p-Wert einfach erklärt – was er wirklich bedeutet (und was nicht)

Der p-Wert ist wohl das meistzitierte und gleichzeitig meistmissverstandene Konzept in der empirischen Wissenschaft. In nahezu jeder Abschlussarbeit, jedem Fachartikel und jeder Auswertung taucht er auf, oft begleitet von dem Satz: „Das Ergebnis ist signifikant (p < .05)."

Aber was bedeutet das eigentlich? Und was bedeutet es nicht?

In diesem Artikel erfährst du, was der p-Wert wirklich aussagt, welche Missverständnisse fast alle Studierenden (und manche Professoren) teilen, und wie du ihn in deiner Arbeit korrekt interpretierst.

Was ist der p-Wert überhaupt?

Bevor wir zu den Missverständnissen kommen, brauchen wir eine saubere Definition.

Der p-Wert ist die Wahrscheinlichkeit, ein Ergebnis mindestens so extrem wie das beobachtete zu erhalten, unter der Annahme, dass die Nullhypothese wahr ist.

Das klingt sperrig.

Deshalb ein Beispiel:

Du untersuchst, ob ein neues Lernprogramm die Prüfungsnoten verbessert. Deine Nullhypothese (H₀) lautet: „Das Programm hat keinen Effekt, die Noten unterscheiden sich nicht."

Nach der Studie rechnest du einen t-Test und erhältst p = .03.

Das bedeutet: Wenn das Programm tatsächlich keinen Effekt hätte (H₀ ist wahr), würdest du in nur 3 % aller Fälle einen Unterschied sehen, der genauso groß oder noch größer ist wie deiner.

Das ist ein ziemlich seltenes Ergebnis unter der Nullhypothese, also sprichst du von einem statistisch signifikanten Befund.

Die 5 größten Missverständnisse über den p-Wert

❌ Missverständnis 1: „p < .05 bedeutet, mein Ergebnis ist wahr"

Das ist der häufigste Irrtum. Ein kleiner p-Wert sagt dir nicht, dass deine Hypothese korrekt ist. Er sagt nur, dass dein Ergebnis unter der Nullhypothese unwahrscheinlich wäre.

Die Wahrheit könnte trotzdem die Nullhypothese sein. Du könntest Pech gehabt und zufällig ein extremes Ergebnis erwischt haben. Genau das passiert in 5 % der Fälle, wenn du die α = .05-Grenze verwendest, selbst wenn kein echter Effekt existiert.

❌ Missverständnis 2: „p = .03 bedeutet, es gibt nur 3 % Wahrscheinlichkeit, dass ich falsch liege"

Diese Verwechslung ist so verbreitet, dass Statistiker dafür einen eigenen Namen haben: Inverse probability fallacy.

Der p-Wert sagt: Wie wahrscheinlich sind meine Daten, wenn H₀ wahr ist?

Er sagt nicht: Wie wahrscheinlich ist H₀, gegeben meine Daten?

Das ist ein fundamentaler Unterschied. Letzteres wäre ein bayesianisches Konzept (der sogenannte Posterior), das der klassische p-Wert gar nicht berechnet.

❌ Missverständnis 3: „p = .06 bedeutet, das Ergebnis ist wertlos"

Die willkürliche Grenze bei p = .05 wurde von Ronald Fisher in den 1920er Jahren als praktische Daumenregel eingeführt und nicht als heiliges Gesetz.

Ein Ergebnis mit p = .06 kann trotzdem wissenschaftlich bedeutsam sein, besonders wenn die Effektgröße substanziell ist oder die Stichprobe klein war. Umgekehrt kann p = .001 bei einem winzigen Effekt praktisch bedeutungslos sein.

Signifikanz ≠ Bedeutsamkeit.

❌ Missverständnis 4: „Ein großer p-Wert beweist, dass es keinen Effekt gibt"

p = .45 bedeutet nicht, dass die Nullhypothese wahr ist. Es bedeutet nur, dass deine Daten keinen ausreichenden statistischen Beleg für einen Effekt liefern.

Vielleicht war die Stichprobe zu klein, um einen echten Effekt zu entdecken. Das nennt sich mangelnde Teststärke (Power) und ist ein eigenes Thema, das in vielen Arbeiten ignoriert wird.

❌ Missverständnis 5: „Der p-Wert sagt mir, wie groß der Effekt ist"

Nein. Der p-Wert ist von der Stichprobengröße abhängig. Bei N = 10.000 wird fast jeder noch so kleine, praktisch irrelevante Unterschied statistisch signifikant.

Für die Größe eines Effekts brauchst du Effektgrößenmaße wie Cohen's d, η², r oder OR – je nach Analyse.

