Skip to main content
SpringerLink
Log in

Statistische Tests

  • Chapter
  • First Online:
Book cover Statistische Testverfahren, Signifikanz und p-Werte

Part of the book series: essentials ((ESSENT))

  • 8669 Accesses

Zusammenfassung

Einen statistischen Test durchzuführen ist technisch ohne großen Aufwand möglich. Es gibt genügend Statistik-Software, die uns automatisch Ergebnisse liefert. Die theoretischen Grundlagen muss man nicht (ganz) verstehen. Selbst händisch ist die Berechnung mühelos; man muss lediglich den Arbeitsschritten, die in Lehrbüchern zu finden sind, rezeptartig folgen. Mangelndes Verständnis kann jedoch dazu führen, dass Ergebnisse falsch interpretiert werden.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
eBook
USD 17.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 17.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Wir meiden jedoch diesen Begriff, da die Gefahr besteht, diesen mit Fishers Signifikanztest zu verwechseln. Fishers „tests of significance“ bauen auf einem anderen Inferenzverständnis auf als klassische Tests von Neyman und Pearson (siehe zum Beispiel Lehmann 2011). Stattdessen folgen wir Rüger (1996, 2002a, b) und sprechen von Niveau-α-Tests oder einfach von statistischen Tests.

Literatur

  • Beck-Bornholdt H-P, Dubben H-H (2001) Der Schein der Weisen. Hoffmann und Campe, Hamburg

    Google Scholar 

  • Bortz J, Lienert GA (2008) Verteilungsfreie Methoden in der Biostatistik. 3. Aufl. Springer, Heidelberg

    Google Scholar 

  • Bortz J, Schuster C (2010) Statistik für Human- und Sozialwissenschaftler. 7. Aufl. Springer, Heidelberg

    Book  Google Scholar 

  • Brigg WM (2012) It is time to stop teaching frequentism to non-statisticians. http://arxiv.org/abs/1201.2590. Zugegriffen am 05.01.2016

  • Caputo A, Graf E (2008) Planung einer klinischen Studie: Wie viele Patienten sind notwendig? In: Schumacher M, Schulgen G (Hrsg.) Methodik klinischer Studien. 3. Aufl. Springer, Heidelberg, 171–193

    Chapter  Google Scholar 

  • Cumming G (2006) Meta-Aalysis: Pictures that explain how experimental findings can be integrated. In: International conference on teaching statistics, ICOTS-7. https://www.stat.auckland.ac.nz/~iase/publications/17/C105.pdf. Zugegriffen am 29.08.2016

  • Fahrmeir L, Künstler R, Pigeot I, Tutz G (2011) Statistik. Der Weg zur Datenanalyse. 7. Aufl. Springer, Heidelberg

    Google Scholar 

  • Field A (2014) Discovering statistics using IBM SPSS STATISTICS, 4. Aufl. SAGE Publication

    Google Scholar 

  • Field A, Hole G (2003) How to design and report experiments. SAGE Publications, London

    Google Scholar 

  • Fisher RA (1935) The logic of inductive inference. J R Stat Soc 98:39–54

    Article  MATH  Google Scholar 

  • Frost I (2015) Statistik für Wirtschaftswissenschaftler. Grundlagen und praktische Anwendungen. 2. Aufl. expert verlag

    Google Scholar 

  • Gigerenzer G (2004) Mindless statistics. J Socio-Econ 33:587–606

    Article  Google Scholar 

  • Gornick L, Smith W (2005) The cartoon guide to statistics. HarperCollins, New York

    Google Scholar 

  • Haller H, Krauss S (2002) Misinterpretations of significance: a problem students share with their teachers? Method Psychol Res Online 7(1). https://www.mpr-online.de. Zugegriffen am 09.12.2016

  • Hubbard R, Bayarri MJ (2003) Confusion over measures of evidence (p’s) versus errors (α’s) in classical statistical testing. Am Stat 57(3):171–182

    Article  MathSciNet  Google Scholar 

  • Levine TR, Weber, R, Hullet C, Hee SP, Massi Lindsey LL (2008) A critical assesment of null hypothesis significance testing in quantitative communication research. Hum Commun Res 34:171–187

