Startseite › Rechner › Power-Analyse-Rechner (Teststärke)

Power-Analyse-Rechner (Teststärke)

Plane eine Studie, bevor du Daten erhebst. Wähle einen t-Test, einen Anteilstest oder eine Korrelation, gib die erwartete Effektstärke, α und entweder die Stichprobengröße (für die Teststärke) oder die Ziel-Teststärke (für die nötige Stichprobengröße) ein. Eine Power-Kurve zeigt, wie schnell die Teststärke mit n wächst.

Zuletzt aktualisiert:

Test
Berechnen
Effektstärke

Mittelwertdifferenz ÷ SD. 0.2 klein, 0.5 mittel, 0.8 groß

Anteil Gruppe 1 (bzw. wahrer Anteil)

Anteil Gruppe 2 (Kontrolle)

0.1 klein, 0.3 mittel, 0.5 groß

Design

1 = gleich große Gruppen

%
Gib deine Werte ein, um das Ergebnis zu sehen.
Anzeige
Anzeige

Anleitung: Power-Analyse-Rechner (Teststärke)

  1. Wähle den Test, den du durchführen willst: t-Test für zwei Stichproben, für eine/gepaarte Stichprobe, zwei Anteile, ein Anteil oder Korrelation.
  2. Wähle, was berechnet werden soll: die nötige Stichprobengröße oder die Teststärke für eine vorhandene Stichprobengröße.
  3. Gib die Effektstärke ein: Cohens d, die erwarteten Anteile oder die erwartete Korrelation.
  4. Lege α, die Alternativhypothese und die Ziel-Teststärke fest (80% ist das übliche Minimum) und drücke auf Berechnen.
  5. Lies das Ergebnis und die Power-Kurve ab und sieh in den Tabellen, wie sich die Antwort mit Teststärke oder Effektstärke ändert.

Verwendete Formeln zur Teststärke

Alle Tests verwenden den kritischen Wert für dein α (bei einem zweiseitigen Test auf beide Enden verteilt) und fragen dann, wie oft die Teststatistik darüber hinaus liegt, wenn der wahre Effekt dem eingegebenen entspricht.

TestEffektstärkeBerechnung der Teststärke
t-Test für zwei Stichprobend = (μ₁ − μ₂) / σNichtzentrale t-Verteilung mit df = n₁ + n₂ − 2, δ = d / √(1/n₁ + 1/n₂)
t-Test für eine oder gepaarte Stichprobed = (μ − μ₀) / σ (gepaart: mittlere Differenz / SD der Differenzen)Nichtzentrale t-Verteilung mit df = n − 1, δ = d·√n
Ein Anteilp₁ vs. p₀ (Cohens h wird angezeigt)Φ((|p₁ − p₀|√n − z·√(p₀q₀)) / √(p₁q₁))
Zwei Anteilep₁ vs. p₂ (Cohens h wird angezeigt)Φ((|p₁ − p₂| − z·√(p̄q̄(1/n₁ + 1/n₂))) / √(p₁q₁/n₁ + p₂q₂/n₂))
Korrelationρ (Fisher z = atanh ρ)Φ(|atanh ρ|·√(n − 3) − z)

Für eine nötige Stichprobengröße sucht der Rechner das kleinste ganze n, dessen Teststärke dein Ziel erreicht, die tatsächliche Teststärke liegt also immer genau darauf oder leicht darüber.

Stichprobengrößen auf einen Blick (zweiseitig, α = 0.05)

DesignEffekt80% Teststärke90% Teststärke
t-Test für zwei Stichproben (pro Gruppe)d = 0.2394527
t-Test für zwei Stichproben (pro Gruppe)d = 0.56486
t-Test für zwei Stichproben (pro Gruppe)d = 0.82634
t-Test gepaart / eine Stichprobed = 0.53444
Korrelationρ = 0.385113

