Levene-Test-Rechner

Verwenden Sie den Levene-Test, um zu prüfen, ob verschiedene Gruppen in Ihren Daten ähnliche Variabilität aufweisen, bevor Sie eine ANOVA oder t-Tests durchführen. Viele statistische Tests setzen gleiche Varianzen zwischen den Gruppen voraus – wenn diese nicht gegeben sind, können Ihre Ergebnisse unzuverlässig sein. Dieser Test hilft Ihnen zu entscheiden, ob Sie mit der Standardanalyse fortfahren oder Alternativen für ungleiche Varianzen verwenden sollten, wie den Welch-Test.

Was ist der Levene-Test?

Der Levene-Test prüft, ob zwei oder mehr Gruppen gleiche Varianzen haben (Varianzhomogenität oder Homoskedastizität). Er ist eine Voraussetzungsprüfung für viele statistische Verfahren.

Beantwortete Frage: „Haben diese Gruppen signifikant unterschiedliche Varianzen?"

Nullhypothese: Alle Gruppen haben gleiche Varianzen ($\sigma_1^2 = \sigma_2^2 = \cdots = \sigma_k^2$) Alternativhypothese: Mindestens eine Gruppe hat eine unterschiedliche Varianz.

Warum auf gleiche Varianzen testen?

Viele statistische Tests setzen gleiche Varianzen zwischen den Gruppen voraus:

Die Verletzung dieser Annahme kann führen zu:

• Erhöhten Typ-I-Fehlerraten
• Reduzierter statistischer Power
• Falschen Konfidenzintervallen

Funktionsweise

Der Levene-Ansatz

Anstatt Varianzen direkt zu testen (was Normalverteilung erfordert), wandelt der Levene-Test das Problem in eine ANOVA auf transformierten Daten um.

Schritt 1: Berechnung der Abweichungen vom Gruppenzentrum

$Z_{ij} = |X_{ij} - \bar{X}_i|$

Wobei $\bar{X}_i$ der Gruppenmittelwert (oder Median oder getrimmter Mittelwert) ist.

Schritt 2: Durchführung einer einfaktoriellen ANOVA auf den $Z$-Werten

Wenn die Gruppen gleiche Varianzen haben, sollten diese Abweichungen gleiche Mittelwerte haben.

Teststatistik

$W = \frac{(N-k)}{(k-1)} \cdot \frac{\sum_{i=1}^{k} n_i(\bar{Z}_i - \bar{Z})^2}{\sum_{i=1}^{k}\sum_{j=1}^{n_i}(Z_{ij} - \bar{Z}_i)^2}$

Diese folgt einer F-Verteilung mit $(k-1, N-k)$ Freiheitsgraden.

Varianten des Levene-Tests

Mittelwertbasiert (Originaler Levene)

Verwendet Abweichungen von Gruppenmittelwerten:

$Z_{ij} = |X_{ij} - \bar{X}_i|$

Geeignet für symmetrische Verteilungen.

Medianbasiert (Brown-Forsythe)

Verwendet Abweichungen von Gruppenmediane:

$Z_{ij} = |X_{ij} - \tilde{X}_i|$

Robuster gegenüber Nicht-Normalität und Ausreißern. Am häufigsten empfohlen.

Getrimmter Mittelwert

Verwendet Abweichungen von 10% getrimmten Mittelwerten.

Kompromiss zwischen Mittelwert- und Median-Ansatz.

Beispielrechnung

Daten:

Schritt 1: Berechnung der Gruppenmediane

• Median A = 24
• Median B = 32
• Median C = 46,5

Schritt 2: Berechnung der absoluten Abweichungen von den Medianen

Schritt 3: Durchführung einer ANOVA auf diesen Abweichungen

Mittlere Abweichungen: A = 1,75, B = 2,0, C = 2,5 Gesamtmittelwert = 2,08

Schritt 4: Berechnung der F-Statistik und des p-Werts

$F = 0,47$, $p = 0,64$

Schlussfolgerung: Kein Hinweis auf ungleiche Varianzen ($p = 0,64$).

Interpretation

Nicht-signifikantes Ergebnis (p ≥ 0,05)

Die Annahme gleicher Varianzen ist vertretbar. Fahren Sie fort mit:

• Gepooltem t-Test
• Standard-ANOVA
• Traditionellen Post-hoc-Tests

Signifikantes Ergebnis (p < 0,05)

Hinweis auf ungleiche Varianzen. Erwägen Sie:

• Welch-t-Test (für zwei Gruppen)
• Welch-ANOVA (für mehrere Gruppen)
• Games-Howell-Post-hoc-Test
• Datentransformation

Überlegungen zur Stichprobengröße

Kleine Stichproben

• Geringe Power zur Erkennung von Varianzunterschieden
• Nicht-signifikante Ergebnisse bedeuten nicht unbedingt gleiche Varianzen
• Erwägen Sie ohnehin robuste Alternativen

Große Stichproben

• Hohe Power – kann triviale Unterschiede erkennen
• Berücksichtigen Sie das Varianzverhältnis, nicht nur den p-Wert
• Praktische Signifikanz: Varianzverhältnis > 2 oder 3 ist bedenklich

Faustregeln

Auch ohne formale Tests:

Bei gleichen Stichprobengrößen ist die ANOVA robust gegenüber moderater Varianzheterogenität.

