevanten Parameter dieser Verteilung (z. B. Mittelwert μ und Varianz σ²) im Test geschätzt oder verglichen werden.
Typische parametrische Tests sind:
- t-Test (Vergleich von ein oder zwei Mittelwerten)
- Einfaktorielle ANOVA (Vergleich von drei oder mehr Mittelwerten)
- Pearson-Korrelation (linearer Zusammenhang zwischen zwei Variablen)
- Lineare Regression (Vorhersage einer abhängigen Variable)
Diese Tests prüfen Hypothesen über Verteilungsparameter. Beim klassischen Zweistichproben-t-Test lautet die Nullhypothese beispielsweise:
Nullhypothese beim t-Test
Warum sind Parametrische Tests für statistische Analysen wichtig?
Parametrische Tests gehören zu den leistungsstärksten Werkzeugen der Inferenzstatistik. Wenn ihre Voraussetzungen erfüllt sind, haben sie gegenüber nicht-parametrischen Alternativen eine höhere statistische Power – das heißt, sie erkennen einen tatsächlich vorhandenen Effekt mit größerer Wahrscheinlichkeit.
Damit parametrische Tests korrekt angewendet werden können, müssen in der Regel folgende Voraussetzungen geprüft werden:
- Normalverteilung: Die Daten in der Population (oder die Residuen) sind annähernd normalverteilt.
- Varianzhomogenität (Homoskedastizität): Bei Gruppenvergleichen sollten die Varianzen der Gruppen ähnlich groß sein.
- Metrisches Skalenniveau: Die abhängige Variable ist intervall- oder verhältnisskaliert.
- Unabhängigkeit der Beobachtungen: Die Messwerte beeinflussen sich nicht gegenseitig.
Praxisbeispiel zu Parametrischem Test
Stell dir vor, du untersuchst für deine Bachelorarbeit, ob Studierende nach einem Lernprogramm bessere Testergebnisse erzielen als eine Kontrollgruppe ohne Programm. Du erhebst folgende Mittelwerte und Standardabweichungen:
| Gruppe | n | Mittelwert (Punkte) | Standardabweichung |
|---|---|---|---|
| Lernprogramm | 35 | 78,4 | 9,2 |
| Kontrollgruppe | 35 | 71,1 | 10,5 |
Da die Testergebnisse metrisch skaliert sind, beide Gruppen ausreichend groß sind (n = 35) und ein Levene-Test keine signifikante Verletzung der Varianzhomogenität zeigt, entscheidest du dich für einen unabhängigen Zweistichproben-t-Test – einen klassischen parametrischen Test.
Das Ergebnis liefert einen p-Wert von 0,003. Da dieser unter dem üblichen Signifikanzniveau von α = 0,05 liegt, wird die Nullhypothese abgelehnt: Der Unterschied zwischen den Gruppen ist statistisch signifikant. Das Lernprogramm scheint die Testergebnisse zu verbessern.
Hättest du die Voraussetzungen nicht geprüft und wären diese verletzt gewesen – etwa bei einer stark schiefen Verteilung in einer sehr kleinen Stichprobe – wäre dieses Ergebnis möglicherweise nicht zuverlässig. Dann wäre der Mann-Whitney-U-Test als nicht-parametrische Alternative die bessere Wahl.
