t-Test für unabhängige Stichproben

Autor: Dr. Mathias Jesussek
Aktualisiert: 21.01.2026

Was ist ein t-Test für unabhängige Stichproben?

Dieser Test (oft auch ungepaarter t-Test genannt) ist der Klassiker unter den statistischen Tests. Du nutzt ihn immer dann, wenn du zwei getrennte Gruppen miteinander vergleichen willst.

Das Ziel ist es, herauszufinden, ob ein Unterschied zwischen diesen Gruppen in der „echten Welt“ existiert oder ob deine Stichprobe nur ein Zufallsprodukt ist. Die Grundidee ist folgende:

• Zuerst wird der Mittelwert der beider Gruppen berechnet.
• Dann prüft der t-Test, ob der Abstand zwischen diesen Mittelwerten groß genug ist, um nicht mehr als bloßes Glück durchzugehen.

Wichtig: „Unabhängig“ bedeutet, dass die Personen in Gruppe A nichts mit den Personen in Gruppe B zu tun haben (z. B. eine Gruppe aus Berlin und eine aus Hamburg).

Wofür braucht man den unabhängigen t-Test?

Stell dir vor, du möchtest eine große Frage beantworten:

„Verdienen Frauen und Männer in Deutschland im Durchschnitt unterschiedlich viel?“

Da es unmöglich ist, alle Millionen Erwerbstätigen in Deutschland nach ihrem Gehalt zu fragen, befragst du stattdessen eine Stichprobe – zum Beispiel 1.000 zufällig ausgewählte Personen.

Hier entsteht jedoch ein Problem: Selbst wenn Männer und Frauen in ganz Deutschland exakt das Gleiche verdienen würden, wird deine Stichprobe von 1.000 Personen fast nie einen Unterschied von genau Null zeigen. Allein durch den Zufall wirst du in deiner Gruppe immer kleine Abweichungen finden.

Hier kommt der unabhängige t-Test ins Spiel: Er hilft dir zu entscheiden, ob der Gehaltsunterschied in deiner Umfrage...

• ...so klein ist, dass er wahrscheinlich nur durch Zufall bei der Auswahl der 1.000 Personen entstanden ist,
• ...oder ob er groß genug ist, um als Beweis für einen tatsächlichen Unterschied in der gesamten Bevölkerung zu gelten.

Wie funktioniert der unabhängige t-Test?

Um zu entscheiden, ob ein Unterschied „echt“ ist, schaut sich der t-Test nicht nur die Mittelwerte an, sondern setzt sie in ein Verhältnis zur Schwankung in den Daten (dem sogenannten Standardfehler).

Man kann sich das wie ein Funkgerät vorstellen:

• Der Unterschied der Mittelwerte ist dein Signal (was du hören willst).
• Die Schwankung (Standardfehler) ist das Hintergrundrauschen.

Der Standardfehler verrät uns, wie sehr die Mittelwerte „wackeln“. Wenn die Daten innerhalb der Gruppen sehr stark streuen, ist es schwer zu sagen, ob der Unterschied zwischen den Gruppen echt ist oder nur zum allgemeinen Durcheinander gehört.

Die goldene Regel des t-Tests: Je größer der Unterschied zwischen den Gruppen und je kleiner das Rauschen (der Standardfehler), desto sicherer können wir sein, dass der Unterschied nicht auf purem Zufall beruht.

Wann sind Stichproben "unabhängig"?

Von unabhängigen Stichproben spricht man, wenn die Personen in den beiden Gruppen nichts miteinander zu tun haben. Ein Fall aus Gruppe A ist vollkommen getrennt von einem Fall aus Gruppe B.

Typische Beispiele dafür sind Vergleiche von biologischen oder sozialen Merkmalen:

• Frauen vs. Männer
• Psychologiestudierende vs. Mathematikstudierende
• Berlin vs. Hamburg

Gepaarter vs. ungepaarter t-Test

Die Entscheidung hängt davon ab, ob du verschiedene Personen miteinander vergleichst oder ob du dieselben Personen mehrfach testest:

• Ungepaarter t-Test (unabhängig): Du vergleichst zwei getrennte Gruppen (z. B. eine Kontrollgruppe und eine Experimentalgruppe). Jeder Teilnehmer taucht nur in einer der beiden Gruppen auf.
• Gepaarter t-Test (abhängig): Du hast eine Gruppe, die du zweimal misst (z. B. dieselben Personen vor und nach einem Training). Hier sind die Datenpaare miteinander verknüpft.

