Wie genau sind Persönlichkeitstests? Reliabilität, Retest-Ergebnisse und der Barnum-Effekt

Was „genau“ bei einem Persönlichkeitstest bedeutet

Psychologen teilen Genauigkeit in zwei Fragen auf:

• Reliabilität: Misst der Test beständig? Stimmen Items, die dasselbe Merkmal erfassen sollen, miteinander überein (interne Konsistenz), und bekommst du einen ähnlichen Wert, wenn du ihn wiederholst (Retest-Reliabilität)?
• Validität: Misst er das Richtige? Stimmen die Werte mit anderen Informationen über dich überein, etwa mit Einschätzungen von Menschen, die dich kennen, und sagen sie Verhalten und Lebensergebnisse vorher?

Ein Test kann reliabel sein, ohne valide zu sein (eine Personenwaage, die immer zwei Kilo danebenliegt), aber er kann nicht valide sein, ohne reliabel zu sein.

Reliabilität: Sind die Werte beständig?

Interne Konsistenz wird meist als Cronbachs Alpha (α) angegeben, von 0 bis 1. Werte um .80 oder darüber gelten bei Forschungsskalen im Allgemeinen als gut. Die gemeinfreien IPIP-Skalen, die 64 Types verwendet, haben in unseren Normstichproben von jeweils etwa 20.000 Personen ein α zwischen .79 und .89; die vollständigen Zahlen stehen auf unserer Wissenschaftsseite. Auch veröffentlichte MBTI-Studien berichten für seine vier Skalen im Allgemeinen eine hohe interne Konsistenz, wobei die Werte zwischen Studien schwanken.^[8]

Die Retest-Stabilität über Jahre ist hoch, aber weit von perfekt entfernt. Über 152 Längsschnittstudien hinweg stieg die Korrelation zwischen Persönlichkeitswerten, die etwa 6,7 Jahre auseinander gemessen wurden, von .31 in der Kindheit auf etwa .74 zwischen 50 und 70.^[9] Ein Teil dieser Instabilität ist echte Veränderung: Die durchschnittliche Ausprägung der Merkmale verschiebt sich im Erwachsenenalter.^[10] Siehe Kann sich dein Persönlichkeitstyp ändern?

Warum Typergebnisse unzuverlässig wirken

Wenn die Skalen reliabel sind, warum bekommen dann so viele Menschen bei einer Wiederholung einen anderen Typ? Das liegt daran, was nahe am Grenzwert passiert. Persönlichkeitswerte sind mittenbetont, mit den meisten Menschen nahe der Mitte, und nicht in zwei Höcker geteilt.^[4][11] Wer nahe am Mittelpunkt liegt, kann durch eine kleine, normale Schwankung einen Buchstaben wechseln. Bei vier Buchstaben summiert sich die Wahrscheinlichkeit, dass mindestens einer kippt. Übersichtsarbeiten zum MBTI nennen diese Instabilität der Einordnung als zentralen Grund zur Vorsicht.^[5]

Eine einfache Veranschaulichung: Per Definition liegen bei jedem Merkmal 20 % der Menschen zwischen dem 40. und 60. Perzentil. Wären die sechs Merkmale eines Codes aus 64 Typen völlig unabhängig, läge der Anteil der Menschen mit keinem Merkmal in diesem Bereich bei 0,8⁶, also etwa 26 %, und rund drei von vier hätten mindestens einen Grenzfall-Buchstaben. (Die Merkmale korrelieren etwas miteinander, deshalb weicht die echte Zahl leicht ab, aber der Punkt bleibt.)

Validität: Sehen andere dich genauso?

Eine starke Prüfung ist, ob Menschen, die dich kennen, dich ähnlich einschätzen. Eine Reihe von Metaanalysen über 44.178 eingeschätzte Personen aus 263 Stichproben untersuchte, wie gut Fremdeinschätzungen untereinander und mit Selbsteinschätzungen übereinstimmen. Die Genauigkeit stieg, je näher die einschätzende Person der eingeschätzten stand, besonders bei weniger sichtbaren Merkmalen wie der emotionalen Stabilität. Fremdeinschätzungen sagten außerdem schulische und akademische Leistung sowie Arbeitsleistung deutlich besser vorher als Selbsteinschätzungen und ergänzten diese.^[1]

Selbst- und Fremdbild haben jeweils blinde Flecken. In einer Studie, die Einschätzungen durch die Person selbst, durch Freunde und durch Fremde mit Verhaltensmaßen verglich, war die Person selbst die beste Beurteilerin von Merkmalen rund um Neurotizismus, Freunde waren am besten bei Merkmalen rund um den Intellekt, und bei Extraversion waren alle etwa gleich gut.^[12]

Validität: Sagen die Werte das echte Leben vorher?

