Levene-Test-Rechner
Prüfen Sie, ob unabhängige Gruppen gleiche Varianzen haben. Geben Sie die Beobachtungen für zwei oder mehr Gruppen ein – eine Gruppe pro Zeile –, wählen Sie Mittelwert- oder Median-Zentrierung und erhalten Sie die F-Statistik, die Freiheitsgrade und den p-Wert.
Prüfen, ob unabhängige Gruppen gleiche Varianzen aufweisen
Formel des Levene-Tests
Dabei gilt:
- \(k\) — Anzahl der Gruppen
- \(N\) — Gesamtzahl aller Beobachtungen über alle Gruppen hinweg
- \(n_i\) — Anzahl der Beobachtungen in Gruppe \(i\)
- \(Z_{ij} = |Y_{ij} - \tilde{Y}_i|\) — die absolute Abweichung der Beobachtung \(j\) in Gruppe \(i\) vom Gruppenzentrum (Mittelwert beim ursprünglichen Levene-Test, Median bei der Brown-Forsythe-Variante)
- \(\bar{Z}_i\) — Mittelwert der absoluten Abweichungen in Gruppe \(i\)
- \(\bar{Z}\) — Mittelwert aller absoluten Abweichungen
Unter der Nullhypothese, dass alle Gruppenvarianzen gleich sind, folgt die Prüfgröße \(W\) einer F-Verteilung mit \(k-1\) und \(N-k\) Freiheitsgraden. Im Kern handelt es sich um eine einfaktorielle Varianzanalyse, die auf den absoluten Abweichungen von den Gruppenzentren durchgeführt wird.
Levene-Test – Rechenbeispiel
Beispiel: drei Gruppen mit je fünf Messwerten, geprüft mit der voreingestellten medianzentrierten Methode (Brown-Forsythe).
Gruppe 1: 8, 9, 10, 11, 12 Gruppe 2: 8, 10, 12, 14, 16 Gruppe 3: 9, 10, 11, 12, 13
Gruppenmediane: 10, 12, 11. Absolute Abweichungen von den Medianen:
\[ Z_1 = 2, 1, 0, 1, 2 \quad (\bar{Z}_1 = 1.2) \]
\[ Z_2 = 4, 2, 0, 2, 4 \quad (\bar{Z}_2 = 2.4), \qquad Z_3 = 2, 1, 0, 1, 2 \quad (\bar{Z}_3 = 1.2) \]
Mittlere Abweichung insgesamt: \(\bar{Z} = 24/15 = 1.6\).
\[ \sum n_i (\bar{Z}_i - \bar{Z})^2 = 5(0.4)^2 + 5(0.8)^2 + 5(0.4)^2 = 4.8 \]
\[ \sum\sum (Z_{ij} - \bar{Z}_i)^2 = 2.8 + 11.2 + 2.8 = 16.8 \]
\[ W = \frac{15 - 3}{3 - 1} \cdot \frac{4.8}{16.8} = 6 \cdot 0.2857 = 1.7143 \]
Mit \(df_1 = 2\) und \(df_2 = 12\) ergibt sich ein p-Wert von \(p \approx 0.221\).
Ergebnis: \(F = 1.7143\), \(df_1 = 2\), \(df_2 = 12\), \(p \approx 0.221\). Da \(p > 0.05\), gibt es keine ausreichenden Belege gegen die Gleichheit der Varianzen in diesen drei Gruppen.
So verwenden Sie den Levene-Test-Rechner
- Geben Sie Ihre Daten in das Feld Gruppenbeobachtungen ein, wobei die Werte jeder Gruppe in einer eigenen Zeile stehen. Trennen Sie die Werte durch Leerzeichen oder Semikolons; Dezimalkommata sind erlaubt. Jede Gruppe benötigt mindestens zwei Beobachtungen, und Sie können zwischen 2 und 20 Gruppen eingeben.
- Wählen Sie die Zentrierungsmethode im Auswahlfeld Zentrierung jeder Gruppe auf: Mittelwert (Levenes Originaltest) oder Median (Brown-Forsythe-Variante).
- Lesen Sie die Ergebnisse ab: die Prüfgröße F, die beiden Freiheitsgrade, den p-Wert sowie eine leicht verständliche Interpretation dazu, ob auf dem 0,05-Niveau von gleichen Varianzen ausgegangen werden kann.
Was ist der Levene-Test und wann brauchen Sie ihn?
