Chi-Quadrat-Test-Rechner
Berechnen Sie die Chi-Quadrat-Statistik, die Freiheitsgrade und den p-Wert für einen Unabhängigkeitstest (Kontingenztabelle) oder einen Anpassungstest (beobachtete vs. erwartete Häufigkeiten).
Chi-Quadrat-Test durchführen
Formel des Chi-Quadrat-Tests
Dabei gilt:
- \(O_i\) — die beobachtete Häufigkeit in Kategorie bzw. Zelle \(i\)
- \(E_i\) — die unter der Nullhypothese erwartete Häufigkeit
- \(k\) — die Anzahl der Kategorien (bzw. Tabellenzellen)
Die Prüfgröße misst, wie stark die beobachteten Häufigkeiten von den unter der Nullhypothese erwarteten Werten abweichen. Große Abweichungen erzeugen ein großes \(\chi^2\), was wiederum einen kleinen p-Wert zur Folge hat.
Die erwarteten Häufigkeiten unterscheiden sich je nach Testart:
- Anpassungstest: \(E_i\) ergibt sich aus Ihrer theoretischen Verteilung; die Freiheitsgrade sind \(df = k - 1\) (minus eins für jeden aus den Daten geschätzten Parameter).
- Unabhängigkeitstest: Bei einer Tabelle mit \(r\) Zeilen und \(c\) Spalten beträgt die erwartete Häufigkeit der Zelle \((i, j)\) \(E_{ij} = \dfrac{R_i \cdot C_j}{N}\), wobei \(R_i\) die Zeilensumme, \(C_j\) die Spaltensumme und \(N\) die Gesamtsumme ist. Die Freiheitsgrade sind \(df = (r-1)(c-1)\).
Der p-Wert ist die obere Rumpfwahrscheinlichkeit \(P(\chi^2_{df} \ge \chi^2)\) der Chi-Quadrat-Verteilung mit \(df\) Freiheitsgraden.
Chi-Quadrat-Test – Rechenbeispiel
Beispiel: Eine Umfrage unter 130 Personen erfasst das Geschlecht (zwei Gruppen) und die Präferenz für eines von drei Produkten. Die Kontingenztabelle der beobachteten Häufigkeiten lautet:
\[ \begin{array}{c|ccc} & A & B & C \\ \hline \text{Gruppe 1} & 10 & 20 & 20 \\ \text{Gruppe 2} & 40 & 20 & 20 \end{array} \]
Die Zeilensummen sind 50 und 80; die Spaltensummen sind 50, 40 und 40; \(N = 130\). Die erwartete Häufigkeit der ersten Zelle ist \(E_{11} = \frac{50 \times 50}{130} = 19{,}2308\). Die Berechnung der übrigen Zellen auf dieselbe Weise ergibt:
\[ E = \begin{array}{ccc} 19.2308 & 15.3846 & 15.3846 \\ 30.7692 & 24.6154 & 24.6154 \end{array} \]
Nun werden die quadrierten relativen Abweichungen aufsummiert:
\[ \chi^2 = \frac{(10-19.2308)^2}{19.2308} + \frac{(20-15.3846)^2}{15.3846} + \cdots + \frac{(20-24.6154)^2}{24.6154} = 11.7000 \]
Mit \(df = (2-1)(3-1) = 2\) beträgt der p-Wert \(p = 0{,}0029\).
Ergebnis: \(\chi^2 = 11.7000\), \(df = 2\), \(p = 0{,}0029\). Da \(p < 0{,}05\), besteht ein statistisch signifikanter Zusammenhang zwischen den beiden Variablen.
So verwenden Sie den Rechner
- Wählen Sie die Testart aus: „Unabhängigkeitstest (Kontingenztabelle)“ oder „Anpassungstest (beobachtet vs. erwartet)“.
- Geben Sie bei einem Anpassungstest Ihre Häufigkeiten unter Beobachtete Häufigkeiten und die theoretischen Werte unter Erwartete Häufigkeiten ein, getrennt durch Leerzeichen, Semikolons oder Zeilenumbrüche. Beide Listen müssen dieselbe Anzahl an Werten und dieselbe Summe haben.
- Tippen Sie bei einem Unabhängigkeitstest Ihre Tabelle in Kontingenztabelle (beobachtet) ein: eine Zeile pro Tabellenzeile, wobei die Häufigkeiten in jeder Zeile durch Leerzeichen getrennt werden. Die erwarteten Häufigkeiten werden automatisch aus den Zeilen- und Spaltensummen berechnet.
- Lesen Sie die Ergebnisse ab: die Chi-Quadrat-Statistik, die Freiheitsgrade, den p-Wert sowie eine leicht verständliche Interpretation zum Signifikanzniveau \(\alpha = 0{,}05\).
