Einleitung
Statistische Analysen gelten als Rückgrat moderner Forschung, doch die Fähigkeit, Ergebnisse korrekt zu deuten, ist weit verbreitet mangelhaft – selbst bei Fachleuten mit intensiver Ausbildung. Ein aktueller Überblick in PLOS ONE verdeutlicht, dass Fehlinterpretationen von p‑Werten und Konfidenzintervallen nicht nur Laien, sondern auch erfahrene Statistiker und Psychologen betreffen.
Häufige Missverständnisse
Der p‑Wert wird häufig als direkte Wahrscheinlichkeit dafür angesehen, dass eine getestete Hypothese wahr ist. In Wirklichkeit gibt er lediglich an, wie wahrscheinlich es ist, ein mindestens ebenso extremes Ergebnis zu erhalten, wenn die Nullhypothese tatsächlich gilt. Diese subtile, aber entscheidende Unterscheidung wird oft übersehen, was zu einer überzogenen Sicherheit in den Befunden führt.
Ein weiteres verbreitetes Irrglauben betrifft das Wort „signifikant“. Viele verwechseln statistische Signifikanz mit praktischer Relevanz. Ein Medikament kann in einer großen Stichprobe einen statistisch signifikanten Effekt zeigen, obwohl die tatsächliche Wirkung für Patienten kaum spürbar ist. Ebenso wird angenommen, dass ein signifikantes Ergebnis bei Wiederholung der Studie garantiert reproduzierbar ist – ein Trugschluss, der die Robustheit von Befunden überschätzt.
Ergebnisse der internationalen Studie
Schwedische Forscher sammelten Dutzende früherer Untersuchungen, die das statistische Verständnis von Wissenschaftlern prüften. In einer deutschen Befragung wählten 80 % der Dozenten für Methodenlehre mindestens eine falsche Aussage, und fast 90 % der Psychologen ließen sich ebenfalls täuschen. Selbst unter Statistikern und Epidemiologen lag die korrekte Beantwortungsrate von Kernfragen zu signifikanten Resultaten bei lediglich 12,5 %.
Bei Konfidenzintervallen zeigte sich ein ähnliches Bild: Von über 500 niederländischen Psychologiestudierenden und -forscher konnten nur rund 2 % alle sechs Testaussagen korrekt ablehnen. Interessanterweise machte die Berufserfahrung dabei keinen Unterschied.
Konsequenzen für die Praxis
Die Fehlinterpretation statistischer Kennzahlen kann gravierende Folgen haben. Wenn Forschungsergebnisse fälschlicherweise als beweiskräftig angesehen werden, können falsche Schlussfolgerungen in klinischen Leitlinien, Politikempfehlungen oder Unternehmensentscheidungen einfließen. Die Studie mahnt daher zu einer kritischen Reflexion der eigenen statistischen Kompetenz und zu einer intensiveren Schulung im korrekten Umgang mit p‑Werten und Konfidenzintervallen.
Fazit
Statistik ist kein rein technisches Werkzeug, sondern erfordert ein tiefes konzeptuelles Verständnis. Die vorliegenden Befunde zeigen, dass selbst Experten häufig grundlegende Konzepte missverstehen. Um die Qualität wissenschaftlicher Erkenntnisse zu sichern, sollten Bildungseinrichtungen und Forschungsteams verstärkt auf klare Kommunikation und fundierte Ausbildung setzen.