Alpha-Fehler im statistischen Test: Das musst du wissen

Benjamin LohrerFachlich geprüft von Benjamin Lohrer, Lektor bei korrektur.de · Stand: 16. November 2026

Alpha-Fehler im statistischen Test: Vorgehen und typische Fehler

Lesezeit ca. 7 Min. · zuletzt aktualisiert: 16. November 2026 · Lexikon

Ein Alpha-Fehler (Fehler 1. Art, Typ-1-Fehler) liegt vor, wenn ein statistischer Test die Nullhypothese verwirft, obwohl sie in Wahrheit stimmt. Seine Wahrscheinlichkeit legst du vorab über das Signifikanzniveau α fest, meist 0,05. Der Gegenspieler ist der Beta-Fehler: Dabei wird eine falsche Nullhypothese beibehalten.

Alpha-Fehler einfach erklärt: Definition und Werte

Ein Alpha-Fehler ist ein falscher Alarm: Der Test meldet einen Effekt, den es in Wirklichkeit nicht gibt, weil die Nullhypothese verworfen wird, obwohl sie zutrifft. Wählst du α = 0,05, nimmst du bewusst in Kauf, dass eine wahre Nullhypothese in 5 % aller Fälle abgelehnt wird.

Im statistischen Test vergleichst du zwei Aussagen. Die Nullhypothese H0 beschreibt den Normalzustand, etwa „Das neue Medikament wirkt nicht besser als das alte“. Die Alternativhypothese H1 behauptet einen Effekt. Weil jede Stichprobe zufällig schwankt, kann der Test in zwei Richtungen danebenliegen. Diese beiden Fehlerarten solltest du sauber auseinanderhalten:

Tabelle: Entscheidung, H0 ist wahr, H0 ist falsch
EntscheidungH0 ist wahrH0 ist falsch
H0 verwerfenAlpha-Fehler (Fehler 1. Art)richtige Entscheidung
H0 beibehaltenrichtige EntscheidungBeta-Fehler (Fehler 2. Art)

Was du konkret wissen musst:

  • α = 0,05 ist in Psychologie, Medizin und Sozialwissenschaften der übliche Standard, α = 0,01 wählst du, wenn ein falscher Alarm teuer oder gefährlich wäre.
  • β ist die Wahrscheinlichkeit, einen echten Effekt zu übersehen. Die Teststärke (Power) beträgt 1 minus β, angestrebt werden häufig 0,80.
  • Senkst du α bei sonst gleicher Studie, steigt β. Beide Fehler lassen sich nur gemeinsam verkleinern, indem du die Stichprobe vergrößerst.

Der Begriff Typ-1-Fehler ist eine Übersetzung aus dem Englischen (type I error) und meint dasselbe wie Fehler 1. Art. Geprägt haben die Unterscheidung Jerzy Neyman und Egon Pearson in den 1930er-Jahren.

Alpha-Fehler im statistischen Test mit einer themenspezifischen Checkliste

So kontrollierst du den Alpha-Fehler Schritt für Schritt

Den Alpha-Fehler steuerst du vor der Datenerhebung, nicht danach. Gehe deshalb in dieser Reihenfolge vor:

  1. Hypothesen formulieren. Schreibe H0 und H1 ausdrücklich auf, zum Beispiel: „H0: Der mittlere Blutdruck sinkt mit Präparat A nicht stärker als mit Placebo. H1: Er sinkt stärker.“
  2. Signifikanzniveau festlegen. Entscheide dich vorab für α = 0,05 oder α = 0,01 und halte die Wahl schriftlich fest, etwa in einer Präregistrierung.
  3. Ein- oder zweiseitig testen. Ein zweiseitiger Test verteilt α auf beide Ränder der Verteilung, bei α = 0,05 also je 0,025. Einseitig testest du nur, wenn eine Richtung vorab inhaltlich begründet ist.
  4. Stichprobengröße planen. Lege mit einer Poweranalyse fest, wie viele Fälle du brauchst, damit neben α auch β klein bleibt. Programme wie G*Power rechnen das aus Effektgröße, α und gewünschter Power.
  5. Test durchführen und p-Wert vergleichen. Ist p ≤ α, verwirfst du H0. Ein Beispiel: Ein t-Test liefert p = 0,031. Bei α = 0,05 ist das Ergebnis signifikant, bei α = 0,01 nicht.
  6. Mehrfachtests korrigieren. Führst du 20 unabhängige Tests mit je α = 0,05 durch, liegt die Wahrscheinlichkeit für mindestens einen falschen Alarm bei 1 minus 0,95 hoch 20, also rund 64 %. Die Bonferroni-Korrektur teilt α durch die Zahl der Tests: Aus 0,05 wird bei 20 Tests 0,0025 pro Test.

Für die Ergebnisdarstellung hat sich eine knappe Formulierung bewährt: „Der Unterschied war statistisch signifikant, t(58) = 2,21, p = 0,031, bei einem vorab festgelegten α von 0,05.“ So sieht jeder Leser, gegen welches Niveau du geprüft hast.