Beispiele für den ungepaarten t-Test

Der unabhängige t-Test wird in fast allen wissenschaftlichen Disziplinen eingesetzt – von der Medizin bis hin zur Marktforschung. Hier sind drei klassische Szenarien:

Fragestellung

Mit der Fragestellung grenzt du deinen Untersuchungsgegenstand ein. Bei einem t-Test für unabhängige Stichproben lautet die Fragestellung allgemein: Gibt es einen statistisch signifikanten Unterschied zwischen den Mittelwerten zweier Gruppen?

Für die oberen ungepaarten t-Test Beispiele ergeben sich die folgenden Fragestellungen:

• Hilft das Medikament XY beim Abnehmen?
• Gibt es einen Unterschied zwischen Personen mit und ohne Studium in Bezug auf deren Gesundheit?
• Produzieren beide Produktionsanlagen Schrauben mit dem gleichen Gewicht?

Hypothesen

Im nächsten Schritt gilt es die zu überprüfenden Hypothesen von der Fragestellung abzuleiten. Bei Hypothesen handelt es sich um Annahmen über die Realität, deren Gültigkeit möglich, aber bisher noch nicht bewiesen ist. Es werden immer zwei Hypothesen formuliert, die genau das Gegensätzliche behaupten. Diese sind die Nullhypothese und die Alternativhypothese.

Zweiseitiger und einseitiger t-Test

Es gibt zwei Haupttypen von t-Tests: zweiseitige und einseitige Tests. Einseitige Tests können weiter in linksseitige und rechtsseitige Tests unterteilt werden. Die Entscheidung, ob ein einseitiger oder zweiseitiger Test verwendet wird und ob der Test links- oder rechtsseitig sein sollte, hängt von der spezifischen Forschungsfrage oder Hypothese ab.

Zweiseitiger t-Test

Ein zweiseitiger Test wird verwendet, wenn man prüfen möchte, ob ein Wert sich signifikant in beide Richtungen von einem bestimmten Wert unterscheidet. Er ist nützlich, wenn du Unsicherheiten darüber hast, in welche Richtung die Veränderung gehen könnte oder wenn du daran interessiert bist, einfach nur Unterschiede zu finden, ohne eine spezifische Richtung vorherzusagen.

Einseitiger t-Test

Ein einseitiger Test wird verwendet, wenn eine bestimmte Richtung der Veränderung oder des Unterschieds von Interesse ist.

• Linksseitiger t-Test: Hier überprüft man, ob der beobachtete Wert signifikant kleiner ist als der erwartete oder der Nullhypothese entspricht. Ein linksseitiger Test wird verwendet, wenn man erwartet, dass das Ergebnis kleiner oder niedriger ist als ein bestimmter Wert oder ein Durchschnitt. Beispielsweise könnte ein Forscher einen linksseitigen Test verwenden, wenn er untersucht, ob eine neue Behandlung den Blutdruck signifikant senkt.
• Rechtsseitiger t-Test: Dieser Test überprüft, ob der beobachtete Wert signifikant höher ist als der erwartete. Er wird verwendet, wenn man erwartet, dass das Ergebnis größer oder höher ist als ein bestimmter Wert oder ein Durchschnitt. Beispielsweise könnte ein Forscher einen rechtsseitigen Test verwenden, wenn er untersucht, ob eine neue Trainingsmethode zu einem signifikant höheren Muskelaufbau führt.

Zusammenfassend: Entscheide, ob deine Forschung darauf abzielt, Unterschiede in beide Richtungen (zweiseitig) oder in eine bestimmte Richtung (einseitig) zu testen. Wenn du eine Richtung prüfst, entscheide, ob du erwartest, dass die Werte niedriger oder höher als der Durchschnitt oder der Nullhypothese sind (links- oder rechtsseitig).

Voraussetzungen für den unabhängigen t-Test

Um einen unabhängigen t-Test zu berechnen, muss eine unabhängige Variable (z.B. Geschlecht) vorliegen, die zwei Ausprägungen bzw. Gruppen hat (z.B. männlich und weiblich). Diese beiden Gruppen sollen bei der Analyse verglichen werden. Die Frage ist also, gibt es einen Unterschied zwischen den zwei Gruppen hinsichtlich der abhängigen Variable (z.B. Einkommen).

Die weiteren Voraussetzungen, welche zur Durchführung eines unabhängigen t-Tests erfüllt sein müssen, werden in weitere Folge besprochen.

Voraussetzungen nicht erfüllt, was dann?

