Test auf gleiche Varianzen
Der Test auf gleiche Varianzen ist ein statistischer Hypothesentest, mit dem bestimmt wird, ob zwei oder mehr Gruppen in ihren Daten gleich stark streuen. Statt Gruppenmittelwerte zu vergleichen, konzentriert sich dieser Test auf die Streuung – er prüft, ob die Streuung (Standardabweichung oder Varianz) über alle verglichenen Gruppen hinweg statistisch übereinstimmt.
Zuletzt geprüft
Kernaussage
Der Test auf gleiche Varianzen ist ein statistischer Hypothesentest, mit dem bestimmt wird, ob zwei oder mehr Gruppen in ihren Daten gleich stark streuen.
Auf dieser Seite
- Was ist der Test auf gleiche Varianzen?
- Wann wird der Test auf gleiche Varianzen eingesetzt?
- Verfügbare Tests
- Hinweise zur richtigen Anwendung des Tests auf gleiche Varianzen
- Alternativen: Wann Sie den Test auf gleiche Varianzen nicht verwenden sollten
- Beispiel für den Test auf gleiche Varianzen
- Anleitung: Test auf gleiche Varianzen durchführen
Was ist der Test auf gleiche Varianzen?
Der Test auf gleiche Varianzen ist ein statistischer Hypothesentest, mit dem bestimmt wird, ob zwei oder mehr Gruppen in ihren Daten gleich stark streuen. Statt Gruppenmittelwerte zu vergleichen, konzentriert sich dieser Test auf die Streuung – er prüft, ob die Streuung (Standardabweichung oder Varianz) über alle verglichenen Gruppen hinweg statistisch übereinstimmt.
Er ist eine wichtige Voraussetzung für viele Analysen. Mehrere statistische Werkzeuge – etwa ANOVA, t-Tests für zwei Stichproben und Regression – setzen voraus, dass alle Gruppen die gleiche Varianz haben. Werden diese Werkzeuge ohne vorherige Bestätigung gleicher Varianzen eingesetzt, kann das zu falschen Schlussfolgerungen führen.
Einfache Definition: Ein Test, der prüft, ob verschiedene Gruppen in ihren Daten gleich stark streuen – eine notwendige Prüfung vor vielen anderen statistischen Analysen.
Wann wird der Test auf gleiche Varianzen eingesetzt?
- Verwenden Sie ihn vor einer ANOVA oder t-Tests , um zu verifizieren, dass die Annahme gleicher Varianzen erfüllt ist.
- Verwenden Sie ihn, wenn Sie zwei oder mehr Gruppen oder Prozessbedingungen vergleichen und wissen möchten, ob sie sich in der Streuung unterscheiden, nicht nur im Mittelwert.
- Verwenden Sie ihn in Prozessverbesserungsprojekten , um zu prüfen, ob eine Änderung von Methode, Maschine oder Material die Prozesskonstanz beeinflusst hat.
- Verwenden Sie ihn bei der Beurteilung von Messsystemen , um festzustellen, ob verschiedene Bediener, Messgeräte oder Labore Daten mit ähnlicher Streuung liefern.
Verfügbare Tests
Das Werkzeug bietet mehrere Tests für unterschiedliche Datenarten und Annahmen:
Test
Am besten geeignet, wenn
Bartlett-Test
Die Daten normalverteilt sind – bei Normalverteilung der trennschärfste Test
Levene-Test
Die Daten möglicherweise nicht normalverteilt sind – robuster gegenüber Abweichungen von der Normalverteilung
F-Test
Genau zwei Gruppen mit normalverteilten Daten verglichen werden
Hinweise zur richtigen Anwendung des Tests auf gleiche Varianzen
- Stellen Sie sicher, dass die Daten stetig sind – für attributive Daten oder Zähldaten ist dieser Test nicht geeignet.
- Prüfen Sie zuerst die Normalverteilung – sind die Daten normalverteilt, verwenden Sie den Bartlett-Test, andernfalls den Levene- oder den Bonett-Test.
- Erheben Sie einen ausreichenden Stichprobenumfang je Gruppe (empfohlen werden mindestens 20 Beobachtungen je Gruppe), um zuverlässige Varianzschätzungen zu erhalten.
