Test auf zwei Varianzen
Ein Hypothesentest auf zwei Varianzen beurteilt, ob die Varianzen zweier unabhängiger Grundgesamtheiten gleich sind, indem er das Verhältnis der beiden Stichprobenvarianzen mithilfe der F-Verteilung mit getrennten Freiheitsgraden für jede Stichprobe vergleicht. Er beruht auf den Annahmen, dass die Grundgesamtheiten normalverteilt und unabhängig sind, und wird häufig in der Qualitätslenkung, im Finanzwesen und in der experimentellen Forschung eingesetzt, um Prozesskonstanz und Streuung zu beurteilen.
Zuletzt geprüft
Kernaussage
Ein Hypothesentest auf zwei Varianzen beurteilt, ob die Varianzen zweier unabhängiger Grundgesamtheiten gleich sind, indem er das Verhältnis der beiden Stichprobenvarianzen mithilfe der F-Verteilung vergleicht.
Auf dieser Seite
- Was ist der Test auf zwei Varianzen?
- Wann wird der Test auf zwei Varianzen eingesetzt?
- Hinweise zur richtigen Anwendung des Tests auf zwei Varianzen
- Alternativen: Wann Sie den Test auf zwei Varianzen nicht verwenden sollten
- Beispiel für den Test auf zwei Varianzen
- Anleitung: Test auf zwei Varianzen durchführen
Was ist der Test auf zwei Varianzen?
Ein Hypothesentest auf zwei Varianzen beurteilt, ob die Varianzen zweier unabhängiger Grundgesamtheiten gleich sind, indem er das Verhältnis der beiden Stichprobenvarianzen mithilfe der F-Verteilung mit getrennten Freiheitsgraden für jede Stichprobe vergleicht. Er beruht auf den Annahmen, dass die Grundgesamtheiten normalverteilt und unabhängig sind, und wird häufig in der Qualitätslenkung, im Finanzwesen und in der experimentellen Forschung eingesetzt, um Prozesskonstanz und Streuung zu beurteilen.
Wann wird der Test auf zwei Varianzen eingesetzt?
Der Test auf zwei Varianzen wird verwendet, um festzustellen, ob zwei Datenstichproben gleiche Varianzen haben.
- Vergleich der Streuung: Wenn Sie feststellen müssen, ob sich die Streuung (Varianz) zweier unabhängiger Grundgesamtheiten signifikant unterscheidet.
- Qualitätslenkung: Um Konstanz und Streuung zweier verschiedener Produktionsprozesse oder Chargen zu vergleichen.
- Experimentelle Forschung: Wenn beurteilt wird, ob Versuchsbedingungen oder Behandlungen zu unterschiedlich starker Streuung der Ergebnisse führen.
- Finanzwesen: Um das Risiko (Varianz der Renditen) zweier verschiedener Anlageportfolios oder Finanzinstrumente zu vergleichen.
- Erfüllte Annahmen:
- Normalverteilung: Die Grundgesamtheiten, aus denen die Stichproben stammen, müssen normalverteilt sein.
- Unabhängigkeit: Die beiden Grundgesamtheiten müssen voneinander unabhängig sein.
Er ist nützlich, wenn Sie zwei Grundgesamtheiten oder Gruppen hinsichtlich ihrer Varianzen vergleichen möchten, etwa in folgenden Situationen:
- Qualitätslenkung: Ein Fertigungsunternehmen möchte die Varianzen zweier Produktionslinien vergleichen, um sicherzustellen, dass beide Produkte gleichbleibender Qualität herstellen.
- Klinische Studien: Forschende möchten die Varianzen zweier Patientengruppen vergleichen, um festzustellen, ob eine neue Behandlung in beiden Gruppen eine ähnliche Wirkung hat.
- Bildung: Lehrkräfte möchten die Varianzen der Testergebnisse zweier Schülergruppen vergleichen, um zu sehen, ob eine Gruppe gleichmäßiger abschneidet als die andere.
- Finanzanalyse: Anleger möchten die Varianzen der Renditen zweier verschiedener Anlageportfolios vergleichen, um festzustellen, ob eines volatiler ist als das andere.
Hinweise zur richtigen Anwendung des Tests auf zwei Varianzen
- Zufallsstichprobe: Stellen Sie sicher, dass die Stichprobendaten zufällig ausgewählt werden, um gültige Verallgemeinerungen über die Grundgesamtheit zu ermöglichen.
- Verteilung der Daten: Die Stichprobendaten sollten nicht stark schief sein, und die Stichprobenumfänge sollten über 20 liegen. Liegen die Stichprobenumfänge unter 20, stellen Sie die Daten grafisch dar, um sie auf Schiefe und ungewöhnliche Beobachtungen zu prüfen. Seien Sie bei der Interpretation vorsichtig, wenn die Daten stark schief sind oder viele ungewöhnliche Beobachtungen enthalten.
