Statistik &amp; Ergebnisse .

Welcher statistische Test passt zu deiner Untersuchung?

Prüfe Fragestellung, Messniveau und Studiendesign, bevor du ein Verfahren auswählst.

Ergebnisse interpretieren: Was deine Daten wirklich aussagen

Trenne Befund und Deutung und vermeide typische Fehlschlüsse bei Signifikanz und Kausalität.

Effektgröße und Unsicherheit gehören zur Ergebnisdeutung

Ein p-Wert allein sagt weder, wie groß ein Unterschied ist, noch wie präzise er geschätzt wurde.

Ratgeber4 Min. Lesezeit

Konfidenzintervall verstehen: Präzision statt Scheinsicherheit

Lies ein Konfidenzintervall als Aussage über ein Schätzverfahren und seine Unsicherheit, nicht als automatische Wahrscheinlichkeit.

Fehlende Werte: Datenlücken erkennen und transparent berichten

Trenne fehlende Angaben von echten Nullwerten, prüfe Muster und dokumentiere die Fallzahl und Behandlung für jede Auswertung.

Mehrere statistische Tests: die Fehlerkontrolle vorab planen

Definiere zusammengehörige Hypothesen und unterscheide Familienfehlerkontrolle von FDR, bevor du viele p-Werte interpretierst.

Gepaarte Daten: dieselbe Untersuchungseinheit über Messungen hinweg erkennen

Prüfe echte Paare, IDs, Differenzrichtung und fehlende Messungen, bevor du einen Vorher-Nachher-Vergleich statistisch auswertest.

Ausreißer: auffällige Werte prüfen, ohne Ergebnisse passend zu löschen

Trenne Prüfhinweis, nachgewiesenen Datenfehler und gültigen Extremwert und halte jede Behandlung mit ihrer Begründung nachvollziehbar fest.

Normalverteilung prüfen: erst die richtige Größe, dann die passende Diagnose

Unterscheide Rohwerte, Differenzen und Modellresiduen und interpretiere grafische Prüfungen sowie Normalitätstests ohne Automatismen.

Korrelation prüfen: warum das Streudiagramm vor dem Koeffizienten kommt

Prüfe Form, auffällige Punkte und Gruppen, bevor du einen Zusammenhang mit einer einzigen Zahl zusammenfasst.

Absolute und relative Risiken: Prozent, Prozentpunkte und Bezugsgruppen sauber erklären

Berechne an einem fiktiven Beispiel Risikoquotient und Risikodifferenz und formuliere Ergebnisse mit Ausgangsrisiko und Zeitraum.

Mittelwert oder Median: die Kennzahl nach Frage und Verteilung auswählen

Vergleiche Lagekennzahlen an eigenen Rechenbeispielen und berichte Streuung, Einheiten und Datengrundlage statt eines isolierten Durchschnitts.

Sensitivität und Spezifität: warum ein positives Ergebnis noch keine sichere Zuordnung ist

Lies eine Vierfeldertafel mit den richtigen Bezugsgruppen und erkenne, wie die Grundhäufigkeit den positiven Vorhersagewert verändert.

Standardabweichung oder Standardfehler: Streuung der Daten und Präzision des Mittelwerts trennen

Entscheide anhand deiner Aussage, ob du die Streuung einzelner Werte oder die Unsicherheit eines geschätzten Mittelwerts zeigen musst.

Schritt für Schritt5 Min. Lesezeit

Likert-Items kodieren und Skalenwerte nachvollziehbar bilden

Prüfe Antwortrichtung, umgepolte Items und fehlende Werte, bevor du mehrere Antworten zu einem Skalenwert zusammenfasst.

Schritt für Schritt5 Min. Lesezeit

Multikollinearität prüfen, ohne Variablen blind zu entfernen

Untersuche überlappende Prädiktoren mit fachlicher Modellprüfung und geeigneter Diagnostik statt einer automatischen VIF-Löschregel.

Interaktionseffekte: Wenn ein Zusammenhang von einer Gruppe abhängt

Gruppenunterschiede von unterschiedlichen Steigungen unterscheiden und ein einfaches Interaktionsmodell mit klarer Kodierung interpretieren.

Konfidenz- und Vorhersageintervall in der Regression unterscheiden

Unsicherheit eines mittleren erwarteten Werts von der Streuung eines neuen Einzelfalls trennen und Softwareausgaben korrekt beschriften.

P-Werte verstehen: Nicht die Wahrscheinlichkeit der Nullhypothese

Die bedingte Aussage eines P-Werts von Hypothesenwahrscheinlichkeit, Effektgröße und praktischer Bedeutung unterscheiden.

