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

Die Testwahl beginnt nicht mit einem Menü aus Verfahrensnamen. Sie beginnt mit einer präzisen Forschungsfrage. Erst danach folgen Skalenniveau, Anzahl der Gruppen, Abhängigkeit der Beobachtungen und die plausiblen Annahmen. Der von Ranganathan beschriebene Grundgedanke ist deshalb besonders hilfreich: Datentyp und Studiendesign bestimmen die Testfamilie – nicht der p-Wert einer vorgeschalteten Voranalyse.

Entscheidungsweg zur Wahl eines statistischen Tests Von der Forschungsfrage führen Datentyp, Anzahl der Gruppen und Abhängigkeit zu geeigneten Testfamilien. Was ist Ihre Frage?Unterschied oder Zusammenhang? Welcher Datentyp?numerisch · ordinal · kategorial Wie ist das Design?unabhängig · gepaart · mehrere Gruppen t-Test / WelchMittelwerte Rangtestordinale Lage χ² / FisherHäufigkeiten

1. Formulieren Sie die Forschungsfrage

UnterschiedUnterscheiden sich Gruppen oder Messzeitpunkte?

Beispiele: Intervention gegen Kontrolle, vorher gegen nachher, drei Therapieformen.

ZusammenhangVerändern sich zwei Variablen gemeinsam?

Beispiele: Lernzeit und Prüfungspunktzahl, Alter und Blutdruck.

VorhersageWie verändert sich ein Ergebnis bei mehreren Einflussgrößen?

Hier führen lineare oder logistische Regressionsmodelle weiter.

2. Bestimmen Sie den Datentyp des Ergebnisses

Numerische Messwerte erlauben Fragen zu Mittelwerten und Abständen. Ordinale Werte besitzen eine Reihenfolge, aber nicht zwingend gleich große Abstände. Kategoriale Daten bestehen aus Häufigkeiten. Diese Unterscheidung ist wichtiger als die Dateiform oder die Anzahl der Nachkommastellen.

3. Prüfen Sie Abhängigkeit und Gruppenanzahl

Messungen derselben Person sind gepaart. Beobachtungen verschiedener Personen sind typischerweise unabhängig. Ein gepaarter Test analysiert innerhalb einer Person gebildete Differenzen und darf nicht durch einen unabhängigen Test ersetzt werden.

Kompakte Auswahlmatrix

FrageDesignTypische WahlWichtige Prüfung
Zwei MittelwerteunabhängigWelch-t-TestUnabhängigkeit, Verteilung, Ausreißer
Zwei Messungengepaartgepaarter t-TestVerteilung der Differenzen
Ordinale LageunabhängigMann-WhitneyForm der Verteilungen
Mehr als zwei MittelwerteunabhängigANOVA / Welch-ANOVAVarianzen und geplante Kontraste
Zwei KategorienHäufigkeitstabelleChi-Quadrat / FisherErwartete Zellhäufigkeiten
Numerischer Zusammenhanggepaarte WertePearson / SpearmanForm, Linearität, Ausreißer
Merksatz: Ein nicht signifikanter Annahmentest beweist nicht, dass eine Annahme gilt. Nutzen Sie Fachwissen, Studiendesign, Grafiken und robuste Standardverfahren gemeinsam.

Übertragbare R-Beispiele

# Zwei unabhängige numerische Gruppen
t.test(score ~ group, data = study, var.equal = FALSE)

# Zwei gepaarte Messungen
t.test(study$before, study$after, paired = TRUE)

# Zwei kategoriale Variablen
chisq.test(table(study$treatment, study$response))

# Numerischer Zusammenhang
cor.test(study$hours, study$score, method = "pearson")

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 →