Zwei kategoriale Variablen, eine Kreuztabelle, die Frage nach dem Zusammenhang: Der Chi-Quadrat-Test gehört zu den am häufigsten gebrauchten Verfahren in empirischen Doktorarbeiten — und zu den am häufigsten schlampig berichteten. Dabei ist er in SPSS in wenigen Klicks gerechnet. Die eigentliche Kunst liegt davor und danach: in der Prüfung der Voraussetzungen und in der korrekten Lesart des Outputs.
Diese Anleitung führt Schritt für Schritt durch den kompletten Ablauf: von der Datenstruktur über den Dialogweg in SPSS und die Prüfung der erwarteten Häufigkeiten bis zur Interpretation von Teststatistik, Effektstärke und standardisierten Residuen — abgerundet durch ein durchgerechnetes Beispiel und die typischen Fehler, die Gutachter sofort erkennen.
Was der Chi-Quadrat-Test prüft
Bevor die Klickstrecke beginnt, lohnt ein kurzer Blick auf die Logik des Verfahrens — sie macht den Output später selbsterklärend.
Beobachtet vs. erwartet
Der Test vergleicht die tatsächlich beobachteten Zellhäufigkeiten einer Kreuztabelle mit den Häufigkeiten, die zu erwarten wären, wenn beide Variablen voneinander unabhängig wären. Je stärker beobachtete und erwartete Werte auseinanderklaffen, desto größer wird die Chi-Quadrat-Statistik — und desto unplausibler die Annahme der Unabhängigkeit.
Hypothesenpaar und Testlogik
Die Nullhypothese lautet: Beide Variablen sind unabhängig, es gibt keinen Zusammenhang. Die Alternativhypothese: Es besteht ein Zusammenhang. Ein kleiner p-Wert spricht gegen die Unabhängigkeit. Wichtig: Der Test sagt nichts über die Richtung oder Stärke des Zusammenhangs — dafür sind Residuenanalyse und Effektstärken zuständig.
Varianten des Verfahrens
Unter dem Etikett Chi-Quadrat versammeln sich mehrere Tests: der Unabhängigkeitstest für Kreuztabellen (der häufigste Fall), der Anpassungstest, der eine beobachtete Verteilung gegen eine theoretische prüft, und der Homogenitätstest, der Verteilungen mehrerer Gruppen vergleicht. In SPSS laufen Unabhängigkeits- und Homogenitätstest über denselben Dialog — die Kreuztabellen-Prozedur.
Daten richtig vorbereiten
Der häufigste Stolperstein liegt vor dem ersten Klick: in der Datenstruktur.
Eine Zeile pro Fall — oder gewichtete Häufigkeiten
Im Standardformat enthält der Datensatz eine Zeile pro Person mit den Ausprägungen beider Variablen. Liegen die Daten bereits aggregiert als Häufigkeitstabelle vor, müssen die Fälle über Daten → Fälle gewichten mit der Häufigkeitsvariable gewichtet werden — sonst rechnet SPSS mit der Zeilenzahl statt mit den echten Fallzahlen.
Messniveau und Wertelabels prüfen
Beide Variablen sollten in der Variablenansicht als nominal (oder ordinal) deklariert und mit Wertelabels versehen sein. Das ändert zwar nichts an der Rechnung, macht aber Output und spätere Tabellen für die Dissertation lesbar — und verhindert Verwechslungen bei der Interpretation der Zellen.
Schritt für Schritt: der Dialogweg in SPSS
Der komplette Test läuft über einen einzigen Dialog — entscheidend sind die richtigen Häkchen.
Schritt 1: Kreuztabelle aufrufen
Der Weg führt über Analysieren → Deskriptive Statistiken → Kreuztabellen. Eine Variable kommt in die Zeilen, die andere in die Spalten. Inhaltlich bewährt: die unabhängige Variable in die Zeilen, die abhängige in die Spalten — dann lassen sich Zeilenprozente direkt als Gruppenvergleich lesen.
Schritt 2: Statistiken anfordern
Hinter der Schaltfläche „Statistiken” aktivieren Sie Chi-Quadrat sowie Phi und Cramérs V für die Effektstärke. Bei ordinalen Variablen kann zusätzlich Kendalls Tau-b sinnvoll sein.