Die Big-Five-Merkmale sagen Sterblichkeit, Scheidung und beruflichen Erfolg etwa genauso gut vorher wie sozioökonomischer Status und kognitive Fähigkeiten.^[2] Gewissenhaftigkeit sagt Arbeitsleistung über alle Berufe hinweg vorher,^[13] Neurotizismus sagt Angststörungen und depressive Störungen vorher,^[14] und Persönlichkeit sagt viele weitere Ergebnisse vorher.^[15]

Diese Befunde halten. Ein präregistriertes Projekt prüfte 78 veröffentlichte Zusammenhänge zwischen Merkmalen und Lebensergebnissen mit großen Stichproben erneut und fand, dass sich 87 % replizieren ließen, auch wenn die Effekte typischerweise nur etwa 77 % so stark waren wie ursprünglich berichtet.^[3] Die richtige Zusammenfassung lautet also „echt, beständig, bescheiden“: Die Korrelationen zwischen Merkmalen und Lebensergebnissen in großen Metaanalysen liegen meist etwa zwischen .10 und .30, zum Beispiel .11 zwischen Gewissenhaftigkeit und Lebensdauer und .31 zwischen Extraversion und Führung.^[16][17] Das ist nützlich, um Tendenzen über viele Menschen hinweg zu verstehen, und viel schwächer, wenn es darum geht vorherzusagen, was ein einzelner Mensch tun wird.

Der Barnum-Effekt: Warum sich jedes Ergebnis treffend anfühlt

1949 gab der Psychologe Bertram Forer seinen Studierenden einen Persönlichkeitstest und eine Woche später etwas, das jeder für ein persönliches Profil hielt. Tatsächlich bekamen alle denselben Text, größtenteils aus einem Astrologiebuch vom Zeitungskiosk zusammengestellt, mit Sätzen wie „Du hast ein großes Bedürfnis, von anderen gemocht und bewundert zu werden“. Im Durchschnitt bewerteten die Studierenden ihn als sehr zutreffende Beschreibung ihrer selbst.^[6]

Eine spätere Übersicht über Jahrzehnte von Folgestudien fand, dass Menschen solches Feedback eher akzeptieren, wenn es schmeichelhaft ist, wenn es so allgemein ist, dass es auf fast jeden passt, und wenn sie glauben, dass es speziell für sie erstellt wurde.^[7]

Typbeschreibungen erfüllen oft alle drei Bedingungen. Das macht sie nicht wertlos, aber es bedeutet, dass „Das klingt genau nach mir“ einen validen Test nicht von einem Horoskop unterscheiden kann. Die Prüfungen oben, Beständigkeit, Übereinstimmung mit anderen und Vorhersagekraft, können das.

Eine Checkliste, um jeden Persönlichkeitstest zu beurteilen

1. Sagt er, woher seine Fragen stammen? Forschungstests verwenden veröffentlichte Itemsätze wie den gemeinfreien IPIP.^[18]
2. Vergleicht er dich mit echten Menschen? Perzentile auf Basis einer genannten Normstichprobe sagen mehr als „hoch“ oder „niedrig“ auf einer beliebigen Skala.
3. Gibt er die Reliabilität an? Achte auf Zahlen wie Cronbachs α.
4. Zeigt er Werte, nicht nur ein Etikett? Kontinuierliche Werte bilden ab, wie Merkmale tatsächlich verteilt sind.^[11]
5. Sagt er dir, wenn du nahe der Mitte liegst? Grenzfälle sind die Hauptursache dafür, dass Typen kippen.^[4]
6. Belegt er seine Aussagen über Beruf oder Beziehungen mit Quellen? Und gibt er die Effektgrößen ehrlich an?
7. Nennt er seine Grenzen? Ein Selbstauskunftstest ist keine klinische Diagnose und kein Werkzeug zur Personalauswahl.

Wie 64 Types dabei abschneidet

Wir haben 64 Types rund um diese Checkliste gebaut: 62 gemeinfreie IPIP-Items, Perzentile im Vergleich zu rund 20.000 echten Antworten pro Skala, veröffentlichte Reliabilitäten, Grenzfall-Markierungen mit alternativen Codes und durchgehend belegte Aussagen. Auch seine Grenzen werden klar benannt: Die Normstichproben bestehen aus Online-Freiwilligen, die überwiegend jung und englischsprachig sind. Details in So funktioniert der Test von 64 Types und auf unserer Wissenschaftsseite.

Häufige Fragen