Editverse StatPicker
Welchen statistischen Test sollte ich verwenden?
Ein kostenloser, interaktiver Testauswahl-Assistent für medizinische und biomedizinische Forscher. Beantworten Sie einige Fragen zu Ihrem Studiendesign und den erwarteten Ergebnissen und erhalten Sie den passenden statistischen Test – inklusive der zu prüfenden Annahmen, häufiger Fehlerquellen und einem direkten Link zu einem kostenlosen Rechner. Entwickelt von Biostatistikern von Editverse und validiert mit R 4.3.3.
Finden Sie Ihren Test in 3–4 Fragen
Beginnen Sie mit Ihrem Analyseziel. Sie können jederzeit zurückgehen oder von vorne beginnen.
Wie man den richtigen statistischen Test auswählt
Die Wahl des richtigen statistischen Tests ist keine Geschmacksfrage – sie hängt von drei Faktoren ab: der Art des gemessenen Ergebnisses , der Anzahl der zu vergleichenden Gruppen oder Messungen und davon, ob die Beobachtungen unabhängig oder gepaart sind . Sind diese drei Faktoren erfüllt, ist der Test fast immer die richtige Wahl. Der interaktive Auswahlassistent oben führt Sie durch diese Entscheidungen; dieser Abschnitt erläutert die zugrunde liegende Logik, damit Sie Ihre Wahl gegenüber einem Gutachter begründen können.
Schritt 1 – Bestimmen Sie den Typ Ihres Ergebnisses (abhängige Variable).
Alles beginnt hier. Kontinuierliche Zielgrößen (Blutdruck, HbA1c-Wert, ein Score) erfordern mittelwertbasierte Tests wie den t-Test oder die ANOVA. Kategoriale Zielgrößen (geheilt/nicht geheilt, Responder/Non-Responder) sprechen für anteilsbasierte Tests wie den Chi-Quadrat-Test, den Fisher-Exakt-Test oder die logistische Regression. Ordinale Zielgrößen (Schmerzskala, Stadium) erfordern in der Regel nichtparametrische Methoden. Zeit-bis-zum-Ereignis -Zielgrößen (Überleben, Zeit bis zum Rezidiv) erfordern eine Überlebenszeitanalyse, da zensierte Beobachtungen berücksichtigt werden müssen, was ein einfacher Mittelwertvergleich nicht leisten kann.
Schritt 2 – Zählen Sie Ihre Gruppen und prüfen Sie die Paarung
Vergleichen Sie eine Gruppe mit einem bekannten Wert , zwei Gruppen oder drei oder mehr ? Und sind die Beobachtungen unabhängig (unterschiedliche Probanden in jeder Gruppe) oder gepaart (die gleichen Probanden wurden zweimal gemessen)? Die Unterscheidung zwischen unabhängigen und gepaarten Daten wird am häufigsten übersehen. Messungen an denselben Patienten vor und nach einer Behandlung liefern gepaarte Daten. Werden diese so analysiert, als stammten die beiden Messreihen aus unabhängigen Gruppen, gehen genau die Informationen verloren, die die Aussagekraft der Studie ausmachen, und dies ist ein bekannter Fehler in der Fachliteratur.
Schritt 3 – Annahmen prüfen (parametrisch vs. nichtparametrisch)
Parametrische Tests (t-Test, ANOVA, Pearson-Korrelation) setzen voraus, dass die Zielvariable annähernd normalverteilt ist und, bei Gruppenvergleichen, dass die Varianzen ähnlich sind. Sind diese Voraussetzungen erfüllt – oder ist die Stichprobe groß genug, damit der zentrale Grenzwertsatz anwendbar ist –, sind parametrische Tests aussagekräftiger. Sind die Daten schief verteilt, ordinal oder die Stichprobe klein, sollte man auf die entsprechenden nichtparametrischen Tests zurückgreifen: Mann-Whitney-U-Test statt t-Test für unabhängige Stichproben, Wilcoxon-Test statt t-Test für abhängige Stichproben, Kruskal-Wallis-Test statt ANOVA und Spearman-Korrelation statt Pearson-Korrelation.
Schritt 4 – Vergleichen Sie die Ergebnisse mit dem Test und überprüfen Sie sie anschließend mit einem Taschenrechner.