Schritt 3: Zellenanzeige konfigurieren
Unter „Zellen” wählen Sie neben den beobachteten auch die erwarteten Häufigkeiten (für die Voraussetzungsprüfung), Zeilen- oder Spaltenprozente (für die inhaltliche Interpretation) und die standardisierten Residuen (um zu sehen, welche Zellen den Zusammenhang tragen).
Schritt 4: Exakten Test bereithalten
Über die Schaltfläche „Exakt” lässt sich der exakte Test nach Fisher anfordern — bei 2×2-Tabellen gibt SPSS ihn ohnehin automatisch aus. Bei kleinen Stichproben ist das die Absicherung gegen verletzte Voraussetzungen.
Den Output richtig lesen
SPSS liefert drei Tabellen — und in jeder steckt eine Information, die in die Dissertation gehört.
Die Kreuztabelle: Richtung des Zusammenhangs
Die erste Tabelle zeigt beobachtete und erwartete Häufigkeiten samt Prozentwerten. Hier lesen Sie ab, wie die Variablen zusammenhängen: Welche Gruppe zeigt häufiger welches Merkmal? Diese inhaltliche Beschreibung gehört vor jede Teststatistik.
Die Teststatistik: Chi-Quadrat nach Pearson
In der zweiten Tabelle ist die Zeile „Chi-Quadrat nach Pearson” maßgeblich: Teststatistik, Freiheitsgrade und asymptotische zweiseitige Signifikanz. Die Fußnote darunter ist Pflichtlektüre — sie meldet, wie viele Zellen erwartete Häufigkeiten unter 5 haben. Überschreitet der Anteil 20 Prozent, ist der asymptotische Test nicht verlässlich; dann zählt die Zeile des exakten Tests nach Fisher. Die Zeile „Kontinuitätskorrektur” (Yates) ist nur für 2×2-Tabellen relevant und gilt heute als überkorrigiert — üblich ist Pearson oder gleich Fisher.
Effektstärke und Residuen: Stärke und Träger des Effekts
Cramérs V ordnet die Stärke des Zusammenhangs ein: Werte um .10 gelten als klein, um .30 als mittel, ab .50 als groß (bei df = 1; mit mehr Kategorien verschieben sich die Schwellen nach unten). Die standardisierten Residuen in den Zellen zeigen, wo der Zusammenhang entsteht: Beträge über 2 markieren Zellen, die signifikant vom Unabhängigkeitsmodell abweichen — gerade bei größeren Tabellen das wichtigste Interpretationswerkzeug.
| Output-Element | Wo zu finden | Was es beantwortet |
|---|---|---|
| Beobachtete/erwartete Häufigkeiten | Kreuztabelle | Wie sieht der Zusammenhang inhaltlich aus? |
| Chi-Quadrat nach Pearson | Tabelle „Chi-Quadrat-Tests” | Ist der Zusammenhang signifikant? |
| Fußnote zu erwarteten Häufigkeiten | unter der Testtabelle | Ist der Test überhaupt gültig? |
| Exakter Test nach Fisher | Tabelle „Chi-Quadrat-Tests” | Absicherung bei kleinen Zellen |
| Cramérs V / Phi | Tabelle „Symmetrische Maße” | Wie stark ist der Zusammenhang? |
| Standardisierte Residuen | Zellen der Kreuztabelle | Welche Zellen tragen den Effekt? |
Durchgerechnetes Beispiel aus der Promotionspraxis
Eine Doktorandin der Zahnmedizin untersucht, ob die Teilnahme an einem Prophylaxe-Programm (ja/nein) mit dem Auftreten von Sekundärkaries innerhalb von zwei Jahren (ja/nein) zusammenhängt; N = 240 Patientenakten.
Durchführung und Output
Die Kreuztabelle zeigt: In der Programmgruppe entwickeln 18 von 120 Patienten Sekundärkaries (15 Prozent), in der Vergleichsgruppe 38 von 120 (31,7 Prozent). Alle erwarteten Häufigkeiten liegen über 20 — die Voraussetzung ist erfüllt. Der Pearson-Test liefert χ²(1, N = 240) = 9,38, p = .002; Cramérs V = .20 entspricht einem kleinen bis mittleren Effekt. Die standardisierten Residuen bestätigen, dass beide Karies-Zellen die Abweichung tragen.
