Varianzhomogenität
In diesem Beitrag
Was versteht man unter Varianzhomogenität?
Varianzhomogenität (auch Homoskedastizität genannt) bezeichnet die Eigenschaft, dass die Varianzen einer abhängigen Variable in zwei oder mehr Gruppen bzw. über die Ausprägungen einer unabhängigen Variable hinweg gleich oder annähernd gleich sind. Formal ausgedrückt gilt für k Gruppen die Annahme:
Formale Bedingung
Das Gegenteil – also ungleiche Varianzen – wird als Varianzheterogenität oder Heteroskedastizität bezeichnet. Die Überprüfung dieser Annahme erfolgt typischerweise mithilfe statistischer Tests wie dem Levene-Test oder dem Bartlett-Test.
Warum ist Varianzhomogenität für statistische Analysen wichtig?
Varianzhomogenität ist eine zentrale Voraussetzung für viele häufig eingesetzte statistische Verfahren. Sie wird insbesondere benötigt bei:
- t-Test für unabhängige Stichproben: Der klassische t-Test setzt voraus, dass die Varianzen beider Gruppen gleich sind.
- Einfaktorielle Varianzanalyse (ANOVA): Auch hier ist Varianzhomogenität eine der Grundannahmen.
- Lineare Regression: In der Regressionsanalyse spricht man von Homoskedastizität der Residuen, also dass die Streuung der Fehlerterme konstant bleibt.
Wenn diese Voraussetzung verletzt ist, können die Ergebnisse dieser Tests verzerrt sein – die Wahrscheinlichkeit für einen Fehler 1. Art (fälschlich ein signifikantes Ergebnis zu finden) kann sich erhöhen.
Liegt tatsächlich Varianzheterogenität vor, gibt es robuste Alternativen: Beim t-Test wird dann der Welch-Test empfohlen, der ungleiche Varianzen explizit berücksichtigt. Bei der ANOVA stehen Verfahren wie Welch-ANOVA oder Brown-Forsythe-Test zur Verfügung.
Praxisbeispiel zu Varianzhomogenität
Eine Psychologiestudentin möchte untersuchen, ob sich die Stresswerte (auf einer Skala von 0–100) zwischen zwei Studierendengruppen unterscheiden: Gruppe A studiert in Präsenz, Gruppe B ausschließlich online. Sie plant einen t-Test für unabhängige Stichproben und prüft zunächst die Varianzhomogenität mit dem Levene-Test.
| Gruppe | n | Mittelwert | Standardabweichung | Varianz |
|---|---|---|---|---|
| A – Präsenz | 45 | 52,3 | 8,1 | 65,6 |
| B – Online | 45 | 61,7 | 18,4 | 338,6 |
Die Varianzen unterscheiden sich erheblich (65,6 vs. 338,6). Der Levene-Test fällt entsprechend signifikant aus (p = .003), was auf Varianzheterogenität hinweist. Die Studentin entscheidet sich daher für den Welch-Test statt des klassischen t-Tests. Dieser ist robuster gegenüber ungleichen Varianzen und liefert in dieser Situation zuverlässigere Ergebnisse.
Das Beispiel zeigt: Das Prüfen der Varianzhomogenität ist kein bürokratischer Zwischenschritt, sondern eine inhaltlich relevante Entscheidungsgrundlage für die Wahl des richtigen statistischen Verfahrens.