Was der Chi-Quadrat-Test ist
Der Chi-Quadrat-Test ist ein nichtparametrischer Test für kategoriale Daten. Er vergleicht die tatsächlich beobachteten Häufigkeiten mit den Häufigkeiten, die bei Zutreffen der Nullhypothese zu erwarten wären, und fasst die Diskrepanz in einer einzigen Zahl zusammen. Ist die Diskrepanz größer, als sie durch Zufall plausibel entstehen könnte, wird die Nullhypothese verworfen.
Die beiden unterstützten Varianten beantworten unterschiedliche Fragen. Der Anpassungstest prüft, ob eine einzige kategoriale Variable einer bestimmten Verteilung folgt — etwa ob ein Würfel fair ist (erwartet 10 pro Seite bei 60 Würfen) oder ob Kundeneingänge einem theoretischen Muster entsprechen. Der Unabhängigkeitstest prüft, ob zwei kategoriale Variablen zusammenhängen: ob die Produktpräferenz vom Geschlecht abhängt oder ob das Behandlungsergebnis von der Dosierungsgruppe beeinflusst wird.
Der ausgegebene p-Wert ist die Wahrscheinlichkeit, eine Chi-Quadrat-Statistik zu erhalten, die mindestens so groß ist wie die berechnete, unter der Annahme, dass die Nullhypothese zutrifft. Ein gängiger Schwellenwert ist \(\alpha = 0{,}05\): Wenn \(p < 0{,}05\), gelten die beobachteten Abweichungen als statistisch signifikant. Beachten Sie, dass statistische Signifikanz nicht auf einen starken oder praktisch bedeutsamen Zusammenhang schließen lässt — bei großen Stichproben werden auch kleine Abweichungen signifikant. Um die Stärke eines Zusammenhangs für numerische (nicht kategoriale) Variablen einzuschätzen, ist ein Werkzeug wie der Rechner für den Korrelationskoeffizienten besser geeignet.
Voraussetzungen, Grenzen und praktische Hinweise
- Häufigkeiten, keine Prozentsätze. Der Test arbeitet mit rohen Häufigkeiten. Geben Sie die tatsächliche Anzahl der Beobachtungen in jeder Kategorie ein, niemals Prozentsätze oder Anteile.
- Unabhängige Beobachtungen. Jede Versuchsperson darf nur zu genau einer Zelle beitragen. Wiederholte Messungen oder gepaarte Daten verletzen diese Voraussetzung und erfordern einen anderen Test.
- Erwartete Häufigkeiten von mindestens 5. Die Chi-Quadrat-Verteilung nähert die diskrete Stichprobenverteilung nur dann gut an, wenn die erwarteten Häufigkeiten nicht zu klein sind. Wenn mehr als etwa 20 % der Zellen \(E < 5\) aufweisen, führen Sie benachbarte Kategorien zusammen oder erheben Sie mehr Daten — der Rechner weist in der Interpretation darauf hin.
- Freiheitsgrade bei geschätzten Parametern anpassen. Wenn bei einem Anpassungstest die Parameter der erwarteten Verteilung aus denselben Daten geschätzt wurden (z. B. ein Poisson-Mittelwert), ziehen Sie pro geschätztem Parameter einen Freiheitsgrad ab; der Rechner gibt \(k-1\) aus und erwartet, dass Sie manuell anpassen.
- Gleiche Summen im Anpassungstest-Modus. Die Summe der erwarteten Häufigkeiten muss der Summe der beobachteten Häufigkeiten entsprechen. Liefert Ihre theoretische Verteilung Anteile, multiplizieren Sie diese zuerst mit der beobachteten Gesamtsumme.
- Zur Planung einer Studie (statt deren Auswertung) hilft Ihnen der Stichprobengrößen-Rechner bei der Bestimmung der benötigten Anzahl an Beobachtungen; stammen Ihre Häufigkeiten aus seltenen Ereignissen, ist der Poisson-Verteilungs-Rechner nützlich, um erwartete Häufigkeiten abzuleiten.
Referenz: kritische Werte bei α = 0,05
Wenn \(\chi^2\) den unten stehenden kritischen Wert übersteigt, ist das Ergebnis für die entsprechenden Freiheitsgrade auf dem 5-%-Niveau signifikant:
| df | Kritischer Wert | df | Kritischer Wert |
|---|---|---|---|
| 1 | 3,841 | 6 | 12,592 |
| 2 | 5,991 | 8 | 15,507 |
| 3 | 7,815 | 10 | 18,307 |
| 4 | 9,488 | 15 | 24,996 |
| 5 | 11,070 | 20 | 31,410 |
Im obigen Beispiel übersteigt \(\chi^2 = 11{,}7\) mit \(df = 2\) den kritischen Wert von 5,991 deutlich, was mit dem angegebenen p-Wert von 0,0029 übereinstimmt.
