Was die inferenzielle Statistik in SPSS leistet
Warum die inferenzielle Statistik über die Stichprobe hinausgeht
Die inferenzielle Statistik beantwortet die zentrale Frage jeder empirischen Arbeit: Lässt sich das Ergebnis einer Stichprobe auf die gesamte Grundgesamtheit übertragen? 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.
Was die inferenzielle Statistik ausmacht
Die inferenzielle Statistik, auch schließende oder induktive Statistik, zieht aus den Daten einer Stichprobe Rückschlüsse auf eine größere Grundgesamtheit, die man nicht vollständig untersuchen kann. Während man eine Stichprobe direkt beschreibt, geht es hier um Verallgemeinerung: Gilt der gefundene Unterschied oder Zusammenhang nur zufällig für die untersuchten Fälle, oder darf man ihn auf alle übertragen? Grundlage dafür ist die Wahrscheinlichkeitsrechnung, mit der sich abschätzen lässt, wie verlässlich ein Stichprobenergebnis ist. Ohne diesen Schritt bleibt jede Studie auf die zufällig ausgewählten Personen beschränkt. Man spricht auch von analytischer Statistik, weil sie über die vorliegenden Daten hinaus Schlüsse zieht. Ihre Werkzeuge reichen von Konfidenzintervallen über Signifikanztests bis zur Regressionsanalyse. Erst diese Verfahren erlauben es, aus einer begrenzten Erhebung überhaupt allgemeingültige Aussagen über die Grundgesamtheit abzuleiten.
Abgrenzung zur deskriptiven Statistik
Die beschreibende oder deskriptive Statistik fasst vorhandene Daten zusammen, mit Mittelwert, Standardabweichung, Häufigkeiten und Diagrammen. Sie macht keine Aussage über andere Fälle als die tatsächlich erhobenen. Die schließende Statistik geht einen Schritt weiter und fragt, was die Stichprobe über die Grundgesamtheit verrät. Beide gehören zusammen: Zuerst beschreibt man die Daten sauber, dann prüft man, ob sich die Befunde verallgemeinern lassen. Ohne die deskriptive Vorarbeit ist jede Verallgemeinerung blind, denn erst die Beschreibung zeigt, ob die Daten überhaupt tragfähig sind. In der Praxis beginnt jede Auswertung mit der Beschreibung und geht dann zur Verallgemeinerung über. Beide Schritte im Bericht klar zu trennen, macht die Ergebnisse für die Leser nachvollziehbar. Erst diese Reihenfolge macht deutlich, worauf sich eine spätere Verallgemeinerung überhaupt stützt und wie belastbar die gezogenen Schlüsse tatsächlich sind.
Signifikanztests und der p-Wert
Kern der schließenden Statistik ist der Signifikanztest. Er stellt eine Nullhypothese auf, meist die Annahme, es gebe keinen Unterschied, und prüft, wie wahrscheinlich die beobachteten Daten wären, wenn diese Annahme stimmt. Genau hier setzt die inferenzielle Statistik ihr wichtigstes Werkzeug ein: den p-Wert. Er gibt die Wahrscheinlichkeit an, ein mindestens so extremes Ergebnis zu erhalten, falls die Nullhypothese gilt. Ist der p-Wert kleiner als das Signifikanzniveau, meist 0,05, spricht man von einem statistisch signifikanten Ergebnis und verwirft die Nullhypothese. Der genaue Ablauf mit Hypothesen, Teststatistik und Entscheidung folgt einem festen Hypothesentest. Neben dem klassischen Signifikanztest gewinnen ergänzende Ansätze wie Effektstärken und Bayes-Verfahren an Bedeutung. Sie sollen den p-Wert nicht ersetzen, aber um Informationen zur praktischen Relevanz erweitern.
Den p-Wert richtig deuten
Der p-Wert wird oft missverstanden. Er ist nicht die Wahrscheinlichkeit, dass die Nullhypothese wahr ist, und auch kein Maß für die Stärke eines Effekts. Ein kleiner p-Wert sagt nur: Die Daten passen schlecht zur Annahme, es gebe keinen Effekt. Deshalb berichtet man neben der Signifikanz immer eine Effektstärke und ein Konfidenzintervall, die angeben, wie groß und wie präzise der Effekt ist. Ein signifikantes Ergebnis bei winziger Effektstärke ist praktisch oft bedeutungslos, auch wenn der Test formal anschlägt. Signifikanz und Bedeutsamkeit sind daher streng zu trennen. Eine Faustregel lautet: erst die Signifikanz prüfen, dann die Effektstärke berichten und schließlich beides gemeinsam interpretieren. Wer nur auf das Sternchen im Ausdruck schaut, zieht schnell voreilige Schlüsse. Eine große Stichprobe macht selbst winzige, praktisch belanglose Unterschiede signifikant, weshalb die Angabe einer Effektstärke neben dem p-Wert unverzichtbar bleibt.
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 inferenzielle Statistik 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 Beispiel aus der Praxis
Eine Studentin vergleicht die Prüfungsleistung von zwei Lerngruppen mit je 30 Personen. In der Stichprobe schneidet Gruppe A im Mittel um 0,4 Notenpunkte besser ab. Ob dieser Unterschied auch für alle Studierenden gilt oder bloß Zufall der Stichprobe ist, klärt die inferenzielle Statistik: Ein t-Test in SPSS liefert einen p-Wert von 0,03. Weil er unter 0,05 liegt, gilt der Unterschied als signifikant, die Studentin darf vorsichtig verallgemeinern. Ergänzt um die Effektstärke und ein Konfidenzintervall wird daraus eine belastbare Aussage über die Grundgesamtheit statt nur über die 60 untersuchten Personen. Wichtig ist, das Ergebnis vorsichtig zu formulieren: Ein signifikanter Test beweist nichts endgültig, sondern macht eine Annahme lediglich unwahrscheinlich. Erst mehrere unabhängige Studien erhärten einen Befund wirklich. Ein vorsichtig formuliertes Ergebnis, das seine Grenzen benennt, wirkt in einer Abschlussarbeit seriöser als eine vollmundige, aber überzogene Behauptung. Diese methodische Zurückhaltung gilt in der Wissenschaft als Zeichen von Sorgfalt und Reife.
Weitere Statistik-Themen: deskriptive Statistik, bivariate Statistik und Statistik und SPSS.
