Welche Frage beantwortet der Chi-Quadrat-Test?

Er prüft, ob zwei kategoriale Merkmale statistisch zusammenhängen. Dazu vergleicht das Verfahren die beobachteten Häufigkeiten in einer Kreuztabelle mit den Häufigkeiten, die bei unabhängigen Merkmalen zu erwarten wären.

Wie entsteht die erwartete Häufigkeit einer Zelle?

Für die jeweilige Zelle wird die Zeilensumme mit der Spaltensumme multipliziert und das Ergebnis durch die Gesamtzahl geteilt. So entsteht der Vergleichswert für den Fall, dass beide Merkmale unabhängig sind.

Wann gilt das Testergebnis als signifikant?

Das Ergebnis gilt als statistisch signifikant, wenn der p-Wert kleiner als das gewählte Signifikanzniveau ist, meist 0,05. Die Stärke des Zusammenhangs muss davon getrennt betrachtet werden.

Welche Voraussetzungen müssen geprüft werden?

Wichtig sind unabhängige Beobachtungen und ausreichend große erwartete Häufigkeiten. In der Regel werden erwartete Häufigkeiten von mindestens 5 pro Zelle vorausgesetzt.

Den Chi-Quadrat-Test verstehen

Der Test für kategoriale Zusammenhänge

Lesezeit ca. 6 Min. · aktualisiert: 14. Juni 2026 · zurück zum Blog

Mit dem Chi-Quadrat-Test lässt sich untersuchen, ob zwei kategoriale Merkmale statistisch zusammenhängen. Diese verständliche Anleitung führt von der Kreuztabelle über beobachtete und erwartete Häufigkeiten bis zur Signifikanz, zu den Voraussetzungen und zur korrekten Interpretation des Ergebnisses.

Wann der Chi-Quadrat-Test sinnvoll ist

Der Chi-Quadrat-Test (χ²-Test) beantwortet eine klar umrissene Frage: Besteht zwischen zwei nominalen oder ordinalen Merkmalen ein statistischer Zusammenhang? Ein typisches Beispiel ist die Verbindung zwischen Geschlecht und Studienwahl. Beide Variablen teilen Fälle in Kategorien ein. Deshalb werden keine Mittelwerte verglichen. Entscheidend ist vielmehr, wie häufig die Kombinationen der Kategorien in den Daten vorkommen. Wer den Chi-Quadrat-Test verstehen möchte, betrachtet dafür die tatsächlich beobachteten Häufigkeiten und stellt ihnen jene Häufigkeiten gegenüber, die bei Unabhängigkeit zu erwarten wären. Genau darum geht es bei der Aufgabe „Chi-Quadrat-Test: Zusammenhänge prüfen“.

So werden beobachtete und erwartete Häufigkeiten verglichen

Ausgangspunkt der Berechnung ist eine Kreuztabelle. Ihre Zellen zeigen, wie viele Fälle jeweils zu einer bestimmten Kombination aus Zeilenkategorie und Spaltenkategorie gehören. Das sind die beobachteten Häufigkeiten. Für jede Zelle wird anschließend die erwartete Häufigkeit = (Zeilensumme · Spaltensumme) / Gesamtzahl bestimmt. Sie beschreibt, welche Zellenbesetzung allein aufgrund der Randverteilungen zu erwarten wäre, wenn die Merkmale voneinander unabhängig wären. Die Teststatistik lautet χ² = Summe über alle Zellen von (beobachtet − erwartet)² / erwartet. Damit fließt jede Abweichung zwischen Beobachtung und Erwartung in das Gesamtergebnis ein. Je größer diese Abweichungen insgesamt ausfallen, desto größer wird χ² und desto mehr sprechen die Daten gegen Unabhängigkeit. Das Vorzeichen einer einzelnen Abweichung zeigt dabei nicht die Stärke des gesamten Zusammenhangs; maßgeblich ist die zusammengefasste Teststatistik.

Ergebnis mit p-Wert und Freiheitsgraden interpretieren

Ein χ²-Wert ist nicht isoliert zu beurteilen. Ob er als statistisch signifikant gilt, richtet sich nach den Freiheitsgraden df = (Zeilen − 1) · (Spalten − 1) sowie nach dem gewählten Signifikanzniveau. Die Freiheitsgrade ergeben sich unmittelbar aus der Zahl der Zeilen und Spalten der Kreuztabelle. Ist der p-Wert kleiner als 0,05, wird das Ergebnis als statistisch signifikant eingeordnet. Dann spricht die Auswertung gegen die Annahme, dass beide Merkmale unabhängig sind. Signifikanz allein sagt jedoch noch nicht, wie stark der Zusammenhang ausfällt. Dafür wird ergänzend Cramérs V berichtet. Eine saubere Interpretation trennt deshalb die Frage, ob ein Zusammenhang statistisch nachweisbar ist, von der Frage nach seiner Stärke.

Welche Voraussetzungen vor der Auswertung gelten

Vor der Interpretation müssen die Voraussetzungen geprüft werden. Der Test setzt unabhängige Beobachtungen voraus. Ein Fall darf die Zuordnung eines anderen Falls also nicht bestimmen. Außerdem müssen die erwarteten Häufigkeiten ausreichend groß sein: In der Regel sollten alle erwarteten Werte mindestens 5 betragen. Diese Prüfung bezieht sich auf die berechneten Erwartungswerte in den Zellen, nicht bloß auf den gesamten Stichprobenumfang. Sind die Häufigkeiten bei kleinen Stichproben oder in Vierfeldertafeln zu gering, verwendet man stattdessen den exakten Test nach Fisher. Die Wahl des Verfahrens sollte daher erfolgen, bevor der p-Wert inhaltlich gedeutet wird.

Typische Fehler bei Berechnung und Interpretation vermeiden

Mehrere Fehler können das Ergebnis unbrauchbar oder missverständlich machen. Dazu zählt, den Chi-Quadrat-Test trotz zu kleiner erwarteter Häufigkeiten einzusetzen. Ebenso falsch ist es, aus einem signifikanten Ergebnis automatisch auf eine starke Beziehung zu schließen, denn Signifikanz ≠ Effektstärke. Für die Kreuztabelle werden absolute Häufigkeiten benötigt; Prozentwerte sind nicht als Ersatz einzugeben. Auch die Schlussfolgerung sollte präzise bleiben: Der Test weist einen statistischen Zusammenhang nach, erklärt aber nicht dessen Ursache. In SPSS findest du das Verfahren unter „Kreuztabellen“. Dort sollten vor dem Berichten sowohl die Zellen als auch die Testausgabe kontrolliert werden. Die sprachliche und formale Berichtsweise prüft ein Lektorat. So lässt sich der Chi-Quadrat-Test nachvollziehbar verstehen, korrekt anwenden und angemessen einordnen.

Für die Vorbereitung der Analyse helfen die Skalenniveaus erklärt, weil die Auswahl des Tests zur Art der Variablen passen muss. Das Thema Konfidenzintervall berechnen ergänzt das Verständnis statistischer Schätzungen. Einen breiteren Einstieg in die Beschreibung von Daten bietet die deskriptive Statistik; weitere Verfahren und Orientierung bündelt der Statistik-und-SPSS-Hub. Vor der Abgabe kann ein Korrekturlesen kontrollieren, ob Ergebnisdarstellung, Tabellenbezug und Formulierungen stimmig sind.