Der p-Wert ist die zentrale Kennzahl des Signifikanztests. Die American Statistical Association (ASA) beschreibt ihn als Wahrscheinlichkeit, unter einem festgelegten statistischen Modell eine Kennzahl der Daten zu erhalten, die gleich dem beobachteten Wert oder extremer ist. Liegt der p-Wert nicht über dem festgelegten Signifikanzniveau α, gilt ein Ergebnis als statistisch signifikant. Im Studium der Wirtschaftspsychologie gehört der p-Wert zum Prüfungsstoff der Statistik und zur Auswertung empirischer Abschlussarbeiten.
Grundlagen: Herkunft von p-Wert und Signifikanzniveau
Ronald A. Fisher schlug 1925 in „Statistical Methods for Research Workers“ vor, den Wert P = 0,05, also 1 von 20, als Grenze zu nehmen, ab der eine Abweichung als signifikant gilt. Bei der Normalverteilung entspricht das einer Abweichung von rund 1,96 Standardabweichungen. Jerzy Neyman und Egon S. Pearson fassten 1933 den Test als Entscheidung über eine Hypothese und beschrieben zwei Fehlerquellen: eine Hypothese zu verwerfen, obwohl sie zutrifft, und sie anzunehmen, obwohl sie falsch ist.
Daraus ergibt sich die Notation, mit der Statistikmodule arbeiten:
- H0: Nullhypothese, oft „kein Effekt“ oder „kein Unterschied“; H1: Alternativhypothese
- p = P(T ≥ t | H0): Wahrscheinlichkeit, unter H0 eine Teststatistik T zu erhalten, die mindestens so extrem ist wie der beobachtete Wert t (hier für einen einseitigen Test)
- α: Wahrscheinlichkeit, H0 zu verwerfen, obwohl sie zutrifft (Fehler 1. Art); verbreitet ist α = 0,05
- β: Wahrscheinlichkeit, H0 beizubehalten, obwohl sie falsch ist (Fehler 2. Art); 1 − β heißt Teststärke oder Power
- Entscheidungsregel: p ≤ α → H0 verwerfen; p > α → H0 beibehalten, aber nicht bestätigen
Vierfeldertafel. Spalten: Die Nullhypothese H0 gilt oder gilt nicht. Zeilen: Der Test verwirft H0 oder behält sie bei. Verwerfen, obwohl H0 gilt, ist der Fehler 1. Art mit der Wahrscheinlichkeit Alpha; Beibehalten, obwohl H0 nicht gilt, ist der Fehler 2. Art mit der Wahrscheinlichkeit Beta. Die richtigen Entscheidungen haben die Wahrscheinlichkeiten 1 minus Alpha und 1 minus Beta, die Teststärke. Darunter drei Fehldeutungen: p ist nicht die Wahrscheinlichkeit, dass H0 stimmt, nicht die Größe des Effekts und bei p größer Alpha kein Beleg für H0.
p-Wert im Studium der Wirtschaftspsychologie
Methoden- und Statistikfächer nennen 69 von 95 erfassten Anbietern laut Recherche, Stand Oktober 2026, in Studiengangsnamen, Schwerpunkten oder Modullisten. In Klausuren geht es typischerweise darum, zu einer Fragestellung H0 und H1 zu formulieren (Hypothese), bei gegebenem p und α zu entscheiden, etwa nach einem t-Test, und die beiden Fehlerarten an einem Beispiel auseinanderzuhalten. Häufige Fehldeutungen lassen sich mit den sechs Grundsätzen des ASA-Statements von 2016 prüfen:
| Fehldeutung | Richtig laut ASA-Statement |
|---|---|
| „p ist die Wahrscheinlichkeit, dass H0 stimmt.“ | p beschreibt die Daten im Verhältnis zu einem Modell, nicht die Wahrheit der Hypothese (Grundsatz 2). |
| „p zeigt, wie wahrscheinlich das Ergebnis Zufall ist.“ | p ist auch nicht die Wahrscheinlichkeit, dass die Daten allein durch Zufall entstanden (Grundsatz 2). |
| „Kleines p bedeutet großer Effekt.“ | p misst weder Größe noch Bedeutung eines Effekts; bei großer Stichprobe kann auch ein sehr kleiner Effekt ein kleines p erzeugen (Grundsatz 5). |
| „p > 0,05 belegt, dass es keinen Effekt gibt.“ | Ein großer p-Wert ist kein Beleg für H0; andere Hypothesen können ebenso gut zu den Daten passen (Grundsatz 6). |
Neben den p-Wert gehört deshalb eine Effektstärke; das Statement nennt außerdem Konfidenzintervalle als Schätzverfahren. Für die eigene Arbeit fordert es vollständige Transparenz: Anzahl der geprüften Hypothesen, alle durchgeführten Analysen und alle berechneten p-Werte. Zur Schreibweise statistischer Symbole gibt es einen Abschnitt im Ratgeber zur Formatierung der Masterarbeit.
In der Praxis: Personal, Markt, Organisation
Signifikanztests kommen in Mitarbeiterbefragungen, bei der Evaluation von Trainings oder beim Vergleich zweier Varianten einer Anzeige vor. Das ASA-Statement bezieht ausdrücklich auch geschäftliche und politische Entscheidungen ein: Sie sollen nicht allein davon abhängen, ob ein p-Wert eine Schwelle unterschreitet. Ein signifikanter Unterschied in einer Befragung sagt also noch nicht, ob er groß genug ist, um eine Maßnahme zu begründen. Umgekehrt kann bei kleinen Gruppen ein bedeutsamer Unterschied ohne Signifikanz bleiben.
Kritik und Forschungsstand
Die Open Science Collaboration wiederholte 2015 insgesamt 100 Studien aus drei psychologischen Fachzeitschriften. 97 Prozent der Originalstudien hatten statistisch signifikante Ergebnisse, 36 Prozent der Wiederholungen; die Effekte der Wiederholungen waren im Mittel halb so groß. Die Arbeit ist ein Bezugspunkt der Debatte um die Replikationskrise. Das ASA-Statement warnt, dass selektives Berichten und p-Hacking, also das Suchen nach kleinen p-Werten über viele Analysen, zu einem Übermaß signifikanter Ergebnisse in der veröffentlichten Literatur führen.
Wie es weitergeht, ist offen. Benjamin und andere (2018) schlugen vor, die Standardschwelle für Behauptungen neuer Entdeckungen von 0,05 auf 0,005 zu senken. Das ASA-Statement setzt auf Kontext: Studiendesign, Messqualität, externe Evidenz und die Annahmen der Analyse gehören zur Bewertung eines Ergebnisses.