Welchen statistischen Test brauche ich?
- Sophie S
- vor 1 Tag
- 7 Min. Lesezeit
Welcher statistische Test passt zu meiner Forschungsfrage?
Du hast deine Daten erhoben und möchtest mit der statistischen Auswertung beginnen. Doch welcher statistische Test ist der richtige? Brauchst du einen t-Test, eine ANOVA, eine Korrelation oder eine Regression? Diese Frage lässt sich nicht allein anhand des Themas deiner Bachelorarbeit oder Masterarbeit beantworten. Entscheidend sind deine Forschungsfrage, das Studiendesign, das Skalenniveau deiner Variablen und die Verteilung deiner Daten.
In diesem Artikel lernst du Schritt für Schritt, wie du einen passenden statistischen Test auswählst. Ein durchgängiges Beispiel aus der Psychologie zeigt, wie dieselben Variablen je nach Fragestellung zu unterschiedlichen Analyseverfahren führen können. Der Entscheidungsbaum gibt dir anschließend eine schnelle erste Orientierung.
Das Psychologie-Beispiel: Schlaftraining und rüfungsstress
Stell dir vor, eine Psychologiestudentin untersucht, ob ein vierwöchiges Schlaftraining den Prüfungsstress von Studierenden reduziert. Sie rekrutiert 120 Studierende und teilt sie zufällig einer Trainingsgruppe oder einer Kontrollgruppe zu. Vor und nach dem Untersuchungszeitraum werden der subjektive Prüfungsstress und die Schlafqualität mit einem Fragebogen erfasst. Zusätzlich wird dokumentiert, ob eine Person die anstehende Prüfung bestanden hat.
Der Datensatz enthält damit beispielsweise folgende Variablen:
· Gruppe: Schlaftraining oder Kontrollgruppe – nominal und dichotom
· Prüfungsstress: Skalenwert von 0 bis 40 – in der Praxis häufig als metrisch behandelt
· Schlafqualität: Skalenwert von 0 bis 21 – ebenfalls häufig metrisch ausgewertet
· Messzeitpunkt: vor oder nach dem Training – zwei abhängige Messungen
· Prüfungserfolg: bestanden oder nicht bestanden – nominal und dichotom
Je nachdem, welche Frage die Studentin beantworten möchte, benötigt sie einen anderen statistischen Test. Genau deshalb beginnt die Testwahl immer bei der Forschungsfrage und nicht beim Menü eines Statistikprogramms.
Vier Fragen, die du vor der Testwahl beantworten musst
1. Möchtest du Unterschiede, Zusammenhänge oder Vorhersagen untersuchen?
Bei einem Unterschiedstest vergleichst du Gruppen oder Messzeitpunkte. Bei einem Zusammenhangstest prüfst du, ob zwei Variablen gemeinsam variieren. Bei einer Vorhersageanalyse untersuchst du, wie gut eine oder mehrere Variablen eine Zielvariable statistisch erklären beziehungsweise vorhersagen.
2. Wie viele Gruppen oder Messzeitpunkte gibt es?
Für zwei Gruppen kommt häufig ein t-Test infrage. Bei mehr als zwei Gruppen wird meist eine Varianzanalyse verwendet. Bei wiederholten Messungen derselben Personen müssen abhängige Daten berücksichtigt werden.
3. Sind die Beobachtungen unabhängig oder abhängig?
Zwei Gruppen sind unabhängig, wenn jede Person nur einer Gruppe angehört. Messungen sind abhängig, wenn dieselben Personen mehrfach untersucht werden oder wenn Personen gezielt miteinander gepaart wurden. Diese Unterscheidung entscheidet beispielsweise zwischen dem t-Test für unabhängige und dem t-Test für verbundene Stichproben.
4. Welches Skalenniveau haben deine Variablen?
Metrische Variablen besitzen sinnvoll interpretierbare Zahlenabstände, etwa Reaktionszeiten oder Summenwerte vieler etablierter Skalen. Ordinale Variablen bilden eine Rangfolge ab, beispielsweise eine einzelne Zufriedenheitsfrage von 1 bis 5. Nominale Variablen bestehen aus Kategorien ohne natürliche Reihenfolge, etwa Studienfach oder Prüfung bestanden: ja beziehungsweise nein.
Entscheidungsbaum: Welcher statistische Test passt?
Der folgende Entscheidungsbaum zeigt die häufigsten Standardfälle in psychologischen Abschlussarbeiten. Er ersetzt keine Prüfung des konkreten Studiendesigns, hilft aber dabei, die Auswahl einzugrenzen.