Was tun bei ungleichen Varianzen?

Für zwei Gruppen

Verwenden Sie den Welch-t-Test, der keine gleichen Varianzen voraussetzt.

Für mehrere Gruppen

Verwenden Sie die Welch-ANOVA oder die Brown-Forsythe-ANOVA, die die Freiheitsgrade für ungleiche Varianzen anpassen.

Post-hoc-Vergleiche

Verwenden Sie den Games-Howell-Test anstelle von Tukey HSD.

Datentransformation

Logarithmische oder Quadratwurzel-Transformationen können Varianzen stabilisieren.

Nicht-parametrische Alternativen

Kruskal-Wallis- oder Mann-Whitney-Tests sind weniger empfindlich gegenüber Varianzunterschieden.

Vergleich mit anderen Tests

Bartlett-Test

Leistungsstärker bei normalverteilten Daten, aber sehr empfindlich gegenüber Nicht-Normalität. Nicht empfohlen, es sei denn, Normalität ist sicher.

F-Test für zwei Varianzen

Nur für zwei Gruppen und erfordert Normalverteilung. Der Levene-Test ist robuster.

Fligner-Killeen-Test

Nicht-parametrischer Test basierend auf Rängen. Sehr robust, aber geringere Power.

Häufige Missverständnisse

„Der Levene-Test muss signifikant sein, um fortzufahren"

Falsch. Sie wollen Nicht-Signifikanz – das zeigt an, dass gleiche Varianzen plausibel sind.

„Immer den Levene-Test vor der ANOVA durchführen"

Diskutabel. Bei gleichen Stichprobengrößen ist die ANOVA robust. Einige Statistiker empfehlen, immer die Welch-ANOVA anstelle von Vortests zu verwenden.

„Signifikanter Levene = Ungültige ANOVA"

Nicht unbedingt. Die ANOVA kann bei großen, gleich großen Gruppen immer noch gültig sein.

Das Problem der Vortests

Einige Statistiker sprechen sich gegen die routinemäßige Verwendung des Levene-Tests aus, weil:

1. Geringe Power bei kleinen Stichproben: Wenn Sie gleiche Varianzen am meisten brauchen, können Sie Verletzungen nicht zuverlässig erkennen
2. Bedingte Verfahren erhöhen Fehlerraten: Die Testwahl basierend auf Vortest-Ergebnissen verändert den Gesamt-Typ-I-Fehler
3. Alternativer Ansatz: Verwenden Sie immer robuste Methoden (Welch-Tests), unabhängig davon

Ergebnisse berichten

Bei gleichen Varianzen:

„Der Levene-Test zeigte keinen signifikanten Unterschied in den Varianzen, F(2, 45) = 1,24, p = 0,30."

Bei ungleichen Varianzen:

„Der Levene-Test zeigte signifikante Varianzheterogenität, F(2, 45) = 4,82, p = 0,01. Daher wurde die Welch-ANOVA für die Hauptanalyse verwendet."

Historischer Hintergrund

Howard Levene schlug diesen Test 1960 als robuste Alternative zum Bartlett-Test vor. Die medianbasierte Modifikation (Brown-Forsythe) kam 1974 und verbesserte die Robustheit weiter.

Die zentrale Erkenntnis war, dass das Testen von Varianzunterschieden als Testen von Mittelwertunterschieden absoluter Abweichungen umformuliert werden konnte – was die Nutzung des robusten ANOVA-Rahmens ermöglichte.

Verwandte Berechnungen

• Varianzrechner — Varianz berechnen
• Standardabweichungsrechner — Standardabweichung berechnen
• Welch-t-Test — t-Test für ungleiche Varianzen
• Einfaktorielle ANOVA — Gruppenmittelwerte vergleichen

Zusammenfassung

Der Levene-Test prüft, ob Gruppen gleiche Varianzen haben – eine wichtige Annahme für t-Tests und ANOVA. Die medianbasierte Version (Brown-Forsythe) ist am robustesten. Ein signifikantes Ergebnis zeigt ungleiche Varianzen an – verwenden Sie Welch-Tests oder Games-Howell-Post-hoc. Nicht-Signifikanz deutet darauf hin, dass gleiche Varianzen plausibel sind. Berücksichtigen Sie die praktische Größenordnung (Varianzverhältnisse) neben den p-Werten. Einige Statistiker empfehlen, immer robuste Methoden anstelle von Vortests zu verwenden.