Type-II-Fehler (Type 2 Error) — Wenn Logik sich verkleidet

Ein Type-II-Fehler (falsch-negativ) tritt auf, wenn ein statistischer Test eine falsche Nullhypothese nicht ablehnt und somit einen realen Effekt übersieht. Die Wahrscheinlichkeit eines Type-II-Fehlers wird mit Beta bezeichnet; die statistische Power (1 - Beta) ist die Wahrscheinlichkeit, einen echten Effekt korrekt zu identifizieren. „Unterpowerte“ Studien mit kleinen Stichproben sind besonders anfällig für Type-II-Fehler.

Auch bekannt als: False Negative, Beta Error, Missed Detection, Falsch-negativ, Fehler 2. Art

Wie es funktioniert

Menschen setzen „kein signifikantes Ergebnis“ oft mit „kein Effekt“ gleich. Das Fehlen von Beweisen wird als Beweis für das Fehlen gewertet, besonders wenn die Studie ansonsten seriös wirkt.

Ein klassisches Beispiel

Eine Studie mit nur 30 Teilnehmern testet eine neue Lehrmethode. Der Effekt ist real, aber moderat. Die Studie findet p = 0,12, schließt auf „keinen signifikanten Unterschied“ und die Methode wird verworfen. Eine spätere Studie mit 300 Teilnehmern bestätigt jedoch die Wirksamkeit.

Wo man das in der Praxis findet

Type-II-Fehler sind häufig in frühen klinischen Studien, bei Umweltverträglichkeitsprüfungen und in der Qualitätskontrolle, wenn Inspektionen teuer sind.

Wie man es erkennt und kontert

Prüfe immer die statistische Power einer Studie, bevor du ein Null-Ergebnis akzeptierst. Achte auf Konfidenzintervalle: Ein breites Intervall, das die Null kreuzt, deutet eher auf unzureichende Daten als auf die Abwesenheit eines Effekts hin.

Das Fazit

Type-II-Fehler (Type 2 Error) gehört zu den Denkfehlern, die auf den ersten Blick völlig logisch klingen. Genau das macht sie gefährlich — sie tragen das Kostüm valider Argumentation, während sie eine fehlerhafte Schlussfolgerung einschmuggeln. Die beste Verteidigung? Langsamer werden und fragen: Folgt diese Schlussfolgerung tatsächlich aus diesen Prämissen?