McNemar-Test-Rechner
Geben Sie die Häufigkeiten gepaarter Beobachtungen in einer 2×2-Tabelle ein – dieser Rechner führt den McNemar-Test durch, als exakten Binomialtest oder als Chi-Quadrat-Test, und vergleicht damit gepaarte binäre Ergebnisse vor und nach einer Intervention.
Gepaarte binäre Ergebnisse vor und nachher vergleichen
Formel des McNemar-Tests
Dabei gilt:
- \(b\) — Anzahl der diskordanten Paare, die von positiv zu negativ gewechselt sind
- \(c\) — Anzahl der diskordanten Paare, die von negativ zu positiv gewechselt sind
- \(b + c\) — Gesamtzahl der diskordanten Paare (nur diese gehen in den Test ein)
- \(\chi^2\) — Teststatistik, die mit der Chi-Quadrat-Verteilung bei 1 Freiheitsgrad verglichen wird
- \(p\) — zweiseitiger p-Wert der exakten Binomialversion
Der Test prüft, ob beide Änderungsrichtungen gleich wahrscheinlich sind. Unter der Nullhypothese hat jedes diskordante Paar mit der Wahrscheinlichkeit 1/2 in die eine und mit 1/2 in die andere Richtung gewechselt. Ein starkes Ungleichgewicht zwischen \(b\) und \(c\) spricht daher dafür, dass sich der wahre Anteil positiver Ergebnisse zwischen den beiden Messungen verändert hat.
McNemar-Test – Rechenbeispiel
{example}
Beispiel: Eine Klinik evaluiert ein Raucherentwöhnungsprogramm. Von 80 Teilnehmern waren 40 vor- und nachher Raucher, 30 waren zu beiden Zeitpunkten Nichtraucher, 8 haben mit dem Rauchen aufgehört (vorher positiv, nachher negativ) und 2 haben mit dem Rauchen begonnen (vorher negativ, nachher positiv).
Diskordante Paare: \(n = b + c = 8 + 2 = 10\), daher wird der exakte Binomialtest verwendet:
\[ p = 2 \cdot P(X \le \min(8, 2)) = 2 \cdot P(X \le 2), \quad X \sim \mathrm{Binomial}(10,\ 0.5) \]\]
\[ P(X \le 2) = \frac{\binom{10}{0} + \binom{10}{1} + \binom{10}{2}}{2^{10}} = \frac{1 + 10 + 45}{1024} = 0.0547 \]
\[ p = 2 \times 0.0547 = 0.1094 \]
Ergebnis: \(p = 0.1094\). Der Unterschied ist auf dem 5-%-Niveau nicht statistisch signifikant — bei nur 10 diskordanten Paaren ist ein Ungleichgewicht von 8 zu 2 nicht aussagekräftig genug, um belegen zu können, dass das Programm den Raucherstatus verändert hat. (Zum Vergleich: Die Chi-Quadrat-Statistik mit Stetigkeitskorrektur beträgt \(\chi^2 = (8-2-1)^2/10 = 2.5\) und führt zu einer ähnlichen Schlussfolgerung.)
{/example}
So benutzen Sie den Rechner
- Zählen Sie, wie viele Paare vor- und nachher positiv waren, und tragen Sie diese Zahl in das erste Feld ein (konkordante Paare).
- Geben Sie die Anzahl der Paare, die von positiv zu negativ gewechselt sind, unter vorher positiv, nachher negativ ein — das ist \(b\).
- Geben Sie die Anzahl der Paare, die von negativ zu positiv gewechselt sind, unter vorher negativ, nachher positiv ein — das ist \(c\).
- Tragen Sie die Anzahl der Paare, die negativ geblieben sind, unter vor- und nachher negativ ein.
- Wählen Sie die Testmethode: Der exakte Binomialtest ist zu empfehlen, wenn die Gesamtzahl der diskordanten Paare unter etwa 25 liegt; der asymptotische Chi-Quadrat-Test eignet sich für größere Stichproben.
- Wenn Sie die Chi-Quadrat-Methode gewählt haben, entscheiden Sie, ob die Stetigkeitskorrektur (Korrektur nach Edwards) angewendet werden soll. Sie ist standardmäßig aktiviert und in der Regel zu empfehlen.
- Lesen Sie die Ergebnisse ab: die diskordanten Häufigkeiten, die Teststatistik, den zweiseitigen p-Wert sowie eine leicht verständliche Interpretation, was die Zahlen für Ihre Daten bedeuten.
Was ist der McNemar-Test?
