t-Test für zwei Stichproben (zusammengefasste Daten)

Diese Variante des t-Tests für zwei Stichproben arbeitet mit zusammenfassenden Kennwerten: Sie geben Stichprobenumfang, Mittelwert und Standardabweichung jeder der beiden unabhängigen Gruppen ein. Verwenden Sie sie, wenn keine Rohdaten vorliegen, etwa bei veröffentlichten Berichten oder Zusammenfassungen von Lieferanten. Die Normalverteilung lässt sich ohne Rohdaten nicht prüfen. Optionen sind Konfidenzniveau, hypothetische Differenz, Alternativhypothese und gleiche Varianzen; die Ausgabe enthält p-Wert und Konfidenzintervall.

Zuletzt geprüft

Kernaussage

Der t-Test für zwei Stichproben (zusammengefasst) prüft, ob sich die Mittelwerte zweier unabhängiger Gruppen signifikant unterscheiden, und verwendet statt Rohdaten nur Stichprobenumfang, Mittelwert und Standardabweichung jeder Gruppe.

Auf dieser Seite
  1. Was ist der t-Test für zwei Stichproben (zusammengefasst)?
  2. Wann wird der t-Test für zwei Stichproben (zusammengefasst) eingesetzt?
  3. Hinweise zur richtigen Anwendung des t-Tests für zwei Stichproben (zusammengefasst)
  4. Alternativen: Wann Sie den t-Test für zwei Stichproben (zusammengefasst) nicht verwenden sollten
  5. Anleitung: t-Test für zwei Stichproben durchführen

Was ist der t-Test für zwei Stichproben (zusammengefasst)?

Der Two Sample T Test (Summarized) führt denselben Vergleich durch wie der normale t-Test für zwei Stichproben — er prüft, ob sich die Mittelwerte zweier unabhängiger Gruppen signifikant unterscheiden —, benötigt aber keine Rohdaten, sondern arbeitet direkt mit zusammenfassenden Kennwerten, die Sie manuell eingeben: Stichprobenumfang (n), Mittelwert und Standardabweichung jeder Gruppe.

Das ist besonders wertvoll, wenn keine Rohdaten vorliegen — zum Beispiel bei veröffentlichten Studien, Auditberichten, von Lieferanten bereitgestellten Zusammenfassungen oder historischen Aufzeichnungen, in denen nur aggregierte Kennwerte aufbewahrt wurden.

Einfache Definition:Dasselbe wie ein t-Test für zwei Stichproben, aber für Situationen gedacht, in denen Sie nur die zusammenfassenden Zahlen (Mittelwert, Standardabweichung, Stichprobenumfang) statt des vollständigen Rohdatensatzes haben.

Wann wird der t-Test für zwei Stichproben (zusammengefasst) eingesetzt?

  • Verwenden Sie ihn, wenn keine Rohdaten vorliegen , Sie aber Mittelwert, Standardabweichung und Stichprobenumfang jeder Gruppe kennen.
  • Verwenden Sie ihn, wenn Sie mit veröffentlichten Berichten, externen Lieferantendaten oder historischen Zusammenfassungen arbeiten, in denen keine Einzelbeobachtungen erfasst wurden.
  • Verwenden Sie ihn, wenn Sie zwei unabhängige Gruppen anhand berichteter Kennwerte statt erhobener Messwerte vergleichen.
  • Verwenden Sie ihn, wenn Sie Schlussfolgerungen schnell bestätigen oder gegenprüfen möchten , die auf aggregierten Daten beruhen, ohne den vollständigen Datensatz rekonstruieren zu müssen.

Hinweise zur richtigen Anwendung des t-Tests für zwei Stichproben (zusammengefasst)

  • Prüfen Sie, ob die eingegebenen Kennwerte korrekt sind und aus einer zuverlässigen Quelle stammen — Fehler in den Eingaben führen direkt zu falschen Testschlussfolgerungen.
  • Stellen Sie sicher, dass die Kennwerte unabhängige, nicht zusammenhängende Gruppen darstellen — der Test setzt voraus, dass zwischen den beiden Stichproben kein Zusammenhang besteht.
  • Vergewissern Sie sich, dass die Stichprobenumfänge ausreichend sind — kleine Stichproben aus nicht normalverteilten Grundgesamtheiten können selbst bei korrekten Kennwerten unzuverlässige Ergebnisse liefern.
  • Legen Sie Alpha vor der Durchführung des Tests fest — der übliche Standardwert ist 0.05.
  • Seien Sie vorsichtig, wenn die Kennwerte aus stark schiefen oder nicht normalverteilten Grundgesamtheiten stammen — der t-Test setzt Normalverteilung voraus, was sich ohne Rohdaten nicht überprüfen lässt.