Sobald Ergebnistyp, Gruppenstruktur und Annahmen festgelegt sind, ist der Test bestimmt. Nutzen Sie die Vergleichstabelle unten als Kurzübersicht, öffnen Sie den zugehörigen kostenlosen Rechner und überprüfen Sie Ihr Ergebnis anhand des angezeigten R-Codes. Führen Sie für die Studienplanung stets eine Stichprobenumfangs- und Poweranalyse durch, bevor Sie Daten erheben.
Visuelle Anleitung: Das 3-Filter-System in Aktion
Jede Folie entspricht direkt einem Schritt im interaktiven Auswahlmenü oben – vom Framework zum Test.
Tabelle zur Auswahl statistischer Tests
Wählen Sie den passenden Test aus und öffnen Sie dann den kostenlosen Rechner.
| Ziel / Gestaltung | Ergebnisart | Groups | Empfohlener Test | Kalkulator |
|---|---|---|---|---|
| Gruppen vergleichen | ||||
| Zwei unabhängige Gruppen, Normaldaten | Kontinuierlich | 2 (unabhängig) | unabhängiger t-Test | t-Test → |
| Zwei unabhängige Gruppen, schief/ordinal | Kontinuierlich / ordinal | 2 (unabhängig) | Mann-Whitney U | Mann-Whitney → |
| Vorher/nachher, gleiche Probanden, normal | Kontinuierlich | 2 (gepaart) | Gepaarter t-Test | t-Test → |
| Vorher/nachher, gleiche Probanden, verzerrt | Kontinuierlich / ordinal | 2 (gepaart) | Wilcoxon Signed-Rank | Wilcoxon → |
| Drei oder mehr Gruppen, normal | Kontinuierlich | 3+ (unabhängig) | Einfaktorielle ANOVA + Tukey | ANOVA → |
| Drei oder mehr Gruppen, nicht normal | Kontinuierlich / ordinal | 3+ (unabhängig) | Kruskal-Wallis | In der App → |
| Kategorische Ergebnisse | ||||
| Vereinigung, ausreichende Zählungen | Kategorisch | 2+ (unabhängig) | Chi-Quadrat | Chi-Quadrat → |
| Assoziation, kleine/dünn besetzte Tabelle | Kategorisch | 2 (unabhängig) | Fishers exakte | Fishers → |
| Binärpaar (vorher/nachher) | Binär | 2 (gepaart) | McNemar-Test | McNemar → |
| Ausmaß des Risikos (Exposition → Ergebnis) | Binär | 2 (unabhängig) | Chancenverhältnis / Relatives Risiko | ODER / RR → |
| Beziehungen und Vorhersage | ||||
| Zusammenhang zwischen zwei Variablen | Kontinuierlich | - | Pearson-/Spearman-Korrelation | Korrelation → |
| kontinuierliches Ergebnis vorhersagen | Kontinuierlich | - | Lineare Regression | Regression → |
| Binäres Ergebnis vorhersagen | Binär | - | Logistische Regression | Logistik → |
| Einigung, Diagnose und Überleben | ||||
| Tarifvereinbarung, Kategorien | Kategorisch | 2 Bewerter | Cohens Kappa | Kappa → |
| Zuverlässigkeit / Methodenvergleich | Kontinuierlich | 2 Beurteiler/Methoden | ICC / Bland-Altman | ICC → |
| Diagnostischer Test vs. Referenz | Binär | - | Sensitivität und Spezifität | Sens/Spec → |
| Testleistung über verschiedene Schwellenwerte hinweg | Kontinuierlich → binär | - | ROC-Kurve & AUC | ROC → |
| Zeit bis zum Ereignis mit Zensur | Zeit bis zum Ereignis | 1–2 Gruppen | Kaplan-Meier / Log-Rank | Überleben → |
| Studienplanung | ||||
| Wie viele Teilnehmer benötige ich? | Jedes | - | Stichprobenumfang- und Poweranalyse | Stichprobengröße → |
Häufige Fehler bei der Testauswahl
Ignoriert man, dass die Daten gepaart sind
Die Analyse wiederholter oder gepaarter Messungen, als stammten sie aus unabhängigen Gruppen, ist einer der häufigsten und folgenreichsten Fehler. Gepaarte Designs erfordern gepaarte Tests (gepaarter t-Test, Wilcoxon-Vorzeichenrangtest oder McNemar-Test für binäre Daten); wird die Abhängigkeit ignoriert, verliert das Design an Effizienz und es können irreführende Ergebnisse entstehen.