Formulierung für die Dissertation
„Zwischen Programmteilnahme und Sekundärkaries bestand ein signifikanter Zusammenhang, χ²(1, N = 240) = 9,38, p = .002, V = .20: Teilnehmende entwickelten mit 15,0 % deutlich seltener Sekundärkaries als Nicht-Teilnehmende mit 31,7 %.” — Teststatistik, Richtung und Größenordnung in einem Satz; die vollständige Kreuztabelle steht im Ergebniskapitel. In der Diskussion wird der Befund anschließend inhaltlich eingeordnet: mögliche Selektionseffekte der Aktenauswahl, Vergleich mit publizierten Prophylaxe-Studien und die Frage, ob der beobachtete Unterschied klinisch relevant ist. Diese Trennung — nüchterne Statistik im Ergebnisteil, Bewertung in der Diskussion — gehört zu den Strukturmerkmalen, auf die Gutachter konsequent achten.
Syntax statt Klickweg: reproduzierbar arbeiten
Für die Dissertation empfiehlt es sich, den Dialog einmal zu konfigurieren und dann über „Einfügen” die Syntax zu übernehmen, statt auf „OK” zu klicken. Die entstehende CROSSTABS-Syntax dokumentiert jede Analyseentscheidung, lässt sich nach Datenkorrekturen mit einem Klick erneut ausführen und gehört als Auszug in den Anhang oder das Forschungsdatenrepositorium. Spätestens wenn die Betreuung eine geänderte Kategorisierung wünscht, zahlt sich der Syntax-Workflow aus: Alle Tabellen entstehen neu, ohne dass ein einziger Dialog erneut geöffnet werden muss.
Häufige Fehler und wie Sie sie vermeiden
Die immergleichen Stolpersteine lassen sich mit wenig Aufwand umgehen.
Die APA-Publikationsstandards sehen vor, bei einem signifikanten Chi-Quadrat-Ergebnis über Teststatistik, Freiheitsgrade und p-Wert hinaus eine Effektstärke wie Cramérs V zu berichten — und die Fußnote zu den erwarteten Häufigkeiten entscheidet, ob der asymptotische Test überhaupt gültig ist. Beide Angaben kosten zwei Sätze und nehmen der häufigsten Gutachterrückfrage die Grundlage. American Psychological Association, Publication Manual, 7. Auflage
Prozentwerte ohne Test — oder Test ohne Prozentwerte
Eine Kreuztabelle nur mit Prozenten beschreibt, beweist aber nichts; ein p-Wert ohne Häufigkeiten lässt die Richtung des Zusammenhangs offen. In die Arbeit gehören beide Ebenen.
Verletzte Voraussetzungen übergehen
Wenn SPSS mehr als 20 Prozent kleine erwartete Häufigkeiten meldet, ist der asymptotische p-Wert nicht belastbar. Die Lösung steht im selben Output: der exakte Test nach Fisher — er muss nur berichtet werden.
Signifikanz mit Relevanz verwechseln
Bei großen Stichproben — etwa bei Registerdaten, wie sie in Big-Data-Projekten üblich sind — wird fast jeder Zusammenhang signifikant. Ohne Cramérs V bleibt unklar, ob der Befund praktisch bedeutsam ist.
Abhängige Daten in die Kreuztabelle zwingen
Vorher-Nachher-Messungen derselben Personen verletzen die Unabhängigkeitsannahme. Dafür ist der McNemar-Test zuständig, den SPSS im selben Dialog anbietet. Und sobald die abhängige Variable metrisch ist, führt der Weg ohnehin zu Verfahren wie t-Test oder ANOVA.
Sonderfälle, die in Dissertationen häufig auftauchen
Jenseits der Standard-Kreuztabelle gibt es drei Konstellationen, die eigene Lösungen verlangen.
Mehr als zwei Kategorien: Wo genau liegt der Effekt?
Bei einer 3×4-Tabelle sagt ein signifikantes Gesamtergebnis wenig darüber, welche Kombinationen den Zusammenhang tragen. Neben den standardisierten Residuen helfen geplante Teilvergleiche: Einzelne 2×2-Subtabellen werden gezielt getestet, die p-Werte nach Bonferroni oder Holm adjustiert. Ungeplantes Durchprobieren aller Subtabellen ohne Korrektur ist dagegen ein klassischer Fall von p-Hacking — und fällt Gutachtern auf.
