Zwei-Anteile-Z-Test-Rechner

Vergleichen Sie zwei Anteile.

Gruppe 1 Erfolge (x₁)

Gruppe 1 Größe (n₁)

Gruppe 2 Erfolge (x₂)

Gruppe 2 Größe (n₂)

Alternativhypothese

Signifikanzniveau

Gruppe 1 Erfolge müssen eine nicht-negative ganze Zahl sein

Beispiele:

Berechnungsschritte anzeigen

Daten für beide Gruppen eingeben, um den Test durchzuführen

Was ist ein Zwei-Anteile-Z-Test?

Der Zwei-Anteile-Z-Test bestimmt, ob sich zwei Populationsanteile signifikant voneinander unterscheiden.

Beantwortete Frage: "Haben diese beiden Gruppen unterschiedliche Raten/Anteile?"

Beispiele:

"Unterscheidet sich die Konversionsrate zwischen den Website-Varianten A und B?"
"Haben Maenner und Frauen unterschiedliche Wahlpraeferenzen?"
"Ist die Erfolgsrate bei der neuen Behandlung hoeher als bei der Standardbehandlung?"

Die Hypothesen

Nullhypothese (H₀): p₁ = p₂ (Anteile sind gleich)

Alternativhypothese (H₁):

Zweiseitig: p₁ ≠ p₂ (Anteile unterscheiden sich)
Rechtsseitig: p₁ > p₂ (erster Anteil ist groesser)
Linksseitig: p₁ < p₂ (erster Anteil ist kleiner)

Die Teststatistik

$z = \frac{\hat{p}_1 - \hat{p}_2}{\sqrt{\hat{p}(1-\hat{p})\left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$

Wobei:

$\hat{p}_1 = x_1/n_1$ (Stichprobenanteil 1)
$\hat{p}_2 = x_2/n_2$ (Stichprobenanteil 2)
$\hat{p} = (x_1 + x_2)/(n_1 + n_2)$ (gepoolter Anteil)

Der gepoolte Anteil nimmt an, dass $H_0$ wahr ist (beide Populationen haben dieselbe Rate).

Beispielrechnung

Szenario: A/B-Test zum Vergleich zweier Landingpages.

Daten:

Seite A: 45 Konversionen bei 1.200 Besuchern (p̂₁ = 0,0375)
Seite B: 72 Konversionen bei 1.500 Besuchern (p̂₂ = 0,0480)

Gepoolter Anteil: p̂ = (45 + 72) / (1.200 + 1.500) = 117/2.700 = 0,0433

Standardfehler: SE = √[0,0433 × 0,9567 × (1/1200 + 1/1500)] SE = √[0,0414 × 0,00150] = √0,0000621 = 0,00788

Teststatistik: z = (0,0375 - 0,0480) / 0,00788 = -1,33

P-Wert: Fuer den zweiseitigen Test, p = 0,183

Schlussfolgerung: Kein signifikanter Unterschied zwischen den Seiten (p > 0,05).

Gepoolter vs. Ungepoolter Standardfehler

Gepoolt (fuer Hypothesentests)

Verwendet den kombinierten Anteil unter der Annahme, dass $H_0$ wahr ist:

$SE_{\text{gepoolt}} = \sqrt{\hat{p}(1-\hat{p})\left(\frac{1}{n_1} + \frac{1}{n_2}\right)}$

Ungepoolt (fuer Konfidenzintervalle)

Verwendet separate Stichprobenanteile:

$SE_{\text{ungepoolt}} = \sqrt{\frac{\hat{p}_1(1-\hat{p}_1)}{n_1} + \frac{\hat{p}_2(1-\hat{p}_2)}{n_2}}$

Warum unterschiedlich? Der Hypothesentest nimmt gleiche Anteile an; das Konfidenzintervall schaetzt die tatsaechliche Differenz.

Konfidenzintervall fuer die Differenz

$KI = (\hat{p}_1 - \hat{p}_2) \pm z^* \times SE_{\text{ungepoolt}}$

Fuer ein 95%-KI ( $z^* = 1,96$ ):

$KI = (0,0375 - 0,0480) \pm 1,96 \times SE_{\text{ungepoolt}} = -0,0105 \pm 0,0154 = (-0,0259; 0,0049)$

Das Intervall schliesst 0 ein, was mit dem nicht-signifikanten Testergebnis uebereinstimmt.

Voraussetzungen

Unabhaengigkeit

Beobachtungen innerhalb jeder Gruppe sind unabhaengig
Gruppen sind voneinander unabhaengig
Keine Person erscheint in beiden Gruppen

Ausreichende Stichprobengroesse

Beide Gruppen sollten haben:

n₁p̂₁ ≥ 10 und n₁(1-p̂₁) ≥ 10
n₂p̂₂ ≥ 10 und n₂(1-p̂₂) ≥ 10

Bei Verletzung: Verwenden Sie den Exakten Test nach Fisher.

Zufallsstichprobe

Stichproben repraesentieren ihre jeweiligen Populationen.

Anwendungen

A/B-Tests

Der klassische Anwendungsfall: Vergleich von Konversionsraten zwischen Varianten.

Website-Versionen
E-Mail-Betreffzeilen
Werbemittel
Preisstrategien

Klinische Studien

Vergleich von Behandlungserfolgsraten.

Medikament vs. Placebo
Neue Behandlung vs. Standard
Verschiedene Dosierungen

Marktforschung

Vergleich von Praeferenzen oder Verhaltensweisen zwischen Segmenten.

