Shapiro-Wilk-Test-Rechner

Verwenden Sie den Shapiro-Wilk-Test, um zu pruefen, ob Ihre Daten einer Normalverteilung (Glockenkurve) folgen, bevor Sie Tests wie t-Tests oder ANOVA durchfuehren, die Normalitaet voraussetzen. Er ist der zuverlaessigste Normalitaetstest fuer Stichproben unter 50 Beobachtungen und hilft Ihnen zu entscheiden, ob Sie parametrische Standardtests verwenden oder auf nicht-parametrische Alternativen umsteigen sollten, die keine normalverteilten Daten erfordern.

Was ist der Shapiro-Wilk-Test?

Der Shapiro-Wilk-Test prueft, ob eine Stichprobe aus einer normalverteilten Grundgesamtheit stammt. Er gilt weithin als der leistungsfaehigste Normalitaetstest fuer kleine bis mittelgrosse Stichproben.

Beantwortete Frage: "Gibt es Hinweise darauf, dass diese Daten nicht normalverteilt sind?"

Nullhypothese: Die Daten folgen einer Normalverteilung. Alternativhypothese: Die Daten folgen keiner Normalverteilung.

Warum auf Normalitaet testen?

Viele statistische Tests setzen normalverteilte Daten voraus:

• t-Tests: Setzen normale Grundgesamtheiten voraus (oder grosse Stichproben)
• ANOVA: Setzt normale Residuen voraus
• Pearson-Korrelation: Setzt bivariate Normalitaet fuer Inferenz voraus
• Lineare Regression: Setzt normale Residuen voraus

Die Verletzung von Normalitaetsannahmen kann fuehren zu:

• Ungueltigen p-Werten
• Falschen Konfidenzintervallen
• Irrefuehrenden Schlussfolgerungen

Funktionsweise

Der Test vergleicht die geordneten Stichprobenwerte mit erwarteten Werten unter Normalitaet.

Teststatistik

$W = \frac{\left(\sum_{i=1}^{n} a_i x_{(i)}\right)^2}{\sum_{i=1}^{n} (x_i - \bar{x})^2}$

Wobei:

• $x_{(i)}$ = geordnete Stichprobenwerte (vom kleinsten zum groessten)
• $a_i$ = tabellierte Koeffizienten basierend auf erwarteten normalen Ordnungsstatistiken
• $\bar{x}$ = Stichprobenmittelwert

Interpretation

p-Wert

Wenn $p < \alpha$ (typischerweise 0,05), wird Normalitaet abgelehnt.

Wenn $p \geq \alpha$, gibt es ungenuegend Beweise, um Normalitaet abzulehnen (beweist aber keine Normalitaet).

Beispielrechnung

Daten: 23, 25, 27, 28, 29, 31, 33

Schritt 1: Daten ordnen und Mittelwert berechnen

Geordnet: 23, 25, 27, 28, 29, 31, 33 Mittelwert: 28

Schritt 2: Die Shapiro-Wilk-Formel mit tabellierten Koeffizienten anwenden

Fuer n = 7: $a = (0,6233; 0,3031; 0,1401; 0)$

Schritt 3: W berechnen

$W = 0,987$ (Berechnung erfordert spezialisierte Tabellen)

Schritt 4: p-Wert ermitteln

Fuer $W = 0,987$ mit $n = 7$: $p = 0,89$

Schlussfolgerung: Keine Hinweise gegen Normalitaet ($p = 0,89 > 0,05$).

Interpretationsrichtlinien

Signifikantes Ergebnis (p < 0,05)

Die Daten stammen wahrscheinlich nicht aus einer Normalverteilung.

Aber bedenken Sie:

• Ist die Abweichung von der Normalitaet praktisch bedeutsam?
• Bei grossen Stichproben sind selbst triviale Abweichungen signifikant
• Wie ist die tatsaechliche Form der Verteilung?

Nicht-signifikantes Ergebnis (p >= 0,05)

Wir koennen nicht schlussfolgern, dass die Daten normalverteilt sind - nur, dass uns Beweise gegen Normalitaet fehlen.

Bedenken Sie:

• "Nicht signifikant" ist nicht gleich "normal"
• Geringe Teststärke bei kleinen Stichproben
• Auch visuelle Methoden beruecksichtigen

Ueberlegungen zur Stichprobengroesse

Kleine Stichproben (n < 20)

• Geringe Teststärke zur Erkennung von Nicht-Normalitaet
• Nicht-signifikante Ergebnisse sind schwache Evidenz
• Visuelle Inspektion ebenso wichtig

Mittlere Stichproben (20-50)

• Angemessene Teststärke
• Gute Balance der Sensitivitaet

Grosse Stichproben (n > 50)

• Sehr hohe Teststärke
• Kann Normalitaet bei trivialen Abweichungen ablehnen
• Praktische Signifikanz wichtiger als statistische Signifikanz

Sehr grosse Stichproben (n > 5000)

• Lehnt fast immer Normalitaet ab
• Selbst annaehernd normale Daten werden durchfallen
• Fokus auf visuelle Bewertung und Auswirkung auf Ihre tatsaechliche Analyse

Ergaenzung durch visuelle Methoden

Q-Q-Diagramm (Quantil-Quantil)

Tragen Sie Stichprobenquantile gegen theoretische Normalquantile auf.