Der Anpassungstest: eine Variable gegen eine Sollverteilung
Soll geprüft werden, ob eine beobachtete Verteilung einer theoretischen entspricht — etwa ob sich vier Studiengänge gleichmäßig auf ein Beratungsangebot verteilen —, führt der Weg in SPSS über Analysieren → Nichtparametrische Tests → Alte Dialogfelder → Chi-Quadrat. Dort lassen sich erwartete Anteile frei definieren. Die Berichtslogik bleibt identisch: Teststatistik, Freiheitsgrade, p-Wert, plus deskriptive Verteilung.
Ordinale Variablen: Chi-Quadrat verschenkt Information
Sind beide Variablen ordinal — etwa Schweregrad und Therapiestufe —, ignoriert der klassische Test die Rangordnung. Der Linear-mit-Linear-Test (in SPSS automatisch als „Zusammenhang linear-mit-linear” ausgegeben) oder Kendalls Tau-b nutzen diese Information und haben bei tatsächlich geordneten Zusammenhängen mehr Teststärke. Die Wahl gehört kurz begründet ins Methodenkapitel.
Checkliste vor der Abgabe
Ein letzter Durchgang entlang dieser Punkte macht das Kapitel gutachterfest: Sind beide Variablen wirklich kategorial und die Beobachtungen unabhängig? Wurden die Fälle korrekt gewichtet, falls aggregierte Daten vorlagen? Steht die Fußnote zu den erwarteten Häufigkeiten im Einklang mit dem berichteten Test — Pearson bei erfüllten, Fisher bei verletzten Voraussetzungen? Sind χ², df, N, exakter p-Wert und Cramérs V vollständig im APA-Format berichtet? Beschreibt mindestens ein Satz die Richtung des Zusammenhangs mit Prozentwerten? Und liegt die vollständige Kreuztabelle im Ergebnis- oder Anhangskapitel? Wer alle Fragen bejaht, hat die häufigsten Kritikpunkte bereits abgeräumt.
KI-Tools als Unterstützung — mit klaren Grenzen
Sprachmodelle können SPSS-Output erstaunlich gut erklären: Wer die Tabelle „Chi-Quadrat-Tests” als Text einfügt, bekommt eine meist korrekte Einordnung von Teststatistik, Fußnote und Fisher-Alternative. Auch APA-Formulierungen und Syntax-Snippets (etwa CROSSTABS mit /STATISTICS=CHISQ PHI) generieren die Tools zuverlässig.
Die Grenzen: KI sieht weder Ihre Rohdaten noch Ihr Design. Ob Beobachtungen wirklich unabhängig sind, ob Kategorien zusammengelegt werden dürfen, ob ein gerichteter Test vertretbar wäre — das sind Entscheidungen, die Kontextwissen erfordern. Und niemals gehören personenbezogene Rohdaten in öffentliche Chatbots; für die Interpretation genügt der anonymisierte Output.
Wie eine professionelle Begleitung helfen kann
Kategoriale Auswertungen wirken simpel, stellen aber früh Weichen: Wie werden Variablen kategorisiert, ohne Information zu verschenken? Reicht der Chi-Quadrat-Test, oder braucht die Fragestellung eine logistische Regression mit Kontrollvariablen? Eine methodische Begleitung lohnt vor allem bei der Planung — wenn Kategorienschnitte und Fallzahl noch veränderbar sind — und beim gutachterfesten Aufschreiben der Ergebnisse. Wer hier zwei, drei Stunden in ein methodisches Review investiert, erspart sich Überarbeitungsschleifen nach der Begutachtung.
Fazit
Der Chi-Quadrat-Test in SPSS ist schnell gerechnet: Kreuztabellen-Dialog, Statistiken und Zellenanzeige konfigurieren, Output lesen. Belastbar wird die Analyse durch das Drumherum — geprüfte erwartete Häufigkeiten, der exakte Test als Absicherung, Cramérs V als Effektstärke und standardisierte Residuen für die Feininterpretation. Wer zusätzlich die Kreuztabelle inhaltlich beschreibt und das APA-Format einhält, hat eines der wichtigsten Standardverfahren der empirischen Promotion sauber im Griff.
Sie möchten die kategorialen Auswertungen Ihrer Dissertation methodisch sicher planen und gutachterfest berichten? Jetzt unverbindlich anfragen →
