Typ-I-Fehler
In diesem Beitrag
Was versteht man unter Typ-I-Fehler?
Ein Typ-I-Fehler tritt auf, wenn eine Nullhypothese (H₀) abgelehnt wird, obwohl sie in der Realität wahr ist. Mit anderen Worten: Man schlussfolgert, dass ein Effekt oder ein Zusammenhang existiert, obwohl tatsächlich keiner vorhanden ist. Deshalb wird der Typ-I-Fehler auch als falsch positives Ergebnis bezeichnet.
Die Wahrscheinlichkeit, einen Typ-I-Fehler zu begehen, entspricht dem Signifikanzniveau α (Alpha). Es gilt:
Formel: Typ-I-Fehlerwahrscheinlichkeit
In der Praxis wird α häufig auf 0,05 (5 %) festgelegt. Das bedeutet: Bei einer korrekten Nullhypothese würde man sie in 5 von 100 Tests fälschlicherweise ablehnen, allein aufgrund zufälliger Schwankungen in den Daten.
Warum ist der Typ-I-Fehler für statistische Analysen wichtig?
Das Signifikanzniveau α ist eine der grundlegendsten Entscheidungen vor einer statistischen Analyse. Es legt fest, wie viel Risiko du bereit bist einzugehen, einen nicht vorhandenen Effekt fälschlicherweise zu behaupten. Diese Entscheidung hat direkte Konsequenzen für die Glaubwürdigkeit deiner Ergebnisse.
Besonders wichtig ist das Konzept in folgenden Situationen:
- Medizinische Studien: Ein falsch positiver Befund könnte dazu führen, dass ein wirkungsloses oder sogar schädliches Medikament zugelassen wird.
- Psychologische Forschung: Viele Replikationsprobleme der letzten Jahre sind auch auf unkontrollierte Typ-I-Fehler zurückzuführen.
- Mehrfachtests: Wer viele Hypothesen gleichzeitig testet, erhöht die Wahrscheinlichkeit, mindestens einen Typ-I-Fehler zu machen – eine Korrektur (z. B. nach Bonferroni) ist dann notwendig.
Der Typ-I-Fehler steht immer in einem Spannungsverhältnis zum Typ-II-Fehler (Beta-Fehler), also dem Übersehen eines tatsächlich vorhandenen Effekts. Wer α sehr klein wählt (z. B. 0,001), um Typ-I-Fehler zu minimieren, erhöht dadurch automatisch das Risiko eines Typ-II-Fehlers. Die richtige Balance hängt vom Forschungskontext und den Konsequenzen beider Fehlerarten ab.
Praxisbeispiel zu Typ-I-Fehler
Eine Psychologiestudentin untersucht in ihrer Bachelorarbeit, ob ein bestimmtes Entspannungstraining den Stresspegel von Studierenden senkt. Sie formuliert folgende Hypothesen:
- H₀: Das Training hat keinen Effekt auf den Stresspegel.
- H₁: Das Training senkt den Stresspegel.
Sie legt α = 0,05 fest und führt einen t-Test durch. Das Ergebnis: p = 0,03 – sie lehnt H₀ ab und schlussfolgert, das Training wirke.
Angenommen, das Training hat in Wirklichkeit überhaupt keinen Effekt. Dann wäre dieses Ergebnis ein klassischer Typ-I-Fehler: Die zufällige Streuung in der kleinen Stichprobe hat einen Effekt vorgetäuscht, der nicht existiert. Bei einem Signifikanzniveau von 5 % passiert genau das in etwa 1 von 20 solchen Tests.
| H₀ ist wahr | H₀ ist falsch | |
|---|---|---|
| H₀ wird abgelehnt | Typ-I-Fehler (α) | Richtige Entscheidung (Teststärke) |
| H₀ wird beibehalten | Richtige Entscheidung | Typ-II-Fehler (β) |
