Chi-Quadrat-Tests vorbereiten: Beobachtete und erwartete Häufigkeiten unterscheiden

1. Die Zähleinheit und Kreuztabelle prüfen

Ein Chi-Quadrat-Unabhängigkeitstest untersucht die Verteilung zweier kategorialer Merkmale in einer Kontingenztabelle. Die R-Dokumentation beschreibt dafür nichtnegative ganzzahlige Zellanzahlen und eine Nullhypothese, die auf dem Produkt der Randverteilungen beruht. Lege zuerst fest, was eine Beobachtung ist und ob die Einheiten für das verwendete Verfahren unabhängig sind. Eine Person, die mehrfach antwortet oder mehrere Kategorien auswählen darf, passt nicht automatisch in eine einfache unabhängige Kreuztabelle. Definiere Kategorien, fehlende Werte und Ausschlüsse vor dem Test. Die Summe der Zellanzahlen muss zum tatsächlich analysierten Bestand passen.

Baue eine eigene Kontrolltabelle mit Merkmalsdefinition, Codes, Zellanzahl und Randtotalen auf. Wenn ein Export Prozentwerte zeigt, beschaffe die zugrunde liegenden Anzahlen und Nenner. Runde Prozentwerte nicht auf und behandle sie nicht als Fallzahlen. Unser erfundener Lernfall hat zwei Gruppen und zwei Antwortkategorien; jede Person zählt genau einmal. Vermerke, welche Fälle wegen fehlender Angaben ausgeschlossen wurden. Bei gewichteten Befragungsdaten kann ein anderes, zum Stichprobendesign passendes Verfahren nötig sein. Eine optisch übersichtliche Tabelle ist deshalb erst der Anfang der Prüfung, nicht bereits ein Nachweis geeigneter Testvoraussetzungen.

Weiterführend: R stats: Pearson’s chi-squared test for count data

2. Erwartete Häufigkeiten unter Unabhängigkeit verstehen

Die erwartete Häufigkeit einer Zelle ergibt sich für die gewöhnliche zweidimensionale Unabhängigkeitstabelle aus Zeilensumme mal Spaltensumme geteilt durch Gesamtsumme. Sie ist nicht die zuvor erhoffte Antwortverteilung und keine empirisch zusätzlich beobachtete Zahl. SciPy dokumentiert diese Erwartungswerte anhand der Randhäufigkeiten. Im eigenen Rechenbeispiel stehen in der ersten Zeile 20 und 10, in der zweiten 10 und 20. Beide Zeilen und Spalten summieren sich auf 30, insgesamt liegen 60 Fälle vor. Unter Unabhängigkeit beträgt der Erwartungswert jeder Zelle deshalb 30 mal 30 geteilt durch 60, also 15.

Beschrifte die beiden Tabellen ausdrücklich mit beobachtet und erwartet unter der Nullhypothese. Die erwarteten Werte dürfen nicht die beobachteten ersetzen. Prüfe Zeilen- und Spaltensummen beider Tabellen; sie stimmen im beschriebenen Verfahren überein. Der Test fasst Abweichungen zwischen Beobachtung und Erwartung zusammen. Daraus folgt noch keine Ursache für den Unterschied. Im Rechenbeispiel wurde bewusst kein p-Wert berechnet und kein reales Ergebnis behauptet. Übertrage die Formel auf eine eigene Tabelle nur mit richtigen Nennern und definierten Kategorien, nicht auf Prozentangaben oder eine Liste mehrfacher Antworten.

Weiterführend: SciPy: chi2_contingency und erwartete Zellhäufigkeiten

3. Dünne Besetzung und Verfahrenswahl begründet behandeln

Prüfe die erwarteten Zellhäufigkeiten vor der Interpretation der asymptotischen Näherung. Häufig genannte Faustregeln zu kleinen Zellen sind kein Ersatz für eine verfahrensbezogene Beurteilung. SciPy nennt solche Richtwerte und alternative Verfahren; R dokumentiert unter anderem Simulation sowie eine besondere Kontinuitätskorrektur für Zwei-mal-zwei-Tabellen. Welche Option angemessen ist, hängt vom Design, den Randbedingungen und der verwendeten Implementierung ab. Ein exakter oder simulationsbasierter Test löst zudem keine fehlende Unabhängigkeit. Dokumentiere die Entscheidung fachlich, statt nur die Einstellung zu wählen, die den kleinsten p-Wert liefert.

Fasse Kategorien nicht nachträglich allein deshalb zusammen, damit ein gewünschtes Testergebnis entsteht. Eine Zusammenfassung muss inhaltlich begründet sein und die Forschungsfrage noch beantworten. Unterscheide eine zufällig leere Zelle von einer Kombination, die definitionsgemäß unmöglich ist. Solche strukturellen Beschränkungen können die einfache Tabelle unpassend machen. Halte in einer eigenen Entscheidungsliste fest: problematische Zelle, erwarteter Wert, fachliche Ursache, geprüftes Verfahren und Konsequenz. Bei Simulation speicherst du auch Einstellungen und gegebenenfalls Zufallsstartwert. Prüfe bei jeder Softwareausgabe, ob Korrektur, Freiheitsgrade und Verfahren tatsächlich den beabsichtigten Einstellungen entsprechen.

4. Ergebnis, Größe und Reichweite getrennt berichten

Berichte die relevante Kreuztabelle mit Anzahlen und verständlichen Bezugsgrößen. Halte Testverfahren, tatsächliche Einstellungen, Teststatistik, Freiheitsgrade soweit zutreffend und p-Wert nach deiner Berichtskonvention fest. Ergänze eine zum Verfahren und zur Frage passende Effektbeschreibung samt Unsicherheit, wenn diese sinnvoll bestimmt werden kann. Ein globaler Tabellenbefund erklärt nicht automatisch, welche einzelnen Kategorien den Unterschied tragen. Zusätzliche Detailtests benötigen eigene Begründung und Berücksichtigung mehrfacher Prüfungen. Aus einem Zusammenhang zwischen zwei Merkmalen wird außerdem kein kausaler Effekt. Trenne deskriptive Muster, Testentscheidung und weitergehende Interpretation ausdrücklich im Text.

Das Abschlusswerk-Tool Statistik kann die Wahl und Begründung einer Analyse anhand deiner Variablentypen und Messstruktur vorbereiten. Sammle Hypothese, Untersuchungseinheit, Kategorien und relevante Tabelleninformationen. Prüfe Hinweise mit qualifizierter Unterstützung und führe den numerischen Test in geeigneter Statistiksoftware aus. Das Tool berechnet keine Rohdaten-Kreuztabelle und ersetzt keine Kontrolle kleiner Zellen oder des Stichprobendesigns. Der fertige Zwischenstand besteht aus richtigen Anzahlen, einer nachvollziehbaren Erwartungstabelle und einer begründeten Verfahrensentscheidung. Erst diese Grundlage erlaubt eine ehrliche Interpretation, statt ein automatisch erzeugtes Signifikanzetikett als vollständige Analyse zu behandeln.