Inferenzstatistik in SPSS: Signifikanztests und p-Wert anwenden

Warum die Inferenzstatistik über die Stichprobe hinausgeht

Die Inferenzstatistik beantwortet die zentrale Frage jeder empirischen Arbeit: Lässt sich das Ergebnis einer Stichprobe auf die gesamte Grundgesamtheit übertragen? Von der reinen Datenerfassung bis zur statistischen Modellierung gibt es viele Schritte, die man korrekt anwenden muss. Während die beschreibende Statistik nur die erhobenen Daten zusammenfasst, zieht die schließende Statistik daraus verallgemeinernde Schlüsse. Dieser Ratgeber erklärt, was dieses Teilgebiet leistet, beleuchtet den Unterschied zur deskriptiven Statistik sowie das Prinzip von Signifikanztests und p-Wert und zeigt die Auswertung in SPSS an einem konkreten Beispiel.

Kennzeichen der inferenziellen Statistik

Die Inferenzstatistik wird auch schließende oder induktive Statistik genannt. Sie nutzt Daten einer Stichprobe und ein statistisches Modell, um Aussagen über eine größere Grundgesamtheit zu prüfen. Ob eine Verallgemeinerung tragfähig ist, hängt unter anderem von Studiendesign, Stichprobenziehung und Modellannahmen ab. Im Unterschied zur Beschreibung der Stichprobe bewertet sie, wie gut die Daten mit einem spezifizierten Modell, etwa einer Nullhypothese, vereinbar sind. Zu ihren Methoden gehören Konfidenzintervalle, Signifikanztests und Regressionsanalysen. Diese Verfahren können die Unsicherheit einer Schätzung oder eines Tests quantifizieren, ersetzen aber keine passende Datenerhebung.

Unterschiede zur deskriptiven Statistik

Die deskriptive Statistik fasst die vorliegenden Daten mithilfe von Mittelwert, Standardabweichung, Häufigkeiten und Diagrammen zusammen. Die schließende Statistik prüft unter geeigneten Voraussetzungen, was eine Stichprobe über eine Grundgesamtheit aussagen kann. Beide Bereiche gehören zusammen: Zuerst beschreibt man die Daten sorgfältig, danach beurteilt man, ob und in welchem Umfang sich Befunde verallgemeinern lassen. Die Beschreibung allein belegt keine Verallgemeinerung; dafür sind auch Studiendesign, Stichprobenziehung und Modellannahmen relevant. Eine klare Trennung beider Schritte im Bericht macht die Ergebnisse für die Leser nachvollziehbar.

Signifikanztests und der p-Wert

Ein zentraler Bestandteil der schließenden Statistik ist der Signifikanztest. Er prüft eine Nullhypothese, die je nach Fragestellung zum Beispiel keinen Unterschied oder keinen Zusammenhang beschreibt. Der p-Wert gibt unter dem zugrunde gelegten statistischen Modell an, wie wahrscheinlich ein mindestens so extremes Ergebnis ist wie das beobachtete. Liegt der p-Wert unter einem vorab festgelegten Signifikanzniveau, häufig 0,05, wird das Ergebnis nach dieser Entscheidungsregel als statistisch signifikant bezeichnet. Der genaue Ablauf mit Hypothesen, Teststatistik und Entscheidung folgt einem festen Hypothesentest. Effektstärken und Konfidenzintervalle ergänzen den p-Wert um Angaben zur Größe und Präzision eines geschätzten Effekts.

Den p-Wert richtig deuten

Der p-Wert wird häufig falsch interpretiert. Er ist nicht die Wahrscheinlichkeit, dass die Nullhypothese wahr ist, und kein Maß für die Stärke eines Effekts. Ein kleiner p-Wert zeigt, dass die Daten mit dem zugrunde gelegten statistischen Modell weniger vereinbar sind. Deshalb sollten neben der Signifikanz auch eine Effektstärke und ein Konfidenzintervall berichtet werden, sofern sie für das Verfahren verfügbar und sinnvoll sind. Ein statistisch signifikantes Ergebnis kann bei geringer Effektstärke praktisch wenig bedeutsam sein. Signifikanz und praktische Relevanz sind daher getrennt zu beurteilen. Eine große Stichprobe kann auch kleine Unterschiede statistisch signifikant machen; die Effektstärke hilft bei deren Einordnung.

Inferenzstatistik in SPSS rechnen

In SPSS führst du fast jeden Signifikanztest über das Menü Analysieren aus, etwa den t-Test unter Mittelwerte vergleichen oder eine Korrelation unter Korrelation. SPSS liefert in der Ausgabe stets den p-Wert, in der Spalte Sig. oder Signifikanz (2-seitig). So wird die Inferenzstatistik zur Fleißarbeit weniger Klicks; die eigentliche Leistung liegt in der richtigen Wahl des Tests und der sauberen Deutung der Ausgabe. Einen Überblick über passende Verfahren bündelt der SPSS-Hub, etwa für eine bivariate Auswertung zweier Variablen. Vor jedem Test lohnt ein Blick auf die Voraussetzungen, etwa Normalverteilung oder Varianzhomogenität, die SPSS mit eigenen Prüfgrößen ausgibt. Sind sie verletzt, wählt man ein robusteres oder verteilungsfreies Verfahren. SPSS erleichtert diese Prüfung mit fertigen Ausgaben, ersetzt aber nicht die inhaltliche Entscheidung, welcher Test überhaupt zur jeweiligen Fragestellung passt.

Ein Praxisbeispiel mit Voraussetzungen und Einschränkungen

Eine Studentin vergleicht die Prüfungsergebnisse zweier Lerngruppen mit jeweils 30 Personen. In der Stichprobe erzielt Gruppe A im Mittel 0,4 Notenpunkte mehr. Angenommen, die Gruppen und Messungen erfüllen die Voraussetzungen eines geeigneten t-Tests und die Stichprobe erlaubt einen Bezug zur interessierenden Grundgesamtheit, ergibt ein zweiseitiger t-Test in SPSS einen p-Wert von 0,03. Bei einem vorab gewählten Signifikanzniveau von 0,05 ist das Ergebnis nach dieser Regel statistisch signifikant. Der p-Wert allein belegt jedoch weder die Größe noch die praktische Bedeutung des Unterschieds und rechtfertigt keine uneingeschränkte Verallgemeinerung. Dafür sind unter anderem Effektstärke, Konfidenzintervall, Studiendesign und Stichprobenziehung zu berücksichtigen. Ein signifikanter Test beweist nichts endgültig, sondern beschreibt die Vereinbarkeit der Daten mit dem zugrunde gelegten Modell. Replikationen und transparente Berichte können die Evidenz für einen Befund stärken.

Weitere Statistik-Themen: deskriptive Statistik, bivariate Statistik und Statistik und SPSS.