Durchführung mehrerer t-Tests anstelle einer ANOVA
Der Vergleich von drei oder mehr Gruppen mittels einer Reihe von paarweisen t-Tests erhöht die Rate falsch positiver Ergebnisse. Verwenden Sie stattdessen einen einzigen Gesamttest (ANOVA oder Kruskal-Wallis-Test) mit anschließendem korrigierten Post-hoc-Vergleich.
Anwendung eines parametrischen Tests auf schiefe oder ordinale Daten
Der t-Test und die ANOVA setzen eine annähernde Normalverteilung voraus. Bei deutlich schiefen, ordinalen oder sehr kleinen Stichproben sollte man auf das nichtparametrische Äquivalent zurückgreifen, anstatt einen parametrischen Test zu erzwingen.
Korrelation und Übereinstimmung verwechseln
Eine hohe Pearson-Korrelation zwischen zwei Messmethoden bedeutet nicht zwangsläufig Übereinstimmung – zwei Methoden können perfekt korreliert sein und dennoch systematische Abweichungen aufweisen. Verwenden Sie die Intraclass-Korrelation oder eine Bland-Altman-Analyse, um die Übereinstimmung zu beurteilen.
„nicht signifikant“ wird als „kein Effekt“ behandelt.
Ein nicht signifikantes Ergebnis in einer Studie mit zu geringer statistischer Aussagekraft beweist nicht, dass kein Effekt vorliegt. Die Effektstärke und das Konfidenzintervall sollten angegeben und im Vorfeld eine ausreichend große Stichprobe geplant werden.
Unkorrigiertes multiples Testen
Das Testen vieler Ergebnisse oder das Anpassen vieler Modelle ohne Korrektur für Mehrfachtests erhöht die Anzahl falsch positiver Ergebnisse und ist eine anerkannte Quelle nicht reproduzierbarer Befunde.
Häufig gestellte Fragen
Woran erkenne ich, ob meine Daten "normal" sind?
Betrachten Sie ein Histogramm oder einen QQ-Plot und verwenden Sie für formale Tests einen Normalitätstest (Shapiro-Wilk-Test). Bei großen Stichproben spielt eine leichte Abweichung von der Normalverteilung aufgrund des zentralen Grenzwertsatzes kaum eine Rolle; bei kleinen Stichproben sollten im Zweifelsfall nichtparametrische Tests bevorzugt werden.
Worin besteht der Unterschied zwischen gepaarten und unabhängigen Daten?
Unabhängige Daten stammen von verschiedenen, voneinander unabhängigen Probanden innerhalb jeder Gruppe. Gepaarte Daten stammen von denselben Probanden, die zweimal (vorher/nachher) gemessen wurden, oder von zusammengehörigen Paaren. Die Paarung der Daten ändert den verwendeten Test; daher muss dieser vor der Analyse identifiziert werden.
Parametrisch oder nichtparametrisch – was ist besser?
Parametrische Tests sind aussagekräftiger, wenn ihre Voraussetzungen erfüllt sind. Nichtparametrische Tests sind sicherer für schiefe, ordinale oder kleine Stichprobendaten. Wählen Sie den Test passend zu Ihren Daten, nicht umgekehrt.
Muss ich die Stichprobengröße berechnen, bevor ich einen Test auswähle?
Ja. Der von Ihnen geplante Test bestimmt die Berechnung des Stichprobenumfangs , und beides sollte vor der Datenerhebung in Ihrem Protokoll angegeben werden – Ethikkommissionen und Gutachter erwarten dies.
Kann ein Statistiker meine Wahl überprüfen?
Ja. Unsere Biostatistiker überprüfen Studiendesigns, bestätigen den korrekten Test und führen die vollständige Analyse mit reproduzierbarer R-Ausgabe als Teil eines statistischen Analysepakets durch.
Referenzen & weiterführende Literatur
Peer-Reviewte, in PubMed indexierte Quellen zur Auswahl und Berichterstattung statistischer Tests.
Sie sind sich immer noch nicht sicher, welcher Test zu Ihren Daten passt?
Unsere Biostatistiker bestätigen den richtigen Test, überprüfen die Annahmen und führen Ihre vollständige Analyse mit reproduzierbarer R-Ausgabe durch.
Holen Sie sich fachkundige statistische Hilfe