Zum Inhalt springen
Theoria Startseite
Anmelden

Für die Oberstufe, das Studium und alle, die Zahlen in Studien verstehen wollen

Statistik in Studien verstehen: p-Wert, Effektgröße und Konfidenzintervall

In fast jeder Studie stehen Angaben wie „signifikant (p < 0,05)“ oder „95-%-Konfidenzintervall“. Sie entscheiden mit darüber, was ein Ergebnis bedeutet, und werden oft missverstanden. Dieser Ratgeber erklärt die drei wichtigsten Angaben ohne Formeln und zeigt, worauf du beim Lesen achten solltest.

Aktualisiert am 28. Oktober 2026

Die Frage

Was bedeuten p-Wert, Effektgröße und Konfidenzintervall in einer Studie, und wie lese ich sie richtig?

Kurz gesagt

Der p-Wert zeigt, wie gut die Daten zu der Annahme passen, dass es keinen Effekt gibt: Je kleiner er ist, desto schlechter passen sie. Wie groß ein Effekt ist, zeigt erst die Effektgröße, und ob er wichtig ist, beurteilst du im Zusammenhang. Das Konfidenzintervall gibt an, welche Werte mit den Daten vereinbar sind; je breiter es ist, desto unsicherer ist das Ergebnis.

Schritt für Schritt

  1. Schritt 1

    Erst die Messung verstehen

    Bevor du Zahlen liest: Was wurde verglichen, und wie wurde es gemessen? Eine Zahl ergibt nur Sinn, wenn du weißt, worauf sie sich bezieht, zum Beispiel auf Stunden pro Tag, Punkte in einem Test oder Prozent.

    In Theoria: Deep Insights erklärt ein Paper in einer Tiefe, die du von 1 bis 10 wählst: Eine niedrige Tiefe gibt einen Überblick, eine höhere erklärt Methoden und Hintergründe.

  2. Schritt 2

    Den p-Wert richtig lesen

    Der p-Wert zeigt, wie gut die Daten zu der Annahme passen, dass es keinen Effekt gibt: Je kleiner er ist, desto schlechter passen sie. Ein kleiner p-Wert, oft unter 0,05, heißt „statistisch signifikant“: Ohne Effekt wären solche Daten eher überraschend. Er sagt aber nicht, wie wahrscheinlich eine Hypothese stimmt, und nicht, wie groß der Effekt ist.

  3. Schritt 3

    Auf die Effektgröße schauen

    Die Effektgröße beschreibt, wie stark ein Unterschied oder Zusammenhang ist, etwa als Differenz in Stunden oder als Korrelation. Bei sehr großen Stichproben kann auch ein winziger Effekt signifikant sein. Frag deshalb immer, ob der Effekt groß genug ist, um im Alltag eine Rolle zu spielen.

  4. Schritt 4

    Das Konfidenzintervall lesen

    Ein 95-%-Konfidenzintervall gibt den Bereich von Werten an, die mit den Daten gut vereinbar sind. Ein enges Intervall spricht für ein genaues Ergebnis, ein breites für viel Unsicherheit. Schließt das Intervall für einen Unterschied die Null ein, ist auch „kein Unterschied“ mit den Daten vereinbar. Ein Beispiel aus einer Studie zu Handyregeln an Schulen: Beim Wohlbefinden lag der bereinigte Unterschied zwischen Schulen mit und ohne Verbot bei -0,48 Punkten, 95-%-Konfidenzintervall -2,05 bis 1,06 (p = 0,62). Bei der Handyzeit während der Schulzeit lag er bei -0,67 Stunden, Intervall -0,92 bis -0,43. Nur das zweite Intervall schließt die Null aus.

  5. Schritt 5

    Ein einzelnes Ergebnis nicht überbewerten

    Ein signifikantes Ergebnis kann ein Zufallstreffer sein, und ein nicht signifikantes beweist nicht, dass es keinen Effekt gibt. Achte darauf, ob andere Studien zum gleichen Ergebnis kommen.

    In Theoria: AI Peer Review sammelt Stärken und Limitationen eines Papers als Ausgangspunkt für deine eigene Prüfung.

Beispiel

100 Studien, noch einmal durchgeführt

2015 veröffentlichte die Open Science Collaboration in Science ein großes Projekt: Forschende wiederholten 100 Experimente und Korrelationsstudien aus drei psychologischen Fachzeitschriften, mit statistisch starken Designs und, wo möglich, den Originalmaterialien. Die Ergebnisse zeigen, warum ein p-Wert allein wenig sagt:

p-Werte
97 Prozent der Originalstudien hatten ein statistisch signifikantes Ergebnis, bei den Wiederholungen waren es 36 Prozent.
Effektgrößen
Die Effekte in den Wiederholungen waren im Mittel nur halb so groß wie in den Originalstudien.
Konfidenzintervalle
47 Prozent der ursprünglichen Effektgrößen lagen im 95-%-Konfidenzintervall der Wiederholung.
Was den Erfolg vorhersagte
Ob eine Wiederholung gelang, hing eher mit der Stärke der ursprünglichen Belege zusammen als mit Merkmalen der Forschungsteams.
Was das Projekt nicht zeigt
Dass die Originalstudien falsch waren. Eine Wiederholung kann auch an Unterschieden in Stichprobe oder Durchführung scheitern. Es zeigt aber, dass ein einzelnes signifikantes Ergebnis keine Garantie dafür ist, dass es sich wiederholen lässt.

Ein signifikantes Ergebnis ist ein Anfang, kein Beweis. Achte auf die Größe des Effekts, auf die Unsicherheit und darauf, ob andere das Ergebnis wiederholen konnten.

Wo KI an Grenzen stößt

  • KI kann Statistik falsch erklären oder Zahlen verwechseln. Prüf jede Zahl, die du verwendest, im Ergebnisteil des Originals.
  • KI-Zusammenfassungen nennen oft nur, ob ein Ergebnis signifikant ist. Effektgröße und Konfidenzintervall findest du meist nur im Paper selbst.
  • Statistik sagt nicht, ob eine Studie gut geplant war. Design, Stichprobe und Messung prüfst du zusätzlich.
  • Die Erklärungen in Theoria werden von KI erzeugt und können Fehler enthalten. Prüf wichtige Aussagen an der verlinkten Quelle.

Lies die Zahlen in einem echten Paper

Öffne in Theoria ein Paper zu einem Thema, das dich interessiert, und such im Ergebnisteil nach p-Wert, Effektgröße und Konfidenzintervall. Für „Frag Theoria“, Deep Insights und AI Peer Review brauchst du ein kostenloses Konto; einige Werkzeuge haben im kostenlosen Tarif monatliche Grenzen.

Kostenlos startenWie verlässlich ist eine Studie?

Quellen

  1. Open Science Collaboration (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716Grundlage des Beispiels.
  2. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129-133. https://doi.org/10.1080/00031305.2016.1154108Stellungnahme der American Statistical Association zu Bedeutung und Grenzen des p-Werts.
  3. Goodyear, V. A., et al. (2025). School phone policies and their association with mental wellbeing, phone use, and social media use (SMART Schools): a cross-sectional observational study. The Lancet Regional Health - Europe, 51, 101211. https://doi.org/10.1016/j.lanepe.2025.101211Quelle der Zahlen zum Konfidenzintervall in Schritt 4. Frei zugänglich.

Angaben zur Veröffentlichung am 27. Oktober 2026 über Crossref und arXiv geprüft.

Weitere Ratgeber

Alle Ratgeber