Wald-Test-Rechner - Statistische Signifikanz
Führen Sie einen Wald-Test durch, um zu prüfen, ob ein Parameterschätzer statistisch signifikant ist — geben Sie β̂, β₀, SE und α ein, um sofortige Ergebnisse zu erhalten.
Geben Sie den Parameterschätzer, den hypothesierten Wert, den Standardfehler und das Signifikanzniveau ein. Der Rechner liefert die Wald-Statistik, den z-Wert, den p-Wert und die Entscheidung.
Wald-Test-Rechner - Statistische Signifikanz
Führen Sie einen Wald-Test durch, um zu prüfen, ob ein Parameterschätzer statistisch signifikant ist — geben Sie β̂, β₀, SE und α ein, um sofortige Ergebnisse zu erhalten.
Über den Wald-Test-Rechner
Der Wald-Test ist ein parametrischer statistischer Test, benannt nach dem Statistiker Abraham Wald. Er ist einer der drei klassischen Hypothesentests in der Maximum-Likelihood-Schätzung, neben dem Likelihood-Ratio-Test und dem Score-Test (Lagrange-Multiplikator-Test). Der Wald-Test ist bei weitem am häufigsten, weil er nur den Schätzwert selbst und seinen Standardfehler benötigt — beides wird von Statistiksoftware routinemäßig ausgegeben — ohne dass die vollständige Likelihood-Funktion erforderlich ist.
Die Idee des Wald-Tests ist einfach. Liegt ein Parameterschätzer β̂ im Verhältnis zu seiner Genauigkeit (gemessen durch den Standardfehler SE) weit vom hypothetischen Wert β₀ entfernt, ist die Nullhypothese H₀: β = β₀ unwahrscheinlich. Die Wald-Statistik lautet W = ((β̂ − β₀) / SE)², also der quadrierte z-Wert. Unter der Nullhypothese und bei ausreichend großem Stichprobenumfang folgt W einer Chi-Quadrat-Verteilung mit einem Freiheitsgrad. Entsprechend folgt der vorzeichenbehaftete z-Wert z = (β̂ − β₀) / SE einer Standardnormalverteilung, sodass der zweiseitige p-Wert 2 · (1 − Φ(|z|)) beträgt, wobei Φ die Verteilungsfunktion der Standardnormalverteilung ist.
Der p-Wert beantwortet die Frage: Wenn die Nullhypothese wahr wäre, wie wahrscheinlich wäre es, eine mindestens so extreme Teststatistik wie die tatsächlich berechnete zu beobachten? Ein kleiner p-Wert (typischerweise unter dem Signifikanzniveau α, oft 0,05 oder 0,01) liefert Evidenz gegen H₀. Wenn p < α, gilt das Ergebnis als statistisch signifikant und wir verwerfen die Nullhypothese. Wenn p ≥ α, verwerfen wir sie nicht — wir haben dann nicht genügend Evidenz, um zu schließen, dass sich der Parameter von β₀ unterscheidet, auch wenn das nicht bedeutet, dass H₀ wahr ist.
Der Wald-Test ist in der angewandten Statistik allgegenwärtig. In linearer und logistischer Regression sind die für jeden Koeffizienten ausgegebenen t-Statistiken im Wesentlichen Wald-z-Werte, und die zugehörigen p-Werte testen, ob jeder Koeffizient signifikant von null verschieden ist. In der Ökonometrie wird der Wald-Test verwendet, um gemeinsame Hypothesen über mehrere Koeffizienten gleichzeitig zu testen (mit Erweiterungen der Matrizenalgebra). In der Survival-Analyse prüft er, ob eine Kovariate die Hazard-Rate signifikant vorhersagt. In der Genetik werden in genomweiten Assoziationsstudien Wald-Statistiken verwendet, um Millionen von Einzelnukleotid-Polymorphismen zu testen.
Eine bekannte Einschränkung des Wald-Tests ist, dass er je nach Parametrisierung unterschiedliche Ergebnisse liefern kann, da er auf einer lokalen quadratischen Approximation der Likelihood beruht. Bei kleinen Stichproben wird häufig der Likelihood-Ratio-Test bevorzugt, weil er genauer ist. Der Wald-Test ist am zuverlässigsten, wenn der Stichprobenumfang groß ist, der Schätzer näherungsweise normalverteilt ist (d. h. asymptotische Bedingungen gelten) und der Standardfehler gut geschätzt wurde.
