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 das nichtparametrische Standardverfahren, wenn du zwei unabhängige Gruppen vergleichen möchtest, deine Daten aber nicht normalverteilt sind oder nur ordinales Skalenniveau vorliegt. Er prüft, ob sich die zentrale Tendenz zweier Stichproben unterscheidet, ohne die strengen Annahmen des t-Tests vorauszusetzen. In diesem Ratgeber erfährst du, wann sich der Test eignet, welche Voraussetzungen gelten, wie du ihn Schritt für Schritt in SPSS rechnest und wie du U-Wert, p-Wert und Effektstärke sauber interpretierst 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 zwei unabhängige Gruppen hinsichtlich ihrer Rangverteilung. Statt Mittelwerte gegenüberzustellen, werden alle Messwerte beider Gruppen in eine gemeinsame Rangreihe gebracht. Anschließend prüft das Verfahren, ob die Ränge in einer Gruppe systematisch höher liegen als in 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.

Typische Anwendungsfälle sind der Vergleich von Zufriedenheitswerten auf einer Likert-Skala, von Symptomausprägungen zwischen einer Behandlungs- und einer Kontrollgruppe oder von Punktwerten bei sehr kleinen Stichproben. Weil das Verfahren ausschließlich auf Rängen beruht, reagiert es deutlich robuster auf Ausreißer als ein Mittelwertvergleich. Eine solide Grundlage zur Beschreibung deiner Gruppen liefert die deskriptive Statistik, die du dem Test stets voranstellen solltest.

Voraussetzungen für den nichtparametrischen Vergleich

Damit das Ergebnis belastbar ist, müssen einige Bedingungen erfüllt sein. Die abhängige Variable sollte mindestens ordinalskaliert sein, also eine sinnvolle Rangordnung erlauben. Die beiden Gruppen müssen unabhängig voneinander sein, das heißt, jede Person gehört genau einer Gruppe an. Zudem sollten die Beobachtungen innerhalb der Gruppen unabhängig erhoben werden.

Eine Normalverteilung wird ausdrücklich nicht vorausgesetzt, das ist der zentrale Vorteil gegenüber dem t-Test. Möchtest du das Ergebnis jedoch als Unterschied der Mediane interpretieren, sollten die Verteilungsformen beider Gruppen ähnlich sein. Sind die Formen sehr verschieden, prüft der Test lediglich die allgemeine stochastische Dominanz. 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 erreichst du das Verfahren über das Menü Analysieren → Nichtparametrische Tests → Alte Dialogfelder → Zwei unabhängige Stichproben. Der praktische Ablauf gliedert sich in wenige Schritte:

1. Ziehe deine metrische oder ordinale Zielvariable 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. Aktiviere unter Testtyp die Option Mann-Whitney-U.
4. Bestätige mit OK und lies die Ausgabetabellen Ränge sowie Statistik für Test aus.

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

U-Wert, p-Wert und Effektstärke interpretieren

Die Ausgabetabelle nennt den U-Wert, die z-Statistik und die asymptotische Signifikanz. Entscheidend für die Hypothesenprüfung ist der p-Wert: Liegt er unter dem festgelegten Signifikanzniveau von meist 0,05, unterscheiden sich die Gruppen bedeutsam. Bei kleinen Stichproben mit weniger als etwa 20 Fällen pro Gruppe berichtest du die exakte Signifikanz statt der asymptotischen.

Der p-Wert allein sagt nichts über die Größe des Unterschieds. Ergänze deshalb eine Effektstärke, üblicherweise r = z geteilt durch die Wurzel aus N. Werte um 0,1 gelten als kleiner, um 0,3 als mittlerer und ab 0,5 als großer Effekt. So trennst du statistische Signifikanz sauber von praktischer Relevanz.

Alternative zum t-Test bei verletzten Annahmen

Der t-Test für unabhängige Stichproben setzt annähernde Normalverteilung und metrisches Skalenniveau voraus. Sind diese Annahmen verletzt, etwa bei stark schiefen Verteilungen, kleinen Stichproben oder Likert-Daten, liefert der nichtparametrische Rangtest die vertrauenswürdigeren Ergebnisse. Er ist damit die anerkannte Ausweichlösung, wenn ein Mittelwertvergleich nicht zulässig ist.

Wichtig ist, die Wahl im Methodenteil nachvollziehbar zu begründen: Nenne den verletzten Verteilungsvorbehalt und verweise auf den entsprechenden Vortest, etwa den Shapiro-Wilk-Test. Für Zusammenhänge zwischen zwei ordinalen Variablen ist hingegen nicht dieser Gruppenvergleich, sondern ein Korrelationsverfahren das passende Werkzeug.

Ergebnisse korrekt berichten

Im Ergebnisteil deiner Arbeit berichtest du Mediane oder mittlere Ränge beider Gruppen, den U-Wert, die z-Statistik, den p-Wert und die Effektstärke. Eine bewährte Formulierung 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. Bevor die Arbeit eingereicht wird, lohnt sich ein professionelles Korrekturlesen und Lektorat, damit statistische Notation, Sprache und Formatierung durchgängig stimmig sind.

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