- Unabhängigkeit der Beobachtungen: Jede Beobachtung sollte von allen anderen Beobachtungen unabhängig sein. Abhängige Beobachtungen können die Ergebnisse ungültig machen.
- Geeigneter Stichprobenumfang: Stellen Sie sicher, dass der Stichprobenumfang groß genug ist, um genaue Schätzungen, enge Konfidenzintervalle und ausreichenden Schutz vor Fehlern 1. und 2. Art zu gewährleisten.
Alternativen: Wann Sie den Test auf zwei Varianzen nicht verwenden sollten
- Der Test auf zwei Varianzen dient zum Vergleich der Varianzen zweier unabhängiger Stichproben. Sind Ihre Stichproben abhängig, etwa bei einer Vorher-nachher-Studie oder einem Design mit gepaarten Stichproben, benötigen Sie möglicherweise einen anderen Test wie den gepaarten t-Test.
Beispiel für den Test auf zwei Varianzen
Ein Berater im Gesundheitswesen möchte die Bewertungen der Patientenzufriedenheit zweier Krankenhäuser vergleichen. Dazu erhebt er Bewertungen von je 20 Patienten pro Krankenhaus und führt einen Test auf zwei Varianzen durch, um festzustellen, ob sich die Standardabweichungen der Patientenbewertungen unterscheiden. Die Schritte:
- Die erforderlichen Daten wurden erhoben.

- Analysieren Sie die Daten nun in Zometric Statistical Software unter https://statsai.zometric.com/.
- Den Test auf zwei Varianzen finden Sie unter Statistical module> Graphical analysis>Two variance test.
- 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 zwei 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> Graphical analysis >Two variance test
- Klicken Sie auf Two variance test , um zum Dashboard zu gelangen.
- 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).
- Geben Sie anschließend die Werte für Konfidenzniveau und hypothetisches Verhältnis ein.
- Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.
Das Dashboard von Two variance test 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:
- Confidence level: Beim Hypothesentest gibt das Konfidenzniveau den Grad der Sicherheit bzw. des Vertrauens an, den wir in unsere statistische Analyse haben. Es ist ein Wahrscheinlichkeitswert, der angibt, mit welcher Wahrscheinlichkeit der wahre Parameter der Grundgesamtheit im angegebenen Wertebereich liegt. Üblicherweise wird das Konfidenzniveau in Prozent angegeben und als (1 - α) bezeichnet, wobei α das Signifikanzniveau bzw. die Wahrscheinlichkeit ist, eine wahre Nullhypothese zu verwerfen. Bei einem Konfidenzniveau von 95 % sagen wir zum Beispiel, dass wir zu 95 % sicher sind, dass der wahre Parameter der Grundgesamtheit in unserer Intervallschätzung liegt, und dass mit einer Wahrscheinlichkeit von 5 % ein Fehler 1. Art auftritt (Verwerfen einer wahren Nullhypothese). Praktisch bedeutet ein höheres Konfidenzniveau, dass wir unserer statistischen Analyse und unseren Ergebnissen stärker vertrauen. Ein höheres Konfidenzniveau vergrößert jedoch auch die Breite des Konfidenzintervalls, wodurch kleine Effekte schwerer zu erkennen sind. Die Wahl des Konfidenzniveaus hängt daher vom Kontext der Untersuchung und den Zielen der Forschenden ab.
- Hypothesized ratio: Beim Test auf zwei Varianzen ist das hypothetische Verhältnis der Wert, mit dem die Nullhypothese geprüft wird, dass die Varianzen zweier Grundgesamtheiten gleich sind. Es stellt das unter der Nullhypothese erwartete Verhältnis der beiden Varianzen der Grundgesamtheiten dar.
- Alternative hypothesis: Beim Hypothesentest ist die Alternativhypothese (auch Forschungshypothese genannt) eine Aussage, die eine andere Schlussfolgerung als die Nullhypothese darstellt. Die Nullhypothese steht typischerweise für den Status quo bzw. die Annahme, dass es keinen signifikanten Unterschied oder Zusammenhang zwischen zwei oder mehr Gruppen oder Variablen gibt. Die Alternativhypothese ist die geprüfte Aussage; sie besagt, dass es einen signifikanten Unterschied oder Zusammenhang zwischen den untersuchten Gruppen oder Variablen gibt.
