Beispiel: Varianzanalyse in der Sportwissenschaft
Eine Interventionsstudie im Fitnessstudio, drei Trainingsgruppen, Messungen vor und nach acht Wochen: Genau an diesem Punkt wird aus einer scheinbar einfachen Forschungsfrage schnell ein statistisches Problem. Wer nach „beispiel varianzanalyse sportwissenschaft studie“ sucht, benötigt meist keine abstrakte Formelsammlung, sondern eine nachvollziehbare Entscheidung: Welche Varianzanalyse passt zum Design, was zeigt sie tatsächlich und wie wird sie korrekt berichtet?
Dieser Praxisfall zeigt, wie eine Varianzanalyse in einer sportwissenschaftlichen Studie aufgebaut, geprüft und interpretiert wird. Er eignet sich als Orientierung für Bachelor- und Masterarbeiten, Dissertationen sowie kleinere Forschungsprojekte - ersetzt aber keine Prüfung des eigenen Studiendesigns.
Das Studienbeispiel: Welches Training verbessert die Sprintleistung?
Eine Forscherin untersucht, ob sich drei achtwöchige Trainingsprogramme unterschiedlich auf die 30-Meter-Sprintzeit von Amateurfußballern auswirken. Insgesamt nehmen 54 Spieler teil. Sie werden zufällig einer von drei Gruppen zugeteilt: klassisches Krafttraining, plyometrisches Training oder eine Kontrollgruppe mit regulärem Mannschaftstraining.
Die Sprintzeit wird zu zwei Zeitpunkten erhoben: vor Beginn der Intervention und nach acht Wochen. Die zentrale Forschungsfrage lautet nicht nur, ob die Spieler im Mittel schneller werden. Entscheidend ist, ob sich die Veränderung zwischen den Trainingsgruppen unterscheidet.
Damit liegen zwei Faktoren vor:
- Zeitpunkt mit den Stufen Prätest und Posttest
- Trainingsgruppe mit den Stufen Krafttraining, Plyometrie und Kontrolle
Beispiel Varianzanalyse Sportwissenschaft Studie: Die richtige Hypothese
In sportwissenschaftlichen Arbeiten wird oft zu schnell auf den p-Wert des Zeiteffekts geschaut. Das wäre hier zu kurz gegriffen. Wenn alle Gruppen nach acht Wochen bessere Sprintzeiten erreichen, kann das auch an Trainingseffekten liegen, die nicht spezifisch für eine Intervention sind, an Gewöhnung an den Test oder an saisonalen Veränderungen.
Die fachlich zentrale Hypothese betrifft daher die Interaktion aus Zeitpunkt und Gruppe:
> Die Veränderung der Sprintzeit vom Prätest zum Posttest unterscheidet sich zwischen den drei Trainingsgruppen.
Eine signifikante Interaktion würde bedeuten, dass mindestens eine Gruppe eine andere Entwicklung zeigt als mindestens eine andere Gruppe. Erst dann ist es sinnvoll, gezielt zu prüfen, welche Gruppen sich worin unterscheiden.
Nehmen wir folgende Mittelwerte in Sekunden an:
| Gruppe | Prätest | Posttest | Veränderung |
|---|---:|---:|---:|
| Krafttraining | 4,62 | 4,54 | -0,08 |
| Plyometrie | 4,61 | 4,47 | -0,14 |
| Kontrollgruppe | 4,63 | 4,60 | -0,03 |
Kleinere Werte bedeuten hier bessere Sprintleistungen. Das plyometrische Training zeigt deskriptiv die stärkste Verbesserung. Ob diese Differenz über zufällige Stichprobenschwankungen hinausgeht, beantwortet jedoch erst die inferenzstatistische Analyse.
Welche Ergebnisse liefert die gemischte ANOVA?