Häufig gestellte Fragen
Wie berechne ich die Chi-Quadrat-Statistik von Hand?
Ziehen Sie für jede Zelle oder Kategorie die erwartete Häufigkeit von der beobachteten ab, quadrieren Sie die Differenz und teilen Sie durch die erwartete Häufigkeit: \((O - E)^2 / E\). Addieren Sie diese Werte über alle Zellen, um \(\chi^2\) zu erhalten. Vergleichen Sie ihn anschließend mit dem kritischen Wert aus einer Chi-Quadrat-Tabelle oder wandeln Sie ihn unter Verwendung Ihrer Freiheitsgrade in einen p-Wert um. Der Rechner automatisiert den letzten Schritt, der per Hand der mühsamste ist.
Was ist ein guter Chi-Quadrat-Wert?
Es gibt keinen absolut guten oder schlechten Wert — es hängt von den Freiheitsgraden und Ihrem Signifikanzniveau ab. Ein großes \(\chi^2\) relativ zu df deutet auf eine große Diskrepanz zur Nullhypothese hin. Bei \(\alpha = 0{,}05\) gilt als grobe Faustregel, dass ein \(\chi^2\) über etwa dem Doppelten der Freiheitsgrade meist signifikant ist — prüfen Sie aber stets den p-Wert oder eine Tabelle kritischer Werte, statt sich auf die Faustregel zu verlassen.
Warum ist der p-Wert wichtiger als der Chi-Quadrat-Wert selbst?
Die rohe Prüfgröße hat keine feste Interpretationsskala, da ihre Verteilung sich mit den Freiheitsgraden ändert. Der p-Wert übersetzt \(\chi^2\) in eine Wahrscheinlichkeit: die Chance, bei zutreffender Nullhypothese eine mindestens so große Diskrepanz zu beobachten. Deshalb lautet die gängige Entscheidungsregel anhand des p-Werts — üblicherweise wird die Nullhypothese verworfen, wenn \(p < 0{,}05\); für strengere Belege verwenden Sie \(0{,}01\).
Sollte ich bei einer 2×2-Tabelle die Yates-Korrektur verwenden?
Bei einer 2×2-Kontingenztabelle wenden viele Statistiker die Yates-Kontinuitätskorrektur an, bei der vor dem Quadrieren 0,5 von jeder absoluten Differenz \(|O - E|\) abgezogen wird. Sie verkleinert die Prüfgröße und macht den Test konservativer. Dieser Rechner gibt die unkorrigierte Statistik aus, die auch die meisten Softwareprogramme standardmäßig liefern. Hat Ihre 2×2-Tabelle kleine erwartete Häufigkeiten (unter 5), ziehen Sie stattdessen den exakten Test nach Fisher in Betracht.
Kann ich den Chi-Quadrat-Test mit Prozentsätzen, Mittelwerten oder Rangdaten verwenden?
Nein. Der Test erfordert rohe Häufigkeiten unabhängiger Beobachtungen, die in Kategorien fallen, die sich gegenseitig ausschließen. Prozentsätze oder Anteile vernichten die Information über die Stichprobengröße. Zum Vergleich von Gruppenmitteln verwenden Sie einen t-Test oder eine ANOVA; für Rang- oder Ordinaldaten einen nichtparametrischen Test wie Mann-Whitney oder die Rangkorrelation nach Spearman.
Woran erkenne ich, ob mein Chi-Quadrat-Ergebnis praktisch bedeutsam ist?
Statistische Signifikanz sagt nur aus, dass die Abweichung kaum auf Zufall beruht — bei einer großen Stichprobe wird auch ein trivialer Zusammenhang signifikant. Zur Messung der Stärke berechnen Sie eine Effektgröße wie Cramérs V für Kontingenztabellen: \(V = \sqrt{\chi^2 / (N \cdot \min(r-1, c-1))}\), das Werte von 0 bis 1 annehmen kann. Werte um 0,1 gelten als schwach, 0,3 als mittel und 0,5 oder höher als stark — wobei der Kontext entscheidend ist.
Was tun, wenn meine erwarteten Häufigkeiten zu klein sind?
Sinken die erwarteten Häufigkeiten in mehr als etwa 20 % der Zellen unter 5, wird die Chi-Quadrat-Approximation unzuverlässig und p-Werte können zu großzügig ausfallen. Abhilfemöglichkeiten sind das Zusammenfassen benachbarter Kategorien (was df reduziert), das Erheben weiterer Daten oder — bei kleinen 2×2-Tabellen — der exakte Test nach Fisher, der die Wahrscheinlichkeiten direkt ohne Großstichproben-Näherung berechnet.