Voraussetzungen statistischer Tests
In diesem Beitrag
Was versteht man unter Voraussetzungen statistischer Tests?
Statistische Tests basieren auf mathematischen Modellen, die bestimmte Eigenschaften der Daten voraussetzen. Diese Eigenschaften werden als Voraussetzungen (engl. assumptions) bezeichnet. Sind sie erfüllt, liefert der Test valide und interpretierbare Ergebnisse. Sind sie verletzt, können Testergebnisse verzerrt, falsch oder schlicht bedeutungslos sein.
Die konkreten Voraussetzungen hängen vom jeweiligen Verfahren ab. Für viele gängige parametrische Tests – wie den t-Test, die ANOVA oder die lineare Regression – gelten typischerweise folgende Anforderungen:
- Normalverteilung: Die Daten (bzw. die Residuen) sollten annähernd normalverteilt sein.
- Varianzhomogenität (Homoskedastizität): Die Streuung der Daten ist in den verglichenen Gruppen oder über alle Ausprägungen der unabhängigen Variable hinweg ungefähr gleich groß.
- Unabhängigkeit der Beobachtungen: Die einzelnen Messwerte dürfen sich gegenseitig nicht beeinflussen.
- Skalenniveau: Das verwendete Skalenniveau der Variablen muss zum Verfahren passen – viele parametrische Tests setzen mindestens intervallskalierte Daten voraus.
- Stichprobengröße: Manche Verfahren erfordern eine Mindeststichprobengröße, um zuverlässige Ergebnisse zu liefern.
Nichtparametrische Tests (z. B. Mann-Whitney-U-Test, Kruskal-Wallis-Test) kommen mit weniger oder schwächeren Voraussetzungen aus, sind dafür aber oft weniger trennscharf.
Warum sind Voraussetzungen statistischer Tests wichtig?
Das Überprüfen der Voraussetzungen ist kein lästiger Formalismus, sondern ein zentraler Bestandteil seriöser Datenanalyse. Wer diesen Schritt überspringt, riskiert, Schlussfolgerungen zu ziehen, die die Daten gar nicht hergeben.
Besonders relevant ist dies in drei Bereichen:
- Falsch-positive Ergebnisse (Typ-I-Fehler): Verletzte Voraussetzungen können dazu führen, dass ein Test einen Effekt als statistisch signifikant ausweist, der in Wirklichkeit nicht existiert.
- Falsch-negative Ergebnisse (Typ-II-Fehler): Umgekehrt kann ein Test bei Voraussetzungsverletzungen echte Effekte übersehen und fälschlicherweise das Nullhypothese beibehalten.
- Wahl des richtigen Verfahrens: Die Prüfung der Voraussetzungen hilft dabei, das passende Analyseverfahren auszuwählen – oder bei Verletzungen auf eine robuste Alternative umzusteigen.
Praxisbeispiel zu Voraussetzungen statistischer Tests
Eine Psychologiestudentin möchte in ihrer Bachelorarbeit untersuchen, ob zwei Lernmethoden zu unterschiedlichen Testergebnissen führen. Sie plant, einen unabhängigen t-Test durchzuführen, und prüft zunächst die Voraussetzungen:
| Voraussetzung | Prüfmethode | Befund | Konsequenz |
|---|---|---|---|
| Unabhängigkeit | Studiendesign prüfen | Jede Person nur in einer Gruppe → erfüllt | Keine Anpassung nötig |
| Normalverteilung | Shapiro-Wilk-Test, Q-Q-Plot | Q-Q-Plot unauffällig, Shapiro-Wilk: p = .34 → erfüllt | Keine Anpassung nötig |
| Varianzhomogenität | Levene-Test | p = .02 → verletzt | Welch-t-Test verwenden |
| Skalenniveau | Messinstrument prüfen | Punktzahl auf Intervallskala → erfüllt | Keine Anpassung nötig |
Da die Varianzhomogenität verletzt ist, weicht die Studentin auf den Welch-t-Test aus. Dieser ist robuster gegenüber ungleichen Varianzen und liefert unter diesen Bedingungen zuverlässigere Ergebnisse als der klassische t-Test. Durch die systematische Voraussetzungsprüfung hat sie ihr Analyseverfahren bewusst und begründet gewählt – das stärkt die Qualität ihrer Arbeit erheblich.
