tools / statistik_im_browser
Statistik-Tools: einfügen, klicken, verstehen.
Daten einfügen, Ergebnis verstehen: t-Test, Poweranalyse, Gruppenvergleich mit Boxplot & ANOVA und lineare Regression – berechnet mit denselben Verfahren wie R, direkt in Ihrem Browser. Ihre Daten werden nirgendwohin übertragen. Ergebnisse lassen sich per Klick im APA-Format kopieren.
tool_01 / t_test
t-Test: Unterscheiden sich zwei Gruppen?
Beispiel: Eine Abteilung wurde geschult, eine nicht – unterscheiden sich die Zufriedenheitswerte wirklich, oder könnte der Unterschied Zufall sein? Genau das beantwortet der t-Test.
Wie gebe ich meine Daten ein?
Kopieren Sie je Gruppe eine Werte-Spalte aus Excel oder LimeSurvey und fügen Sie sie in das Feld ein – ein Wert pro Zeile. Auch Trennung per Komma, Semikolon oder Leerzeichen funktioniert; deutsche Dezimalkommas (z. B. „4,2“) werden erkannt.
Unabhängig oder gepaart – was wähle ich?
Unabhängige Gruppen (Welch): verschiedene Personen in Gruppe A und B (z. B. geschult vs. nicht geschult). Die Gruppen dürfen unterschiedlich groß sein.
Gepaart: dieselben Personen wurden zweimal gemessen (z. B. vorher/nachher). Zeile 1 in beiden Feldern muss zur selben Person gehören.
Gut zu wissen: Ein t-Test setzt näherungsweise normalverteilte Werte voraus und reagiert empfindlich auf Ausreißer; bei kleinen oder schiefen Stichproben ist er nur ein grober Anhaltspunkt. Die Tools ersetzen keine statistische Beratung: Sie prüfen z. B. nicht, ob das Verfahren für Ihre Fragestellung überhaupt geeignet ist. Im Zweifel fragen Sie mich – ein kurzes Kennenlerngespräch ist kostenfrei.
Ergebnis im APA-Format:
Berechnung: Welch-Zweistichproben-t-Test bzw. gepaarter t-Test, zweiseitig, wie t.test() in R; Effektstärke Cohen's d; Fehlerbalken im Diagramm zeigen 95%-Konfidenzintervalle.
tool_02 / poweranalyse
Poweranalyse: Wie viele Probanden brauche ich?
Vor jeder Studie steht die Frage nach der Fallzahl: zu wenige Teilnehmende, und selbst ein echter Effekt bleibt unentdeckt; zu viele, und Sie verschwenden Zeit und Budget (und mögliche Ethik-Auflagen). Dieses Tool berechnet die nötige Stichprobengröße für einen t-Test.
Was ist die Effektstärke d – und welche wähle ich?
Cohen's d beschreibt, wie groß der erwartete Unterschied im Verhältnis zur Streuung ist. Faustregeln nach Cohen: d = 0,2 klein, d = 0,5 mittel, d = 0,8 groß. Ohne Vorwissen ist d = 0,5 eine gängige, aber optimistische Annahme – planen Sie im Zweifel für einen kleineren Effekt.
Was bedeuten α und Power?
α (Signifikanzniveau): das akzeptierte Risiko, einen Unterschied zu „finden“, der gar nicht existiert – üblich sind 5 % (0,05).
Power: die Chance, einen tatsächlich vorhandenen Effekt auch zu entdecken – üblich sind 80 % (0,80), in der Forschung zunehmend 90 %.
Die Kurve zeigt, wie stark die benötigte Gesamt-Stichprobe wächst, wenn der erwartete Effekt kleiner wird – der grüne Punkt markiert Ihre Eingabe. Berechnung analog pwr.t.test() in R (zweiseitig); für andere Designs (ANOVA, Korrelationen, Messwiederholung) sprechen Sie mich an.
Zusammenfassung zum Kopieren:
Gut zu wissen: Die nötige Stichprobe hängt stark von der angenommenen Effektstärke ab – schätzen Sie diese zu optimistisch, ist die Studie schnell unterpowert. Die Tools ersetzen keine statistische Beratung: Sie prüfen z. B. nicht, ob das Verfahren für Ihre Fragestellung überhaupt geeignet ist. Im Zweifel fragen Sie mich – ein kurzes Kennenlerngespräch ist kostenfrei.