Die Analyse prüft drei unterschiedliche Effekte. Der Haupteffekt Zeitpunkt beantwortet, ob sich die Sprintzeiten über alle Teilnehmer hinweg zwischen Prä- und Posttest verändern. Der Haupteffekt Gruppe prüft, ob sich die Gruppen unabhängig vom Zeitpunkt generell in ihren Sprintzeiten unterscheiden. Die Interaktion Zeitpunkt × Gruppe testet die eigentliche Interventionsfrage.
Ein fiktives, plausibles Ergebnis könnte so aussehen:
> Es zeigte sich ein signifikanter Haupteffekt des Zeitpunkts, F(1, 51) = 28,44, p < ,001, partielles η² = ,358. Darüber hinaus ergab sich eine signifikante Interaktion von Zeitpunkt und Trainingsgruppe, F(2, 51) = 5,92, p = ,005, partielles η² = ,188. Der Haupteffekt der Trainingsgruppe war nicht signifikant, F(2, 51) = 1,74, p = ,186.
Die Interpretation lautet: Über alle Gruppen hinweg verbesserten sich die Sprintzeiten. Noch wichtiger ist, dass die Gruppen nicht im gleichen Ausmaß profitierten. Das Trainingsprogramm beeinflusste also die Entwicklung der Sprintleistung.
Der nicht signifikante Haupteffekt der Gruppe ist kein Widerspruch. Er sagt lediglich, dass sich die durchschnittlichen Sprintzeiten der Gruppen über beide Messzeitpunkte betrachtet nicht eindeutig unterscheiden. Für die Frage nach der unterschiedlichen Verbesserung ist die Interaktion maßgeblich.
Was nach einer signifikanten Interaktion folgt
Eine signifikante Interaktion ist noch kein vollständiges Ergebnis. Sie zeigt nicht automatisch, zwischen welchen Gruppen die Unterschiede liegen. Deshalb sind Post-hoc-Analysen oder geplante Kontraste erforderlich.
Im vorliegenden Beispiel könnten paarweise Vergleiche der Veränderungswerte oder einfache Effekte zeigen, dass sich die plyometrische Gruppe stärker verbessert als die Kontrollgruppe. Ob sie auch dem Krafttraining überlegen ist, hängt von Effektgröße, Streuung und Stichprobengröße ab. Ein Unterschied von 0,06 Sekunden kann sportpraktisch relevant sein, statistisch aber bei einer kleinen Stichprobe dennoch nicht signifikant werden.
Genau hier liegt ein häufiger Fehler: „nicht signifikant“ bedeutet nicht automatisch „kein Effekt“. Es bedeutet zunächst, dass die Daten unter dem gewählten Signifikanzniveau keinen ausreichend eindeutigen Nachweis liefern. Konfidenzintervalle und Effektgrößen gehören deshalb immer in die Bewertung.
Voraussetzungen: Was vor der Auswertung geprüft werden muss
Eine Varianzanalyse ist kein Automatismus. Sie setzt voraus, dass die Datenstruktur und die Modellannahmen zum Verfahren passen. Bei einer gemischten ANOVA sind besonders die Unabhängigkeit der Personen zwischen den Gruppen, die annähernde Normalverteilung der Residuen und die Varianzhomogenität relevant.
Die Unabhängigkeit entsteht nicht durch einen SPSS-Klick, sondern durch das Studiendesign. Wenn mehrere Spieler aus derselben Mannschaft stammen und stark voneinander abhängig sind, kann eine einfache ANOVA problematisch werden. Dann wäre möglicherweise ein Mehrebenenmodell besser geeignet.
Die Normalität sollte nicht allein mit einem Signifikanztest beurteilt werden. Bei kleineren Stichproben helfen Histogramme, Q-Q-Plots und die Prüfung auffälliger Ausreißer. Einzelne moderate Abweichungen sind bei ähnlich großen Gruppen häufig weniger kritisch. Stark schiefe Verteilungen, Bodeneffekte oder wenige extreme Messwerte können das Ergebnis jedoch deutlich beeinflussen.
