Statistische Power (Teststärke)

Die statistische Power gibt an, wie wahrscheinlich eine Studie einen echten Effekt findet, wenn dieser tatsächlich existiert.

Einfach erklärt

Stell dir eine Studie wie einen Metalldetektor vor:

Hohe Power (z.B. 90%): Findet 9 von 10 vergrabenen Münzen
Niedrige Power (z.B. 50%): Findet nur 5 von 10 Münzen

Eine Studie mit niedriger Power kann einen echten Effekt “übersehen” – nicht weil er nicht da ist, sondern weil die Studie nicht empfindlich genug war.

Der Standard: 80%

In der Forschung gilt eine Power von 80% als Minimum. Das bedeutet:

Wenn ein Effekt existiert, findet die Studie ihn mit 80% Wahrscheinlichkeit
In 20% der Fälle wird der Effekt übersehen (falsch-negatives Ergebnis)

Was beeinflusst die Power?

1. Stichprobengröße

Mehr Teilnehmer = höhere Power

Teilnehmer	Power (ca.)
30	~40%
100	~60%
300	~80%
1.000	~95%

2. Effektgröße

Größere Effekte sind leichter zu finden

Starker Effekt (z.B. Kopfschmerz weg nach Aspirin): Weniger Teilnehmer nötig
Kleiner Effekt (z.B. 2% bessere Konzentration durch Kaugummi): Viele Teilnehmer nötig

3. Signifikanzniveau

Strengeres Signifikanzniveau (p < 0,01 statt p < 0,05) = niedrigere Power
Trade-off zwischen Genauigkeit und Empfindlichkeit

Warum ist das wichtig?

“Kein Effekt gefunden” ≠ “Kein Effekt vorhanden”

Wenn eine kleine Studie keinen Effekt findet, kann das zwei Gründe haben:

Es gibt wirklich keinen Effekt
Die Studie hatte zu wenig Power, um den Effekt zu erkennen

Deshalb sind große Studien und Meta-Analysen so wertvoll.

Beispiel

Studie A (n=50, Power 40%): “Kein signifikanter Effekt von Omega-3 auf Depression”

Studie B (n=5.000, Power 95%): “Kleiner, aber signifikanter Effekt von Omega-3 auf Depression”

Studie B ist aussagekräftiger – sie hätte den Effekt gefunden, wenn er nicht existiert.

Underpowered Studies

Studien mit zu niedriger Power nennt man “underpowered”. Sie sind problematisch:

Verschwenden Ressourcen
Können echte Effekte übersehen
Führen zu falschen Schlussfolgerungen

Bei Studienklar

Wir achten auf:

Stichprobengröße (Teil unseres Evidence Scores)
Angabe der Power in der Studie (wenn vorhanden)
Meta-Analysen, die viele kleine Studien zusammenfassen