HARVARD BUSINESS MANAGER MAGAZINE Harvard_Business_Manager__Juli_2017 | Page 104

Sig | ni | fi | kanz?
Kampagne A. In der oberen Grafik (ge-
ringe Streuung) geben die meisten Kun-
den in etwa das Gleiche aus. Manche
Leute kaufen etwas mehr oder etwas
weniger, aber wenn Sie einen Kunden
zufällig auswählen, ist die Chance hoch,
dass seine Ausgaben nahe am Durch-
schnitt liegen. Daher ist es wenig wahr-
scheinlich, dass eine Stichprobe sich
stark von der Grundgesamtheit unter-
scheidet. Sie können Ihren Ergebnissen
also relativ großes Vertrauen schenken.
Und nun vergleichen Sie dies mit der
unteren Grafik (größere Streuung). Hier
geben die Kunden sehr viel unterschied-
lichere Beträge aus. Die durchschnittli-
che Ausgabenhöhe hat sich nicht verän-
dert, aber viele Menschen kaufen mehr
oder weniger als der Durchschnitt. Wenn
Sie einen Kunden zufällig auswählen, ist
die Wahrscheinlichkeit, dass dieser recht
weit vom Durchschnitt entfernt ist,
höher als im Fall in der oberen Grafik.
Wenn Sie also eine Stichprobe aus einer
diverseren Bevölkerung wählen, dürfen
Sie Ihren Ergebnissen nicht so stark ver-
trauen wie im anderen Beispiel. Kurz
gesagt: Je größer die Streuung, desto grö-
ßer wird der Standardfehler ausfallen.
Sinnvoll ist es, die vorliegenden Da-
ten zu skizzieren und Bilder wie diese
zu erstellen, wenn Sie die Daten analy-
sieren möchten. Die Grafiken helfen
Ihnen, ein Gefühl für Streuungen, Stan-
dardfehler und dadurch auch für die
statistische Signifikanz zu entwickeln.
WAS MÜSSEN WIR VORAB ERLEDIGEN?
Egal womit Sie sich beschäftigen: Der
Prozess, mit dem Sie die Signifikanz er-
mitteln, ist immer derselbe. Zunächst
stellen Sie eine Nullhypothese auf – oft
ist das ein Pseudoargument, das Sie zu
widerlegen versuchen. In unserem Ex-
periment könnte die Nullhypothese lau-
ten: „Dem durchschnittlichen Kunden
gefällt die neue Kampagne nicht besser
als die alte.“ Bevor Sie anfangen, sollten
Sie auch eine Alternativhypothese auf-
stellen, hier zum Beispiel: „Dem durch-
schnittlichen Kunden gefällt die neue
Kampagne besser.“ Außerdem brauchen
Sie einen Zielwert für das Signifikanz -
niveau . Dieses zeigt Ihnen, wie selten
Ihre Ergebnisse sind, unter der An-
nahme, dass die Nullhypothese wahr
ist. Diese Zielgröße wird meist als
p-Wert bezeichnet, aber auch als Über-
schreitungswahrscheinlichkeit oder Sig-
nifikanzwert. Je niedriger der p-Wert,
desto unwahrscheinlicher ist es, dass
die Ergebnisse allein auf Zufall beruhen.
Die Zielgröße festzulegen und p-Werte
zu interpretieren, ist oft so komplex,
dass es auf manche Menschen abschre-
ckend wirkt. Es hängt jedoch sehr davon
ab, was Sie analysieren, findet Tom Red -
man. „Wenn Sie nach dem Higgs-Boson
suchen, brauchen Sie einen sehr niedri-
gen p-Wert, vielleicht o,00001“, erläu-
tert er. „Aber wenn Sie wissen wollen,
ob Ihr neues Marketingkonzept besser
ist oder ob die neuen Bohrmeißel, die
Ihr Ingenieur entworfen hat, schneller
arbeiten als die derzeitigen, werden Sie
vermutlich einen höheren Wert akzep-
tieren, vielleicht sogar bis 0,25.“
In der Realität überspringen Manager
diese zwei Schritte oft, wenn sie ein Ex-
periment durchführen. Um die Signifi-
kanz kümmern sie sich erst, wenn die
Ergebnisse vorliegen. Dennoch gehört
SERVICE
ERKLÄRVIDEO
Ein Experiment mit
Tee und Milch dient als
anschauliches Beispiel
für die Erklärung von
p-Wert, Nullhypothese
und Signifikanzniveau.
Auch für Statistik -
anfänger verständlich.
BUCH
Ja, Statistik kann
auch Spaß machen.
In Charles Wheelans
„Naked Stati stics. Strip-
ping the Dread from the
Data“ (W. W. Norton
2014) lernen Leser die
Feinheiten statistischer
Analyse. Hier muss sich
niemand vor den nack -
ten Zahlen fürchten.
JULI 2017 HARVARD BUSINESS MANAGER
103