Alternativen: Wann Sie den t-Test für zwei Stichproben (zusammengefasst) nicht verwenden sollten

  • Wenn Rohdaten vorliegen, verwenden Sie stattdessen immer den normalen t-Test für zwei Stichproben — er bietet zusätzliche Diagnosen und Prüfungen der Voraussetzungen.
  • Wenn die beiden Stichproben gepaart oder einander zugeordnetsind, verwenden Sie den gepaarten t-Test
  • Wenn Sie mehr als zwei Gruppenvergleichen, verwenden Sie die einfache ANOVA
  • Wenn das Ziel ist, Äquivalenz statt eines Unterschiedsnachzuweisen, verwenden Sie den Äquivalenztest für zwei Stichproben

Anleitung: t-Test für zwei Stichproben durchführen

So gehen Sie vor:

  1. Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Hypothesis Test >Two sample t test(Summarized).
  3. 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).
  4. Füllen Sie die erforderlichen Optionen aus.
  5. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard des t-Tests für zwei Stichproben ist in zwei Bereiche unterteilt.

Two Sample t Test(Summarized) — figure 3

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:

  • Sample 1 Sample Size: Geben Sie die Gesamtzahl der Beobachtungen in der ersten Gruppe ein — wurden zum Beispiel 40 Messungen an Rezeptur A durchgeführt, geben Sie 40 ein. Dieser Wert wird zur Berechnung des Standardfehlers und der Freiheitsgrade des Tests verwendet. Ein größerer Stichprobenumfang liefert zuverlässigere und genauere Ergebnisse.
  • Sample 1 Sample Mean: Geben Sie den Mittelwert der Messwerte der ersten Gruppe ein. Um diesen zentralen Wert sind die Daten der ersten Gruppe verteilt; er geht direkt in die Berechnung der Differenz zwischen den beiden Gruppen ein.
  • Sample 1 Standard Deviation: Geben Sie die Standardabweichung der ersten Gruppe ein — sie gibt an, wie stark die Einzelmesswerte um den Mittelwert streuen. Eine größere Standardabweichung bedeutet mehr Streuung innerhalb der Gruppe, was das Konfidenzintervall verbreitert und die Empfindlichkeit des Tests für Unterschiede verringert.
  • Sample 2 Sample Size: Geben Sie die Gesamtzahl der Beobachtungen in der zweiten Gruppe ein. Wie bei Sample 1 geht dieser Wert in die Berechnung des Standardfehlers ein und beeinflusst, wie genau der Test einen echten Unterschied zwischen den beiden Gruppen erkennen kann.
  • Sample 2 Sample Mean: Geben Sie den Mittelwert der Messwerte der zweiten Gruppe ein. Der Test vergleicht ihn direkt mit dem Mittelwert von Sample 1, um die beobachtete Differenz zu berechnen und festzustellen, ob sie statistisch signifikant ist.
  • Sample 2 Standard Deviation: Geben Sie die Standardabweichung der zweiten Gruppe ein. Dieser Wert gibt die Streuung der Daten in der zweiten Gruppe wieder und wird zusammen mit der Standardabweichung von Sample 1 verwendet, um die gemeinsame Streuung des Vergleichs zu schätzen.
  • Confidence Level: Legt das Konfidenzniveau für das Konfidenzintervall der Differenz der beiden Mittelwerte fest. Der übliche Standardwert ist 95%; das bedeutet, Sie sind zu 95% sicher, dass die wahre Differenz der beiden Mittelwerte der Grundgesamtheiten im angezeigten Bereich liegt. Eine Erhöhung auf 99% verbreitert das Intervall, eine Verringerung auf 90% verschmälert es.
  • Hypothesized Difference: Die angenommene oder erwartete Differenz der beiden Gruppenmittelwerte (Mittelwert von Sample 1 minus Mittelwert von Sample 2), gegen die Sie testen. Ein Wert von 0 prüft, ob die beiden Mittelwerte gleich sind. Jeder andere Wert prüft, ob die tatsächliche Differenz genau diesem Betrag entspricht — die Eingabe 10 prüft zum Beispiel, ob Gruppe 1 im Mittel genau 10 Einheiten über Gruppe 2 liegt.
  • Alternative Hypothesis: Legt die Richtung des Tests fest und damit, was Sie über die Differenz nachweisen möchten. Drei Optionen stehen zur Verfügung:
  • Diff ≠ Hypothesized Diff — ein zweiseitiger Test, der prüft, ob die Differenz in irgendeiner Richtung vom hypothetischen Wert abweicht. Verwenden Sie ihn, wenn Sie keine Vorannahme darüber haben, welche Gruppe größer sein wird.
  • Diff < Hypothesized Diff — ein einseitiger Test, der prüft, ob die tatsächliche Differenz kleiner als der hypothetische Wert ist. Verwenden Sie ihn, wenn Sie ausdrücklich erwarten, dass Sample 1 niedriger als Sample 2 ist.
  • Diff > Hypothesized Diff — ein einseitiger Test, der prüft, ob die tatsächliche Differenz größer als der hypothetische Wert ist. Verwenden Sie ihn, wenn Sie ausdrücklich erwarten, dass Sample 1 höher als Sample 2 ist.
  • Assume Equal Variances: Ist die Option aktiviert, nimmt der Test an, dass beide Gruppen dieselbe Varianz der Grundgesamtheit haben, und verwendet eine einzige gepoolte Standardabweichung — das ergibt einen etwas trennschärferen Test, wenn die Annahme zutrifft. Ist sie deaktiviert, werden für jede Gruppe getrennte Varianzschätzungen verwendet (Welch-t-Test), was zuverlässiger ist, wenn sich die beiden eingegebenen Standardabweichungen deutlich unterscheiden. Im Zweifel lassen Sie die Option deaktiviert, da dies die sicherere und konservativere Wahl ist.
  • Download as Excel: Exportiert Testergebnisse, zusammenfassende Kennwerte, Konfidenzintervall und p-Wert in eine Excel-Datei für Berichte, Weitergabe oder Dokumentation.

