Mixed Models oder ANOVA: Was passt zu Ihrer Studie?

Eine Prä-Post-Messung, drei Therapiegruppen und einige fehlende Follow-up-Werte: Genau an diesem Punkt wird die Frage „Mixed Models oder ANOVA“ für viele Abschlussarbeiten und Forschungsprojekte entscheidend. Die Wahl beeinflusst nicht nur p-Werte, sondern auch, welche Daten in die Analyse eingehen, wie Effekte interpretiert werden und ob das Vorgehen gegenüber Betreuung, Review oder Prüfung fachlich standhält.

Die gute Nachricht: Es geht selten darum, welches Verfahren allgemein „besser“ ist. Entscheidend sind Ihr Studiendesign, die Struktur Ihrer Daten und die Frage, die Sie beantworten möchten. Eine klassische ANOVA kann vollkommen angemessen sein. Lineare Mixed Models sind jedoch häufig die überzeugendere Lösung, wenn Messungen innerhalb derselben Personen, unvollständige Verläufe oder komplexere Stichprobenstrukturen vorliegen.

Mixed Models oder ANOVA: Der zentrale Unterschied

Eine ANOVA prüft, ob sich Mittelwerte zwischen Gruppen, Zeitpunkten oder Bedingungen unterscheiden. In der klassischen Varianzanalyse wird dabei meist mit einer festen, vollständig beobachteten Datenmatrix gearbeitet: Jede Person hat für jeden vorgesehenen Messzeitpunkt einen Wert. Abhängigkeiten wiederholter Messungen werden über besondere ANOVA-Varianten berücksichtigt, etwa über eine Messwiederholungs-ANOVA.

Ein lineares Mixed Model, auch Mehrebenenmodell oder Linear Mixed-Effects Model genannt, trennt dagegen zwei Arten von Effekten. Fixed Effects beschreiben die inhaltlich interessierenden Einflüsse, etwa Gruppe, Zeitpunkt und deren Interaktion. Random Effects bilden ab, dass Beobachtungen innerhalb einer Person, einer Klasse, einer Klinik oder eines Studienzentrums einander ähnlicher sein können als Beobachtungen aus unterschiedlichen Einheiten.

Das ist keine rein technische Feinheit. Wenn dieselbe Person mehrfach befragt wird, startet sie häufig auf einem individuellen Ausgangsniveau. Ein Mixed Model kann solche personenspezifischen Unterschiede explizit modellieren, beispielsweise über zufällige Interzepte. Je nach Design können auch individuelle Veränderungsverläufe als zufällige Steigungen berücksichtigt werden.

Wann eine ANOVA die passende Wahl ist

Bei einem klaren, einfachen Design bleibt die ANOVA ein gut nachvollziehbares Verfahren. Haben Sie beispielsweise zwei voneinander unabhängige Gruppen und messen den Blutdruck nur einmal, beantwortet eine einfaktorielle ANOVA dieselbe Kernfrage wie ein t-Test für unabhängige Stichproben. Bei drei vollständig erhobenen Messzeitpunkten innerhalb derselben Personen kann eine Messwiederholungs-ANOVA ebenfalls sinnvoll sein.

Eine ANOVA passt besonders dann, wenn die Daten vollständig sind, die Messzeitpunkte für alle Personen identisch geplant wurden und die Abhängigkeitsstruktur überschaubar bleibt. Sie ist in vielen Fachbereichen etabliert, lässt sich gut berichten und wird von Leserinnen und Lesern schnell eingeordnet.

Bei wiederholten Messungen setzt die klassische Messwiederholungs-ANOVA allerdings Sphärizität voraus. Vereinfacht gesagt müssen die Varianzen der Differenzen zwischen den Messzeitpunkten vergleichbar sein. Wird diese Annahme verletzt, sind Korrekturen wie Greenhouse-Geisser nötig. Solche Korrekturen sind legitim, beantworten aber nicht jedes Problem des Datensatzes.

