Chi-Quadrat-Test: berechnen, interpretieren und verstehen

Was ist der Chi-Quadrat-Test?

Der Chi-Quadrat-Test ist ein Verfahren für kategoriale Daten. Er vergleicht die beobachteten Häufigkeiten (O) mit den erwarteten Häufigkeiten (E) und prüft, ob die Abweichung zufällig ist oder auf einen echten Zusammenhang hindeutet.

Die Daten werden in einer Kreuztabelle, auch Kontingenztafel genannt, dargestellt. Je größer die Abweichung zwischen O und E, desto größer der Chi-Quadrat-Wert und desto wahrscheinlicher ein Zusammenhang.

Entwickelt wurde der Test 1900 von Karl Pearson. Besonders in sozialwissenschaftlichen Arbeiten ist er verbreitet; ein Ghostwriter Sozialwissenschaften setzt ihn regelmäßig zur Auswertung von Befragungen ein.

Arten des Chi-Quadrat-Tests

Es gibt drei zentrale Arten des Chi-Quadrat-Tests. Welche du brauchst, hängt von deiner Fragestellung und deinem Datendesign ab.

Am häufigsten ist der Chi-Quadrat-Unabhängigkeitstest. Der Anpassungstest und der Homogenitätstest folgen derselben Rechenlogik, beantworten aber andere Fragen.

Hypothesen beim Chi-Quadrat-Test

Jeder Chi-Quadrat-Test beginnt mit zwei Hypothesen. Die Nullhypothese (H0) besagt, dass kein Zusammenhang besteht – die Variablen sind unabhängig (O = E). Die Alternativhypothese (H1) behauptet einen Zusammenhang (O ≠ E).

Die Hypothesen leitest du aus deiner Theorie und der vorherigen Literaturrecherche ab. So stellst du sicher, dass der Test wirklich deine Forschungsfrage beantwortet.

Chi-Quadrat-Test Formel

Die Formel summiert für jede Zelle die quadrierte Abweichung zwischen O und E, geteilt durch E. Du musst sie nicht von Hand rechnen, aber das Verständnis erleichtert die Interpretation.

χ² = Σ ( (O − E)² / E )

Die erwartete Häufigkeit je Zelle ergibt sich aus den Randsummen:

E = ( Zeilensumme · Spaltensumme ) / N

Die Freiheitsgrade bestimmst du über die Tabellengröße:

df = ( Zeilen − 1 ) · ( Spalten − 1 )    |    Anpassungstest: df = k − 1

• O = beobachtete Häufigkeit, E = erwartete Häufigkeit

• N = Gesamtzahl der Beobachtungen, k = Anzahl der Kategorien

Beispiel – Chi-Quadrat-Test Schritt für Schritt

Ein durchgerechnetes Beispiel macht das Verfahren greifbar. Untersucht wird, ob das Geschlecht mit einer Kaufentscheidung zusammenhängt. Befragt werden 200 Personen.

Zuerst die beobachteten Häufigkeiten in der Kreuztabelle:

Nun rechnen wir Schritt für Schritt:

1. Erwartete Häufigkeiten je Zelle berechnen: E = Zeilensumme × Spaltensumme / N (hier z. B. 100 × 110 / 200 = 55).

2. Pro Zelle (O − E)² / E bestimmen und alle Werte aufsummieren.

3. Freiheitsgrade ermitteln: df = (2 − 1) × (2 − 1) = 1.

4. Den χ²-Wert mit dem kritischen Wert bzw. dem p-Wert vergleichen und entscheiden.

Das Ergebnis: χ² = 18,18 bei df = 1. Da der Wert deutlich über dem kritischen Wert von 3,84 liegt, wird die Nullhypothese verworfen. Es besteht ein signifikanter Zusammenhang zwischen Geschlecht und Kaufentscheidung.

Merke: Je größer die Abweichung zwischen beobachteten und erwarteten Häufigkeiten ist, desto höher fällt der χ²-Wert aus. Erst der Vergleich mit dem kritischen Wert oder dem p-Wert entscheidet jedoch über die Signifikanz.

Chi-Quadrat-Test in R berechnen

Der Chi-Quadrat-Test R ist mit wenigen Zeilen erledigt. Für den Unabhängigkeitstest genügt die Funktion chisq.test() auf einer Kreuztabelle.

chisq.test(table(daten$x, daten$y))

# Anpassungstest
chisq.test(beobachtet, p = erwartete_anteile)

# Effektstärke
rcompanion::cramerV(table(daten$x, daten$y))

Bei kleinen Häufigkeiten verwendest du fisher.test() statt chisq.test(). Die Effektstärke liefern rcompanion oder vcd::assocstats().

Chi-Quadrat-Test in Excel berechnen

Der Chi-Quadrat-Test Excel eignet sich für einfache Fälle. Die Funktion CHIQU.TEST (früher CHITEST) gibt direkt den p-Wert zurück und vergleicht beobachtete mit erwarteten Häufigkeiten.

Die erwarteten Häufigkeiten berechnest du zuvor selbst über die Zeilen- und Spaltensummen. Den kritischen Wert lieferst du dir mit CHIQU.INV.RE.

Chi-Quadrat-Test richtig berichten (APA)

Im APA-Stil berichtest du den Chi-Quadrat-Test im Format χ²(df, N = n) = Wert, p = … – zum Beispiel χ²(1, N = 200) = 18,18; p < ,001. Ergänze immer die Effektstärke, etwa Cramérs V = ,30.

Der Test gehört in den Methodik- und Ergebnisteil. Wie du diesen Abschnitt sauber aufbaust, zeigt der Leitfaden zur Methodik Hausarbeit, in dem auch die Kreuztabelle mit den beobachteten Häufigkeiten erscheint.

Die inhaltliche Bedeutung ordnest du später ein. Beim Fazit schreiben verknüpfst du das statistische Ergebnis mit deiner Forschungsfrage.

Gerade in einer umfangreichen Bachelorarbeit schreiben lassen sorgt eine vollständige Berichterstattung für Nachvollziehbarkeit und Transparenz.

Häufige Fehler beim Chi-Quadrat-Test

Die meisten Fehler entstehen nicht beim Rechnen, sondern bei den Daten und Voraussetzungen. Diese Stolpersteine tauchen besonders oft auf.

• Erwartete Häufigkeiten unter 5 ignoriert, statt den Fisher-Test zu nutzen.
• Metrische Variablen verwendet, obwohl Chi-Quadrat nur für kategoriale Daten gilt.
• Abhängige oder gepaarte Daten mit Chi-Quadrat statt McNemar getestet.
• Die Effektstärke vergessen und nur die Signifikanz berichtet.
• Prozentwerte statt absoluter Häufigkeiten eingegeben.

Der Chi-Quadrat-Test eignet sich, um Zusammenhänge zwischen kategorialen Variablen oder Abweichungen von einer erwarteten Verteilung zu untersuchen. Für ein aussagekräftiges Ergebnis müssen die erwarteten Häufigkeiten und die Unabhängigkeit der Beobachtungen geprüft werden. Neben dem p-Wert sollte immer eine Effektstärke wie Cramérs V angegeben werden. Bei kleinen Stichproben sind der Fisher-Test oder die Yates-Korrektur geeignete Alternativen.