- Interpretieren Sie den p-Wert – ein p-Wert unter Ihrem Signifikanzniveau (typischerweise 0.05) zeigt, dass mindestens eine Gruppe eine signifikant abweichende Varianz hat.
- Untersuchen Sie die Ursache ungleicher Varianzen , bevor Sie fortfahren – ignorieren Sie ein signifikantes Ergebnis nicht einfach.
Alternativen: Wann Sie den Test auf gleiche Varianzen nicht verwenden sollten
- Wenn Ihre Daten attributiv sind (gut/schlecht, Kategorien), ist dieser Test nicht anwendbar – verwenden Sie stattdessen Chi-Quadrat-Tests oder Tests für Anteile.
- Wenn Sie Mittelwerte statt Varianzenvergleichen, verwenden Sie ANOVA oder t-Tests
- Wenn die Stichprobenumfänge sehr klein sind (weniger als 5 je Gruppe), sind die Varianzschätzungen unzuverlässig – erheben Sie vor dem Test weitere Daten.
Beispiel für den Test auf gleiche Varianzen
Ein Chemieingenieur möchte die Härte von vier Lackmischungen vergleichen. Sechs Proben jeder Lackmischung wurden auf ein Metallstück aufgetragen, das anschließend ausgehärtet wurde. Danach wurde die Härte jeder Probe gemessen. Die Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Den Test auf gleiche Varianzen finden Sie unter Statistical module> Anova>Test for Equal Variances.
- Geben Sie im Werkzeug die Daten zusammen mit den weiteren Eingaben wie folgt ein:

5. Nach Ausführung des oben genannten Werkzeugs erhalten Sie folgende Ausgabe:


Anleitung: Test auf gleiche Varianzen durchführen
So gehen Sie vor:
- Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
- Wählen Sie auf der Startseite Statistical Tool> Anova >Test for Equal Variances
- Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
- Füllen Sie die erforderlichen Optionen aus.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard von Test for Equal Variances ist in zwei Bereiche unterteilt.

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.
Load example: Es werden Beispieldaten geladen.
Load File: Damit werden Excel-Daten direkt geladen.
Im rechten Bereich stehen folgende Optionen zur Verfügung:
- Response: Wählen Sie die Spalte(n) mit Ihren stetigen Messdaten – die Werte, deren Streuung Sie zwischen den Gruppen vergleichen möchten. Mit Strg- bzw. Befehlstaste + Klick wählen Sie mehrere Spalten aus, wenn die Daten der einzelnen Gruppen in getrennten Spalten stehen. Jede ausgewählte Spalte stellt eine verglichene Gruppe oder Bedingung dar.
- Factor: Wählen Sie die Spalte, die angibt, zu welcher Gruppe jede Beobachtung gehört – zum Beispiel Maschinentyp, Bediener oder Materialcharge. Diese Spalte ist nur erforderlich, wenn alle Daten der Zielgröße in einer einzigen Spalte gestapelt sind und eine separate Gruppierungsvariable zur Unterscheidung der Gruppen benötigt wird. Haben Sie bereits mehrere Response-Spalten ausgewählt (eine je Gruppe), ist dieses Feld nicht erforderlich.
- Confidence Level: Legt das Konfidenzniveau für die Konfidenzintervalle fest, die um die Varianzschätzung jeder Gruppe angezeigt werden. Der Standardwert ist 95%, d. h. Sie sind zu 95 % sicher, dass die wahre Varianz jeder Gruppe im angezeigten Intervall liegt. Ein höheres Konfidenzniveau (z. B. 99 %) ergibt breitere Intervalle, ein niedrigeres (z. B. 90 %) schmalere. Der Standardwert 95 % ist der allgemein anerkannte Standard für die meisten statistischen Analysen.
- Hypothesized Ratio: Das Varianzverhältnis, gegen das Sie testen möchten. Der Standardwert ist 1; damit wird geprüft, ob alle Gruppen die gleiche Varianz haben – ein Verhältnis von 1 bedeutet identische Varianzen. Wenn Sie ein bestimmtes bekanntes Verhältnis aus einer früheren Studie oder einer technischen Spezifikation haben, können Sie es hier eingeben, um zu prüfen, ob Ihre Daten mit diesem erwarteten Verhältnis übereinstimmen, statt auf strikte Gleichheit zu testen.