Für den Zwischensubjektfaktor wird meist der Levene-Test zur Prüfung der Varianzhomogenität herangezogen. Bei nur zwei Messzeitpunkten entfällt die Sphärizitätsannahme, da sie erst bei drei oder mehr Stufen eines Messwiederholungsfaktors relevant wird. Das ist ein praktischer Vorteil dieses Prä-Post-Designs.
Fehlende Werte verdienen besondere Aufmerksamkeit. Wenn einzelne Spieler am Posttest nicht teilnehmen, führt die klassische Messwiederholungs-ANOVA häufig zum vollständigen Ausschluss dieser Fälle. Das reduziert die Teststärke und kann Verzerrungen erzeugen. Bei relevantem Missing Data-Anteil sind lineare gemischte Modelle oft die bessere, flexiblere Wahl.
Durchführung in SPSS, R oder Jamovi
Die Software ist weniger entscheidend als eine korrekte Datenstruktur und ein sauber definierter Analyseplan. In SPSS wird eine gemischte ANOVA typischerweise über das allgemeine lineare Modell mit Messwiederholung umgesetzt. Die Prä- und Postwerte werden als Messwiederholungsvariablen definiert, die Trainingsgruppe als Zwischensubjektfaktor ergänzt.
In R lässt sich die Analyse beispielsweise mit Funktionen für Varianzanalysen oder mit linearen gemischten Modellen berechnen. Jamovi und JASP bieten eine grafische Oberfläche, die für viele Abschlussarbeiten gut geeignet ist. Dennoch gilt: Ein korrekt ausgeführter Menüpfad schützt nicht vor einer falschen Modellentscheidung.
Vor der Auswertung sollte klar dokumentiert sein, welche Variable primärer Endpunkt ist, wie Ausreißer behandelt werden, ob Kovariaten vorgesehen sind und welche Vergleiche nach einer Interaktion geprüft werden. Werden diese Entscheidungen erst nach Sichtung der Ergebnisse getroffen, steigt das Risiko selektiver Interpretation.
So formulieren Sie den Ergebnisteil wissenschaftlich korrekt
Ein überzeugender Ergebnisteil trennt Beschreibung, Testresultat und fachliche Einordnung. Zunächst werden Mittelwerte und Standardabweichungen berichtet, danach die ANOVA-Ergebnisse mit Freiheitsgraden, F-Wert, p-Wert und Effektgröße. Anschließend folgen die vorab definierten oder methodisch begründeten Post-hoc-Vergleiche.
Eine mögliche Formulierung lautet:
> Die Sprintzeit verringerte sich in der plyometrischen Trainingsgruppe von M = 4,61 s (SD = 0,18) auf M = 4,47 s (SD = 0,17). In der Krafttrainingsgruppe betrug die Veränderung 0,08 s, in der Kontrollgruppe 0,03 s. Die gemischte Varianzanalyse ergab eine signifikante Interaktion zwischen Messzeitpunkt und Trainingsgruppe, F(2, 51) = 5,92, p = ,005, partielles η² = ,188. Post-hoc-Vergleiche zeigten eine stärkere Verbesserung der plyometrischen Gruppe gegenüber der Kontrollgruppe.
Für die Diskussion reicht es nicht, „Plyometrie wirkt“ zu schreiben. Die Aussage sollte an Design und Grenzen gebunden bleiben: Die Daten sprechen unter den untersuchten Bedingungen für einen stärkeren kurzfristigen Effekt auf die 30-Meter-Sprintzeit. Aussagen über andere Leistungsniveaus, längere Trainingszeiträume oder Verletzungsrisiken sind damit noch nicht belegt.
Wenn Ihre Sportstudie mehr als zwei Messzeitpunkte, ungleiche Gruppengrößen, relevante Ausfälle oder mehrere abhängige Leistungsparameter enthält, kann ein anderes Verfahren angemessener sein. Eine frühzeitige methodische Prüfung spart später aufwendige Korrekturen im Ergebnisteil. Für eine individuelle Einschätzung Ihres Designs können Sie über das Kontaktformular eine Statistikberatung bei Easy Statistik anfordern - diskret, nachvollziehbar und auf akademischem Niveau.
