p-Wert-Rechner - Z-, t-, F- und Chi-Quadrat-Tests

Der p-Wert ist die Wahrscheinlichkeit, unter der Annahme, dass die Nullhypothese wahr ist, eine Teststatistik mindestens so extrem wie die tatsächlich beobachtete zu erhalten. Er ist die zentrale Ausgabe fast aller klassischen statistischen Tests und das wichtigste Kriterium für die Entscheidung, ob die Nullhypothese verworfen werden soll. Ein kleiner p-Wert bedeutet, dass die beobachteten Daten unter der Nullhypothese unwahrscheinlich sind und liefert damit Evidenz zugunsten der Alternativhypothese. Das Verfahren beginnt mit einer Nullhypothese H₀ (typischerweise keine Wirkung, kein Unterschied oder kein Zusammenhang) und einer Alternativhypothese H₁. Dann erheben Sie Daten, berechnen eine Teststatistik (Z, t, F oder χ²) und verwenden die Wahrscheinlichkeitsverteilung dieser Statistik unter H₀, um den p-Wert zu bestimmen. Wenn der p-Wert kleiner oder gleich dem vorab festgelegten Signifikanzniveau α ist (am häufigsten 0.05), verwerfen Sie H₀ und bezeichnen das Ergebnis als statistisch signifikant. Verschiedene Teststatistiken folgen unterschiedlichen Wahrscheinlichkeitsverteilungen. Die Z-Statistik folgt der Standardnormalverteilung und wird verwendet, wenn die Populationsstandardabweichung bekannt ist oder die Stichprobe sehr groß ist. Die t-Statistik folgt einer Student-t-Verteilung mit einer bestimmten Anzahl Freiheitsgrade (df = n − 1 für einen Ein-Stichproben-Test) und wird bei kleinen bis mittleren Stichproben verwendet, wenn die Populationsstandardabweichung unbekannt ist. Die F-Statistik folgt einer F-Verteilung mit Zähler- und Nenner-Freiheitsgraden und ist die Grundlage für ANOVA und den F-Test auf Varianzgleichheit. Die Chi-Quadrat-Statistik folgt einer Chi-Quadrat-Verteilung mit df Freiheitsgraden und wird für Unabhängigkeitstests in Kontingenztafeln und Anpassungstests verwendet. Der Seitentyp bestimmt, welcher Bereich der Verteilung zur Berechnung des p-Werts verwendet wird. Ein zweiseitiger Test ist angemessen, wenn die Alternativhypothese nicht gerichtet ist (H₁: μ ≠ μ₀) und der p-Wert die Wahrscheinlichkeit in beiden Extremen aufsummiert. Ein rechtsseitiger Test wird verwendet, wenn H₁ eine positive Richtung vorgibt (H₁: μ > μ₀), und ein linksseitiger Test, wenn H₁ eine negative Richtung vorgibt (H₁: μ < μ₀). Beim F-Test und Chi-Quadrat-Test, die in der Praxis von Natur aus einseitig sind (die Teststatistik kann nicht negativ sein), ist der rechtsseitige p-Wert der Standard. Ein kritisches und häufiges Missverständnis ist, dass der p-Wert die Wahrscheinlichkeit sei, dass H₀ wahr ist. Das ist er nicht. Der p-Wert ist eine bedingte Wahrscheinlichkeit: P(Daten so extrem | H₀ wahr). Er sagt nichts über die Wahrscheinlichkeit aus, dass H₀ oder H₁ wahr ist; dafür braucht man bayessche Inferenz mit Priorwahrscheinlichkeiten. Ein weiteres Missverständnis ist, dass p < 0.05 bedeutet, der Effekt sei groß oder praktisch wichtig. Statistische Signifikanz hängt von der Stichprobengröße ab — mit einer ausreichend großen Stichprobe kann selbst ein trivial kleiner und bedeutungsloser Effekt p < 0.05 ergeben. Berichten Sie daher immer Effektgrößen zusammen mit p-Werten. Das Signifikanzniveau α sollte vor dem Blick auf die Daten festgelegt werden und das vertretbare Risiko eines falsch-positiven Befunds (Fehler 1. Art) widerspiegeln. Verschiedene Fachgebiete verwenden unterschiedliche Konventionen: α = 0.05 ist in den meisten biomedizinischen und sozialwissenschaftlichen Studien Standard, α = 0.01 ist üblich, wenn falsch-positive Ergebnisse teuer sind, und α = 5 × 10⁻⁸ wird in genomweiten Assoziationsstudien verwendet, um die große Zahl gleichzeitig durchgeführter Tests zu berücksichtigen. Dieser Rechner unterstützt α-Werte von 0.01, 0.05 und 0.10.