ANOVA (Analysis of Variance) testet, ob sich Mittelwerte mehrerer Gruppen signifikant unterscheiden — der "Multi-Gruppen-t-Test". Klausur-Pflicht in Psychologie, BWL, VWL, Marktforschung. Voraussetzung für jede Experimente-Klausur mit mehreren Bedingungen.
Was du in der Klausur können musst:
In Klausuren oft gefragt: Führe eine einfaktorielle ANOVA durch mit 3 Gruppen. Pflicht.
| Anzahl Gruppen | Test |
|---|---|
| 2 Gruppen | t-Test |
| 3 oder mehr Gruppen | ANOVA (F-Test) |
Warum nicht mehrere t-Tests? Bei 3 Gruppen wären 3 paarweise t-Tests nötig. Jeder hat 5 % Fehlerrate → Gesamt-Fehlerrate steigt auf ~14 %. ANOVA hält 5 % auch bei vielen Gruppen.
ANOVA vergleicht Streuung zwischen den Gruppen mit Streuung innerhalb der Gruppen.
F-Statistik:
Wenn F groß genug → mindestens ein Gruppen-Mittelwert weicht signifikant ab.
Die Gesamtstreuung lässt sich zerlegen:
mit:
| Komponente | df |
|---|---|
| Zwischen-Gruppen | |
| Innerhalb-Gruppen | |
| Total |
mit = Anzahl Gruppen, = Gesamtanzahl Beobachtungen.
Bei H₀ (alle Mittelwerte gleich) ist . Bei H₁ ist F deutlich größer als 1.
3 Marketing-Kampagnen, je 5 Probanden, gemessener Umsatz:
Gruppe A: 8, 10, 9, 11, 12 ( = 10) Gruppe B: 14, 15, 13, 16, 12 ( = 14) Gruppe C: 18, 20, 19, 21, 22 ( = 20)
Schritt 1 — Gesamt-Mittelwert: = (10+14+20)/3 = 14,67.
Schritt 2 — SSB:
Schritt 3 — SSW (Summe der Abweichungs-Quadrate je Gruppe):
Schritt 4 — Freiheitsgrade: df1 = 3-1 = 2, df2 = 15-3 = 12.
Schritt 5 — F-Statistik: = 252,33 / 2 = 126,17 = 30 / 12 = 2,5 = 126,17 / 2,5 = 50,47
Schritt 6 — Kritisch ( ≈ 3,89). 50,47 ≫ 3,89 → H₀ ablehnen, mindestens eine Kampagne unterscheidet sich.
| df1 \ df2 | 5 | 10 | 20 | 30 | ∞ |
|---|---|---|---|---|---|
| 1 | 6,61 | 4,96 | 4,35 | 4,17 | 3,84 |
| 2 | 5,79 | 4,10 | 3,49 | 3,32 | 3,00 |
| 3 | 5,41 | 3,71 | 3,10 | 2,92 | 2,60 |
| 5 | 5,05 | 3,33 | 2,71 | 2,53 | 2,21 |
Bei Verletzung von 1: Kruskal-Wallis-Test (non-parametrisch). Bei Verletzung von 2: Welch's ANOVA.
Wenn ANOVA signifikant ist, weiß man nur, dass mindestens eine Gruppe abweicht — nicht welche. Für Detail-Vergleiche:
- k ≥ 3 Gruppen → ANOVA, nicht mehrere t-Tests.
- F = MSB / MSW mit MSB im Zähler, MSW im Nenner.
- df1 = k−1, df2 = n−k — verwechseln ist Klausur-Falle.
- F-Tabelle braucht ZWEI df-Werte — kritischen Wert exakt aus df1, df2 ablesen.
- F-Test ist immer rechtsseitig (große F-Werte → ablehnen).
df-Reihenfolge verwechselt. F-Tabellen haben df1 (Zähler) horizontal, df2 (Nenner) vertikal. Beim Lookup auf die Reihenfolge achten — F_{2;12} ≠ F_{12;2}.
SSB und SSW verwechseln. Im Zähler steht die ZWISCHEN-Gruppen-Streuung (durch Gruppenzugehörigkeit erklärt), im Nenner die INNERHALB-Streuung (Rauschen). Verwechseln führt zu falschem F.
ANOVA bei nur 2 Gruppen. Funktioniert mathematisch, aber dann ist F = t² — der gleiche Test, nur als F formuliert. Bei Klausur: 2 Gruppen → t-Test, 3+ → ANOVA.
Alle Tabs der Lerneinheit (Erklärung · Interaktiv verstehen · Praxis-Übung · Klausur-Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur — und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).
Klausur-Pflicht in Psychologie, BWL, VWL, Marktforschung. Voraussetzung für jede Experimente-Klausur mit mehreren .
Die wichtigste stetige Verteilung der Statistik. Glockenkurve, Standardisierung, Z-Score, 68-95-99,7-Regel und Tabellen-Lookup für Klausur-Aufgaben.
Die zwei wichtigsten diskreten Verteilungen. Binomial zählt Erfolge bei n Versuchen, Poisson zählt seltene Ereignisse pro Intervall — mit Approximations-Tricks zwischen Binomial, Poisson und Normal.
Bereich um den Stichprobenmittelwert, in dem der wahre Populationsmittelwert mit (1−α) Sicherheit liegt. Standard-Quantile, Wurzel-Gesetz, Stichprobenplanung — Klausur-Pflicht.
Was du in der Klausur können musst:
In Klausuren oft gefragt: Führe eine einfaktorielle ANOVA durch mit 3 Gruppen. Pflicht.
| Anzahl Gruppen | Test |
|---|---|
| 2 Gruppen | t-Test |
| 3 oder mehr Gruppen | ANOVA (F-Test) |
Warum nicht mehrere t-Tests? Bei 3 Gruppen wären 3 paarweise t-Tests nötig. Jeder hat 5 % Fehlerrate → Gesamt-Fehlerrate steigt auf ~14 %. ANOVA hält 5 % auch bei vielen Gruppen.
ANOVA vergleicht Streuung zwischen den Gruppen mit Streuung innerhalb der Gruppen.
F-Statistik:
F = (MS_(between))/(MS_(within))
Wenn F groß genug → mindestens ein Gruppen-Mittelwert weicht signifikant ab.
Die Gesamtstreuung lässt sich zerlegen:
SST = SSB + SSW
mit:
Σ_(i,j) (x_(ij) - x̄_(ges))² — Streuung um den Gesamt-MittelwertΣ_i n_i · (x̄_i - x̄_(ges))² — durch Gruppen erklärtΣ_(i,j) (x_(ij) - x̄_i)² — Reststreuung innerhalb| Komponente | df |
|---|---|
| Zwischen-Gruppen | df₁ = k - 1 |
| Innerhalb-Gruppen | df₂ = n - k |
| Total | df_T = n - 1 |
mit k = Anzahl Gruppen, n = Gesamtanzahl Beobachtungen.
MS_(between) = SSB/(k-1), MS_(within) = SSW/(n-k)
F = (MS_(between))/(MS_(within))
Bei H₀ (alle Mittelwerte gleich) ist E[F] = 1. Bei H₁ ist F deutlich größer als 1.
3 Marketing-Kampagnen, je 5 Probanden, gemessener Umsatz:
Gruppe A: 8, 10, 9, 11, 12 (
x̄_A= 10) Gruppe B: 14, 15, 13, 16, 12 (x̄_B= 14) Gruppe C: 18, 20, 19, 21, 22 (x̄_C= 20)
Schritt 1 — Gesamt-Mittelwert: x̄_(ges) = (10+14+20)/3 = 14,67.
Schritt 2 — SSB:
5 · (10 - 14,67)² + 5 · (14 - 14,67)² + 5 · (20 - 14,67)²
= 5 · 21,81 + 5 · 0,45 + 5 · 28,41 = 252,33
Schritt 3 — SSW (Summe der Abweichungs-Quadrate je Gruppe):
Schritt 4 — Freiheitsgrade: df1 = 3-1 = 2, df2 = 15-3 = 12.
Schritt 5 — F-Statistik:
MS_B = 252,33 / 2 = 126,17
MS_W = 30 / 12 = 2,5
F = 126,17 / 2,5 = 50,47
Schritt 6 — Kritisch (F_{0,05; 2; 12} ≈ 3,89). 50,47 ≫ 3,89 → H₀ ablehnen, mindestens eine Kampagne unterscheidet sich.
| df1 \ df2 | 5 | 10 | 20 | 30 | ∞ |
|---|---|---|---|---|---|
| 1 | 6,61 | 4,96 | 4,35 | 4,17 | 3,84 |
| 2 | 5,79 | 4,10 | 3,49 | 3,32 | 3,00 |
| 3 | 5,41 | 3,71 | 3,10 | 2,92 | 2,60 |
| 5 | 5,05 | 3,33 | 2,71 | 2,53 | 2,21 |
Bei Verletzung von 1: Kruskal-Wallis-Test (non-parametrisch). Bei Verletzung von 2: Welch's ANOVA.
Wenn ANOVA signifikant ist, weiß man nur, dass mindestens eine Gruppe abweicht — nicht welche. Für Detail-Vergleiche:
- k ≥ 3 Gruppen → ANOVA, nicht mehrere t-Tests.
- F = MSB / MSW mit MSB im Zähler, MSW im Nenner.
- df1 = k−1, df2 = n−k — verwechseln ist Klausur-Falle.
- F-Tabelle braucht ZWEI df-Werte — kritischen Wert exakt aus df1, df2 ablesen.
- F-Test ist immer rechtsseitig (große F-Werte → ablehnen).
df-Reihenfolge verwechselt. F-Tabellen haben df1 (Zähler) horizontal, df2 (Nenner) vertikal. Beim Lookup auf die Reihenfolge achten — F_{2;12} ≠ F_{12;2}.
SSB und SSW verwechseln. Im Zähler steht die ZWISCHEN-Gruppen-Streuung (durch Gruppenzugehörigkeit erklärt), im Nenner die INNERHALB-Streuung (Rauschen). Verwechseln führt zu falschem F.
ANOVA bei nur 2 Gruppen. Funktioniert mathematisch, aber dann ist F = t² — der gleiche Test, nur als F formuliert. Bei Klausur: 2 Gruppen → t-Test, 3+ → ANOVA.
3 Gruppen mit je 5 Datenpunkten. Verschiebe die Gruppen-Mittelwerte mit den Slidern — beobachte wie die F-Statistik reagiert: bei deutlich verschiedenen Mittelwerten steigt F stark, bei nahem Beieinander geht F gegen 1 (≈ H₀).
Interaktive Visualisierung
Einfaktorielle Varianzanalyse (ANOVA) mit F-Statistik und p-Wert.
Klausur-Tipp: F = 1 bedeutet "MSB = MSW" — die Streuung zwischen den Gruppen ist genauso groß wie das Rauschen → kein Signal. Erst wenn F deutlich über dem kritischen Wert liegt, ist ein echter Effekt belegbar.
Klausur-typische Aufgaben: ANOVA-Tabelle vervollständigen, F-Statistik berechnen, kritischen Wert ablesen, Entscheidung.
Klausurfragen mit Lösungen (6)
Antwort: Wenn 3 oder mehr Gruppen verglichen werden
Erklärung: ANOVA für 3+ Gruppen. Bei 2 Gruppen reicht t-Test. Mehrere paarweise t-Tests führen zu Mehrfach-Vergleichs-Problem (α-Inflation), das ANOVA umgeht.
Antwort: 36
Erklärung: df2 = n - k = 40 - 4 = 36. Klausur-Standard. df1 = k-1 = 3. F-Tabelle braucht beide Werte.
Typ: Zahlen-Eingabe
Antwort: 9 (Toleranz ±0.05)
Erklärung: MSB = SSB/(k-1) = 200/2 = 100. MSW = SSW/(n-k) = 300/27 ≈ 11,11. F = 100/11,11 ≈ 9,00. Klausur-Standard: erst MS, dann F.
Typ: Zahlen-Eingabe
Antwort: Wahr
Erklärung: Korrekt. Bei H₀ schätzen MSB und MSW beide die gleiche Varianz → ihr Verhältnis ist ungefähr 1. F ≫ 1 → H₀ ablehnen. F-Test ist immer rechtsseitig.
Typ: Wahr/Falsch
Zuordnungen:
Erklärung: Die zentrale Identität SST = SSB + SSW. F-Test fragt: ist SSB groß im Verhältnis zu SSW? Dann unterscheiden sich Mittelwerte.
Typ: Zuordnung
Lösungen pro Lücke:
Erklärung: Drei Standard-Voraussetzungen: Normal + gleiche Varianz + unabhängig. Bei Verletzung: Kruskal-Wallis (non-parametrisch) oder Welch's ANOVA (bei Heteroskedastizität).
Typ: Lückentext
Klausurfragen mit Lösungen (6)
Richtige Reihenfolge:
Erklärung: Standard-Workflow für ANOVA. Mittelwerte → Quadrat-Summen → MS-Werte → F → Entscheidung. Reihenfolge ist deterministisch, kein Schritt überspringbar.
Typ: Reihenfolge
Antwort: H₀ beibehalten, denn F < F_krit
Erklärung: F = 1,2 < F_krit = 3,49 → H₀ NICHT ablehnen. F nahe 1 ist sogar genau das, was bei H₀ erwartet wird. Klausur-Klassiker zur Entscheidungsfindung.
Antwort: 252.3 (Toleranz ±0.5)
Erklärung: SSB = Σ ni·(x̄i − x̄ges)² = 5·(10-14,67)² + 5·(14-14,67)² + 5·(20-14,67)² = 5·21,81 + 5·0,45 + 5·28,41 = 109,05 + 2,25 + 142,05 ≈ 253,35. Akzeptiert ≈ 252,3 wegen Rundung.
Typ: Zahlen-Eingabe
Antwort: Wahr
Erklärung: Korrekt. Bei k=2 ist die ANOVA mathematisch äquivalent zum zweiseitigen t-Test. F-Statistik ist exakt das Quadrat des t-Wertes. In Klausur trotzdem t-Test bei 2 Gruppen anwenden — kompakter und Standard.
Typ: Wahr/Falsch
Richtige Antworten: F-Test ist immer rechtsseitig; df1 = k-1, df2 = n-k; MSB im Zähler, MSW im Nenner; SST = SSB + SSW
Erklärung: Korrekt: rechtsseitig, df1/df2-Definitionen, MSB/MSW, Zerlegung. Falsch: F ist immer ≥ 0 (Quadrat-Verhältnis); ANOVA sagt nur 'mind. eine Gruppe weicht ab', Detail-Vergleiche brauchen Post-hoc-Tests (Tukey, Bonferroni).
Typ: Multi-Select
Antwort: Post-hoc-Tests wie Tukey HSD oder Bonferroni-Korrektur
Erklärung: Post-hoc-Tests sind speziell für Multi-Gruppen-Vergleiche nach signifikanter ANOVA gedacht. Tukey HSD ist Standard. Bonferroni teilt α durch Anzahl Vergleiche. Mehrere t-Tests ohne Korrektur ist FALSCH (α-Inflation).