Weitere Testverfahren, andere Effektmaße und exakte statt genäherter Fallzahlen. Kostenlos von der Universität Düsseldorf.
G*Power herunterladen →tool_03 / gruppen_beschreiben
Gruppen beschreiben & vergleichen (Boxplot + ANOVA)
Sie haben Messwerte aus mehreren Gruppen – etwa Standorten, Abteilungen oder Jahrgängen – und wollen sie sehen und vergleichen? Laden Sie hier bis zu sechs Gruppen hoch. Sie erhalten Kennwerte, einen Boxplot mit allen Einzeldatenpunkten und ab zwei Gruppen automatisch den statistischen Vergleich (einfaktorielle ANOVA).
Wie lese ich einen Boxplot?
Die Box umfasst die mittleren 50 % der Werte: ihre Unterkante ist das untere Quartil (25 % der Werte liegen darunter), die Oberkante das obere Quartil (75 % darunter). Der dicke Strich ist der Median – die Hälfte aller Werte liegt darüber, die Hälfte darunter. Die „Antennen“ reichen bis zum letzten Wert innerhalb der 1,5-fachen Boxhöhe; was darüber hinausgeht, gilt als Ausreißer. Jeder Punkt ist eine echte Beobachtung. Die schwarze Raute markiert den Mittelwert, der Strich durch sie ± 1 Standardabweichung.
Median und Mittelwert weit auseinander? Dann ist die Verteilung schief – meist ziehen einzelne große Werte den Mittelwert nach oben.
Was macht die ANOVA?
Die einfaktorielle Varianzanalyse (ANOVA) prüft, ob sich die Mittelwerte von zwei oder mehr Gruppen stärker unterscheiden, als es der Zufall erklären würde. Bei genau zwei Gruppen entspricht sie dem t-Test. Sie sagt nur, dass es Unterschiede gibt – welche Gruppen sich unterscheiden, zeigt der Boxplot bzw. ein anschließender Paarvergleich.
Gut zu wissen: Die ANOVA sagt nur, dass sich irgendwo Gruppen unterscheiden – welche, klärt erst ein Post-hoc-Test; außerdem sollten die Streuungen der Gruppen ähnlich sein. Die Tools ersetzen keine statistische Beratung: Sie prüfen z. B. nicht, ob das Verfahren für Ihre Fragestellung überhaupt geeignet ist. Im Zweifel fragen Sie mich – ein kurzes Kennenlerngespräch ist kostenfrei.
Ergebnis im APA-Format:
Berechnung: Quartile wie in R (Typ 7), Whisker bis 1,5 × IQR; einfaktorielle ANOVA mit η² als Effektstärke.
tool_04 / lineare_regression
Lineare Regression: Hängen zwei Größen zusammen?
Beispiel: Steigt die Sicherheit im Umgang mit einem Tool mit der Zahl der Schulungsstunden? Fügen Sie zusammengehörige Wertepaare ein – Zeile 1 links gehört zu Zeile 1 rechts. Sie erhalten die Regressionsgerade im Streudiagramm, die Gleichung und eine verständliche Einordnung.
Was bedeuten b, R² und p?
b (Steigung): um wie viel sich y im Schnitt ändert, wenn x um 1 steigt. R²: welcher Anteil der Unterschiede in y durch x „erklärt“ wird (0–100 %). p: ob der Zusammenhang über den Zufall hinausgeht. Und immer daran denken: Zusammenhang ist nicht Ursache – Eisverkauf und Sonnenbrände hängen auch zusammen.
Gut zu wissen: Die Regression unterstellt einen linearen Zusammenhang – und ein Zusammenhang ist nie ein Beweis für Ursache und Wirkung. Die Tools ersetzen keine statistische Beratung: Sie prüfen z. B. nicht, ob das Verfahren für Ihre Fragestellung überhaupt geeignet ist. Im Zweifel fragen Sie mich – ein kurzes Kennenlerngespräch ist kostenfrei.
Ergebnis im APA-Format:
Berechnung: einfache lineare Regression (Kleinste Quadrate) wie lm(y ~ x) in R, zweiseitiger Test der Steigung.
mehr_als_tools
Ihre Analyse ist komplexer?
Diese Tools decken die einfachsten Fälle ab. Für alles darüber hinaus – vom Studiendesign über die passende Methodenwahl bis zum automatisierten Ergebnisbericht – bin ich als Wissenschaftler sowie Excel- und R-Markdown-Trainer für Sie da.
Anfrage senden