Gepaarte Daten: dieselbe Untersuchungseinheit über Messungen hinweg erkennen

1. Die Untersuchungseinheit und ihre Paarung bestimmen

Zwei Messlisten sind nicht automatisch unabhängig und nicht automatisch gepaart. Entscheidend ist, welche Beobachtungen zusammengehören. Der NIST-Leitfaden beschreibt gepaarte Messungen etwa am selben Objekt vor und nach einem Vorgang oder mit zwei Messgeräten. Ihre Differenzen werden innerhalb der zugehörigen Paare gebildet. Schreibe deshalb zuerst auf, was deine Untersuchungseinheit ist: eine Person, ein Gerät oder ein begründet zusammengehöriges Paar. Ein Testname kann diese Designentscheidung nicht aus der bloßen Form einer Tabelle zuverlässig ableiten.

Im eigenen fiktiven Beispiel bearbeitet jede Person eine Aufgabe zu zwei Zeitpunkten. Die Messungen derselben Person gehören zusammen. Wenn dagegen im zweiten Durchgang andere Personen teilnehmen, entsteht durch gleiche Gruppengröße keine individuelle Paarung. Ein Matching kann ebenfalls eine begründete Paarstruktur herstellen, braucht aber dokumentierte Kriterien. Halte in deinem Analyseplan fest, welche Beziehung vorliegt und wie sie erhoben wurde. So vermeidest du, dass erst beim Ausprobieren verschiedener Tests eine vermeintlich passende Struktur nachträglich erfunden wird.

Weiterführend: NIST/SEMATECH: Analysis of Paired Observations

2. Paare mit einer stabilen Kennung statt mit Zeilenposition verbinden

Verwende in deiner Arbeitsdatei eine geeignete Kennung für jede Untersuchungseinheit und eine Kennzeichnung des Messzeitpunkts. Prüfe, ob die Kennung pro Zeitpunkt eindeutig ist. Doppelte Einträge können eine Zuordnung vervielfachen; eine neue Sortierung kann Reihenfolgen verändern. Füge Messungen deshalb nicht einfach nach ihrer Zeilennummer zusammen. Bewahre die ursprünglichen Daten und dokumentiere den Zuordnungsschritt. Für die Prüfung brauchst du keine öffentlich sichtbaren Klarnamen; halte die Kennungen und mögliche Zuordnungsschlüssel nach den Vorgaben deines Projekts geschützt.

Ein eigenes fiktives Kontrollbeispiel enthält in der ersten Liste P01, P02 und P03, in der zweiten P03, P01 und P02. Die korrekten Paare ergeben sich aus den Kennungen, nicht aus der aktuellen Reihenfolge. Ergänze nach dem Zusammenführen eine Prüftabelle mit Kennung, beiden Messwerten und Zuordnungsstatus. Stichprobenartige Sichtkontrolle reicht bei einem erkennbaren systematischen Fehler nicht aus. Prüfe die Eindeutigkeit und die Anzahl erfolgreicher Verbindungen über den gesamten Datensatz, bevor eine Differenz oder ein Test berechnet wird.

3. Differenzrichtung und tatsächlich ausgewertete Paare festhalten

Lege fest, welche Richtung deine Differenz hat, etwa nachher minus vorher. Im fiktiven Rechenbeispiel ergeben vorher 12 und nachher 9 die Differenz −3. Das ist nur eine illustrative Rechnung, kein Studienbefund. Ob ein negativer Wert günstig ist, hängt von der Zielgröße ab: Bei Bearbeitungszeit kann die Interpretation anders sein als bei einer Punktzahl. Schreibe die Einheit und Bedeutung neben die Formel. So bleibt die spätere Beschreibung mit der tatsächlichen Rechnung verbunden, statt eine Vorzeichenverwechslung als inhaltliches Ergebnis zu berichten.

Die offizielle R-Dokumentation erläutert für t.test mit paired = TRUE gleich lange Eingaben und das paarweise Entfernen fehlender Werte. Gleiche Länge allein bestätigt aber keine korrekte Zuordnung. Halte selbst fest, welche Paare deshalb nicht in die konkrete Berechnung eingehen und wie groß die tatsächlich analysierte Zahl ist. Entferne nicht erst fehlende Werte aus jeder Messliste separat und verbinde dann die verbleibenden Positionen. Dadurch können Messungen verschiedener Einheiten zu scheinbar vollständigen, aber falschen Paaren werden.

Weiterführend: R Core: Student’s t-Test, Argument paired und Behandlung fehlender Werte

4. Das Verfahren an Zielgröße und Design prüfen

Für einen gepaarten t-Test wird der Mittelwert der Paardifferenzen geprüft. Die Normalitätsannahme bezieht sich dabei auf die Differenzen; zusätzlich sind unabhängige Paare und eine für diesen Ansatz geeignete Zielgröße wichtig. Prüfe nicht bloß zwei getrennte Histogramme und erkläre damit jede Voraussetzung für erfüllt. Weitere Abhängigkeiten, etwa wiederholte Messungen innerhalb gemeinsamer Gruppen, können ein anderes Modell erforderlich machen. Auch mehr als zwei Zeitpunkte verlangen einen dafür passenden Analyseplan, statt beliebig viele einfache Paarvergleiche aneinanderzureihen.

Lege vor der Interpretation fest, welche konkrete Frage beantwortet werden soll. Für das fiktive Aufgabenprojekt könnte das eine Veränderung der mittleren Bearbeitungszeit im beobachteten Zeitraum sein. Prüfe Verteilung der Differenzen, auffällige Fälle, Messbedingungen und Datenumfang und hole bei Unsicherheit statistische Betreuung hinzu. Eine alternative Methode darf nicht nur deshalb gewählt werden, weil sie einen kleineren p-Wert liefert. Die Verfahrenswahl muss zum Erkenntnisziel passen und mit denselben tatsächlichen Paaren sowie transparenten Auswahlregeln nachvollziehbar bleiben.

5. Veränderung berichten, ohne automatisch eine Ursache zu behaupten

Berichte Untersuchungseinheit, Paarungsgrund, Differenzrichtung, Einheit, tatsächlich analysierte Paarzahl und das gewählte Verfahren. Beschreibe passende Schätzung und Unsicherheit und erläutere, was fehlende Messungen für die Reichweite bedeuten können. Ein Vorher-Nachher-Unterschied allein beweist nicht, dass eine zwischenzeitliche Maßnahme ihn verursacht hat. Andere Veränderungen und das konkrete Untersuchungsdesign bleiben relevant. Auch ein nicht auffälliger Test belegt keine allgemeine Gleichheit. Formuliere die Schlussfolgerung daher enger als eine pauschale Erfolgs- oder Wirkungsaussage.

Der Abschlusswerk-Statistikassistent kann Fragen zur Analyseauswahl strukturieren. Er bestätigt keine korrekte Paarung deiner tatsächlichen Daten. Gib für die methodische Unterstützung nur die benötigten, nicht identifizierenden Angaben weiter und kontrolliere die Berechnung in deiner Statistiksoftware. Eine gute Abschlusskontrolle verfolgt eine Einheit vom Originaleintrag über Zuordnung und Differenz bis zur Ergebnisdarstellung. Wenn diese Kette stimmt, kann der Bericht erklären, was untersucht wurde. Ohne sie bleibt auch ein sauber aussehender Testausdruck möglicherweise auf einer falschen Datenstruktur aufgebaut.