Deine Daten sind erhoben – und jetzt starrst du auf den Datensatz und fragst dich: Welcher statistische Test ist der richtige? Die gute Nachricht: Die Wahl ist kein Rätsel, sondern folgt drei einfachen Fragen. Dieser Leitfaden führt dich Schritt für Schritt zum passenden Verfahren.
Die 3 Fragen, die deinen Test bestimmen
Bevor du irgendeinen Test rechnest, beantworte diese drei Fragen – sie legen fast immer eindeutig fest, was du brauchst:
- Welches Skalenniveau haben deine Daten? Nominal (Kategorien ohne Rangfolge, z. B. Geschlecht), ordinal (Rangfolge, z. B. Schulnoten) oder metrisch (echte Zahlen mit Abständen, z. B. Einkommen).
- Untersuchst du Unterschiede oder Zusammenhänge? Willst du Gruppen vergleichen („Verdienen Männer und Frauen unterschiedlich?") oder den Zusammenhang zweier Variablen messen („Hängt Einkommen mit Zufriedenheit zusammen?")?
- Wie viele Gruppen, und sind sie unabhängig oder abhängig? Zwei oder mehr Gruppen? Und handelt es sich um verschiedene Personen (unabhängig) oder um dieselben Personen zu zwei Zeitpunkten (abhängig/gepaart)?
Fall 1: Du vergleichst Gruppen (Unterschiede)
- 2 unabhängige Gruppen, metrisch: unabhängiger t-Test (z. B. Zufriedenheit zweier Abteilungen)
- 2 abhängige/gepaarte Gruppen, metrisch: gepaarter t-Test (z. B. vorher/nachher bei denselben Personen)
- 3+ Gruppen, metrisch: ANOVA (Varianzanalyse)
- Voraussetzungen verletzt (nicht normalverteilt/ordinal): Mann-Whitney-U (2 unabhängig), Wilcoxon (2 abhängig), Kruskal-Wallis (3+)
- Nominale Daten (Häufigkeiten): Chi-Quadrat-Test (z. B. Raucher-Anteil je Altersgruppe)
Fall 2: Du untersuchst Zusammenhänge
- 2 metrische, normalverteilte Variablen: Pearson-Korrelation
- Ordinale oder nicht normalverteilte Variablen: Spearman-Rangkorrelation
- 2 nominale Variablen: Chi-Quadrat-Test auf Unabhängigkeit
- Eine Variable aus anderen vorhersagen: Regressionsanalyse (linear, multipel oder logistisch)
Referenztabelle: Ziel & Datentyp → Test
| Dein Ziel | Datentyp | Test |
|---|
| 2 Gruppen vergleichen | metrisch, normalverteilt | t-Test |
| 2 Gruppen vergleichen | ordinal / nicht normal | Mann-Whitney-U |
| 3+ Gruppen vergleichen | metrisch, normalverteilt | ANOVA |
| 3+ Gruppen vergleichen | ordinal / nicht normal | Kruskal-Wallis |
| Zusammenhang messen | metrisch, normalverteilt | Pearson-Korrelation |
| Zusammenhang messen | ordinal / nicht normal | Spearman-Korrelation |
| Häufigkeiten / Kategorien | nominal | Chi-Quadrat-Test |
| Werte vorhersagen | metrisch (Zielgröße) | Regressionsanalyse |
Vorher Voraussetzungen prüfen – der häufigste Fehler
Parametrische Tests (t-Test, ANOVA, Pearson) setzen bestimmte Bedingungen voraus – vor allem eine annähernde Normalverteilung und bei Gruppenvergleichen Varianzhomogenität. Prüfe die Normalverteilung mit dem Shapiro-Wilk-Test, die Varianzhomogenität mit dem Levene-Test. Sind die Voraussetzungen verletzt, weichst du auf die nicht-parametrischen Alternativen aus. Genau dieser Schritt wird in Abschlussarbeiten am häufigsten übersprungen – und von Prüfer:innen am häufigsten bemängelt.
Typische Fehler bei der Testwahl
- Parametrischen Test rechnen, ohne die Normalverteilung zu prüfen
- Ordinaldaten (z. B. Likert-Skalen) wie metrische Daten behandeln, ohne das zu begründen
- Abhängige und unabhängige Stichproben verwechseln (gepaart vs. ungepaart)
- Bei mehr als zwei Gruppen viele einzelne t-Tests statt einer ANOVA rechnen (erhöht die Fehlerwahrscheinlichkeit)
- Signifikanz mit Relevanz verwechseln – ein p-Wert < 0,05 sagt nichts über die Effektstärke
Häufige Fragen
Wann t-Test, wann ANOVA?
t-Test bei genau zwei Gruppen, ANOVA ab drei Gruppen – beide für metrische, normalverteilte Daten.
Welcher Test für einen Zusammenhang?
Pearson (metrisch/normal), Spearman (ordinal/nicht normal), Chi-Quadrat (nominal), Regression zur Vorhersage.
Muss ich die Normalverteilung wirklich prüfen?
Ja – sie entscheidet, ob du einen parametrischen Test überhaupt verwenden darfst.
Unsicher, welcher Test bei deinen Daten passt?
Du willst die Auswertung nicht selbst machen oder brauchst jemanden, der gegenprüft? Als Dipl.-Ing. übernehme ich die statistische Auswertung deiner Arbeit – von der Testwahl bis zur Interpretation.