    Article  Google Scholar 

  • Lehmann EL (1993) The Fisher, Neyman-Pearson theories of testing hypotheses: one theory or two? J Am Stat Assoc 88(424):242–1249

    Article  MathSciNet  MATH  Google Scholar 

  • Lehmann EL (2011) Fisher, Neyman, and the creation of classical statistics. Springer, New York

    Book  MATH  Google Scholar 

  • Lenhard J (2006) Models and statistical inference: the controversy between Fisher and Neyman-Pearson. Br J Philos Sci 57:69–91

    Article  MathSciNet  MATH  Google Scholar 

  • Louçã F (2008) Should the widest cleft in statistics – how and why Fisher opposed Neyman and Pearson. Working papers, school of economics and management. Technical University of Lisbon. http://pascal.iseg.utl.pt/~depeco/wp/wp022008.pdf. Zugegriffen am 20.01.2016

  • Meehl PE (1967) Theory-testing in psychology and physic: a methodological paradox. Philos Sci 34:103–115

    Article  Google Scholar 

  • Neyman J (1938) L’estimation statistique traitèe comme un probléme classique de probabilitè. Actualitès Scientifiques et Industrielles No. 739:25–57

    MATH  Google Scholar 

  • Neyman J (1961) Silver Jubilee of my dispute with fisher. J Oper Res Soc Jpn 3(4):145–154

    MathSciNet  Google Scholar 

  • Neyman J, Pearson ES (1933) On the problem of the most efficient tests of statistical hypotheses. Philos Trans R Soc Lond Ser A 231:289–337

    Article  MATH  Google Scholar 

  • Nickerson RS (2000) Null hypothesis significance testing: a review of an old and continuing controversy. Psychol Methods 5(2):241–301

    Article  Google Scholar 

  • Rosnow RL, Rosenthal R (1989) Statistical procedures and the justification of knowledge in psychological science. Am Psychol 44(10):1276–1284

    Article  Google Scholar 

  • Rozeboom WW (1960) The fallacy of the null-hypothesis significance test. Psychol Bull 57:416–428

    Article  Google Scholar 

  • Rüger B (1996) Induktive Statistik. 3. Aufl. Oldenbourg

    Google Scholar 

  • Rüger B (2002a) Test- und Schätztheorie Band I: Grundlagen. Oldenbourg

    Book  Google Scholar 

  • Rüger B (2002b) Test- und Schätztheorie Band II: Statistische Tests. Oldenbourg

    Book  Google Scholar 

  • Schwarzer G, Timmer A, Galandi D, Antes G, Schumacher M (2008) Meta-Analyse ran- domisierter klinischer Studien, Publikationsbias und evidenzbasierte Medizin. In: Schumacher M, Schulgen G (Hrsg) Methodik klinischer Studien. 3. Aufl. Springer, Heidelberg, 129–160

    Chapter  Google Scholar 

  • Steering committee of the physicians’ health study research group (1989) Final report on the aspirin component of the ongoing physicians’ health 31 study. N Engl J Med 321: 129–135

    Article  Google Scholar 

  • Tukey JW (1977) Exploratory data analysis. Addison-Wesley, Reading

    MATH  Google Scholar 

  • Viechtbauer W (2010) Meta-Analyse. In: Holling H, Schmitz B (Hrsg) Handbuch Statistik, Methoden und Evaluation. Hogrefe, Göttingen, S 743–756

    Google Scholar 

  • Weihe W (2004) Von der Wahrscheinlichkeit des Irrtums. Deutsches Ärzteblatt, 101(13): A834–A838

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Hochschule Fresenius, München, Germany

    Irasianty Frost

Authors
  1. Irasianty Frost
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Irasianty Frost .

Rights and permissions

Reprints and permissions

Copyright information

© 2017 Springer Fachmedien Wiesbaden GmbH

About this chapter

Cite this chapter

Frost, I. (2017). Statistische Tests. In: Statistische Testverfahren, Signifikanz und p-Werte. essentials. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-16258-0_3

Download citation

Publish with us

Policies and ethics

Search

Navigation