Der Levene-Test ist ein statistisches Verfahren zur Prüfung der Varianzhomogenität – der Annahme, dass mehrere unabhängige Gruppen dieselbe Populationsvarianz besitzen. Viele klassische Methoden, darunter der Zweistichproben-t-Test, die einfaktorielle ANOVA und Designs mit Messwiederholung, setzen gleiche Varianzen in allen Gruppen voraus. Wenn diese Annahme verletzt ist, können die nominalen Fehlerwahrscheinlichkeiten dieser Tests verzerrt werden: Man erklärt ein Ergebnis möglicherweise häufiger für „signifikant“ als die angegebenen 5 %, oder der Test verliert an Testmacht.
Der Test beruht auf einer Transformation der Rohdaten. Jede Beobachtung wird durch ihren absoluten Abstand vom Gruppenzentrum ersetzt, und auf diese Abstände wird eine einfaktorielle ANOVA gerechnet. Haben die Gruppen tatsächlich gleiche Varianzen, ist die mittlere absolute Abweichung in allen Gruppen ähnlich, und die resultierende F-Statistik fällt klein aus. Ist eine Gruppe deutlich stärker streuend als die anderen, sind ihre Abweichungen im Mittel größer, was die Statistik in die Höhe treibt.
Die Interpretation des Ergebnisses ist unkompliziert: Ein kleiner p-Wert (in der Regel unter 0,05) belegt, dass sich mindestens eine Gruppenvarianz unterscheidet. Sie sollten dann entweder eine varianzstabilisierende Transformation verwenden (z. B. eine Logarithmierung) oder auf ein Verfahren umsteigen, das keine gleichen Varianzen voraussetzt, etwa die ANOVA nach Welch. Ein großer p-Wert bedeutet, dass die Daten mit gleichen Varianzen vereinbar sind – er beweist aber nicht, dass die Varianzen exakt gleich sind. Der Test findet lediglich keine Belege gegen die Annahme.
Der Levene-Test wird älteren Alternativen wie dem Bartlett-Test meist vorgezogen, weil er deutlich weniger empfindlich auf nicht normalverteilte Daten reagiert. Er ist die natürliche Ergänzung zu parametrischen Gruppenvergleichen; wenn Sie später zu nichtparametrischen Methoden wechseln, können je nach Studiendesign der Kruskal-Wallis-Test oder der Friedman-Test passend sein.
Voraussetzungen, Grenzen und praktische Hinweise
- Unabhängigkeit. Die Beobachtungen müssen innerhalb und zwischen den Gruppen unabhängig sein. Für gepaarte Daten oder Messwiederholungen ist der Levene-Test nicht geeignet.
- Zwei Versionen des Tests. Der ursprüngliche Levene-Test zentriert jede Gruppe auf ihren Mittelwert, wodurch er empfindlich auf Ausreißer und schiefe Verteilungen reagiert. Die Brown-Forsythe-Variante zentriert auf den Median und ist robuster; sie ist die Standardeinstellung in diesem Rechner wie in den meisten Statistikprogrammen.
- Die Gruppengröße spielt eine Rolle. Bei sehr kleinen Gruppen hat der Test wenig Testmacht und kann echte Varianzunterschiede übersehen. Bei sehr großen Stichproben kann er auch winzige, praktisch bedeutungslose Unterschiede als signifikant ausweisen. Achten Sie deshalb immer auf die praktische Größe des Varianzunterschieds, nicht nur auf den p-Wert.
- Gleiche Varianzen sind nicht dasselbe wie gleiche Mittelwerte. Dieser Test sagt nichts darüber aus, ob sich die Gruppenmittelwerte unterscheiden – er prüft nur die Streuung. Zum Vergleich von Mittelwerten zwischen Gruppen eignen sich Verfahren wie der Z-Test für einen Mittelwert.
- Vergessen Sie den eigentlichen Test nicht. Eine Varianzprüfung ist meist nur ein vorläufiger Schritt. Falls Ihre Analyse danach weitergeht, kann der Rechner zur statistischen Teststärke helfen einzuschätzen, ob Ihre Stichprobengrößen ausreichen, um die Effekte zu entdecken, die Sie interessieren.
- Sinnvolle Datengrenzen. Der Rechner akzeptiert bis zu 20 Gruppen und insgesamt 1.000 Beobachtungen mit Beträgen bis zu einer Billion – ausreichend für typische Lehr- und Forschungsdatensätze.
Häufig gestellte Fragen
Ab welchem p-Wert sind die Varianzen unterschiedlich?