Tipps für eine solide Power-Analyse

  • Mach sie vor der Datenerhebung. Eine nach der Studie aus dem beobachteten Effekt berechnete Teststärke ("observed power") liefert nichts über den p-Wert hinaus.
  • Plane Ausfälle ein. Wenn du erwartest, dass 15% der Teilnehmenden abspringen, teile das nötige n durch 0.85.
  • Sei bei Effektstärken vorsichtig. Veröffentlichte Effekte werden oft überschätzt; eine halbierte Pilotschätzung vervierfacht ungefähr die nötige Stichprobe, sieh dir also die Tabelle der Effektstärken an.
  • Prüfe die Voraussetzungen. Die Ergebnisse des t-Tests setzen annähernd normalverteilte Daten mit gleichen Varianzen voraus; die Formeln für Anteile beruhen auf der Normalapproximation, die zuverlässig ist, sobald in jeder Gruppe mindestens 10 Erfolge und 10 Misserfolge zu erwarten sind.

Häufige Fragen

Was ist statistische Teststärke (Power)?

Die Teststärke ist die Wahrscheinlichkeit, dass ein Test die Nullhypothese verwirft, wenn ein echter Effekt der angegebenen Größe vorliegt. Sie beträgt 1 − β, wobei β die Fehlerrate 2. Art ist (einen echten Effekt übersehen). Die meisten Studien streben mindestens 80% Teststärke an, und viele Gutachter von Förderanträgen erwarten 90%.

Welche vier Größen hängen in einer Power-Analyse zusammen?

Signifikanzniveau α, Effektstärke, Stichprobengröße und Teststärke. Legst du drei davon fest, ist die vierte bestimmt. Eine A-priori-Power-Analyse legt α, Effektstärke und Teststärke fest, um die Stichprobengröße zu finden; eine Post-hoc- oder Sensitivitätsanalyse legt n fest, um die Teststärke oder den nachweisbaren Effekt zu finden.

Wie viele Teilnehmende brauche ich für einen mittleren Effekt?

Für einen zweiseitigen t-Test für zwei Stichproben mit α = 0.05 und Cohens d = 0.5 brauchst du für 80% Teststärke 64 Teilnehmende pro Gruppe (128 insgesamt) und für 90% Teststärke 86 pro Gruppe. Bei einem kleinen Effekt (d = 0.2) steigt der Bedarf für 80% Teststärke auf 394 pro Gruppe.

Welche Effektstärke sollte ich eingeben?

Verwende den kleinsten Effekt, der in der Praxis relevant wäre, oder eine Schätzung aus Pilotdaten oder veröffentlichten Studien. Cohens Konventionen sind d = 0.2, 0.5 und 0.8 für kleine, mittlere und große Mittelwertunterschiede und ρ = 0.1, 0.3 und 0.5 für Korrelationen. Verwende keinen überhöhten Effekt aus einer einzelnen kleinen Studie.

Wie wird die Teststärke eines t-Tests berechnet?

Der Rechner nutzt die nichtzentrale t-Verteilung. Mit df = n − 1 (eine Stichprobe) oder n₁ + n₂ − 2 (zwei Stichproben) und dem Nichtzentralitätsparameter δ = d·√n bzw. δ = d / √(1/n₁ + 1/n₂) ist die Teststärke die Wahrscheinlichkeit, dass eine nichtzentral t-verteilte Variable den kritischen t-Wert überschreitet. Das entspricht G*Power und ähnlicher Software.

Braucht ein einseitiger Test weniger Teilnehmende?

Ja, weil das gesamte α in einem Ende der Verteilung liegt und der kritische Wert daher kleiner ist. Verwende einen einseitigen Test nur, wenn ein Effekt in die andere Richtung tatsächlich genauso behandelt würde wie kein Effekt, und entscheide das, bevor du die Daten siehst.

Warum brauchen ungleiche Gruppen mehr Teilnehmende?

Bei fester Gesamtzahl ist der Standardfehler einer Differenz am kleinsten, wenn die Gruppen gleich groß sind. Bei einem Verhältnis von 2:1 brauchst du insgesamt etwa 12% mehr Teilnehmende für dieselbe Teststärke, und der Nachteil wächst bei unausgewogeneren Designs schnell.

Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?

Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.

Ähnliche Tools

Alle Statistik- & Wahrscheinlichkeitsrechner ansehen →