Hypothesentest-Rechner - Z-, T-Test und p-Wert

Der Hypothesentest ist das Rückgrat der inferentiellen Statistik. Er bietet einen fundierten, probabilistischen Rahmen, um zu entscheiden, ob die gesammelten Daten mit einer theoretischen Behauptung — der Nullhypothese — vereinbar sind oder ob die Evidenz stark genug ist, diese Behauptung zugunsten einer Alternative zu verwerfen. Jedes Experiment in Medizin, Psychologie, Wirtschaft, technischer Qualitätskontrolle und A/B-Testing von Webseiten läuft am Ende auf irgendeine Form des Hypothesentests hinaus. Die Nullhypothese (H₀) ist die Standardannahme: Es ist nichts passiert, die Behandlung hat keinen Effekt, der Prozess liegt im Soll oder die Anteile haben sich nicht geändert. Die Alternativhypothese (H₁) ist das, was Sie erkennen möchten: Der Mittelwert hat sich verschoben, der Anteil hat sich geändert oder eine Behandlung ist besser als eine andere. Das Signifikanzniveau α — üblicherweise 0.05 oder 0.01 — ist die Wahrscheinlichkeit, H₀ fälschlich zu verwerfen, obwohl sie tatsächlich wahr ist (Fehler 1. Art). Ist der vom Test zurückgegebene p-Wert kleiner als α, verwerfen Sie H₀. Der Z-Test für Mittelwerte ist geeignet, wenn die Populations-Standardabweichung σ bekannt ist und entweder die Stichprobe groß ist (n ≥ 30) oder die Population normalverteilt ist. Die Teststatistik lautet Z = (x̄ − μ₀) / (σ / √n). Da σ bekannt ist, folgt die Statistik exakt der Standardnormalverteilung, und der p-Wert wird aus der Normalverteilung abgelesen. Der T-Test für Mittelwerte wird verwendet, wenn σ unbekannt ist, was in den meisten realen Studien die realistische Situation ist. Dann wird die Stichproben-Standardabweichung s verwendet, und die Teststatistik T = (x̄ − μ₀) / (s / √n) folgt einer t-Verteilung mit df = n − 1 Freiheitsgraden. Bei kleinen Stichproben hat die t-Verteilung schwerere Tails als die Normalverteilung, wodurch es schwieriger wird, Signifikanz zu erreichen — eine sinnvolle Strafe für die zusätzliche Unsicherheit über σ. Der Z-Test für Anteile prüft, ob ein beobachteter Stichprobenanteil p̂ mit einem angenommenen Populationsanteil p₀ vereinbar ist. Der Standardfehler ist √(p₀(1 − p₀) / n), und die Teststatistik lautet Z = (p̂ − p₀) / SE. Dieser Test wird häufig in A/B-Tests, primären Endpunkten klinischer Studien und Qualitätsregelkarten für Ausschussanteile verwendet. Bei einem zweiseitigen Test verwerfen Sie H₀, wenn |Statistik| > kritischer Wert, womit Abweichungen in beide Richtungen erfasst werden. Bei einem einseitigen Test (links oder rechts) legen Sie die Richtung im Voraus fest; das erhöht die Power, eine Verschiebung in dieser Richtung zu erkennen, kann aber eine unerwartete Verschiebung in die andere Richtung nicht markieren. Der angezeigte kritische Wert ist die rechte Grenzmarke; bei einem linksseitigen Test ist die relevante Grenze ihr Negativwert. Der p-Wert ist die Wahrscheinlichkeit, unter der Annahme, dass H₀ wahr ist, eine Teststatistik zu beobachten, die mindestens so extrem ist wie die berechnete. Ein p-Wert von 0.03 bedeutet nicht, dass die Nullhypothese mit 3% Wahrscheinlichkeit wahr ist; er bedeutet, dass man bei wahrer H₀ nur mit 3% Wahrscheinlichkeit durch zufällige Stichproben derart extreme oder extremere Daten sehen würde. Statistische Signifikanz ist nicht dasselbe wie praktische Signifikanz: Ein kleiner Effekt kann bei großem n hochsignifikant sein, während ein großer Effekt bei kleinem n die Signifikanz verfehlen kann. Kombinieren Sie den p-Wert immer mit Effektgröße und Konfidenzintervall.