Hypothesentests in der Statistik: Grundlagen und Fehler

Hypothesentests: Von der Philosophie zur Praxis

Hypothesentests in der Statistik basieren auf der klaren Trennung zwischen objektiver Realität und der Zufälligkeit von Daten. Eine Hypothese ist eine Aussage über eine Tatsache – entweder wahr oder falsch. Wahrscheinlichkeit kommt erst beim Datensammeln ins Spiel, das wir als zufällig annehmen.

Beispiel: Stellen Sie sich vor, Sie fragen sich in einem geschlossenen Raum: „Ist gerade Sommer?“ Die Testregeln werden im Voraus festgelegt. Kriterium: Schneefall widerlegt die Nullhypothese H0 „Es ist Sommer.“ Das birgt ein Risiko für einen Fehler der ersten Art (α) – das Falsch-Ablehnen einer wahren H0. Die α-Wahrscheinlichkeit wird vorab als Signifikanzniveau festgelegt.

Ein kritisches Ereignis ist unter einer wahren H0 unwahrscheinlich. Das Kriterium muss jedoch H0 von der Alternativhypothese H1 unterscheiden, den Fehler der zweiten Art (β) minimieren und die Teststärke (1-β) maximieren.

Fehler und Auswahl eines Tests

Das vollständige Motto: Lehnen Sie H0 ab, wenn das Ereignis unter H0 unwahrscheinlich, unter H1 aber wahrscheinlich ist. H0 genießt eine Unschuldsvermutung – sie wird nur bei starken Beweisen (niedriges α) verworfen.

Schlechte Kriterien:

• Ein seltener Vogel, der nur im Sommer auftaucht: Er würde eine falsche H0 nie widerlegen (β=1).
• Ein Komet: Ebenso wahrscheinlich jederzeit, unterscheidet keine Hypothesen.
• Enger Temperaturbereich von 26,0–26,1 °C: Unwahrscheinlich im Sommer, aber typisch dafür.

Ein gutes Kriterium (wie Schneefall) ist unter H0 unwahrscheinlich und unter H1 wahrscheinlich.

H1 kann eine einfache Negation (kein Sommer) oder spezifisch (Herbst/Frühling) sein. Die Wahl beeinflusst die Teststärke. In der Forschung ist H0 oft „kein Effekt“, da die Wissenschaft konservativ ist.

Planung von Experimenten

Hypothesentests sind ein Werkzeug für Entscheidungen unter Unsicherheit. Planen Sie die Stichprobengröße im Voraus, um α und β zu kontrollieren.

Schlüssel-Schritte des Algorithmus:

• Formulieren Sie H0 und H1.
• Wählen Sie α (Signifikanzniveau).
• Definieren Sie das kritische Ereignis, um β zu minimieren.
• Berechnen Sie die Teststärke.
• Bestimmen Sie die Stichprobengröße.
• Sammeln Sie Daten und wenden Sie den Test an.

Das wägt Fehler-Risiken gegen Entscheidungskosten ab.

Wichtige Erkenntnisse

• H0 ist geschützt: Wird nur durch ein unwahrscheinliches Ereignis verworfen (α vorab festgelegt).
• Teststärke: Wahrscheinlichkeit, eine falsche H0 zu erkennen (1-β).
• Zufälligkeit in den Daten: Hypothese ist deterministisch; Zufall liegt in der Stichprobe.
• Vorausschauend planen: Stichprobengröße und Test vor dem Experiment fixieren.
• Kontext zählt: α und H1 an das Problem anpassen.

Philosophische Perspektiven und Kritik

Der Neyman-Pearson-Ansatz geht von Zufälligkeit bei der Datenerhebung aus (wie Münzwürfe zur Überprüfung der Fairness). Kritiker bemängeln: Die Eigenschaften der Münze sind fix; Wahrscheinlichkeit liegt im Verfahren.

Alternativen wie bayessche Methoden bewerten Hypothesenwahrscheinlichkeiten direkt, doch der klassische Ansatz fokussiert auf Fehler. In IT und Data Science werden beide genutzt: Klassisch für A/B-Tests, bayessche für prioriengetriebene Modelle.

Für Entwickler: Im Machine Learning validieren Hypothesentests Modelle (H0: Modell nicht besser als Baseline). Führen Sie vor Experimenten eine Power-Analyse durch, um unterpowerten Stichproben vorzubeugen.

— Editorial Team