Wann verwendet man welchen statistischen Test?
Fragestellung | Datensituation | Typischer Test | Psychologie-Beispiel |
2 unabhängige Gruppen | metrische AV | t-Test unabhängig | Stress nach Training vs. Kontrolle |
2 verbundene Messungen | metrische AV | t-Test verbunden | Stress vor vs. nach Training |
> 2 unabhängige Gruppen | metrische AV | einfaktorielle ANOVA | Kontrolle, Schlaftraining, Entspannung |
> 2 verbundene Messungen | metrische AV | ANOVA mit Messwiederholung | Stress vor, direkt nach und im Follow-up |
Zusammenhang | 2 metrische Variablen | Pearson-Korrelation | Schlafqualität und Stress |
Rangbasierter Zusammenhang | ordinal / Ausreißer | Spearman-Korrelation | einzelne Ratings zu Schlaf und Stress |
Vorhersage | metrische AV | lineare Regression | Stress durch Schlafqualität vorhersagen |
Vorhersage | dichotome AV | logistische Regression | Bestehen der Prüfung vorhersagen |
Zusammenhang von Kategorien | 2 nominale Variablen | Chi-Quadrat-Test | Training und Prüfungserfolg |
1. t-Test für unabhängige Stichproben
Den t-Test für unabhängige Stichproben verwendest du, wenn du die Mittelwerte von zwei voneinander unabhängigen Gruppen vergleichen möchtest. Im Beispiel lautet die Forschungsfrage: Berichten Studierende aus der Schlaftrainingsgruppe nach vier Wochen weniger Prüfungsstress als Studierende aus der Kontrollgruppe? Die Gruppenzugehörigkeit ist kategorial, der Stresswert metrisch und jede Person gehört nur einer Gruppe an.
Passender Test t-Test für unabhängige Stichproben. Bei einer gerichteten Hypothese wird trotzdem häufig zweiseitig getestet, sofern die einseitige Prüfung nicht vorab überzeugend begründet und festgelegt wurde. |
2. t-Test für verbundene Stichproben
Den t-Test für verbundene Stichproben nutzt du, wenn dieselben Personen zweimal gemessen werden. Die passende Frage wäre: Hat sich der Prüfungsstress innerhalb der Trainingsgruppe von der Prä- zur Postmessung verändert? Weil beide Messwerte von denselben Personen stammen, sind sie statistisch abhängig.
Passender Test t-Test für verbundene Stichproben. Relevant ist hier insbesondere die Verteilung der Differenzwerte zwischen beiden Messzeitpunkten. |
3. Einfaktorielle ANOVA
Eine einfaktorielle Varianzanalyse, kurz ANOVA, eignet sich für den Mittelwertvergleich von mehr als zwei unabhängigen Gruppen. Angenommen, die Studie enthielte neben Schlaftraining und Kontrollgruppe noch eine Entspannungsgruppe. Dann könnte die Studentin prüfen, ob sich der durchschnittliche Stress nach der Intervention zwischen den drei Gruppen unterscheidet.
Ein signifikanter Omnibustest zeigt zunächst nur, dass nicht alle Gruppenmittelwerte gleich sind. Welche Gruppen sich unterscheiden, wird anschließend mit geplanten Kontrasten oder korrigierten Post-hoc-Tests untersucht. Mehrere einzelne t-Tests ohne Korrektur würden die Wahrscheinlichkeit für mindestens einen falsch-positiven Befund erhöhen.
4. ANOVA mit Messwiederholung
Eine ANOVA mit Messwiederholung kommt häufig zum Einsatz, wenn dieselben Personen zu mehr als zwei Zeitpunkten untersucht werden. Im Beispiel könnten der Stress vor dem Training, unmittelbar danach und vier Wochen später erfasst werden. Soll zusätzlich geprüft werden, ob sich dieser Verlauf zwischen Trainings- und Kontrollgruppe unterscheidet, liegt ein gemischtes Design mit einem Within- und einem Between-Subjects-Faktor vor.
Bei fehlenden Messwerten, ungleichen Messabständen oder komplexeren hierarchischen Daten können lineare gemischte Modelle geeigneter sein als eine klassische Messwiederholungs-ANOVA.