Was der p-Wert also wirklich ist: Eine Analogie

Stell dir vor, jemand behauptet, eine faire Münze zu werfen. Du wirfst sie 20 Mal und es kommt 16 Mal Kopf.

Deine Frage: Ist das Zufall, oder ist die Münze manipuliert?

Der p-Wert gibt dir an: Wie wahrscheinlich ist es, bei einer fairen Münze (H₀: p = .50) in 20 Würfen 16 oder mehr Mal Kopf zu erhalten?

Rechnest du das aus, erhältst du etwa p = .006. Das ist sehr unwahrscheinlich also bezweifelst du die Fairness der Münze.

Aber Achtung: Du hast damit nicht bewiesen, dass die Münze gezinkt ist. Du hast nur gezeigt, dass das Ergebnis unter der Annahme einer fairen Münze sehr selten wäre.

Wie du den p-Wert in deiner Arbeit korrekt berichtest

❌ So nicht:

„Der p-Wert beträgt .03, was beweist, dass das Lernprogramm wirksam ist."

✅ So schon:

„Der Unterschied zwischen den Gruppen war statistisch signifikant (t(58) = 2.34, p = .023, d = 0.61), was darauf hindeutet, dass der beobachtete Effekt unter der Nullhypothese unwahrscheinlich ist."

Ein paar Regeln für die Praxis:

• Berichte immer den genauen p-Wert (nicht nur „p < .05")

• Schreibe „p = .032", nicht „p = 0.032" - im APA-Format entfällt die führende Null

• Ergänze immer eine Effektgröße (Cohen's d, η², etc.)

• Wenn p < .001, schreibe „p < .001" du musst keine kleineren Werte ausschreiben

• Interpretiere den Befund inhaltlich, nicht nur statistisch

p-Wert und Effektgröße: Das Zusammenspiel verstehen

Die beiden Maße ergänzen sich und keine der beiden Informationen reicht allein:

Situation	p-Wert	Effektgröße	Interpretation
Großer Effekt, kleine Stichprobe	p = .08	d = 0.80	Effekt plausibel, aber Studie zu klein für Signifikanz
Kleiner Effekt, riesige Stichprobe	p = .001	d = 0.05	Signifikant, aber praktisch irrelevant
Mittlerer Effekt, angemessene Stichprobe	p = .02	d = 0.45	Gutes Ergebnis, sauber interpretierbar

Was stattdessen? Alternativen und Ergänzungen

Die Kritik am p-Wert ist in der Wissenschaft längst angekommen. Die American Statistical Association (ASA) hat 2016 und 2019 Stellungnahmen veröffentlicht, die zu einem verantwortungsvolleren Umgang mit dem p-Wert aufrufen.

Einige Alternativen und Ergänzungen, die du kennen solltest:

• Konfidenzintervalle (KI): Geben an, in welchem Bereich der wahre Effekt mit 95-prozentiger Wahrscheinlichkeit liegt. Informativer als der p-Wert allein, weil sie Richtung und Präzision des Effekts zeigen.

• Bayes-Faktor: Vergleicht direkt, wie viel wahrscheinlicher die Daten unter H₁ im Vergleich zu H₀ sind. Erlaubt auch Evidenz für die Nullhypothese.

• Effektgrößen: Cohen's d für Mittelwertsvergleiche, η² und ω² für Varianzanalysen, r für Korrelationen. Immer angeben.

• Poweranalyse: Vor der Studie berechnen, wie viele Versuchspersonen du brauchst, um einen bestimmten Effekt mit ausreichender Sicherheit zu entdecken. Mit G*Power kostenlos möglich.

Zusammenfassung: Das Wichtigste auf einen Blick

✔ Der p-Wert misst, wie unvereinbar deine Daten mit der Nullhypothese sind und nicht, wie wahrscheinlich deine Hypothese ist.

✔ p < .05 beweist nichts, denn es ist eine Konvention, keine Wahrheit.

✔ Signifikanz ≠ Relevanz , ergänze immer Effektgrößen.

✔ Ein großer p-Wert bedeutet nicht, dass kein Effekt existiert. Vielleicht war die Studie nur zu schwach.

✔ Berichte den genauen p-Wert, die Teststatistik, Freiheitsgrade und Effektgröße – gemeinsam erzählen sie die Geschichte deiner Daten.

Noch Fragen zu deiner Auswertung?

Wenn du gerade an deiner Abschlussarbeit sitzt und unsicher bist, wie du deinen p-Wert oder deine Effektgrößen richtig interpretierst – ich helfe dir dabei. Im Rahmen meines Statistik-Coachings schauen wir uns deine Ergebnisse gemeinsam an und du lernst, sie klar und korrekt zu berichten.

Jetzt kostenloses Erstgespräch vereinbaren!