Eine ANOVA ist zudem weniger flexibel, wenn Daten fehlen. Häufig werden nur Fälle analysiert, die an allen Messzeitpunkten vollständige Werte liefern. Das kann die Stichprobe deutlich verkleinern. Kritisch wird es, wenn Ausfälle systematisch auftreten, etwa weil Personen mit schlechterem Befinden seltener zum Follow-up erscheinen. Dann verändert sich möglicherweise nicht nur die Präzision, sondern auch die Aussage des Ergebnisses.

Wann Mixed Models deutliche Vorteile bieten

Mixed Models sind häufig die bessere Wahl, sobald Ihre Daten hierarchisch oder ungleichmäßig strukturiert sind. Typische Beispiele sind Patientinnen und Patienten mit unterschiedlich vielen Visiten, Schülerinnen und Schüler innerhalb von Klassen, Mitarbeitende in Teams oder Probanden, die nicht an jedem Messzeitpunkt teilnehmen konnten.

Der wichtigste praktische Vorteil: Unter plausiblen Annahmen können Mixed Models alle verfügbaren Beobachtungen berücksichtigen, statt Personen mit einzelnen fehlenden Werten pauschal auszuschließen. Das bedeutet nicht, dass fehlende Daten plötzlich folgenlos sind. Sie müssen weiterhin prüfen, warum Werte fehlen und ob die Annahme eines zufälligen Fehlens bedingt auf beobachtete Variablen vertretbar ist. Dennoch ist das Verfahren für longitudinale Forschungsdaten meist besser geeignet als eine vollständige Fallanalyse.

Auch zeitlich unregelmäßige Messungen lassen sich abbilden. Wenn eine Person nach 28 Tagen und eine andere nach 35 Tagen untersucht wurde, muss Zeit nicht zwingend als starre Kategorie behandelt werden. Sie kann im Modell als metrische Variable eingehen. Damit lässt sich beispielsweise prüfen, ob sich ein Symptomscore pro Woche verändert und ob diese Veränderung zwischen Interventions- und Kontrollgruppe differiert.

Ein weiterer Vorteil liegt in der Erweiterbarkeit. Mixed Models erlauben zusätzliche Kovariaten, verschachtelte Ebenen und differenzierte Varianzstrukturen. Diese Freiheit ist wissenschaftlich wertvoll, verlangt aber methodische Disziplin. Ein unnötig kompliziertes Modell mit vielen zufälligen Effekten kann bei kleiner Stichprobe instabil werden oder nicht konvergieren. Mehr Komplexität ist nicht automatisch mehr Qualität.

Der häufige Sonderfall: Mixed ANOVA ist nicht Mixed Model

Die Begriffe werden oft verwechselt. Eine Mixed ANOVA bezeichnet gewöhnlich ein Design mit einem Between-Subjects-Faktor und einem Within-Subjects-Faktor, zum Beispiel Therapiegruppe als Gruppenfaktor und Messzeitpunkt als Messwiederholungsfaktor. Sie ist weiterhin eine ANOVA.

Ein Mixed Model ist dagegen ein Modell mit festen und zufälligen Effekten. Beide Ansätze können bei einer Studie mit Gruppen und mehreren Zeitpunkten eingesetzt werden, beruhen jedoch auf unterschiedlichen Modellierungslogiken. Wer im Methodenteil nur von einer „Mixed-Model-ANOVA“ spricht, ohne das konkrete Verfahren zu präzisieren, schafft unnötige Angriffsfläche.

Die Interaktion beantwortet oft die eigentliche Forschungsfrage

In Interventions-, Therapie- oder Trainingsstudien lautet die zentrale Frage selten nur: Unterscheiden sich Gruppen? Oder: Verändern sich Werte über die Zeit? Häufig lautet sie: Verändern sich die Gruppen unterschiedlich über die Zeit?