- Summary plot: Ein Übersichtsdiagramm (Summary plot) ist eine umfassende visuelle Darstellung, die statistische Ergebnisse kompakt und informativ zeigt, hier im Zusammenhang mit dem Vergleich der Standardabweichungen oder Varianzen zwischen zwei oder mehr Stichproben. Durch die Kombination von Konfidenzintervallen, Boxplots und Testergebnissen bietet es einen klaren und umfassenden Überblick über die Daten. Im gezeigten Diagramm sehen wir, dass Krankenhaus A eine geringere Streuung und genauere Schätzungen aufweist als Krankenhaus B, wie das schmalere Konfidenzintervall für die Standardabweichung zeigt. Diese Information ist entscheidend, um Bereiche mit Handlungsbedarf zu erkennen und fundierte Entscheidungen auf Grundlage der statistischen Datenanalyse zu treffen.
- Individual value plot: Ein Einzelwertdiagramm (Individual Value Plot, IVP) ist ein grafisches Werkzeug, das sich am besten für kleine Stichprobenumfänge (weniger als 50 Beobachtungen) eignet. Es zeigt einzelne Datenpunkte und erleichtert so die genaue Betrachtung von Verteilung, Lage, Streuung und Ausreißern; außerdem eignet es sich gut zum Vergleich der Verteilungen mehrerer kleiner Gruppen.
- Histogram: Beim Hypothesentest ist ein Histogramm eine grafische Darstellung der Verteilung einer Datenstichprobe. Es ist ein visuelles Werkzeug, mit dem Form und Eigenschaften der Daten untersucht werden. Histogramme eignen sich am besten bei Stichprobenumfängen über 20. Ein Histogramm entsteht, indem die Daten in eine Reihe von Intervallen (Klassen) eingeteilt und die Datenpunkte in jeder Klasse gezählt werden. Die Klassen sind üblicherweise gleich breit, und die Höhe jedes Balkens im Histogramm gibt die Häufigkeit der Datenpunkte in dieser Klasse an.
- Box plot: Ein Boxplot, auch Box-Whisker-Plot genannt, ist eine grafische Darstellung, die die Verteilung eines Datensatzes einschließlich Median, Quartilen und etwaiger Ausreißer zeigt. Beim Hypothesentest kann ein Boxplot verwendet werden, um die Verteilung einer Stichprobe visuell mit einer bekannten oder erwarteten Verteilung, etwa einer Normalverteilung, zu vergleichen. So lässt sich feststellen, ob die Stichprobendaten deutlich vom Erwarteten abweichen. Die Box eines Boxplots stellt die mittleren 50 % der Daten dar; der untere Rand der Box kennzeichnet das erste Quartil (Q1), der obere Rand das dritte Quartil (Q3) und die Linie in der Box den Median. Die Whisker reichen von der Box bis zum kleinsten und größten Wert des Datensatzes ohne Ausreißer, die als einzelne Punkte jenseits der Whisker dargestellt werden.
- Download as Excel: Gibt das Ergebnis im Excel-Format aus, das sich leicht bearbeiten und über die Option load file erneut für Berechnungen laden lässt.
Häufig gestellte Fragen
Was ist ein Test auf zwei Varianzen?
Ein Test auf zwei Varianzen beurteilt, ob die Varianzen zweier unabhängiger Grundgesamtheiten gleich sind, indem er das Verhältnis der beiden Stichprobenvarianzen mithilfe der F-Verteilung vergleicht, mit getrennten Freiheitsgraden für jede Stichprobe. Er wird in der Qualitätslenkung, im Finanzwesen und in der experimentellen Forschung eingesetzt, um Konstanz und Streuung zu vergleichen.
Welche Annahmen gelten für einen Test auf zwei Varianzen?
Die Grundgesamtheiten sollten normalverteilt und voneinander unabhängig sein, die Stichproben sollten zufällig ausgewählt werden, und jede Beobachtung sollte von allen anderen unabhängig sein. Die Stichprobendaten sollten nicht stark schief sein, und die Stichprobenumfänge sollten über 20 liegen; bei kleineren Umfängen stellen Sie die Daten grafisch dar, um sie auf Schiefe und ungewöhnliche Beobachtungen zu prüfen.
Wann sollte man einen Test auf zwei Varianzen verwenden?
Verwenden Sie ihn, um festzustellen, ob sich zwei unabhängige Gruppen in ihrer Streuung unterscheiden, zum Beispiel um die Konstanz zweier Produktionslinien oder Chargen zu vergleichen, um zu prüfen, ob Behandlungen zu unterschiedlicher Streuung der Ergebnisse führen, oder um die Volatilität der Renditen zweier Anlageportfolios zu vergleichen. Für abhängige Stichproben, etwa bei Vorher-nachher-Designs, ist ein anderer Test erforderlich.
Was ist das hypothetische Verhältnis bei einem Test auf zwei Varianzen?
Das hypothetische Verhältnis ist das unter der Nullhypothese erwartete Verhältnis der beiden Varianzen der Grundgesamtheiten. Der Test prüft, ob das beobachtete Verhältnis der Stichprobenvarianzen damit vereinbar ist; die Prüfung auf gleiche Varianzen entspricht einem Verhältnis von 1.