5. Pearson- oder Spearman-Korrelation
Eine Korrelation beschreibt Richtung und Stärke eines Zusammenhangs. Die Studentin könnte fragen: Hängt eine bessere Schlafqualität mit geringerem Prüfungsstress zusammen? Sind beide Variablen metrisch und ist ihr Zusammenhang ungefähr linear, wird häufig die Pearson-Korrelation verwendet. Bei ordinalen Daten, starken Ausreißern oder einem monotonen, aber nicht linearen Zusammenhang kann die Spearman-Rangkorrelation sinnvoller sein.
Wichtig Eine Korrelation belegt keine Kausalität. Auch ein starker Zusammenhang zeigt allein nicht, dass schlechter Schlaf den Stress verursacht. |
6. Lineare Regression
Die lineare Regression verwendest du, wenn eine metrische abhängige Variable durch einen oder mehrere Prädiktoren erklärt oder vorhergesagt werden soll. Im Beispiel könnte geprüft werden, ob die Schlafqualität den Prüfungsstress vorhersagt und ob dieser Zusammenhang bestehen bleibt, wenn Alter, Studienphase und Ausgangsstress kontrolliert werden.
Im Unterschied zur einfachen Korrelation legt die Regression eine Zielvariable fest und kann mehrere Prädiktoren gleichzeitig berücksichtigen. Sie macht aus nicht-experimentellen Daten jedoch nicht automatisch einen kausalen Befund.
7. Logistische Regression
Ist die abhängige Variable dichotom, ist eine lineare Regression in der Regel nicht die passende Standardanalyse. Möchte die Studentin vorhersagen, ob eine Person die Prüfung bestanden hat, bietet sich eine binär-logistische Regression an. Als Prädiktoren könnten beispielsweise Gruppenzugehörigkeit, Schlafqualität und Prüfungsstress verwendet werden. Die Ergebnisse werden häufig mithilfe von Odds Ratios interpretiert.
8. Chi-Quadrat-Test
Der Chi-Quadrat-Unabhängigkeitstest untersucht den Zusammenhang zwischen zwei kategorialen Variablen. Im Beispiel könnte geprüft werden, ob der Anteil bestandener Prüfungen in der Trainings- und Kontrollgruppe unterschiedlich ist. Sind erwartete Zellhäufigkeiten zu klein, kann bei einer 2-mal-2-Tabelle der exakte Fisher-Test angemessener sein.
Was ist mit nichtparametrischen Tests?
Nichtparametrische Verfahren sind nicht automatisch immer die beste Lösung, sobald ein Normalitätstest signifikant wird. Die Wahl hängt unter anderem vom Messniveau, von der Form der Verteilung, von Ausreißern, der Stichprobengröße und von der konkreten Zielgröße ab. Typische Alternativen sind:
· Mann-Whitney-U-Test statt t-Test für unabhängige Stichproben
· Wilcoxon-Vorzeichen-Rang-Test statt t-Test für verbundene Stichproben
· Kruskal-Wallis-Test statt einfaktorieller ANOVA
· Friedman-Test statt ANOVA mit Messwiederholung
Diese Tests beantworten nicht in jeder Situation exakt dieselbe Frage wie ihre parametrischen Gegenstücke. Deshalb sollte ein Wechsel nicht allein nach einem mechanischen Entscheidungsprinzip erfolgen.
Welche Voraussetzungen musst du prüfen?
Nach der vorläufigen Testwahl folgt die Prüfung der Modellannahmen. Je nach Verfahren gehören dazu insbesondere:
· Unabhängigkeit der Beobachtungen – diese ergibt sich vor allem aus dem Studiendesign
· passendes Skalenniveau und korrekte Kodierung der Variablen
· auffällige Ausreißer und einflussreiche Beobachtungen
· Linearität bei Pearson-Korrelation und linearer Regression
· annähernde Normalverteilung der relevanten Residuen oder Differenzwerte, nicht pauschal jeder Rohvariable
· Varianzhomogenität bei klassischen Gruppenvergleichen
· keine problematische Multikollinearität bei multipler Regression
· ausreichende erwartete Zellhäufigkeiten beim Chi-Quadrat-Test
Ein einzelner Shapiro-Wilk-Test entscheidet daher nicht darüber, ob du überhaupt parametrisch auswerten darfst. Grafische Diagnostik, Studiendesign, Stichprobengröße und die Robustheit des jeweiligen Verfahrens müssen gemeinsam betrachtet werden.
Drei häufige Fehler bei der Auswahl des statistischen Tests
Fehler 1: Den Test erst nach Sichtung der Ergebnisse auswählen
Wenn die Analyse abhängig davon gewählt wird, welcher Test ein signifikantes Ergebnis liefert, steigt das Risiko verzerrter Schlussfolgerungen. Lege Forschungsfrage, Variablen und geplante Analyse möglichst vor der eigentlichen Hypothesenprüfung fest.