Markenbekanntheit nach Demografie
Kaufabsicht nach Expositionsgruppe

Qualitaetskontrolle

Vergleich von Fehlerquoten zwischen:

Produktionslinien
Schichten
Lieferanten
Zeitraeumen

Sozialwissenschaften

Vergleich von Anteilen zwischen Populationen.

Wahlmuster nach Demografie
Umfrageantworten nach Gruppe

Einseitig vs. Zweiseitig

Zweiseitig (Standard): Testet auf jeglichen Unterschied zwischen Anteilen. "Unterscheiden sich die Raten?"

Einseitig: Testet auf Unterschied in bestimmter Richtung. "Ist die neue Behandlung besser (nicht nur anders)?"

Einseitige Tests erfordern eine vorherige Begruendung. Waehlen Sie nicht erst nach Sichtung der Ergebnisse.

Effektgroesse: Cohens h

$h = 2 \arcsin(\sqrt{p_1}) - 2 \arcsin(\sqrt{p_2})$

Oder direkt ueber die Differenz:

Risikodifferenz = $p_1 - p_2$ (absolute Differenz)

Relatives Risiko = $p_1/p_2$ (Verhaeltnis)

h	Interpretation
0,2	Klein
0,5	Mittel
0,8	Gross

Beziehung zum Chi-Quadrat-Test

Fuer 2×2-Tabellen:

z² = χ² (mit df = 1)

Der Zwei-Anteile-Z-Test ist mathematisch aequivalent zum Chi-Quadrat-Unabhaengigkeitstest fuer 2×2-Tabellen.

Vorteil des Z-Tests: Liefert Richtungsinformation (positives oder negatives z).

Haeufige Fehler

Vergleich abhaengiger Anteile

Wenn dieselben Personen zweimal gemessen werden (vorher/nachher), verwenden Sie den McNemar-Test, nicht den Zwei-Anteile-Z-Test.

Verwendung des ungepoolten SE fuer Hypothesentests

Der gepoolte SE nimmt an, dass H₀ wahr ist, was fuer Hypothesentests angemessen ist.

Ignorieren der Stichprobengroessen-Anforderungen

Bei kleinen Stichproben oder extremen Anteilen verwenden Sie den Exakten Test nach Fisher.

Multiple Vergleiche

Das Testen vieler Varianten erhoeht die Falsch-Positiv-Rate. Verwenden Sie Anpassungen (Bonferroni) oder Kontrollverfahren.

Ergebnisse berichten

APA-Format:

"Ein Zwei-Anteile-Z-Test zeigte keinen signifikanten Unterschied in den Konversionsraten zwischen Seite A (3,75%, n = 1.200) und Seite B (4,80%, n = 1.500), z = -1,33, p = ,183, 95%-KI fuer die Differenz [-2,59%, 0,49%]."

Einzuschliessen:

Beide Stichprobenanteile und -groessen
z-Statistik
P-Wert
Konfidenzintervall fuer die Differenz

Planung der Stichprobengroesse

Fuer ausreichende Teststärke verwenden Sie:

n pro Gruppe = 2 × [z₁₋α/₂ × √(2p̄q̄) + z₁₋β × √(p₁q₁ + p₂q₂)]² / (p₁ - p₂)²

Verwenden Sie den A/B-Test-Stichprobengroessen-Rechner zur Planung.

Stetigkeitskorrektur

Fuer eine bessere Approximation bei kleineren Stichproben:

z = (|p̂₁ - p̂₂| - 1/2 × (1/n₁ + 1/n₂)) / SE

Macht den Test etwas konservativer.

Historischer Kontext

Der Zwei-Anteile-Z-Test entwickelte sich zusammen mit dem breiteren Rahmenwerk der Theorie grosser Stichproben im spaeten 19. und fruehen 20. Jahrhundert.

Der Test wendet den Zentralen Grenzwertsatz an: Stichprobenanteile sind fuer grosses n annaehernd normalverteilt, daher ist auch ihre Differenz annaehernd normalverteilt.

Mit moderner Rechenleistung wird der approximative Z-Test bei kleinen Stichproben oft durch exakte Methoden (Fisher) ersetzt, bleibt aber der Standard fuer Schlussfolgerungen ueber Anteile bei grossen Stichproben.

Erweiterungen

Stratifizierte Analyse

Beim Vergleich von Anteilen ueber Schichten hinweg (z.B. Altersgruppen) verwenden Sie Mantel-Haenszel oder stratifizierte Methoden.

Mehrere Gruppen

Fuer den Vergleich von Anteilen ueber 3+ Gruppen verwenden Sie den Chi-Quadrat-Unabhaengigkeitstest.

Sequentielles Testen

Bei laufenden A/B-Tests verwenden Sie sequentielle Analysemethoden, um Fehlerraten bei mehrfacher Datenbetrachtung zu kontrollieren.

Zusammenfassung

Der Zwei-Anteile-Z-Test bestimmt, ob sich Anteile zwischen zwei unabhaengigen Gruppen unterscheiden, indem z = (p̂₁ - p̂₂) / SE berechnet wird, wobei ein gepoolter Standardfehler verwendet wird, der gleiche Anteile unter H₀ annimmt. Der Test erfordert ausreichende Stichprobengroessen (np ≥ 10 fuer Erfolge und Misserfolge in beiden Gruppen); andernfalls verwenden Sie den Exakten Test nach Fisher. Berichten Sie beide Anteile, die z-Statistik, den p-Wert und das Konfidenzintervall fuer die Differenz. Der Test ist mathematisch aequivalent zum Chi-Quadrat-Test fuer 2×2-Tabellen, liefert aber durch das Vorzeichen von z Richtungsinformation.