In diesem Abschnitt finden Sie einen kompakten Überblick über häufig verwendete statistische Tests. Die Tests sind nach ihrem Einsatzzweck gruppiert, damit die Orientierung leichter fällt. Jede Beschreibung erklärt, wofür der Test genutzt wird und in welchen Situationen er typischerweise angewendet wird.
Dieser Test prüft, ob sich der beobachtete Anteil von Kategorien von einem erwarteten Anteil unterscheidet. Er wird häufig eingesetzt, wenn tatsächliche Häufigkeiten mit einer Referenz oder Zielverteilung verglichen werden. Ist der Unterschied groß genug, deutet das darauf hin, dass das beobachtete Muster eher nicht zufällig entstanden ist.
Dieser Test vergleicht den Median einer Stichprobe mit einem Referenzwert und setzt keine Normalverteilung voraus. Er arbeitet mit Rangwerten und ist unempfindlich gegenüber Ausreißern. Er ist besonders geeignet, wenn die Daten schief verteilt sind oder extreme Werte enthalten.
Dieser Test misst die Stärke und Richtung des linearen Zusammenhangs zwischen zwei quantitativen Variablen. Er setzt voraus, dass beide Variablen ungefähr normalverteilt sind. Ein positiver Wert bedeutet, dass beide Variablen gemeinsam steigen, während ein negativer Wert darauf hinweist, dass eine Variable sinkt, wenn die andere steigt.
Dieser Test prüft, ob sich die beobachteten Anteile von Kategorien von einer erwarteten Verteilung unterscheiden. Er wird häufig eingesetzt, wenn tatsächliche Häufigkeiten mit einer Referenz oder Zielverteilung verglichen werden. Ist der Unterschied groß genug, deutet das darauf hin, dass das beobachtete Muster eher nicht zufällig entstanden ist.
Dieser Test vergleicht die Mittelwerte zweier unabhängiger Gruppen, sofern die Daten annähernd normalverteilt sind und die Varianzen ähnlich ausfallen. Er bewertet, ob ein beobachteter Unterschied der Mittelwerte wahrscheinlich zufällig ist oder nicht. Häufig wird er eingesetzt, wenn zwei Populationen oder Behandlungen miteinander verglichen werden.
Dieser Test vergleicht ebenfalls die Mittelwerte zweier unabhängiger Gruppen, setzt jedoch keine gleichen Varianzen voraus. Er liefert besonders dann verlässlichere Ergebnisse, wenn eine Gruppe eine deutlich höhere Streuung aufweist. Er wird häufig bei praxisnahen Geschäftsdaten eingesetzt, bei denen sich die Varianzen oft unterscheiden.
Dieser Test vergleicht die Verteilung bzw. den Median zweier unabhängiger Gruppen, ohne eine Normalverteilung vorauszusetzen. Er arbeitet mit Rangwerten und ist unempfindlich gegenüber Ausreißern. Er eignet sich besonders für schief verteilte oder nicht metrische Daten.
Dieser Test vergleicht zwei Messungen derselben Personen oder Objekte, zum Beispiel vor und nach einer Maßnahme. Er setzt voraus, dass die Differenzen annähernd normalverteilt sind. Häufig wird er eingesetzt, um Veränderungen im Zeitverlauf zu beurteilen.
Dieser Test ist die nicht parametrische Alternative zum gepaarten t Test. Er vergleicht gepaarte Daten anhand ihrer Rangwerte und setzt keine Normalverteilung voraus. Er ist besonders geeignet, wenn die Differenzen schief verteilt sind oder Ausreißer enthalten.
Dieser Test vergleicht die Mittelwerte von drei oder mehr unabhängigen Gruppen. Er setzt Normalverteilung und ähnliche Varianzen zwischen den Gruppen voraus. Ziel ist festzustellen, ob sich mindestens ein Gruppenmittelwert signifikant von den anderen unterscheidet.
Dieser Test ist die nicht parametrische Alternative zur ANOVA. Er vergleicht die Verteilungen bzw. Mediane von drei oder mehr unabhängigen Gruppen anhand ihrer Rangwerte. Er ist besonders geeignet, wenn die Daten schief verteilt oder ordinal skaliert sind.
Dieser Test vergleicht die Mittelwerte aus drei oder mehr wiederholten Messungen derselben Personen oder Objekte. Er prüft, ob sich die Mittelwerte über die Zeit oder unter verschiedenen Bedingungen systematisch verändern. Dabei wird angenommen, dass die wiederholten Messungen bestimmten statistischen Strukturen folgen.
Dieser Test ist die nicht parametrische Alternative zur Varianzanalyse mit Messwiederholung. Er vergleicht die Rangwerte wiederholter Messungen innerhalb derselben Personen oder Objekte. Er ist besonders hilfreich, wenn keine Normalverteilung angenommen werden kann.
Diese Methode beschreibt den Zusammenhang zwischen einer quantitativen Zielgröße und mehreren Einflussfaktoren. Sie schätzt, wie stark jede einzelne Variable zum Ergebnis beiträgt, während die übrigen konstant gehalten werden. Sie wird häufig zur Prognose und zur Erklärung von Unterschiede in den Daten eingesetzt.
Diese Methode erweitert die logistische Regression auf Zielgrößen mit mehr als zwei Kategorien. Sie schätzt, wie verschiedene Einflussgrößen die Wahrscheinlichkeit für jede einzelne Kategorie verändern. Sie ist besonders hilfreich, wenn Ergebnisse in mehrere Klassen eingeteilt oder geordnet sind.