Ein p-Wert unterhalb Ihres Signifikanzniveaus (üblicherweise 0,05) zeigt an, dass sich mindestens eine Gruppenvarianz von den anderen unterscheidet. Ein Wert von \(p = 0.01\) bedeutet beispielsweise, dass ein solcher Streuungsunterschied selten zufällig auftreten würde, wenn die wahren Varianzen gleich wären. Ein p-Wert über 0,05 bedeutet, dass der Test keine Belege gegen gleiche Varianzen gefunden hat – das ist aber kein Beweis, dass sie exakt gleich sind, insbesondere bei kleinen Stichproben.
Soll ich Mittelwert- oder Median-Zentrierung verwenden?
Verwenden Sie in den meisten Situationen die Median-Zentrierung (die Brown-Forsythe-Variante), da sie robuster gegenüber Ausreißern und schiefen Verteilungen ist und zuverlässigere Ergebnisse liefert, wenn die Daten nicht exakt normalverteilt sind. Wählen Sie die Mittelwert-Zentrierung nur, wenn Sie ausdrücklich den ursprünglichen Levene-Test reproduzieren müssen, etwa um einem Lehrbuchbeispiel oder einem Bericht mit der klassischen Version zu folgen. Im Zweifel ist das medianbasierte Ergebnis die sicherere Wahl.
Kann der Levene-Test auch für nur zwei Gruppen verwendet werden?
Ja, der Test funktioniert mit zwei Gruppen genauso wie mit vielen. Bei zwei Gruppen gilt \(df_1 = 1\) und \(df_2 = n_1 + n_2 - 2\). Er ist eine gültige Alternative zum F-Test für zwei Varianzen und vorzuziehen, wenn die Daten möglicherweise nicht normalverteilt sind, da der klassische F-Test für zwei Varianzen sehr empfindlich auf Abweichungen von der Normalverteilung reagiert.
Was soll ich tun, wenn der Test signifikant ist?
Sie haben zwei Hauptoptionen. Erstens: Wenden Sie eine varianzstabilisierende Transformation auf die Daten an, etwa eine Logarithmierung oder Quadratwurzel, und führen Sie den Test erneut aus. Zweitens: Steigen Sie um auf eine Methode, die keine gleichen Varianzen voraussetzt – den t-Test nach Welch bei zwei Gruppen oder die ANOVA nach Welch bei mehreren. Führen Sie nicht einfach den Standard-t-Test oder die Standard-ANOVA weiter, denn Ihr angegebenes Signifikanzniveau stimmt dann womöglich nicht mehr.
Wie gebe ich Levene-Test-Ergebnisse in einer Arbeit an?
Eine typische Angabe im APA-Stil enthält die Prüfgröße, beide Freiheitsgrade und den p-Wert, zum Beispiel: \(F(2, 12) = 1.71\), \(p = 0.221\). Geben Sie an, welche Version Sie verwendet haben – den ursprünglichen mittelwertzentrierten Test oder die medianzentrierte Brown-Forsythe-Variante –, da beide auf denselben Daten unterschiedliche Werte liefern können. Erwähnen Sie außerdem Ihr Signifikanzniveau, falls es von 0,05 abweicht.
Warum ist meine F-Statistik unendlich?
Das geschieht, wenn innerhalb jeder Gruppe alle absoluten Abweichungen identisch sind (keine Variation innerhalb der Gruppen), sich die Gruppenmittelwerte aber unterscheiden. Der Nenner des F-Quotienten wird null, während der Zähler positiv bleibt, sodass die Statistik unbegrenzt wächst und der p-Wert praktisch null ist. In der Praxis deutet das meist auf sehr kleine Gruppen mit ungewöhnlichen Mustern hin – ergänzen Sie weitere Beobachtungen oder prüfen Sie die Dateneingabe, bevor Sie Schlussfolgerungen ziehen.
Funktioniert der Levene-Test auch bei kleinen Stichproben?
Rechnerisch läuft er mit nur zwei Beobachtungen pro Gruppe, doch seine Testmacht ist bei kleinen Stichproben gering, sodass echte Varianzunterschiede unentdeckt bleiben können. Ein nicht signifikantes Ergebnis bei 3–5 Beobachtungen pro Gruppe ist nur ein schwacher Beleg für Homogenität. Umgekehrt kann der Test bei sehr großen Stichproben winzige, praktisch irrelevante Unterschiede als signifikant kennzeichnen. Schauen Sie in beiden Fällen neben dem p-Wert auch die tatsächliche Streuung jeder Gruppe an, etwa die Gruppen-Standardabweichungen.