Häufig gestellte Fragen

Was ist ein t-Test für zwei Stichproben mit zusammengefassten Daten?

Er führt denselben Vergleich durch wie der normale t-Test für zwei Stichproben und prüft, ob sich die Mittelwerte zweier unabhängiger Gruppen signifikant unterscheiden, arbeitet aber statt mit Rohdaten mit von Ihnen eingegebenen Kennwerten: Stichprobenumfang, Mittelwert und Standardabweichung jeder Gruppe.

Wann sollten Sie einen t-Test für zwei Stichproben mit zusammengefassten Daten verwenden?

Verwenden Sie ihn, wenn keine Rohdaten vorliegen, Sie aber Mittelwert, Standardabweichung und Stichprobenumfang jeder Gruppe kennen, zum Beispiel aus veröffentlichten Berichten, externen Lieferantendaten oder historischen Zusammenfassungen. Er eignet sich auch, um Schlussfolgerungen aus aggregierten Daten schnell gegenzuprüfen. Liegen Rohdaten vor, verwenden Sie den normalen t-Test für zwei Stichproben.

Welche Einschränkungen hat ein t-Test mit zusammenfassenden Kennwerten?

Der t-Test setzt Normalverteilung voraus, was sich ohne Rohdaten nicht überprüfen lässt; seien Sie daher vorsichtig, wenn die Kennwerte aus stark schiefen oder nicht normalverteilten Grundgesamtheiten stammen. Kleine Stichproben aus nicht normalverteilten Grundgesamtheiten können unzuverlässige Ergebnisse liefern, und jeder Fehler in den eingegebenen Kennwerten führt direkt zu einer falschen Schlussfolgerung.

Wie beeinflussen die Standardabweichungen den t-Test mit zusammengefassten Daten?

Eine größere Standardabweichung bedeutet mehr Streuung innerhalb einer Gruppe, was das Konfidenzintervall verbreitert und die Empfindlichkeit des Tests für Unterschiede verringert. Unterscheiden sich die beiden Standardabweichungen deutlich, lassen Sie Assume Equal Variances deaktiviert, damit getrennte Varianzschätzungen verwendet werden (Welch-t-Test).