Einführung in das Hypothesentesten

Das Hypothesentesten ist ein statistisches Verfahren, mit dem bestimmt wird, ob genügend Belege vorliegen, um eine Nullhypothese zu verwerfen.

Null- und Alternativhypothese

Beim Hypothesentesten gilt:

• Die Nullhypothese (H₀) geht davon aus, dass kein Effekt und kein Unterschied vorliegen.
• Die Alternativhypothese (H₁) nimmt einen Effekt oder einen Unterschied an.

Durchführen eines t-Tests

Mit einem t-Test wird geprüft, ob sich die Mittelwerte zweier Gruppen signifikant unterscheiden.

data1 <- c(5.1, 6.2, 5.8, 6.5, 5.9)
data2 <- c(7.0, 6.8, 7.5, 7.1, 6.9)
t.test(data1, data2)

p-Werte interpretieren

Der p-Wert hilft bei der Entscheidung, ob H₀ verworfen werden soll:

• Wenn der p-Wert < 0.05 ist, verwerfen Sie H₀ (signifikantes Ergebnis).
• Wenn der p-Wert > 0.05 ist, verwerfen Sie H₀ nicht (nicht signifikant).

Chi-Quadrat-Test

Mit dem Chi-Quadrat-Test wird geprüft, ob kategoriale Variablen unabhängig sind.

observed <- matrix(c(20, 30, 50, 40), nrow=2)
chisq.test(observed)

ANOVA-Test

Mit der ANOVA werden Mittelwerte über mehrere Gruppen hinweg verglichen.

group1 <- c(5.1, 6.2, 5.8)
group2 <- c(7.0, 6.8, 7.5)
group3 <- c(4.9, 5.5, 5.2)
data <- data.frame(value = c(group1, group2, group3), 
                   group = rep(c('A', 'B', 'C'), each=3))
aov_test <- aov(value ~ group, data = data)
summary(aov_test)

Effektstärke

Die Effektstärke misst die Stärke eines Ergebnisses und hilft dabei, dessen praktische Relevanz zu bestimmen.

Grenzen des Hypothesentestens

Das Hypothesentesten beruht auf Annahmen und kann durch die Stichprobengröße und die Datenqualität beeinflusst werden.

Zusammenfassung

In dieser Lektion haben Sie Folgendes gelernt:

• Wie Sie Hypothesentests durchführen.
• Wie Sie t-Tests, den Chi-Quadrat-Test und die ANOVA verwenden.
• Welche Bedeutung p-Werte und Effektstärken haben.