Mann-Whitney-U-Test einfach erklärt und in SPSS berechnen

Wann der Mann-Whitney-U-Test die richtige Wahl ist

Der Mann-Whitney-U-Test ist ein nichtparametrisches Verfahren, mit dem du die Rangverteilungen zweier unabhängiger Gruppen vergleichst. Er eignet sich insbesondere für mindestens ordinale Daten und setzt keine Normalverteilung voraus. Dieser Leitfaden zeigt dir, wann der Test passt, welche Voraussetzungen gelten, wie du ihn in SPSS durchführst und wie du U-Wert, p-Wert sowie Effektstärke korrekt deutest und berichtest.

Diese Anleitung erklärt die Auswertung einfach und Schritt für Schritt, bis du den U-Wert in SPSS berechnen kannst.

Was der Mann-Whitney-U-Test misst

Der Test vergleicht die Rangverteilungen zweier unabhängiger Gruppen. Statt Mittelwerte zu vergleichen, werden alle Werte beider Gruppen in eine gemeinsame Rangreihe eingeordnet. Anschließend prüft das Verfahren, ob die Ränge einer Gruppe systematisch höher liegen als die der anderen. Der Mann-Whitney-U-Test beantwortet damit die Frage, ob ein zufällig gezogener Wert aus Gruppe A tendenziell größer ausfällt als ein Wert aus Gruppe B.

Häufige Einsatzgebiete sind der Vergleich von Zufriedenheitswerten auf einer Likert-Skala, von Symptomausprägungen zwischen Behandlungs- und Kontrollgruppe oder von Punktwerten bei sehr kleinen Stichproben. Weil das Verfahren auf Rängen basiert, können einzelne Ausreißer die Auswertung anders beeinflussen als einen Mittelwertvergleich. Eine stabile Basis zur Beschreibung deiner Gruppen bietet die deskriptive Statistik, die du dem Test voranstellen solltest.

Voraussetzungen des nichtparametrischen Vergleichs

Für ein belastbares Ergebnis müssen bestimmte Bedingungen erfüllt sein. Die abhängige Variable muss mindestens ordinalskaliert sein, also eine sinnvolle Rangordnung ermöglichen. Die beiden Gruppen müssen unabhängig voneinander sein, das heißt, jede Person gehört genau einer Gruppe an. Außerdem müssen die Beobachtungen innerhalb der Gruppen unabhängig voneinander erhoben worden sein.

Eine Normalverteilung wird nicht vorausgesetzt. Möchtest du das Ergebnis jedoch als Unterschied der Mediane interpretieren, sollten die Verteilungsformen beider Gruppen ähnlich sein. Unterscheiden sich Form oder Streuung deutlich, kann ein signifikanter Befund auch diese Unterschiede widerspiegeln und nicht allein einen Medianunterschied. Ob ein parametrisches oder nichtparametrisches Verfahren angebracht ist, klärst du sinnvoll im Rahmen deiner Überlegungen zum Hypothesentest.

Ablauf in SPSS Schritt für Schritt

In SPSS findest du das Verfahren im Menü Analysieren → Nichtparametrische Tests → Alte Dialogfelder → Zwei unabhängige Stichproben. Der praktische Ablauf besteht aus wenigen Schritten:

1. Verschiebe die Zielvariable (metrisch oder ordinal) in das Feld Testvariablen.
2. Setze die Gruppierungsvariable in das Feld Gruppenvariable und definiere über Gruppen definieren die beiden Ausprägungen, etwa 1 und 2.
3. Wähle unter Testtyp die Option Mann-Whitney-U aus.
4. Bestätige mit OK und werte die Ausgabetabellen Ränge sowie Statistik für Test aus.

Alternativ führt der neuere Weg über Analysieren → Nichtparametrische Tests → Unabhängige Stichproben, wo SPSS die Verteilungen zusätzlich grafisch darstellt. Wer den gesamten Auswertungsweg nachschlagen möchte, findet im SPSS-Statistik-Hub eine Übersicht der gängigen Verfahren.

Interpretation von U-Wert, p-Wert und Effektstärke

Die Ausgabetabelle listet den U-Wert, die z-Statistik und die asymptotische Signifikanz auf. Für die Hypothesenprüfung ist der p-Wert entscheidend: Liegt er unter dem vorab festgelegten Signifikanzniveau, etwa 0,05, spricht das gegen die Annahme gleicher Rangverteilungen. Ob du eine exakte oder asymptotische Signifikanz berichtest, hängt von Stichprobengröße, Bindungen und der gewählten SPSS-Einstellung ab; dokumentiere die verwendete Berechnung.

Der p-Wert allein verrät nichts über die Größe des Unterschieds. Ergänze daher eine Effektstärke, etwa r = z geteilt durch die Wurzel aus N. Die häufig verwendeten Orientierungswerte nach Cohen von etwa 0,1, 0,3 und 0,5 werden oft als klein, mittel und groß bezeichnet, sollten aber im fachlichen Kontext eingeordnet werden. So trennst du statistische Signifikanz klar von praktischer Relevanz.

Einsatz als Alternative zum t-Test bei Annahmeverletzungen

Der t-Test für unabhängige Stichproben prüft Mittelwertunterschiede bei metrischen Daten und beruht unter anderem auf unabhängigen Beobachtungen; bei kleinen Stichproben ist die Verteilungsannahme besonders relevant. Sind die Daten mindestens ordinalskaliert oder passt ein Vergleich der Rangverteilungen besser zur Forschungsfrage, kann der nichtparametrische Rangtest eine geeignete Alternative sein. Er beantwortet jedoch nicht automatisch dieselbe Frage wie ein Mittelwertvergleich.

Wichtig ist, die Wahl im Methodenteil nachvollziehbar zu begründen: Berücksichtige Forschungsfrage, Skalenniveau, Studiendesign und die Verteilung der Daten. Diagnostische Verfahren wie der Shapiro-Wilk-Test können dabei ein Hinweis sein, ersetzen aber nicht die inhaltliche Prüfung dieser Punkte. Für Zusammenhänge zwischen zwei ordinalen Variablen ist hingegen nicht dieser Gruppenvergleich, sondern ein Korrelationsverfahren das passende Werkzeug.

Ergebnisse richtig berichten

Im Ergebnisteil deiner Arbeit nennst du Mediane oder mittlere Ränge beider Gruppen, den U-Wert, die z-Statistik, den p-Wert sowie die Effektstärke. Ein bewährter Formulierungsvorschlag lautet: Die Gruppen unterschieden sich signifikant, U = 210,00, z = -2,45, p =,014, r =,31.

Achte auf die im deutschsprachigen Raum üblichen Dezimalkommata und auf eine einheitliche Anzahl von Nachkommastellen. Vor der Abgabe der Arbeit ist ein professionelles Korrekturlesen und Lektorat sinnvoll, damit statistische Notation, Sprache und Formatierung durchgängig stimmig sind.

Weitere Statistik-Grundlagen: Stichprobe und Grundgesamtheit, Konfidenzintervall sowie Statistik und SPSS.