Sind die Voraussetzungen für den unabhängigen t-Test nicht erfüllt, kann der berechnete p-Wert falsch sein. Wenn die beiden Stichproben gleich groß sind, ist der t-Test jedoch recht robust gegenüber einer leichten Schiefe der Daten. Nicht robust ist der t-Test, wenn sich die Varianzen deutlich unterscheiden. [Oxford Handbook of Medical Statistics]

Sind die Variablen nicht normalverteilt, kann der Mann-Whitney-U-Test verwendet werden. Der Mann-Whitney-U-Test ist das nichtparametrische Gegenstück zum unabhängigen t-Test.

t-Test für unabhängige Stichproben berechnen

Je nachdem, ob die Varianz zwischen den beiden Gruppen als gleich oder ungleich angenommen wird, ergibt sich eine andere Formel für die Test-Statistik t. Die Prüfung ob die Varianzen gleich sind oder nicht, geschieht mit dem Levene-Test. Die Nullhypothese beim Levene-Test ist, dass sich die beiden Varianzen nicht unterscheiden. Ergibt sich also ein p-Wert kleiner als 5 % beim Levene-Test, wird davon ausgegangen, dass es einen Unterschied in den Varianzen der beiden Gruppen gibt.

Gleiche (homogene) Varianz

Ergibt sich beim Levene-Test ein p-Wert größer als 5 %, wird davon ausgegangen, dass beide Gruppen die gleiche Varianz haben, und die Test-Statistik für den ungepaarten t-Test ergibt sich mit

Der kritische p-Wert lässt sich dann aus der Tabelle mit der t-Verteilung ermitteln. Der Freiheitsgrad ergibt sich mit

wobei n₁ und n₂ wieder die Anzahl der Fälle in den beiden Stichproben angeben.

Ungleiche (heterogene) Varianz

Die Test-Statistik t für einen t-Test für unabhängige Stichproben bei ungleicher Varianz errechnet sich über

Der p-Wert folgt dann aus der Tabelle mit der t-Verteilung, wobei sich die Freiheitsgrade über die folgende Gleichung ergeben:

Konfidenzintervall für den wahren Mittelwertsunterschied

Der berechnete Mittelwertsunterschied beim unabhängigen t-Test ist mithilfe der Stichprobe berechnet worden. Jetzt ist es natürlich von Interesse, in welchem Bereich der wahre Mittelwertsunterschied liegt. Um festzustellen, innerhalb welcher Grenzen der wahre Unterschied wahrscheinlich liegt, wird das Konfidenzintervall berechnet.

Das 95 % Konfidenzintervall für den wahren Mittelwertsunterschied kann durch folgende Formel berechnet werden:

wobei t der t-Wert ist, der bei 97,5 % liegt und den Freiheitsgraden df ergibt.

Einseitiger und zweiseitiger unabhängiger t-Test

Wie im Artikel über den Hypothesentest erklärt worden ist, gibt es einseitige und zweiseitige Hypothesen (auch gerichtete und ungerichtete Hypothesen genannt). Um dem gerecht zu werden, gibt es auch einen einseitigen und zweiseitigen t-Test für unabhängige Stichproben. Standardmäßig wird der zweiseitige ungepaarte t-Test berechnet, welcher auch in numiqo ausgegeben wird.

Um den einseitigen t-Test für unabhängige Stichproben zu erhalten, muss der p-Wert durch zwei geteilt werden. Nun hängt es davon ab, ob die Daten "in die Richtung" der Hypothese tendieren oder nicht. Sagt die Hypothese, dass der Mittelwert von einer Gruppe größer bzw. kleiner als der Mittelwert der anderen Gruppe ist, muss dies auch in dem Ergebnis zu sehen sein. Ist dies nicht der Fall, muss 1 minus dem halbierten p-Wert gerechnet werden.

Ungepaarter t-Test: Effektstärke berechnen

Die Effektstärke bei einem ungepaarten t-Test wird in der Regel mit dem Hedges g, oder auch einfach nur d genannt, berechnet. Im ungepaarten t-Test-Rechner auf numiqo kannst du dir die Effektstärke ganz einfach ausgeben lassen.

Wofür braucht man die Effektstärke?