Diese Frage prüft die Interaktion aus Gruppe und Zeit. Ein signifikanter Zeiteffekt kann bedeuten, dass sich alle Teilnehmenden verbessern. Ein Gruppeneffekt kann auf durchschnittliche Unterschiede unabhängig vom Zeitpunkt hinweisen. Erst die Gruppen-mal-Zeit-Interaktion zeigt, ob beispielsweise eine Intervention einen anderen Verlauf erzeugt als die Vergleichsbedingung.

Nach einer auffälligen Interaktion sind gezielte Kontraste oder geschätzte marginale Mittelwerte erforderlich. Es reicht nicht, lediglich auf einen globalen p-Wert zu verweisen. Leserinnen und Leser müssen erkennen können, welche Gruppen sich zu welchem Zeitpunkt unterscheiden oder wie stark sich die Veränderung innerhalb einer Gruppe ausprägt. Berichten Sie deshalb Effektgrößen und Konfidenzintervalle mit, nicht nur Signifikanzwerte.

Eine praxistaugliche Entscheidung für Ihre Analyse

Stellen Sie zunächst nicht die Softwarefrage, sondern die Designfrage. Wer wurde wie oft gemessen? Sind Beobachtungen innerhalb von Personen, Zentren oder Klassen verschachtelt? Gibt es Ausfälle, unterschiedliche Messabstände oder unbalancierte Gruppengrößen? Erst dann wird klar, ob eine ANOVA die Datenstruktur ausreichend abbildet.

Als Orientierung gilt: Für einen einfachen Gruppenvergleich mit einer Messung ist eine ANOVA oft ausreichend. Für vollständige, gleich getaktete Messwiederholungen kann eine Messwiederholungs- oder Mixed ANOVA passend sein. Bei fehlenden Messungen, mehrstufigen Daten oder individuellen Verläufen sprechen gute Gründe für ein Mixed Model.

Die Entscheidung hängt außerdem von Ihrer Zielsetzung ab. Möchten Sie vor allem einen standardisierten Vergleich in einer übersichtlichen Abschlussarbeit darstellen, kann ein einfacheres Verfahren fachlich angemessen und leichter kommunizierbar sein. Planen Sie eine Publikation mit longitudinalen klinischen Daten oder einer Clusterstruktur, reicht eine konventionelle ANOVA häufig nicht aus.

Was im Methodenteil nachvollziehbar dokumentiert werden sollte

Unabhängig vom Verfahren muss der Analyseweg prüfbar bleiben. Beschreiben Sie die abhängige Variable, Faktoren und Kovariaten, den Umgang mit fehlenden Daten sowie die getesteten Interaktionen. Bei einer ANOVA gehören die Prüfung relevanter Annahmen und gegebenenfalls Korrekturen dazu.

Bei Mixed Models sollten Sie feste und zufällige Effekte transparent benennen. Erklären Sie etwa, ob für Personen zufällige Interzepte und Steigungen modelliert wurden, wie Zeit codiert wurde und nach welchem Kriterium Modelle verglichen wurden. Auch die verwendete Schätzmethode und die Software gehören in einen sauberen Methodenteil. Die Ergebnisdarstellung muss dabei verständlich bleiben: Ein statistisch korrektes Modell überzeugt erst dann, wenn seine Aussage für die Forschungsfrage klar formuliert ist.

Gerade bei Thesis, Dissertation oder Publikation lohnt sich eine methodische Prüfung vor der finalen Auswertung. Easy Statistik unterstützt Forschende mit individueller Beratung durch promovierte Statistikerinnen und Statistiker, nachvollziehbarer Modellauswahl und einer Auswertung, die sich auch im Text und bei Rückfragen sicher vertreten lässt.

Wenn Ihre Daten mehrere Zeitpunkte, Gruppen oder fehlende Werte enthalten, lassen Sie die Entscheidung nicht von einer voreingestellten Softwareoption treffen. Schildern Sie Ihr Design über das Kontaktformular und lassen Sie prüfen, welches Modell Ihre Forschungsfrage präzise beantwortet - bevor aus einem vermeintlich einfachen Gruppenvergleich ein methodisches Risiko wird.