Typische Denkfehler rund um Fehler 1. Art

Rund um den Alpha-Fehler halten sich einige Missverständnisse hartnäckig. Die häufigsten und was du stattdessen tun solltest:

  • Fehler: p = 0,03 heißt, H0 ist nur zu 3 % wahr. Besser: Der p-Wert gibt an, wie wahrscheinlich ein so extremes oder extremeres Ergebnis wäre, falls H0 zutrifft. Über die Wahrscheinlichkeit der Hypothese selbst sagt er nichts.
  • Fehler: α erst nach Blick auf die Daten wählen. Wer bei p = 0,07 nachträglich auf α = 0,10 ausweicht, hebelt die Kontrolle aus. Besser: Niveau vorher festlegen und dabei bleiben.
  • Fehler: Viele Tests ohne Korrektur. Wer 30 Variablen gegeneinander testet, findet fast sicher etwas „Signifikantes“. Besser: Bonferroni, Holm oder eine Kontrolle der False Discovery Rate einsetzen.
  • Fehler: Alpha- und Beta-Fehler verwechseln. Besser: Merke dir den Alpha-Fehler als falschen Alarm und den Beta-Fehler als übersehenen Effekt.
  • Fehler: Nicht signifikant bedeutet „kein Effekt“. Ein beibehaltenes H0 ist kein Beweis für H0, besonders bei kleiner Stichprobe und geringer Power. Besser: Konfidenzintervall und Effektgröße mit angeben.
  • Fehler: Signifikant bedeutet „wichtig“. Bei sehr großen Stichproben wird schon ein winziger Unterschied signifikant. Besser: Effektgröße wie Cohens d berichten und praktisch bewerten.
  • Fehler: Einseitig testen, um die Hürde zu senken. Besser: nur dann einseitig prüfen, wenn die Richtung vor der Erhebung begründet war.

Ein Beispiel aus der Praxis zeigt den Unterschied: Ein Labor testet einen Wirkstoff, der in Wahrheit wirkungslos ist. Bei α = 0,05 zeigt sich in etwa jedem zwanzigsten Versuch trotzdem ein signifikantes Ergebnis. Wird nur dieser eine Versuch veröffentlicht, entsteht ein Fehler 1. Art, der als Entdeckung erscheint. Deshalb zählen Replikationen und offengelegte Analysepläne zu den wirksamsten Gegenmitteln.

Alpha-Fehler im statistischen Test mit einem Ablauf aus Prüfung, Kontakt und Dokumentation

Checkliste für deinen statistischen Test

Bevor du ein Ergebnis berichtest, gehe diese Kontrollpunkte durch. Jeder lässt sich mit Ja oder Nein beantworten:

  • Sind H0 und H1 ausdrücklich und vor der Datenerhebung formuliert?
  • Ist α schriftlich festgelegt, zum Beispiel 0,05 oder 0,01, und wurde es nachträglich nicht verändert?
  • Ist begründet, ob ein- oder zweiseitig getestet wird?
  • Gibt es eine Poweranalyse mit Angabe von Effektgröße, α und Ziel-Power, etwa 0,80?
  • Ist die Zahl aller durchgeführten Tests bekannt und, falls mehr als einer, eine Korrektur wie Bonferroni angewendet?
  • Wird der exakte p-Wert berichtet, etwa p = 0,031 statt nur „p < 0,05“?
  • Stehen Effektgröße und Konfidenzintervall neben dem p-Wert?
  • Sind die Voraussetzungen des Tests geprüft, zum Beispiel Normalverteilung oder Varianzgleichheit beim t-Test?
  • Wird ein nicht signifikantes Ergebnis vorsichtig als „kein Nachweis“ und nicht als „Nachweis der Wirkungslosigkeit“ formuliert?

Kannst du alle Punkte abhaken, hast du den Alpha-Fehler so gut im Griff, wie es ein einzelner Test zulässt. Bleiben Fragen zu Testwahl oder Korrekturverfahren, lohnt sich ein Blick in ein Statistik-Lehrbuch oder ein Gespräch mit einer statistischen Beratungsstelle deiner Einrichtung.

So zitierst du diese Seite

Stand: 16. November 2026

korrektur.de. (2026, 16. November). Alpha-Fehler im statistischen Test einfach erklärt. korrektur.de. https://korrektur.de/alpha-fehler

Quellen und Stand

Du möchtest deinen Text vor der Abgabe sprachlich prüfen lassen?

Datei hochladen

Fragen und Antworten zum Thema Alpha-Fehler im statistischen Test

Was ist ein Alpha-Fehler?

Ein Alpha-Fehler, auch Fehler 1. Art genannt, liegt vor, wenn ein statistischer Test die Nullhypothese verwirft, obwohl sie zutrifft.

Was bedeutet ein Signifikanzniveau von 0,05?

Bei α = 0,05 lehnt der Test eine zutreffende Nullhypothese in 5 % aller Fälle ab. Das ist die Wahrscheinlichkeit, die du für einen Alpha-Fehler in Kauf nimmst.

Ist Typ-1-Fehler dasselbe wie Fehler 1. Art?

Ja. Typ-1-Fehler ist die Übersetzung von type I error und bezeichnet ebenfalls das Verwerfen einer wahren Nullhypothese, also den Alpha-Fehler.

Wie unterscheiden sich Alpha- und Beta-Fehler?

Beim Alpha-Fehler wird eine wahre Nullhypothese verworfen, ein falscher Alarm. Beim Beta-Fehler wird eine falsche Nullhypothese beibehalten, ein echter Effekt bleibt also unentdeckt.

Warum wählt man nicht einfach ein sehr kleines Alpha?

Je kleiner α bei gleicher Stichprobe, desto größer wird β und desto eher übersiehst du echte Effekte. Beide Fehler senkst du gemeinsam nur durch mehr Daten.

Unsere Partner