Der berechnete p-Wert hängt sehr stark von der Stichprobengröße ab. Gibt es z. B. in der Grundgesamtheit einen Unterschied, wird dieser im p-Wert umso deutlicher "angezeigt", je größer die Stichprobe ist. Wird also die Stichprobengröße sehr hoch gewählt, können auch sehr kleine Unterschiede, die unter Umständen gar nicht mehr relevant sind, in der Grundgesamtheit "nachgewiesen" werden. Um dies zu vereinheitlichen wird zusätzlich zum p-Wert die Effektstärke verwendet.

t-Test für unabhängige Stichproben mit numiqo berechnen

Eine Lehrende möchte wissen, ob die Statistik-Prüfungsergebnisse im Sommersemester von jenen im Wintersemester abweichen. Hierfür erstellst du eine Übersicht mit den erreichten Punkten pro Prüfung.

Nachdem die oberen Beispieldaten in den Hypothesentest-Rechner kopiert wurden, kannst du dir den t-Test für unabhängige Stichproben ausgeben lassen. Die Ergebnisse für das t-Test-Beispiel sehen folgendermaßen aus:

Ungepaarten t-Test interpretieren

Um eine Aussage darüber zu treffen, ob deine Hypothese signifikant ist oder nicht, wird einer der beiden folgenden Werte verwendet bzw. berechnet:

• p-Wert (zweiseitig)
• unteres und oberes Konfidenzintervall der Differenz

In diesem Beispiel für den t-Test ist der p-Wert (zweiseitig) 0,312, also 31 %. Das bedeutet, dass die Wahrscheinlichkeit, dass du eine Stichprobe ziehst, bei der sich beide Gruppen stärker unterscheiden als die Gruppen im Beispiel, 31 % beträgt. Da das Signifikanzniveau mit 5 % festgelegt wurde, ist es damit deutlich niedriger als 31 %. Aus diesem Grund wird von keinem signifikanten Unterschied zwischen den beiden Stichproben ausgegangen und sie kommen daher aus der gleichen Grundgesamtheit.

Der zweite Weg, um festzustellen, ob es einen signifikanten Unterschied gibt oder nicht, ist das Konfidenzintervall der Differenz zu verwenden. Verläuft die untere und die obere Grenze durch Null, gibt es keinen signifikanten Unterschied. Ist dies nicht der Fall, gibt es einen signifikanten Unterschied. In diesem ungepaarten t-Test Beispiel ist der untere Wert -6,328 und der obere Wert 18,118. Da Null zwischen den beiden Werten liegt, gibt es keinen signifikanten Unterschied.

Es ist gängige Praxis, zunächst einmal die beiden unabhängigen Stichproben in einem Diagramm darzustellen, bevor ein t-Test für unabhängige Stichproben berechnet wird. Dazu eignet sich ein Boxplot der die Lagemaße und Streumaße der beiden unabhängigen Stichproben sehr gut visualisiert.

Einen t-Test für unabhängige Stichproben berichten

Bei der Darstellung eines t-Tests für unabhängige Stichproben im APA-Stil (American Psychological Association) musst du die wichtigsten Details deines statistischen Tests in klarer und prägnanter Form darstellen. Im Folgenden findest du einen allgemeinen Leitfaden, wie du die Ergebnisse eines t-Tests für unabhängige Stichproben gemäß APA-Stil darstellst:

Teststatistik:

Gib deutlich an, dass du einen t-Test für unabhängige Stichproben verwendest. Gib die Freiheitsgrade in Klammern nach der t"-Statistik an und nenne dann den Wert von t.

Signifikanzniveau:

Dies wird in der Regel als "p" angegeben, gefolgt von dem genauen Wert oder einem Vergleich.

Effektgröße:

Es hat sich bewährt, neben dem Ergebnis des t-Tests auch eine Effektgröße (wie Cohen's d) anzugeben. Dies gibt einen Hinweis auf die Größe des Unterschieds zwischen den Gruppen.

Mittelwerte und Standardabweichungen:

Gib die Mittelwerte und Standardabweichungen für jede Gruppe an. Das gibt dem t-Test-Ergebnis einen Kontext.

Stichprobengröße:

Du kannst auch die Anzahl der Teilnehmenden in jeder Gruppe angeben, vor allem, wenn diese zuvor nicht angegeben wurde.

Hier ist eine Vorlage:

Nehmen wir an, du hast einen t-Test für unabhängige Stichproben zum Vergleich der Testergebnisse von Männern und Frauen durchgeführt. Angenommen, du hast folgende Ergebnisse erhalten:

• Männer: M = 50, SD = 10, n = 30
• Weibliche Personen: M = 55, SD = 9, n = 30
• t(58) = -2,5, p = .015, Cohen's d = 0,5

Die Ergebnisse würden wie folgt wiedergegeben werden: