Zuletzt fachlich geprüft: 28. Juli 2026 · Lerninhalt, keine individuelle statistische Beratung

Ein einzelner p-Wert ist keine Zusammenfassung eines Forschungsergebnisses. Gute Interpretation verbindet mindestens drei Perspektiven: Wie unvereinbar sind die Daten mit einer präzisen Nullhypothese? Welche Effektwerte sind mit den Daten plausibel? Und ist diese Größenordnung fachlich relevant?

Schätzung, Konfidenzintervall und Nullwert Eine Effektschätzung mit 95-Prozent-Konfidenzintervall liegt vollständig rechts vom Nullwert. geschätzter Effekt95%-Konfidenzintervall Nullwert„kein Unterschied“ −+

Der p-Wert

Der p-Wert beschreibt – unter der Nullhypothese und allen Modellannahmen – wie häufig eine mindestens ebenso extreme Teststatistik auftreten würde. Er ist nicht die Wahrscheinlichkeit, dass die Nullhypothese wahr ist. Er misst auch nicht automatisch die Größe oder Wichtigkeit eines Effekts.

Nicht sagen: „Mit 97 % Wahrscheinlichkeit gibt es einen Effekt“, wenn p = .03. Besser: „Unter Nullhypothese und Modellannahmen wäre ein mindestens ebenso extremes Ergebnis selten.“

Das Konfidenzintervall

Ein 95%-Konfidenzintervall ist ein Verfahren mit langfristiger 95%-Abdeckung. Für das konkrete Intervall zeigt es eine mit den Daten und Annahmen vereinbare Spannweite. Breite Intervalle signalisieren geringe Präzision; schmale Intervalle höhere Präzision. NIST zeigt die enge mathematische Verbindung zwischen zweiseitigem Test und entsprechendem Konfidenzintervall.

Die Effektgröße

Eine Effektgröße beschreibt die Größenordnung. Das kann eine Mittelwertsdifferenz in Originaleinheiten, eine standardisierte Differenz wie Hedges’ g, eine Korrelation oder ein Odds Ratio sein. Originaleinheiten sind häufig leichter fachlich zu beurteilen; standardisierte Maße erleichtern Vergleiche über Skalen hinweg.

So entsteht eine belastbare Aussage

SchätzungWie groß ist der beobachtete Unterschied?
UnsicherheitWelche Werte umfasst das Konfidenzintervall?
EvidenzWie verhält sich das Ergebnis zur Nullhypothese?
RelevanzWelche Größenordnung ist fachlich bedeutsam?

R-Ausgabe gezielt lesen

fit <- t.test(score ~ group, data = study, var.equal = FALSE)
fit$estimate   # gruppenspezifische Mittelwerte
fit$conf.int   # Intervall der Mittelwertsdifferenz
fit$statistic  # t-Statistik
fit$p.value    # p-Wert zur Nullhypothese

Weiterführende Quellen

Vom Lernen zur eigenen Analyse: June Scientific verbindet diese Grundlagen mit Ihrem Datensatz, begründet die Auswahl und zeigt den vollständigen R-Code. Kostenlos starten →