Der McNemar-Test ist ein statistisches Verfahren zum Vergleich zweier Anteile, die an denselben Personen erhoben wurden — also für gepaarte Daten. Typische Anwendungsfälle sind Vorher-Nachher-Studien (hat sich der Anteil der positiv getesteten Patienten nach der Behandlung verändert?), gepaarte Fall-Kontroll-Studien und der Vergleich zweier diagnostischer Tests, die an denselben Personen durchgeführt wurden. Immer dann, wenn jede Person zwei binäre Messungen liefert, liegen die Beobachtungen als gepaarte Daten vor — und die üblichen Tests für unabhängige Anteile, etwa der Zweistichproben-z-Test oder der Chi-Quadrat-Unabhängigkeitstest, sind dann nicht geeignet, weil sie die Paarung ignorieren.
Der Kerngedanke des Tests ist, dass nur die diskordanten Paare zählen. Ein Paar, das bei beiden Messungen positiv oder bei beiden negativ war, sagt nichts darüber aus, ob sich der Anteil verändert hat — die beiden Beobachtungen heben sich gegenseitig auf. Alle Informationen über eine Veränderung stecken in den Paaren, die gewechselt haben: \(b\) Paare in die eine Richtung, \(c\) Paare in die andere. Trifft die Nullhypothese (keine Veränderung) zu, ist jeder Wechsel wie ein fairer Münzwurf mit gleicher Wahrscheinlichkeit für beide Richtungen. Ein deutliches Ungleichgewicht zwischen \(b\) und \(c\) spricht deshalb gegen die Nullhypothese.
Das Ergebnis ist ein zweiseitiger p-Wert. Liegt er unter Ihrem Signifikanzniveau (üblicherweise 0,05), schließen Sie, dass sich der Anteil positiver Ergebnisse zwischen den beiden Messungen verändert hat; die Richtung der Veränderung ergibt sich daraus, ob \(b\) oder \(c\) größer ist. Ist der p-Wert groß, passen die Daten zu der Annahme, dass keine Veränderung stattgefunden hat. Ein nicht signifikantes Ergebnis bei wenigen diskordanten Paaren bedeutet oft nur, dass die Studie zu wenig Power hatte — wie im Beispiel oben. Um einzuschätzen, wie stark ein beobachteter Effekt ist (statt ob es ihn gibt), sind Werkzeuge wie die Odds Ratio für gepaarte Daten eine sinnvolle Ergänzung.
Voraussetzungen, Grenzen und praktische Hinweise
- Nur für gepaarte Daten. Die beiden Messungen müssen von derselben Person oder von einander zugeordneten Paaren stammen. Für unabhängige Gruppen verwenden Sie stattdessen einen Zweistichproben-z-Test oder den exakten Test nach Fisher.
- Unabhängige Paare. Jedes Paar muss unabhängig von den anderen sein; geclusterte oder wiederholte Messungen verletzen diese Voraussetzung.
- Wählen Sie die Methode anhand der Anzahl diskordanter Paare. Als Faustregel gilt: exakter Binomialtest bei \(b + c < 25\), Chi-Quadrat-Approximation bei \(b + c \ge 25\). Der exakte Test ist nie falsch, per Hand nur aufwändiger zu berechnen.
- Konkordante Paare beeinflussen die Power, nicht die Teststatistik. Zwei Tabellen mit denselben Werten \(b\) und \(c\) liefern identische p-Werte, egal wie viele Paare übereinstimmten — Studien mit mehr konkordanten Paaren schätzen die Gesamtanteile allerdings meist genauer.
- Verwenden Sie die Stetigkeitskorrektur bei der Chi-Quadrat-Version. Die Korrektur nach Edwards, \((|b-c|-1)^2/(b+c)\), verhindert, dass die Teststatistik bei kleinen Häufigkeiten künstlich aufgebläht wird, und bringt die Approximation näher an den exakten Test heran.
- Die Richtung prüft der zweiseitige p-Wert nicht. Der p-Wert sagt nur, ob überhaupt eine Veränderung stattgefunden hat; vergleichen Sie \(b\) mit \(c\), um festzustellen, in welche Richtung sich der Anteil bewegt hat, und prüfen Sie, ob diese Richtung Ihrer Forschungshypothese entspricht.
Wenn Sie unsicher sind, wie der p-Wert selbst zu interpretieren ist — was er bedeutet und was nicht —, erklärt der p-Wert-Rechner die Grundlagen und rechnet Teststatistiken für verbreitete Verteilungen in p-Werte um.
Häufig gestellte Fragen
Wie berechne ich den McNemar-Test von Hand?
