Kontingenztabellen-Rechner

Kontingenztabellen-Rechner

Der Kontingenztabellen-Rechner führt den Chi-Quadrat-Unabhängigkeitstest an jeder R×C-Kontingenztabelle (Kreuztabelle) durch. Geben Sie Ihre beobachteten Häufigkeiten ein, um zu testen, ob zwei kategoriale Variablen statistisch assoziiert sind. Erhalten Sie detaillierte Ergebnisse, einschließlich erwarteter Häufigkeiten, adjustierter standardisierter Residuen, Cramer's V Effektstärke, Analyse der Zellenbeiträge, interaktiver Mosaik-Diagramme, Residuen-Heatmaps, Kurven der Chi-Quadrat-Verteilung und einer vollständigen Schritt-für-Schritt-Lösung.

So verwenden Sie den Kontingenztabellen-Rechner

1. Tabellendimensionen festlegen — Wählen Sie die Anzahl der Zeilen und Spalten für Ihre Kontingenztabelle. Standardmäßig ist eine 2×2-Tabelle eingestellt, aber Sie können über die Dropdown-Menüs Tabellen bis zu 10×10 analysieren.
2. Beobachtete Häufigkeiten eingeben — Geben Sie die beobachtete Anzahl für jede Zelle direkt in das interaktive Raster ein. Alternativ können Sie in den Modus "Text-Eingabe" wechseln, um durch Tabulatoren oder Kommas getrennte Daten einzufügen. Alle Werte müssen nicht-negative ganze Zahlen sein.
3. Beschriftungen hinzufügen (optional) — Geben Sie Zeilen- und Spaltenkategorien durch Kommas getrennt ein. Beschriftungen machen die Ergebnistabellen und Diagramme leichter interpretierbar. Zum Beispiel "Männlich, Weiblich" für die Zeilen und "Ja, Nein" für die Spalten.
4. Signifikanzniveau festlegen — Wählen Sie Ihr gewünschtes α-Niveau. Die am häufigsten gewählte Einstellung ist 0,05 (95 % Konfidenz). Kleinere α-Werte (0,01, 0,001) erfordern stärkere Belege, um Signifikanz festzustellen.
5. Ergebnisse analysieren — Klicken Sie auf "Kontingenztabelle analysieren", um die Chi-Quadrat-Statistik, den p-Wert, die Maße der Effektstärke, Visualisierungen und die Schritt-für-Schritt-Lösung zu sehen.

Was ist eine Kontingenztabelle?

Eine Kontingenztabelle (auch Kreuztabelle oder Zwei-Wege-Häufigkeitstabelle genannt) zeigt die gemeinsame Häufigkeitsverteilung von zwei kategorialen Variablen an. Jede Zeile repräsentiert eine Kategorie der ersten Variable, jede Spalte eine Kategorie der zweiten Variable, und jede Zelle enthält die Anzahl der Beobachtungen, die in diese spezifische Kombination fallen. Kontingenztabellen sind die Grundlage für viele Methoden der kategorialen Datenanalyse, einschließlich des Chi-Quadrat-Tests, des exakten Tests nach Fisher und log-linearer Modelle.

Der Chi-Quadrat-Unabhängigkeitstest

Der Chi-Quadrat-Test (χ²) auf Unabhängigkeit bestimmt, ob ein statistisch signifikanter Zusammenhang zwischen zwei kategorialen Variablen besteht. Er funktioniert durch den Vergleich der beobachteten Zellenhäufigkeiten mit den Häufigkeiten, die zu erwarten wären, wenn die Variablen unabhängig voneinander wären.

Wobei Oᵢⱼ die beobachtete Häufigkeit in der Zelle (i,j) ist und Eᵢⱼ die erwartete Häufigkeit, die wie folgt berechnet wird:

Die Freiheitsgrade für den Test sind (r − 1) × (c − 1), wobei r die Anzahl der Zeilen und c die Anzahl der Spalten ist. Ein größerer χ²-Wert deutet auf eine größere Diskrepanz zwischen beobachteten und erwarteten Häufigkeiten hin, was darauf hindeutet, dass die Variablen assoziiert sind.

Cramer's V — Messung der Effektstärke

Während der p-Wert angibt, ob ein Zusammenhang besteht, gibt Cramer's V an, wie stark dieser ist. Cramer's V reicht von 0 (kein Zusammenhang) bis 1 (perfekter Zusammenhang) und wird wie folgt berechnet:

Wobei N die Gesamtstichprobengröße und k das Minimum der Anzahl der Zeilen oder Spalten ist. Die Interpretation von Cramer's V hängt von den Freiheitsgraden ab:

*df* bezieht sich auf min(Zeilen, Spalten) − 1

Standardisierte Residuen verstehen

Adjustierte standardisierte Residuen geben Aufschluss darüber, welche spezifischen Zellen am meisten zu einem signifikanten Chi-Quadrat-Ergebnis beitragen. Ein Residuum von +2,5 in einer Zelle bedeutet, dass diese Zelle 2,5 Standardabweichungen mehr Beobachtungen aufweist als unter der Unabhängigkeitsannahme erwartet. Wichtige Schwellenwerte sind:

