Alpha-Fehler im statistischen Test: Das musst du wissen
Alpha-Fehler im statistischen Test: Vorgehen und typische Fehler
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:
| Entscheidung | H0 ist wahr | H0 ist falsch |
|---|---|---|
| H0 verwerfen | Alpha-Fehler (Fehler 1. Art) | richtige Entscheidung |
| H0 beibehalten | richtige Entscheidung | Beta-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.

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:
- 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.“
- Signifikanzniveau festlegen. Entscheide dich vorab für α = 0,05 oder α = 0,01 und halte die Wahl schriftlich fest, etwa in einer Präregistrierung.
- 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.
- 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.
- 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.
- 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.

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 2026korrektur.de. (2026, 16. November). Alpha-Fehler im statistischen Test einfach erklärt. korrektur.de. https://korrektur.de/alpha-fehler
„Alpha-Fehler im statistischen Test einfach erklärt.“ korrektur.de, 16. Nov. 2026, korrektur.de/alpha-fehler. Zugriff 16. Nov. 2026.
korrektur.de (2026) Alpha-Fehler im statistischen Test einfach erklärt. Verfügbar unter: https://korrektur.de/alpha-fehler (Zugriff: 16. November 2026).
korrektur.de. „Alpha-Fehler im statistischen Test einfach erklärt.“ Zuletzt geändert 16. November 2026. https://korrektur.de/alpha-fehler.
korrektur.de. Alpha-Fehler im statistischen Test einfach erklärt [online]. 2026 [Zugriff am 16.11.2026]. Verfügbar unter: https://korrektur.de/alpha-fehler
Quellen und Stand
- Offizielle Quelle: www.spektrum.de (geprüft am 2026-11-16)
- Wikipedia: Fehler 1. und 2. Art: de.wikipedia.org (geprüft am 2026-11-16)