Gepaarter t-Test in SPSS
Der gepaarte t-Test ist einer der einfachsten statistischen Tests. Er wird angewendet, wenn wir genau zwei Messungen haben und diese abhängig voneinander sind. Dies ist etwa der Fall, wenn dieselbe Versuchsperson zu zwei verschiedenen Zeitpunkten untersucht wird oder zwei unterschiedliche Versuchsbedingungen durchlaufen muss. Der gepaarte t-Test kann aber auch eingesetzt werden, wenn beispielsweise Versuchsteilnehmer zu gewissen Eigenschaften gematcht wurden (z.B. Alter, Geschlecht, Persönlichkeitseigenschaften, …). Aus diesem Grund wird der gepaarte t-Test auch als abhängiger t-Test bezeichnet, da die Stichproben nicht unabhängig voneinander sind.
Einsatzbeispiele
Mit dem gepaarten t-Test könnten wir beispielsweise untersuchen, inwieweit eine Intervention zur Reduzierung des Nikotinkonsums erfolgreich ist. Dazu messen wir die Anzahl wöchentlich gerauchter Zigaretten sowohl vor als auch nach der Intervention. Damit wäre unsere abhängige Variable die Anzahl wöchentlich gerauchter Zigaretten und unsere unabhängige Variable der Messzeitpunkt (prä-post – vor der Intervention bzw. danach). Mit dem gepaarten t-Test können wir untersuchen, ob es eine Veränderung der mittleren wöchentlichen Anzahl gerauchter Zigaretten gab.
Themenüberblick
Im ersten Teil werden wir weitere Beispiele über mögliche Anwendungen des gepaarten t-Tests geben. In dem Abschnitt Datensatz vorbereiten zeigen wir, wie die Daten aufbereitet sein müssen, damit wir damit einen gepaarten t-Test berechnen können. Hier findet sich auch zusätzlich ein Beispieldatensatz, den wir für alle Berechnungen verwenden.
Sobald wir die Daten aufbereitet haben, überprüfen wir, ob alle Voraussetzungen des gepaarten t-Tests erfüllt sind. Es existieren teilweise Korrekturen und Maßnahmen, die bei Verletzung einzelner Voraussetzungen angewendet werden können und die wir ebenfalls besprechen. Danach kann die eigentliche Datenanalyse beginnen. Jeden einzelnen Schritt zur Durchführung des gepaarten t-Tests besprechen wir mit Screenshots.
Zu guter Letzt müssen die Ergebnisse unserer Datenauswertung noch interpretiert und verschriftlicht werden. Dies tun wir im letzten Teil. Wurden Voraussetzungen zuvor nicht erfüllt, beeinflusst dies die Interpretation und Verschriftlichung der Daten und wird zusammen mit Empfehlungen besprochen. Entsprechende Musterformulierungen in deutscher und englischer Sprache stehen zur Verfügung. Zusätzlich gehen wir noch auf die entsprechenden Effektstärken (Cohen’s d) ein und zeigen, wie diese mit unserem Tool einfach berechnet werden können.