• |r| > 1,96 — signifikant verschieden von der Erwartung (p < 0,05)
• |r| > 2,58 — hochsignifikant verschieden von der Erwartung (p < 0,01)
• Positives Residuum — mehr Beobachtungen als erwartet in dieser Zelle
• Negatives Residuum — weniger Beobachtungen als erwartet in dieser Zelle

Wann der Chi-Quadrat-Test verwendet werden sollte

• Kategoriale Daten — beide Variablen müssen kategorial sein (nominal oder ordinal)
• Unabhängige Beobachtungen — jede Beobachtung darf nur einmal gezählt werden
• Angemessene Stichprobengröße — mindestens 80 % der erwarteten Häufigkeiten sollten ≥ 5 sein, und keine erwartete Häufigkeit sollte unter 1 liegen
• Zufallsstichprobe — die Beobachtungen sollten aus einer Zufallsstichprobe der Grundgesamtheit stammen

Wenn die erwarteten Häufigkeiten zu niedrig sind, sollten Sie in Erwägung ziehen, Kategorien zusammenzufassen, den exakten Test nach Fisher (für 2×2-Tabellen) oder exakte Tests bzw. Monte-Carlo-Simulationen für größere Tabellen zu verwenden.

Chi-Quadrat-Test vs. Exakter Test nach Fisher

• Der Chi-Quadrat-Test verwendet eine Näherung für große Stichproben; Fishers Test berechnet exakte Wahrscheinlichkeiten
• Fishers Test wird für 2×2-Tabellen mit kleinen erwarteten Häufigkeiten (< 5) bevorzugt
• Der Chi-Quadrat-Test lässt sich natürlich auf R×C-Tabellen jeder Größe verallgemeinern
• Bei großen Stichproben liefern beide Tests sehr ähnliche Ergebnisse

FAQ

Was ist eine Kontingenztabelle?

Eine Kontingenztabelle (auch Kreuztabelle genannt) ist eine Tabelle, die die Häufigkeitsverteilung von zwei oder mehr kategorialen Variablen anzeigt. Jede Zelle zeigt die Anzahl der Beobachtungen, die in eine bestimmte Kombination von Kategorien fallen. Sie ist die Grundlage für den Test, ob die Variablen unabhängig oder assoziiert sind, unter Verwendung des Chi-Quadrat-Tests.

Was ist der Chi-Quadrat-Unabhängigkeitstest?

Der Chi-Quadrat-Unabhängigkeitstest bestimmt, ob ein statistisch signifikanter Zusammenhang zwischen zwei kategorialen Variablen in einer Kontingenztabelle besteht. Er vergleicht beobachtete Zellenhäufigkeiten mit erwarteten Häufigkeiten, die unter der Annahme berechnet werden, dass die Variablen unabhängig sind. Ein hoher Chi-Quadrat-Wert im Verhältnis zu den Freiheitsgraden deutet darauf hin, dass die Variablen assoziiert sind.

Was ist Cramer's V und wie interpretiere ich es?

Cramer's V ist ein Maß für die Effektstärke des Chi-Quadrat-Tests und reicht von 0 (kein Zusammenhang) bis 1 (perfekter Zusammenhang). Für 2×2-Tabellen sind Werte unter 0,10 vernachlässigbar, 0,10–0,30 ein kleiner Effekt, 0,30–0,50 mittel und über 0,50 groß. Bei größeren Tabellen liegen die Schwellenwerte proportional niedriger. Im Gegensatz zum p-Wert misst Cramer's V die Stärke des Zusammenhangs, nicht nur, ob er statistisch existiert.

Was sind standardisierte Residuen in einer Kontingenztabelle?

Adjustierte standardisierte Residuen zeigen an, wie stark jede Zelle von dem abweicht, was unter Unabhängigkeit zu erwarten wäre. Werte größer als +1,96 oder kleiner als −1,96 deuten auf eine signifikante Abweichung auf dem 0,05-Niveau hin. Positive Residuen bedeuten mehr Beobachtungen als erwartet in dieser Zelle; negative Residuen bedeuten weniger. Sie helfen genau zu bestimmen, welche Zellkombinationen den Gesamtzusammenhang antreiben.

Wann sollte ich den Chi-Quadrat-Test nicht verwenden?

Der Chi-Quadrat-Test kann unzuverlässig sein, wenn die erwarteten Häufigkeiten sehr niedrig sind — insbesondere wenn mehr als 20 % der erwarteten Werte unter 5 liegen oder ein erwarteter Wert unter 1 liegt. Für 2×2-Tabellen mit kleinen Stichproben wird der exakte Test nach Fisher bevorzugt. Der Test erfordert außerdem unabhängige Beobachtungen und sollte daher nicht für gepaarte oder verbundene Daten oder Messwiederholungen verwendet werden.