Gepaarter-t-Test-Rechner

Was ist ein gepaarter t-Test?

Der gepaarte t-Test (t-Test für abhängige Stichproben) vergleicht Mittelwerte von zwei zusammenhängenden Messungen an denselben Probanden.

Beantwortete Frage: "Gibt es eine signifikante Veränderung zwischen zwei Bedingungen bei denselben Probanden?"

Beispiele:

• Vorher vs. nachher Behandlung bei denselben Patienten
• Test vs. Wiederholungstest bei denselben Schülern
• Linkes Auge vs. rechtes Auge Messungen
• Montag vs. Freitag Leistung bei denselben Arbeitern

Warum "gepaart"?

Jede Beobachtung in einer Bedingung ist mit einer bestimmten Beobachtung in der anderen verknüpft:

Der Test analysiert die Differenzen, nicht die Rohwerte.

Die Hypothesen

Nullhypothese (H₀): μ_d = 0 (mittlere Differenz ist null)

Alternativhypothese (H₁):

• Zweiseitig: μ_d ≠ 0 (es gibt einen Unterschied)
• Rechtsseitig: μ_d > 0 (positive Veränderung)
• Linksseitig: μ_d < 0 (negative Veränderung)

Die Teststatistik

$t = \frac{\bar{d}}{s_d / \sqrt{n}}$

Wobei:

• $\bar{d}$ = Mittelwert der Differenzen
• $s_d$ = Standardabweichung der Differenzen
• $n$ = Anzahl der Paare

$df = n - 1$

Dies ist im Wesentlichen ein Einstichproben-t-Test auf die Differenzen.

Beispielrechnung

Szenario: Blutdruck vor und nach einer Entspannungsintervention.

Daten: 15 Patienten

Zusammenfassung: d̄ = -6,5, s_d = 4,2

Berechnung: t = -6,5 / (4,2 / √15) t = -6,5 / 1,08 t = -6,02

p-Wert: Für df = 14 (zweiseitig), p < 0,001

Schlussfolgerung: Der Blutdruck sank nach der Intervention signifikant.

Warum gepaarte Tests leistungsstärker sind

Gepaarte Designs kontrollieren individuelle Unterschiede:

Ungepaart: Variabilität zwischen Probanden verdeckt den Effekt Gepaart: Jeder Proband dient als eigene Kontrolle

Die Differenzwerte haben oft eine viel kleinere Varianz als die Rohwerte, wodurch echte Effekte leichter zu erkennen sind.

Anwendungen

Vorher-Nachher-Studien

Messung derselben Probanden vor und nach einer Intervention.

Crossover-Studien

Jeder Proband erhält beide Behandlungen (in verschiedenen Zeiträumen).

Gepaarte Stichproben

Paare, die nach Störvariablen gematcht sind (Zwillinge, gematchte Kontrollen).

Messwiederholungen

Dieselben Probanden werden unter verschiedenen Bedingungen gemessen.

Within-Subject-Experimente

Vergleich von Reaktionen auf verschiedene Reize innerhalb derselben Person.

Voraussetzungen

Gepaarte Beobachtungen

Jede Messung in einer Gruppe entspricht einer bestimmten Messung in der anderen.

Normalverteilung der Differenzen

Die Differenzen sollten annähernd normalverteilt sein, ODER n sollte groß sein (n > 30).

Prüfen Sie mit einem Histogramm oder QQ-Plot der Differenzen.

Unabhängigkeit der Paare

Verschiedene Paare sollten unabhängig sein (die Differenz eines Probanden sollte die eines anderen nicht beeinflussen).

Wann man keinen gepaarten t-Test verwenden sollte

Verschiedene Probanden in jeder Gruppe: Verwenden Sie den Zweistichproben-t-Test.

Mehr als zwei Bedingungen: Verwenden Sie die Varianzanalyse mit Messwiederholung.

Nicht-normalverteilte Differenzen bei kleinem n: Verwenden Sie den Wilcoxon-Vorzeichen-Rang-Test.

Effektgröße: Cohens d

Für gepaarte Daten:

$d = \frac{\bar{d}}{s_d}$

Im Beispiel: d = -6,5 / 4,2 = -1,55 (großer Effekt)

Konfidenzintervall für die mittlere Differenz

$CI = \bar{d} \pm t^* \times \frac{s_d}{\sqrt{n}}$

95%-KI im Beispiel: -6,5 ± 2,14 × 1,08 = (-8,8; -4,2)

Das Intervall schließt 0 aus, was die signifikante Abnahme bestätigt.

Übertragungseffekte

Bei Crossover-Designs ist die Reihenfolge wichtig. Wenn Behandlung A die Reaktion auf Behandlung B beeinflusst:

• Auswaschphasen einplanen
• Reihenfolge randomisieren
• Auf Übertragungseffekte testen
• Stattdessen paralleles Design in Betracht ziehen

Gepaart vs. Unabhängig: Wichtige Unterschiede

Häufige Fehler

Verwendung des unabhängigen Tests für gepaarte Daten

Das Ignorieren der Paarung verschwendet Information und reduziert die Teststärke.

Ignorieren von Übertragungseffekten bei Crossover

Behandlungsreihenfolge-Effekte können Ergebnisse verzerren.

Annahme der Normalverteilung der Rohwerte

Was zählt, ist die Normalverteilung der Differenzen, nicht der ursprünglichen Messungen.

Ergebnisse berichten

APA-Format:

"Ein gepaarter t-Test zeigte eine signifikante Abnahme des Blutdrucks nach der Intervention, t(14) = -6,02, p < ,001, d = -1,55. Der mittlere Blutdruck sank um 6,5 mmHg (SD = 4,2)."

Verwandte Berechnungen

• Zweistichproben-t-Test — Unabhängige Gruppen
• Einstichproben-t-Test — Vergleich mit einem Wert
• Wilcoxon-Vorzeichen-Rang-Test — Nichtparametrisch gepaart
• Varianzanalyse mit Messwiederholung — Mehr als zwei Bedingungen
• KI für Differenz der Mittelwerte — Intervallschätzung

Zusammenfassung

Der gepaarte t-Test vergleicht zwei zusammenhängende Messungen an denselben Probanden, indem er die Differenzen analysiert. Dieses Design kontrolliert die individuelle Variabilität und erhöht die Teststärke zur Erkennung von Effekten. Der Test entspricht einem Einstichproben-t-Test auf die Differenzen und prüft, ob die mittlere Differenz null ist. Zu den Voraussetzungen gehören die Normalverteilung der Differenzen (nicht der Rohwerte) und die Unabhängigkeit der Paare. Berichten Sie die mittlere Differenz, die Standardabweichung der Differenzen, die t-Statistik, den p-Wert und die Effektgröße für eine vollständige Interpretation.