Fehler 2: Abhängige Messungen wie unabhängige Daten behandeln
Prä- und Postwerte derselben Personen sind nicht unabhängig. Dasselbe gilt häufig für Daten von Paaren, Teams, Schulklassen oder wiederholten Alltagsmessungen. Diese Struktur muss im Analysemodell berücksichtigt werden.
Fehler 3: Signifikanz mit praktischer Bedeutung verwechseln
Ein p-Wert sagt nicht, wie groß oder wichtig ein Effekt ist. Berichte deshalb neben dem
Signifikanztest auch eine passende Effektstärke und möglichst ein Konfidenzintervall.
Kurze Checkliste zur Testwahl
· Was ist meine konkrete Forschungsfrage oder Hypothese?
· Welche Variable ist abhängig, welche ist unabhängig beziehungsweise ein Prädiktor?
· Welches Skalenniveau besitzen die Variablen?
· Vergleiche ich Gruppen, Messzeitpunkte oder untersuche ich einen Zusammenhang?
· Sind die Beobachtungen unabhängig oder abhängig?
· Wie viele Gruppen oder Messzeitpunkte gibt es?
· Welche Annahmen hat das gewählte Modell und wie prüfe ich sie?
· Welche Effektstärke und welches Konfidenzintervall sollte ich berichten?
Fazit: Die Forschungsfrage entscheidet über den statistischen Test
Welcher statistische Test zu deiner Bachelorarbeit oder Masterarbeit passt, lässt sich nicht durch eine einzige Regel bestimmen. Für zwei unabhängige Mittelwerte ist häufig ein unabhängiger t-Test geeignet, bei mehr als zwei Gruppen eine ANOVA. Zusammenhänge zwischen metrischen Variablen werden häufig mit Pearson oder Spearman untersucht, während Vorhersagefragen zu linearen oder logistischen Regressionsmodellen führen. Kategoriale Zusammenhänge können mit einem Chi-Quadrat-Test geprüft werden.
Das Psychologie-Beispiel zeigt: Derselbe Datensatz kann mehrere sinnvolle Analysen ermöglichen. Entscheidend ist, welche Hypothese du prüfst, wie deine Variablen gemessen wurden und welche Struktur deine Daten besitzen.
Du bist dir bei der Testwahl noch unsicher? In einer persönlichen Statistikberatung schauen wir uns deine Forschungsfrage, Hypothesen, Variablen und dein Studiendesign gemeinsam an. Du erhältst verständliche, wissenschaftlich fundierte Unterstützung, damit du deine Auswertung selbst nachvollziehen und sicher durchführen kannst. |
Häufig gestellte Fragen
Welchen Test nehme ich bei zwei Gruppen?
Bei zwei unabhängigen Gruppen und einer metrischen abhängigen Variable wird häufig ein t-Test für unabhängige Stichproben verwendet. Wurden dieselben Personen zweimal gemessen, passt meist der t-Test für verbundene Stichproben. Voraussetzungen und Skalenniveau müssen zusätzlich geprüft werden.
Wann nehme ich eine ANOVA statt eines t-Tests?
Eine ANOVA wird typischerweise verwendet, wenn Mittelwerte von mehr als zwei Gruppen oder Messzeitpunkten verglichen werden. Sie prüft zunächst, ob sich mindestens zwei Bedingungen unterscheiden.
Wann verwende ich Korrelation und wann Regression?
Eine Korrelation beschreibt den Zusammenhang zwischen zwei Variablen symmetrisch. Eine Regression legt eine abhängige Variable fest und untersucht, wie gut ein oder mehrere Prädiktoren diese Variable erklären oder vorhersagen.
Was mache ich, wenn meine Daten nicht normalverteilt sind?
Prüfe zuerst, welche Verteilung für den jeweiligen Test tatsächlich relevant ist. Betrachte außerdem Ausreißer, Grafiken, Stichprobengröße und Robustheit. Eine nichtparametrische Alternative kann sinnvoll sein, ist aber nicht automatisch aufgrund eines signifikanten Normalitätstests erforderlich.
Kann ich den Test einfach von SPSS auswählen lassen?
Nein. Statistikprogramme führen die von dir gewählte Analyse aus, beurteilen aber nicht zuverlässig, ob sie zu deiner Forschungsfrage und deinem Design passt. Diese Entscheidung muss fachlich begründet werden.