Zum Inhalt springen

Wie gut passen die Häufigkeiten zu dem, was du erwartet hast?

Anpassungs- und Unabhängigkeitstest für Häufigkeiten: χ², Freiheitsgrade, p-Wert und erwartete Häufigkeiten, live gezeichnet.

Test

Trenne Zahlen mit Leerzeichen, Zeilenumbrüchen oder Semikolons.

Anteile, Verhältnisse oder Häufigkeiten; leer für Gleichverteilung.

%

p-Wert

0,925

χ² = 0,47 (df = 3) ergibt p = 0,925: Die Häufigkeiten passen zu den erwarteten (auf dem Niveau 5 % nicht signifikant).

Die Chi-Quadrat-Verteilung mit der Teststatistik

Wichtige Werte als Tabelle
KennzahlWert
Chi-Quadrat χ²0,47
Kritisches χ²7,815
p-Wert0,925

Beobachtete (ausgefüllt) und erwartete (schraffiert) Häufigkeiten

Wichtige Werte als Tabelle
KategorieBeobachtete HäufigkeitenErwartetResiduum
1315312,80,13
2108104,30,37
3101104,3−0,32
43234,75−0,47

Ergebnisse des Chi-Quadrat-Tests

Chi-Quadrat χ²
0,47
Freiheitsgrade
3
p-Wert
0,925
Kritisches χ²
7,815
Gesamthäufigkeit
556
Erwartete Häufigkeiten unter 5
0

Anpassungs- und Unabhängigkeitstest für Häufigkeiten: χ², Freiheitsgrade, p-Wert und erwartete Häufigkeiten, live gezeichnet.

Anleitung

  1. Wähle Anpassungstest, um Häufigkeiten mit erwarteten Anteilen zu vergleichen, oder Unabhängigkeit, um zu prüfen, ob Zeilen und Spalten einer Tabelle zusammenhängen.
  2. Gib die beobachteten Häufigkeiten und das erwartete Verhältnis ein (leer lassen für gleiche Anteile) oder die Tabelle mit einer Tabellenzeile pro Textzeile.
  3. Lies den p-Wert und den Satz ab; die Kurve zeigt den Ablehnungsbereich und die Randfläche jenseits von χ², und die Balken vergleichen jede beobachtete Häufigkeit mit der erwarteten. Ziehe die kritische Linie, um α zu ändern.

So funktioniert es

Ein Chi-Quadrat-Test fragt, ob Häufigkeiten stärker von dem abweichen, was eine Hypothese vorhersagt, als der Zufall erklären würde. Er summiert über alle Kategorien die quadrierte Differenz zwischen beobachteter Häufigkeit O und erwarteter Häufigkeit E, geteilt durch E: χ² = Σ (O − E)² ÷ E. Je größer χ², desto schlechter die Anpassung; der p-Wert ist die Wahrscheinlichkeit für ein mindestens so großes χ², wenn die Hypothese stimmte.

Beim Anpassungstest sind die erwarteten Häufigkeiten die Gesamtzahl mal dem jeweiligen erwarteten Anteil, und die Freiheitsgrade sind die Zahl der Kategorien minus eins. Mendels 556 Erbsen, 315, 108, 101 und 32 gegen ein Verhältnis von 9 : 3 : 3 : 1, erwarten 312,75, 104,25, 104,25 und 34,75 und ergeben χ² ≈ 0,47 bei 3 Freiheitsgraden und p ≈ 0,93: eine sehr gute Anpassung. Bei einer Tabelle erwartet jede Zelle Zeilensumme × Spaltensumme ÷ Gesamtsumme, wenn Zeilen und Spalten unabhängig sind, mit (Zeilen − 1)(Spalten − 1) Freiheitsgraden. Die Methode folgt dem NIST/SEMATECH e-Handbook of Statistical Methods.

Der Test braucht Häufigkeiten unabhängiger Beobachtungen, keine Prozentwerte oder Messwerte. Die χ²-Näherung ist fraglich, wenn die erwarteten Häufigkeiten klein sind (eine gängige Regel: alle mindestens 5); dann fasse Kategorien zusammen oder nimm einen exakten Test. Ein signifikantes Ergebnis besagt, dass die Häufigkeiten abweichen, nicht warum.

Rechenbeispiel

Passen 315, 108, 101 und 32 Erbsenpflanzen zum Verhältnis 9:3:3:1 aus Mendels Kreuzung?

  1. Erwartete Anzahlen bei insgesamt 556: 312,75, 104,25, 104,25 und 34,75.
  2. χ² = Σ (O − E)² ÷ E = 0,47, bei 3 Freiheitsgraden.
  3. Der kritische Wert bei 5 % ist 7,81; der p-Wert ist 0,925.

χ² = 0,47 liegt weit unter 7,81 (p = 0,925): Die Anzahlen passen zum Verhältnis 9:3:3:1.

Häufige Fragen

Was ist der Unterschied zwischen Anpassungstest und Unabhängigkeitstest?

Der Anpassungstest vergleicht eine Reihe von Häufigkeiten mit festen erwarteten Anteilen, etwa bei einem fairen Würfel oder einem Erbgangverhältnis. Der Unabhängigkeitstest fragt, ob zwei Einteilungen derselben Untersuchungseinheiten, die Zeilen und Spalten einer Tabelle, zusammenhängen.

Kann ich Prozentwerte eingeben?

Als erwartete Anteile ja: 25 25 50 wirkt wie 1 1 2. Die beobachteten Werte müssen Häufigkeiten sein, weil der Test davon abhängt, wie viele Beobachtungen es gibt.

Bedeutet ein kleiner p-Wert einen starken Zusammenhang?

Nein. Eine große Stichprobe kann auch einen schwachen Zusammenhang statistisch signifikant machen. Beurteile die Stärke eines Zusammenhangs in einer Tabelle zusätzlich zum p-Wert mit Cramérs V.

Beweist ein großer p-Wert, dass meine erwarteten Anteile stimmen?

Nein. Er bedeutet nur, dass die Daten beim gewählten Signifikanzniveau nicht genug gegen die erwarteten Anteile sprechen. Eine kleine Stichprobe kann einen echten Unterschied übersehen.

Kann ich wiederholte Messungen an denselben Personen testen?

Nicht mit diesem gewöhnlichen Chi-Quadrat-Test. Die Beobachtungen müssen unabhängig sein; gepaarte oder wiederholte kategoriale Daten brauchen ein Verfahren, das diese Abhängigkeit berücksichtigt.

Feedback senden