Mann-Whitney-U-Test: Warum gleiche Mediane nicht alles erklären

Rangvergleich und Medianvergleich unterscheiden und die Ergebnisinterpretation an Datenstruktur sowie Verteilungsannahmen ausrichten.

Power-Planung begründen: Annahmen, relevante Effekte und Sensitivität

Den Zweck einer Stichprobenplanung klären, Effektannahmen dokumentieren und bei festem Umfang die erkennbaren Unterschiede kritisch einordnen.

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

Kreuztabellen aus tatsächlichen Anzahlen aufbauen, Erwartungswerte unter Unabhängigkeit prüfen und dünn besetzte Tabellen begründet behandeln.

Stichprobengewichte verstehen: Was eine gewichtete Auswertung voraussetzt

Gewichte aus Datensatzdokumentationen richtig einordnen, ungewichtete Fallzahlen erhalten und die Auswertung auf das Erhebungsdesign abstimmen.

Welch-t-Test: Zwei unabhängige Mittelwerte begründet vergleichen

Gruppenreihenfolge, ungleiche Streuungen und Unsicherheit vor dem Zweistichprobenvergleich klären.

Log-Transformation: Ergebnisse auf der richtigen Skala interpretieren

Logarithmusbasis, zulässige Werte und Rückübersetzung dokumentieren, statt logarithmierte Ergebnisse wie Originaleinheiten zu lesen.

z-Werte standardisieren: Die Bezugsgruppe gehört zum Ergebnis

Zentrierung, Skalierung und Referenzwerte unterscheiden, ohne aus standardisierten Daten eine Normalverteilung zu behaupten.

Bootstrap planen: Resampling-Einheit und Intervalltyp begründen

Zielkennwert, Ziehungsregel und Intervallverfahren vor einer Bootstrap-Auswertung nachvollziehbar festhalten.

Spearman-Korrelation: Rangordnung und Grenzen prüfen

Eine rangbasierte Zusammenhangsfrage von linearer Korrelation unterscheiden und Bindungen, fehlende Werte sowie Testverfahren vor der Auswertung klären.

Mehrfachantworten: Die Prozentbasis richtig wählen

Bei Mehrfachauswahl die Prozentbasis festlegen, gültige Fälle von Nennungen trennen und Summen über hundert Prozent nachvollziehbar erklären.

Long oder Wide: Daten kontrolliert umformen

Bei Messwiederholungen Kennungen, Zeitpunkte und Werte erhalten: Long- und Wide-Format unterscheiden, Dubletten prüfen und die Umformung rückwärts kontrollieren.

Odds Ratio und Risikoquotient unterscheiden

Ereignisanteil und Ereignis-Odds getrennt berechnen, die Referenzgruppe festhalten und ein Odds Ratio nicht als relative Wahrscheinlichkeit ausgeben.

Boxplots: Box und Whisker richtig lesen

Median, Boxgrenzen, Whisker und einzelne Punkte auseinanderhalten und vor einem Gruppenvergleich die tatsächlich verwendete Zeichenregel prüfen.

Cohens d und Hedges' g unterscheiden

Bei zwei unabhängigen Gruppen Rohdifferenz, verwendete Standardabweichung und Korrektur auseinanderhalten und ein standardisiertes Effektmaß nachvollziehbar berichten.

Variationskoeffizient: Wann er passt

Relative Streuung nur bei passender Skala interpretieren, den Nullpunkt prüfen und einen kleinen oder gerundeten Mittelwert nicht als nebensächliches Rechendetail behandeln.

Fisher-Test: Kleine Zwei-mal-zwei-Tabellen prüfen

Unabhängige Beobachtungen, feste Randhäufigkeiten und die gewählte Alternative prüfen und einen exakten p-Wert von Effektgröße und Aussagegrenzen trennen.

McNemar-Test: Veränderungen bei Ja-Nein-Antworten

Bei zwei verbundenen binären Messungen die Wechselrichtungen erhalten und Unterschiede zwischen exakter Auswertung und Chi-Quadrat-Näherung dokumentieren.

Bland-Altman: Messübereinstimmung statt Korrelation

Bei zwei Messverfahren Differenzen gegen Paarmittelwerte betrachten und geschätzte Übereinstimmungsgrenzen von vorab begründeter Akzeptanz unterscheiden.

Wilson-Intervall: Unsicherheit eines Anteils berichten

Erfolge und Nenner eines binomialen Anteils sichern, das Wilson-Intervall von der einfachen Wald-Näherung unterscheiden und Berechnungseinstellungen offenlegen.

Cohens Kappa: Übereinstimmung zweier Beurteilungen

Zwei nominale Zuordnungen derselben Einheiten vergleichen, beobachtete und erwartete Übereinstimmung berechnen und Kappa von Richtigkeit und methodischer Qualität unterscheiden.