t-Test
In diesem Beitrag
Was versteht man unter dem t-Test?
Der t-Test ist ein statistisches Hypothesentestverfahren, mit dem geprüft wird, ob sich ein oder zwei Mittelwerte signifikant voneinander unterscheiden. Er basiert auf der sogenannten t-Verteilung und eignet sich besonders für kleine Stichproben sowie für Situationen, in denen die Populationsvarianz unbekannt ist.
Die zugrunde liegende Prüfgröße (der t-Wert) berechnet sich beim Zweistichproben-t-Test vereinfacht als:
Formel: t-Wert (Zweistichproben-t-Test)
Dabei steht für den Mittelwert der ersten Gruppe, für den Mittelwert der zweiten Gruppe und für den Standardfehler der Mittelwertdifferenz. Je größer der resultierende t-Wert, desto unwahrscheinlicher ist es, dass der beobachtete Unterschied allein durch Zufall entstanden ist.
Es gibt drei häufig verwendete Varianten des t-Tests:
- Einstichproben-t-Test: Vergleicht den Mittelwert einer Stichprobe mit einem bekannten oder theoretischen Referenzwert.
- Zweistichproben-t-Test (unabhängig): Vergleicht die Mittelwerte zweier unabhängiger Gruppen, z. B. Kontrollgruppe vs. Experimentalgruppe.
- Gepaarter t-Test: Vergleicht zwei Messungen derselben Personen oder Einheiten, z. B. Vorher-Nachher-Messungen.
Für die Anwendung des t-Tests gelten folgende Voraussetzungen:
- Die abhängige Variable ist metrisch skaliert.
- Die Daten sind in der Population (annähernd) normalverteilt – bei großen Stichproben ist der t-Test dank des zentralen Grenzwertsatzes jedoch robust gegenüber Verletzungen dieser Annahme.
- Beim unabhängigen Zweistichproben-t-Test sollten die Varianzen beider Gruppen homogen sein (prüfbar mit dem Levene-Test). Bei Varianzheterogenität wird der Welch-t-Test empfohlen.
Warum ist der t-Test für statistische Analysen wichtig?
Der t-Test gehört zu den am häufigsten eingesetzten statistischen Verfahren in der empirischen Forschung. Er ermöglicht eine klare, nachvollziehbare Antwort auf eine der grundlegendsten Forschungsfragen: Unterscheiden sich zwei Gruppen voneinander? Diese Frage stellt sich in nahezu jeder wissenschaftlichen Disziplin – von der Medizin über die Psychologie bis hin zu den Wirtschaftswissenschaften.
Das Ergebnis eines t-Tests wird anhand des p-Werts beurteilt. Liegt der p-Wert unterhalb des vorab festgelegten Signifikanzniveaus (häufig ), wird die Nullhypothese – also die Annahme, es gebe keinen Unterschied – abgelehnt.
Ergänzend zum p-Wert sollte immer die Effektgröße berichtet werden. Cohens d ist die gängige Effektgröße für den t-Test und gibt an, wie groß der Unterschied in standardisierten Einheiten ist. Ein statistisch signifikantes Ergebnis kann nämlich bei großen Stichproben auch bei sehr kleinen, praktisch irrelevanten Unterschieden auftreten.
Praxisbeispiel zum t-Test
Eine Ernährungswissenschaftlerin möchte untersuchen, ob eine neue Diätmethode den Body-Mass-Index (BMI) stärker senkt als eine Standarddiät. Sie rekrutiert 40 Probandinnen und Probanden und teilt sie zufällig in zwei Gruppen auf: 20 Personen folgen der neuen Methode, 20 Personen der Standarddiät. Nach acht Wochen werden die BMI-Veränderungen gemessen.
| Gruppe | n | Mittlere BMI-Reduktion | Standardabweichung |
|---|---|---|---|
| Neue Diätmethode | 20 | 2,8 kg/m² | 1,1 |
| Standarddiät | 20 | 1,9 kg/m² | 1,3 |
Ein unabhängiger Zweistichproben-t-Test ergibt einen t-Wert von 2,34 bei 38 Freiheitsgraden und einen p-Wert von 0,025. Da , wird die Nullhypothese abgelehnt: Der Unterschied zwischen den Gruppen ist statistisch signifikant. Cohens d beträgt 0,75, was einem mittleren bis großen Effekt entspricht. Die neue Diätmethode führt also nicht nur statistisch nachweisbar, sondern auch praktisch relevant zu einer stärkeren BMI-Reduktion.