• Punkte auf der Diagonalen → Normal
• S-Kurve → Schiefe
• Schwere Raender → Kurtosis-Probleme

Histogramm

Visuelle Bewertung von Symmetrie und Glockenform.

Boxplot

Pruefung auf Symmetrie und Ausreisser.

Alternativen zum Shapiro-Wilk-Test

Kolmogorov-Smirnov-Test

Vergleicht die Stichprobe mit einer beliebigen spezifizierten Verteilung. Weniger leistungsfaehig als Shapiro-Wilk speziell fuer Normalitaet.

Anderson-Darling-Test

Gewichtet Randbeobachtungen staerker. Gut zur Erkennung von Randabweichungen.

D'Agostino-Pearson-Test

Verwendet Schiefe und Kurtosis. Funktioniert gut fuer groessere Stichproben.

Lilliefors-Test

Modifizierter Kolmogorov-Smirnov, wenn Mittelwert und Varianz aus den Daten geschaetzt werden.

Was tun, wenn Normalitaet abgelehnt wird

Option 1: Nicht-parametrische Tests verwenden

• Mann-Whitney statt t-Test
• Kruskal-Wallis statt ANOVA
• Spearman statt Pearson

Option 2: Daten transformieren

• Logarithmische Transformation bei Rechtsschiefe
• Quadratwurzeltransformation fuer Zaehlungsdaten
• Box-Cox-Transformation

Option 3: Mit Vorsicht fortfahren

Viele Tests sind robust gegenueber leichten Normalitaetsverletzungen, besonders bei:

• Grossen Stichproben (Zentraler Grenzwertsatz)
• Gleichen Gruppengroessen
• Aehnlichen Varianzen

Option 4: Robuste Methoden verwenden

• Bootstrapping
• Permutationstests
• Getrimmte Mittelwerte

Haeufige Missverstaendnisse

"Signifikant = Nicht-Normal"

Stimmt, aber die Abweichung koennte trivial sein. Die Stichprobe einer perfekt normalen Grundgesamtheit wird gelegentlich den Test nicht bestehen.

"Nicht-signifikant = Normal"

Falsch. Nicht-Signifikanz bedeutet nur ungenuegend Beweise gegen Normalitaet - kein Beweis fuer Normalitaet.

"Man muss transformieren, wenn nicht normal"

Nicht immer. Viele Analysen sind robust gegenueber Nicht-Normalitaet, besonders bei groesseren Stichproben.

"Normalitaetstest sollte immer durchgefuehrt werden"

Nicht unbedingt. Bei grossen Stichproben macht der Zentrale Grenzwertsatz Normalitaet oft weniger kritisch. Visuelle Bewertung kann nuetzlicher sein.

Ergebnisse berichten

Wenn Normalitaet nicht abgelehnt wird:

"Ein Shapiro-Wilk-Test zeigte, dass die Residuen annaehernd normalverteilt waren, W = 0,98, p = 0,42."

Wenn Normalitaet abgelehnt wird:

"Ein Shapiro-Wilk-Test zeigte eine signifikante Abweichung von der Normalitaet, W = 0,91, p = 0,003. Die Inspektion des Q-Q-Diagramms deutete auf moderate positive Schiefe hin."

Anwendungen

Vor parametrischen Tests

Testen Sie Residuen oder Gruppendaten vor t-Tests, ANOVA oder Regression.

Qualitaetskontrolle

Ueberpruefen Sie, ob Prozessmessungen der erwarteten Normalverteilung folgen.

Forschungsvalidierung

Bestaetigen Sie Verteilungsannahmen fuer statistische Modelle.

Historischer Kontext

Samuel Shapiro und Martin Wilk fuehrten diesen Test 1965 ein. Er wurde schnell zum bevorzugten Normalitaetstest aufgrund seiner ueberlegenen Leistungsfaehigkeit, besonders fuer kleine Stichproben.

Der Test war vor Computern rechnerisch schwierig - die Koeffizienten $a_i$ erforderten spezialisierte Tabellen. Moderne Software hat ihn fuer jede Stichprobengroesse bis zu mehreren Tausend zugaenglich gemacht.

Verwandte Berechnungen

• Schiefe-Rechner — Asymmetrie messen
• Kurtosis-Rechner — Randschwere messen
• Z-Wert-Rechner — Standardisierung
• Normalverteilungs-Wahrscheinlichkeitsrechner — Normalverteilung

Zusammenfassung

Der Shapiro-Wilk-Test prueft, ob Daten aus einer Normalverteilung stammen. Ein signifikantes Ergebnis (p < 0,05) deutet auf Nicht-Normalitaet hin; ein nicht-signifikantes Ergebnis beweist keine Normalitaet. Der Test ist am nuetzlichsten fuer kleine bis mittlere Stichproben - grosse Stichproben lehnen Normalitaet oft selbst bei annaehernd normalen Daten ab. Ergaenzen Sie stets mit visuellen Methoden (Q-Q-Diagramme, Histogramme). Wenn Normalitaet abgelehnt wird, erwaegen Sie nicht-parametrische Alternativen, Datentransformation oder beurteilen Sie, ob Ihre Analyse robust gegenueber der beobachteten Abweichung ist.