Varianzanalyse
In diesem Beitrag
Was versteht man unter Varianzanalyse?
Die Varianzanalyse (kurz: ANOVA, von englisch Analysis of Variance) ist ein statistisches Verfahren, das prüft, ob sich die Mittelwerte von drei oder mehr Gruppen signifikant voneinander unterscheiden. Sie geht dabei nicht direkt die Mittelwerte selbst an, sondern zerlegt die Gesamtstreuung der Daten in zwei Anteile:
- Varianz zwischen den Gruppen (auch: erklärte Varianz): Wie stark unterscheiden sich die Gruppenmittelwerte vom Gesamtmittelwert?
- Varianz innerhalb der Gruppen (auch: Residualvarianz): Wie stark streuen die Messwerte innerhalb jeder einzelnen Gruppe?
Das Verhältnis dieser beiden Varianzanteile ergibt den sogenannten F-Wert, der die Grundlage des statistischen Tests bildet:
F-Wert der ANOVA
Ist der F-Wert groß, bedeutet das: Die Unterschiede zwischen den Gruppen sind im Verhältnis zur Streuung innerhalb der Gruppen groß – und es liegt wahrscheinlich ein echter Effekt vor. Dieser F-Wert wird dann mit einer F-Verteilung verglichen, um den p-Wert zu bestimmen.
Die einfachste Form ist die einfaktorielle ANOVA (one-way ANOVA), bei der genau ein Gruppierungsmerkmal (Faktor) untersucht wird. Darüber hinaus gibt es die mehrfaktorielle ANOVA (z. B. two-way ANOVA), bei der mehrere Faktoren gleichzeitig und deren Wechselwirkungen analysiert werden.
Warum ist Varianzanalyse für statistische Analysen wichtig?
Die ANOVA löst ein konkretes Problem: Wenn man drei oder mehr Gruppen vergleichen möchte, wäre es naheliegend, einfach mehrere t-Tests hintereinander durchzuführen. Das ist jedoch statistisch problematisch: Mit jedem zusätzlichen Test steigt die Wahrscheinlichkeit, fälschlicherweise einen Unterschied zu finden, obwohl keiner existiert (sogenannte Alpha-Fehler-Kumulierung). Die ANOVA testet alle Gruppen in einem einzigen Schritt und hält so das Signifikanzniveau stabil.
Darüber hinaus ermöglicht die ANOVA, mit dem Eta-Quadrat (η²) oder partiellem Eta-Quadrat eine Effektgröße zu berechnen. Diese gibt an, wie viel Prozent der Gesamtvarianz durch den untersuchten Faktor erklärt werden – und macht das Ergebnis damit nicht nur signifikant, sondern auch inhaltlich interpretierbar.
Praxisbeispiel zu Varianzanalyse
Eine Bildungsforscherin untersucht, ob drei verschiedene Unterrichtsmethoden (klassischer Frontalunterricht, kooperatives Lernen, digitale Selbstlernphase) zu unterschiedlichen Testergebnissen führen. Dazu misst sie die Punktzahlen von je 30 Studierenden pro Gruppe.
| Gruppe | Unterrichtsmethode | Mittlere Punktzahl | Standardabweichung |
|---|---|---|---|
| 1 | Frontalunterricht | 62,4 | 8,1 |
| 2 | Kooperatives Lernen | 71,8 | 7,5 |
| 3 | Digitale Selbstlernphase | 67,3 | 9,2 |
Die einfaktorielle ANOVA ergibt einen F-Wert von 6,84 bei einem p-Wert von .002. Da p < .05, wird die Nullhypothese (alle Gruppen haben denselben Mittelwert) verworfen. Das Eta-Quadrat beträgt η² = .13, was nach gängigen Konventionen einem mittleren bis großen Effekt entspricht.
Ein anschließender Tukey-HSD-Test zeigt: Gruppe 2 (Kooperatives Lernen) unterscheidet sich signifikant von Gruppe 1 (Frontalunterricht), während der Unterschied zwischen Gruppe 2 und Gruppe 3 statistisch nicht gesichert ist.
Dieses Beispiel zeigt das typische Vorgehen: erst ANOVA zur globalen Prüfung, dann Post-hoc-Test zur Lokalisierung der Unterschiede, abschließend Effektgröße zur inhaltlichen Einordnung.
