Bonferroni-Korrektur
Statistische Methode zur Kontrolle des Fehlers bei multiplen Tests
Bonferroni Korrektur Die Bonferroni-Korrektur ist eine statistische Methode zur Anpassung des Signifikanzniveaus bei multiplen Tests, um die Wahrscheinlichkeit von Fehlern 1. Art (falsch positive Ergebnisse) zu verringern.
Das Wichtigste auf einen Blick
- Die Bonferroni-Korrektur teilt das ursprüngliche Signifikanzniveau durch die Anzahl der durchgeführten Tests.
- Sie wird angewandt, um das Risiko von falsch positiven Ergebnissen (Fehler 1. Art) bei multiplen Tests zu reduzieren.
- Die Methode ist konservativ und kann die Teststärke (Power) verringern.
- Alternativen zur Bonferroni-Korrektur existieren, die weniger streng sind, z.B. Holm-Bonferroni.
- Die Korrektur ist einfach zu implementieren und wird häufig in der Praxis verwendet.
- Sie ist besonders wichtig bei explorativen Studien mit vielen Hypothesentests.
Überblick: Bonferroni Korrektur
In der Statistik treten bei der Durchführung mehrerer Hypothesentests gleichzeitig erhöhte Risiken für falsch positive Ergebnisse auf. Die Bonferroni-Korrektur ist ein einfaches und weit verbreitetes Verfahren, um dieses Problem zu adressieren. Sie passt das Signifikanzniveau so an, dass das Gesamtrisiko für Fehler 1. Art kontrolliert wird. Diese Methode ist besonders in Bereichen wie der Psychologie, Medizin und anderen empirischen Wissenschaften relevant, wo viele Tests parallel ausgewertet werden.
Was ist die Bonferroni-Korrektur?
Die Bonferroni-Korrektur ist eine statistische Anpassung des Signifikanzniveaus bei multiplen Hypothesentests, um das Risiko von falsch positiven Ergebnissen zu minimieren. Dabei wird das ursprüngliche Signifikanzniveau (z. B. 0,05) durch die Anzahl der Tests geteilt, um ein neues, strengeres Signifikanzniveau zu erhalten.
Hintergrund und Notwendigkeit
Bei der Durchführung mehrerer statistischer Tests steigt die Wahrscheinlichkeit, mindestens einen Fehler 1. Art zu begehen. Ohne Korrektur kann dies zu irreführenden Ergebnissen führen. Die Bonferroni-Korrektur wurde entwickelt, um diese kumulative Fehlerwahrscheinlichkeit zu kontrollieren.
Mathematische Grundlage
Die Bonferroni-Korrektur basiert auf der Ungleichung von Bonferroni, die besagt, dass die Wahrscheinlichkeit, mindestens einen Fehler 1. Art bei m unabhängigen Tests zu begehen, höchstens m-mal so groß ist wie das Signifikanzniveau eines einzelnen Tests. Daraus folgt die Anpassung des Signifikanzniveaus: α_adj = α / m.
Beispiel für Bonferroni-Korrektur bei multiplen Tests
| Anzahl der Tests (m) | Ursprüngliches α | Korrigiertes α (α/m) |
|---|---|---|
| 5 | 0,05 | 0,01 |
| 10 | 0,05 | 0,005 |
| 20 | 0,05 | 0,0025 |
Vor- und Nachteile der Bonferroni-Korrektur
Die Bonferroni-Korrektur ist einfach anzuwenden und garantiert eine strenge Kontrolle des Fehlers 1. Art. Allerdings ist sie sehr konservativ, was die Wahrscheinlichkeit erhöht, tatsächlich vorhandene Effekte nicht zu entdecken (Fehler 2. Art). Dies kann insbesondere bei vielen Tests problematisch sein.
Alternativen zur Bonferroni-Korrektur
Es gibt weniger konservative Verfahren wie die Holm-Bonferroni-Methode oder die Benjamini-Hochberg-Prozedur, die die Fehlerkontrolle optimieren und die Teststärke verbessern. Die Wahl der Methode hängt vom Forschungsdesign und den Zielen ab.
Anwendung in der psychologischen Forschung
In einer Studie mit zehn Hypothesentests wird das ursprüngliche Signifikanzniveau von 0,05 durch 10 geteilt, sodass jedes Testergebnis nur dann als signifikant gilt, wenn p < 0,005 ist. Dies verhindert, dass zufällige Ergebnisse fälschlicherweise als bedeutsam interpretiert werden.
Wichtig zu beachten
Die Bonferroni-Korrektur schützt vor falsch positiven Ergebnissen, kann aber die Entdeckung echter Effekte erschweren. Forscher sollten daher abwägen, ob eine strenge Fehlerkontrolle oder eine höhere Teststärke für ihre Fragestellung wichtiger ist.
Zusatzinformationen
Begriff: Bonferroni-Korrektur
Anwendungsgebiet: Statistik, Hypothesentests
Ziel: Kontrolle des Fehlers 1. Art bei multiplen Tests
Formel: α_adj = α / m (α = ursprüngliches Signifikanzniveau, m = Anzahl der Tests)
Vorteile: Einfachheit, Kontrolle der Fehlerwahrscheinlichkeit
Nachteile: Konservativ, kann zu erhöhten Fehler 2. Art führen
Alternative Methoden: Holm-Bonferroni, Benjamini-Hochberg
Synonyme und alternative Bezeichnungen
Häufige Fragen zu Bonferroni Korrektur
Wann wird die Bonferroni-Korrektur angewendet?
Sie wird angewendet, wenn mehrere Hypothesentests gleichzeitig durchgeführt werden, um das Risiko falsch positiver Ergebnisse zu kontrollieren.
Wie berechnet man das korrigierte Signifikanzniveau?
Das ursprüngliche Signifikanzniveau wird durch die Anzahl der Tests geteilt: α_adj = α / m.
Welche Nachteile hat die Bonferroni-Korrektur?
Sie ist sehr konservativ und kann die Wahrscheinlichkeit erhöhen, echte Effekte nicht zu erkennen (Fehler 2. Art).
Gibt es Alternativen zur Bonferroni-Korrektur?
Ja, beispielsweise die Holm-Bonferroni-Methode oder die Benjamini-Hochberg-Prozedur, die weniger streng sind.
Ist die Bonferroni-Korrektur nur für unabhängige Tests geeignet?
Die Methode setzt keine strikte Unabhängigkeit voraus, ist aber bei stark abhängigen Tests oft zu konservativ.
Wie beeinflusst die Bonferroni-Korrektur die Teststärke?
Sie verringert die Teststärke, da strengere Kriterien für Signifikanz angewandt werden.
In welchen Forschungsbereichen wird die Bonferroni-Korrektur häufig genutzt?
Vor allem in Psychologie, Medizin, Biologie und anderen empirischen Wissenschaften mit multiplen Tests.
Quellen & weiterführende Informationen
Quellenvorschläge und Nachweise zum Artikel. Bitte externe Inhalte eigenständig prüfen.
- 01Statistik für Psychologen: Grundlagen und Anwendungen ↗
Umfassende Darstellung statistischer Methoden inklusive Bonferroni-Korrektur
https://www.springer.com/de/book/9783662605052 - 02Multiple Testing Procedures with Applications to Genomics ↗
Grundlegende Literatur zu Multiplen Testverfahren
https://www.crcpress.com/Multiple-Testing-Procedures-with-Applications-to-Genomics/Hochberg-Tamhane/p/book/9781584885054 - 03Bonferroni Correction ↗
Einfach verständliche Erklärung der Bonferroni-Korrektur
https://www.statisticshowto.com/bonferroni-correction/