- Alternative Hypothesis: Legt die Richtung des Tests fest – also, was Sie erkennen möchten. Die Standardoption
- Ratio ≠ Hypothesized Ratio - ist ein zweiseitiger Test, der Varianzunterschiede in beide Richtungen erkennt (eine Gruppe kann größer oder kleiner als die andere sein). Dies ist in den meisten Situationen die passende Wahl, wenn Sie keine Vorannahme darüber haben, welche Gruppe die größere Varianz haben sollte.
- Summary Plot: Wenn aktiviert, wird ein Übersichtsdiagramm mit der Varianz- bzw. Standardabweichungsschätzung jeder Gruppe und ihrem Konfidenzintervall angezeigt. Es gibt einen schnellen visuellen Überblick, wie sich die Gruppen in der Streuung unterscheiden und ob sich ihre Konfidenzintervalle überschneiden – sich überschneidende Intervalle deuten darauf hin, dass die Varianzen gleich sein könnten.
- Individual Value Plot: Wenn aktiviert, wird jeder einzelne Datenpunkt jeder Gruppe vertikal dargestellt. So sehen Sie die vollständige Verteilung und Streuung der Rohdaten in jeder Gruppe, erkennen ungewöhnliche Beobachtungen oder Ausreißer und verstehen die tatsächlichen Daten hinter den Varianzschätzungen, bevor Sie die Testergebnisse interpretieren.
- Histogram: Wenn aktiviert, wird für jede Gruppe ein Histogramm mit der Häufigkeitsverteilung der Daten angezeigt. Das hilft, die Form der Verteilung jeder Gruppe visuell zu beurteilen – insbesondere um zu prüfen, ob die Daten annähernd normalverteilt sind, bevor Sie entscheiden, welcher Varianztest (Bartlett, Levene oder Bonett) am besten geeignet ist.
- Box Plot: Wenn aktiviert, wird für jede Gruppe ein Boxplot mit Median, Interquartilsabstand und etwaigen Ausreißern angezeigt. Mit Boxplots lassen sich Streuung und Lage aller Gruppen gleichzeitig leicht visuell vergleichen – eine Gruppe mit deutlich breiterer Box streut stärker; das ist eine nützliche visuelle Kontrolle vor und nach dem formalen Test.
Häufig gestellte Fragen
Was ist ein Test auf gleiche Varianzen?
Ein Test auf gleiche Varianzen ist ein Hypothesentest, der prüft, ob zwei oder mehr Gruppen gleich stark streuen. Statt Mittelwerte zu vergleichen, prüft er, ob Varianz oder Standardabweichung über die Gruppen hinweg statistisch übereinstimmen. Er ist eine Voraussetzung für Werkzeuge wie ANOVA, t-Tests für zwei Stichproben und Regression, die gleiche Varianzen annehmen.
Sollte man den Bartlett-Test oder den Levene-Test verwenden?
Verwenden Sie den Bartlett-Test, wenn die Daten normalverteilt sind, da er bei Normalverteilung am trennschärfsten ist. Verwenden Sie den Levene-Test oder den Bonett-Test, wenn die Daten möglicherweise nicht normalverteilt sind, weil er robuster gegenüber Abweichungen von der Normalverteilung ist. Der F-Test dient zum Vergleich von genau zwei Gruppen mit normalverteilten Daten.
Wie interpretiert man einen Test auf gleiche Varianzen?
Ein p-Wert unter Ihrem Signifikanzniveau, typischerweise 0.05, zeigt, dass mindestens eine Gruppe eine signifikant abweichende Varianz hat. Untersuchen Sie die Ursache der ungleichen Varianzen, bevor Sie fortfahren, statt ein signifikantes Ergebnis zu ignorieren. Sich überschneidende Konfidenzintervalle im Summary Plot deuten darauf hin, dass die Varianzen gleich sein könnten.
Wie viele Stichprobenwerte braucht man für einen Test auf gleiche Varianzen?
Für zuverlässige Varianzschätzungen werden mindestens 20 Beobachtungen je Gruppe empfohlen. Bei weniger als 5 je Gruppe sind die Varianzschätzungen unzuverlässig; erheben Sie daher vor dem Test weitere Daten. Die Daten müssen stetig sein; für attributive Daten verwenden Sie stattdessen Chi-Quadrat-Tests oder Tests für Anteile.