Wald-Test-Beispiele
Drei realistische Szenarien aus Wirtschaft, Medizin und allgemeiner Statistik, die den Wald-Test in der Praxis zeigen.
| Eingabe | Entscheidung | Details |
|---|---|---|
| β̂=2.5, β₀=0, SE=1.1, α=0.05 | H₀ verwerfen | z = 2.27, W = 5.17, p ≈ 0.023. Der Schätzwert liegt mehr als 2 Standardfehler von null entfernt, daher verwerfen wir die Nullhypothese bei α = 0.05. |
| β̂=0.08, β₀=0, SE=0.02, α=0.05 | H₀ verwerfen | Bildungskoeffizient: z = 4.0, p < 0.001. Ein zusätzliches Bildungsjahr hat einen hochsignifikanten, von null verschiedenen Effekt auf den Lohn. |
| β̂=−0.5, β₀=0, SE=0.2, α=0.01 | H₀ nicht verwerfen | Arzneimittelwirksamkeit bei striktem α=0.01: z = −2.5, p ≈ 0.012. Der Effekt ist bei α = 0.05 signifikant, aber nicht bei der strengeren 1%-Schwelle. |
So verwenden Sie den Wald-Test-Rechner
- Geben Sie den Parameterschätzer β̂ aus Ihrer Regressionsausgabe oder Ihrem statistischen Modell ein.
- Geben Sie den hypothesierten Wert β₀ ein — meist 0, wenn getestet wird, ob ein Koeffizient ungleich null ist.
- Geben Sie den Standardfehler SE des Schätzwerts ein, wie er in derselben statistischen Ausgabe berichtet wird.
- Legen Sie das Signifikanzniveau α fest — verwenden Sie 0,05 für die übliche 5%-Schwelle oder 0,01 für eine strengere 1%-Schwelle.
- Klicken Sie auf Berechnen, um Wald-Statistik, z-Wert, zweiseitigen p-Wert und die Entscheidung Verwerfen/Nicht verwerfen zu erhalten.
Wald-Test-FAQ
Was misst der Wald-Test?
Der Wald-Test misst, wie weit ein Parameterschätzer von einem hypothesierten Wert entfernt ist, ausgedrückt in Standardfehler-Einheiten. Er prüft, ob diese Distanz groß genug ist, um bei einem gegebenen Signifikanzniveau zu schließen, dass sich der wahre Parameter vom hypothesierten Wert unterscheidet.
Was ist der Unterschied zwischen Wald-Test und t-Test?
Bei großen Stichproben sind sie im Wesentlichen äquivalent — beide vergleichen einen Schätzwert in Standardfehler-Einheiten mit einem Nullwert. Der Hauptunterschied besteht darin, dass der t-Test eine t-Verteilung verwendet (und damit die Unsicherheit der Varianzschätzung berücksichtigt), während der Wald-Test die Normalverteilung nutzt und daher ein asymptotischer Test ist, der sich besser für große Stichproben eignet.
Warum ist die Nullhypothese meist β₀ = 0?
Der Test gegen null fragt, ob ein Prädiktor überhaupt einen Effekt hat. In der Regression bedeutet ein Koeffizient von null, dass die Variable irrelevant ist. β₀ = 0 ist der häufigste Fall, aber Sie können gegen jeden beliebigen Wert testen — etwa, um zu prüfen, ob ein Parameter einem theoretisch erwarteten Wert wie 1 oder −0.5 entspricht.
Was bedeutet es, H₀ nicht zu verwerfen?
H₀ nicht zu verwerfen bedeutet, dass die Daten nicht genügend Evidenz liefern, um zu schließen, dass sich der Parameter vom hypothesierten Wert unterscheidet. Das beweist nicht, dass H₀ wahr ist. Das Ergebnis kann auf einen tatsächlich nullen Effekt hindeuten oder auf zu geringe statistische Power durch eine kleine Stichprobe oder einen großen Standardfehler.
Wann sollte ich stattdessen den Likelihood-Ratio-Test verwenden?
Der Likelihood-Ratio-Test ist vorzuziehen, wenn die Stichproben klein sind, wenn der Parameter nahe an einer Randlage seines zulässigen Bereichs liegt oder wenn die Ergebnisse des Wald-Tests stark von der gewählten Parametrisierung abhängen. Bei großen Stichproben und glatt verteilten Schätzern liefern Wald-Test und Likelihood-Ratio-Test nahezu identische p-Werte.
Welches Signifikanzniveau sollte ich verwenden?
Die übliche Schwelle ist α = 0.05 (5 %), was bedeutet, dass Sie ein 5%iges Risiko akzeptieren, eine wahre Nullhypothese fälschlich zu verwerfen. Für strengere Anforderungen — etwa bei Medizinprodukten, Genomik oder Physik — wird α = 0.01 oder sogar 0.001 verwendet. In explorativen Studien wird manchmal α = 0.10 akzeptiert. Das Niveau sollte vor dem Blick auf die Daten festgelegt werden.