Nehmen Sie nur die beiden Häufigkeiten außerhalb der Diagonale, b und c. Für die exakte Version berechnen Sie \(p = 2 \cdot P(X \le \min(b, c))\), wobei \(X\) einer Binomialverteilung mit \(n = b + c\) Versuchen und der Wahrscheinlichkeit 0,5 folgt. Diese Wahrscheinlichkeit finden Sie in einer Binomialtabelle oder mit einer Tabellenkalkulationsfunktion wie BINOM.VERT. Für die Chi-Quadrat-Version berechnen Sie \(\chi^2 = (|b - c| - 1)^2 / (b + c)\) und vergleichen den Wert mit dem kritischen Wert 3,84 für einen zweiseitigen Test bei \(\alpha = 0.05\).
Wann sollte ich den exakten Binomialtest statt der Chi-Quadrat-Version verwenden?
Verwenden Sie den exakten Binomialtest, wenn die Anzahl der diskordanten Paare \(b + c\) klein ist — die übliche Faustregel lautet: unter 25. Die Chi-Quadrat-Approximation nähert die wahre Verteilung nur an, und bei wenigen Wechseln wird diese Annäherung unzuverlässig. Der exakte Test ist immer gültig; im Zweifel entscheiden Sie sich also für ihn. Die Chi-Quadrat-Version spielt vor allem bei großen Stichproben eine Rolle oder wenn eine Teststatistik in einem bestimmten Format berichtet werden soll.
Warum haben die konkordanten Paare keinen Einfluss auf das Ergebnis?
Das überrascht viele: Paare, die positiv oder negativ geblieben sind, enthalten keinerlei Information über eine Veränderung, weil beide Messungen übereinstimmen. Nur Wechsel sagen etwas darüber aus, ob sich Anteile verschoben haben. Deshalb liefern zwei Datensätze mit denselben Werten b und c identische p-Werte — selbst wenn der eine zehnmal so viele Personen umfasst wie der andere. Die konkordanten Häufigkeiten spielen sehr wohl eine Rolle für die Schätzung der Gesamtanteile und die Power der Studie, nur eben nicht für den Test selbst.
Worin unterscheidet sich der McNemar-Test vom gewöhnlichen Chi-Quadrat-Test?
Ein Standard-Chi-Quadrat-Unabhängigkeitstest setzt voraus, dass die beiden Messungen von getrennten, unabhängigen Gruppen stammen. Der McNemar-Test ist für gepaarte Daten gedacht — dieselben Personen zweimal gemessen, zugeordnete Paare oder zwei Tests an denselben Personen. Den Chi-Quadrat-Test für unabhängige Stichproben oder einen Zweistichproben-z-Test auf gepaarte Daten anzuwenden, ist ein häufiger Fehler, der die Beweiskraft meist unterschätzt, weil die Korrelation zwischen den beiden Messungen pro Person ignoriert wird.
Kann ich einen einseitigen McNemar-Test durchführen?
Ja. Der Rechner gibt einen zweiseitigen p-Wert aus und prüft damit, ob eine Veränderung in irgendeine Richtung stattgefunden hat. Hatten Sie vorab eine gerichtete Hypothese festgelegt — etwa dass die Behandlung den Anteil positiver Ergebnisse nur senken kann —, halbieren Sie den zweiseitigen p-Wert, um das einseitige Ergebnis zu erhalten, sofern die beobachtete Richtung Ihrer Hypothese entspricht. Sind die Daten in die andere Richtung gegangen, beträgt der einseitige p-Wert 1 minus dieser Größe. Vermeiden Sie es, nach dem Ansehen der Ergebnisse auf einen einseitigen Test umzuschwenken.
Was passiert, wenn es gar keine diskordanten Paare gibt?
Wenn \(b = c = 0\), hat jede Person bei beiden Messungen dasselbe Ergebnis geliefert; die beiden Anteile sind also exakt gleich, und es gibt nichts zu testen — der p-Wert ist in sinnvoller Weise nicht definiert. Der Rechner weist auf diesen Fall hin. Ebenso funktioniert der exakte Test weiterhin problemlos, wenn b oder c null ist und der andere Wert klein ist (etwa 1 oder 2); fügen Sie auf keinen Fall einen Ausgleichswert hinzu oder wechseln Sie zu einem anderen Test.
Wie berichte ich die Ergebnisse, und wie messe ich die Effektstärke?
Üblicherweise berichten Sie die diskordanten Häufigkeiten, die verwendete Methode, die Teststatistik und den p-Wert — zum Beispiel: „Exakter McNemar-Test, b = 8, c = 2, p = 0,11.“ Ein signifikanter p-Wert belegt nur, dass eine Veränderung stattgefunden hat; zu deren Größe verwenden Sie die Odds Ratio für gepaarte Daten, \(b/c\), oder Sie berichten die Anteile vor- und nachher mit einem Konfidenzintervall für ihre Differenz. Große Studien erkennen auch winzig kleine Veränderungen — kombinieren Sie Signifikanztests daher immer mit einem Maß für die Effektstärke.