Reliabilität bei Persönlichkeitstests: was sie bedeutet und welche Werte zu fordern sind
Reliabilität meint die Konsistenz einer Messung. Ein Test ist reliabel, wenn er dieselben oder sehr ähnliche Ergebnisse liefert, solange sich das zugrunde liegende Merkmal nicht verändert hat. Zwei Formen sind dabei entscheidend.
Test-Retest-Reliabilität
Die Test-Retest-Reliabilität fragt: Wenn dieselbe Person denselben Test im Abstand von einigen Wochen zweimal ausfüllt, wie ähnlich fallen die Ergebnisse aus? Werte können aus zwei Gründen schwanken, durch echte Veränderung des Merkmals oder durch Messfehler. Ein reliabler Test hält den Messfehler klein, sodass Unterschiede zwischen zwei Durchgängen vor allem echte Veränderung abbilden und nicht Rauschen.
Als Schwelle für akzeptable Test-Retest-Reliabilität gilt eine Korrelation von etwa 0,70 oder höher über ein Intervall von zwei bis vier Wochen. Gut validierte Big-Five-Instrumente erreichen auf Domänenebene in der Regel 0,80 oder mehr. Beim MBTI fällt dieser Wert niedriger aus: Studien fanden, dass rund 50 Prozent der Befragten beim Wiederholungstest nach fünf Wochen einen anderen Vier-Buchstaben-Typ erhalten, die statistische Signatur eines hohen Messfehlers. Den vollständigen Vergleich bietet MBTI vs Big Five.
Interne Konsistenz
Die interne Konsistenz fragt, ob die Items einer Skala tatsächlich dasselbe Konstrukt erfassen. Enthält eine Gewissenhaftigkeitsskala Items zu Ordnung, Fleiß und Verlässlichkeit, sollten diese Items untereinander korrelieren, weil sie alle dieselbe Disposition abbilden. Die übliche Kennzahl ist Cronbachs Alpha; Werte über 0,70 gelten allgemein als akzeptabel, Werte über 0,80 als gut.
Geringe interne Konsistenz heißt, dass die Items einer Skala Verschiedenes messen, und dann lässt sich der Gesamtwert kaum deuten. Ein Gewissenhaftigkeitswert aus Items, die untereinander kaum zusammenhängen, ist keine schlüssige Messung. Wie die Länge einer Skala mit ihrer internen Konsistenz zusammenspielt, erklärt warum 120 Items besser sind als 10.
Validität bei Persönlichkeitstests: vier Formen, die jeder Käufer kennen sollte
Validität beantwortet eine andere Frage: Misst der Test wirklich, was er zu messen behauptet? Ein Test kann vollkommen konsistent, also reliabel sein und dabei etwas völlig Falsches messen. Die wichtigsten Formen von Validitätsnachweisen beleuchten jeweils eine andere Seite dieser Frage.
Konvergente Validität
Die konvergente Validität fragt, ob der Test mit anderen etablierten Maßen desselben Konstrukts korreliert. Eine neue Extraversionsskala sollte positiv mit bestehenden, validierten Extraversionsmaßen zusammenhängen, denn wenn beide Extraversion messen, müssen sie sich darüber einig sein, wer davon mehr und wer weniger hat.
Das klingt selbstverständlich, wird aber erstaunlich oft übergangen. Viele proprietäre Instrumente berichten keine Daten zur konvergenten Validität, und damit lässt sich nicht beurteilen, ob sie dieselben Konstrukte messen wie die akademische Literatur. Die Itembank der IPIP wurde genau dafür gebaut, solche offenen Vergleiche zu ermöglichen.
Kriteriumsvalidität
Die Kriteriumsvalidität, praktisch die wichtigste Form, fragt, ob der Test jene Ergebnisse vorhersagt, die das Merkmal theoretisch vorhersagen sollte. Ist ein Gewissenhaftigkeitsmaß valide, sollte es Arbeitsleistung, schulischen Erfolg und Zielerreichung vorhersagen, denn Gewissenhaftigkeit ist das Merkmal, das in der Literatur am beständigsten mit diesen Ergebnissen zusammenhängt. Behauptet ein Test, Gewissenhaftigkeit zu messen, zeigt aber keinen Zusammenhang mit Arbeitsleistung, stimmt an der Behauptung etwas nicht.
Die prädiktive Validität ist ein besonderer Unterfall: Sagt der Test künftige Ergebnisse vorher? Die konkurrente Validität fragt, ob er mit gleichzeitig erhobenen Ergebnissen zusammenhängt. Beides zählt, doch für Instrumente in der Personalauswahl ist die prädiktive Validität der Goldstandard. Was daraus für das Einstellungsverfahren folgt, behandelt Persönlichkeitstests bei der Einstellung: was ist legal und was ist ethisch.
Diskriminante Validität
Die diskriminante Validität fragt, ob der Test zu hoch mit Maßen anderer Konstrukte korreliert. Hängt eine Skala, die Verträglichkeit messen soll, ebenso stark mit Gewissenhaftigkeit zusammen wie mit anderen Verträglichkeitsmaßen, misst sie Verträglichkeit womöglich nicht eigenständig. Es hilft zu wissen, was jede Big-Five-Facette für sich genommen erfasst, siehe Was ist eine Facette in der Persönlichkeitspsychologie.
Augenscheinvalidität und statistische Validität
Augenscheinvalidität ist der bloße Anschein, das zu messen, was ein Test verspricht. Das Item „Ich bin ein ordentlicher Mensch" hat hohe Augenscheinvalidität für Gewissenhaftigkeit, es sieht nach einer Messung von Ordnung aus. Doch Augenscheinvalidität ist nicht dasselbe wie statistische Validität, und beides zu verwechseln, gehört zu den häufigsten Fehlern bei der Beurteilung von Persönlichkeitstests.
Viele populäre Instrumente haben hohe Augenscheinvalidität und mäßige bis schwache statistische Validität. Die Inhalte wirken einschlägig, die Vorhersagen sind dünn. Welche verbreiteten Tests in diese Falle tappen, schlüsselt die besten kostenlosen Persönlichkeitstests für Teams 2026 auf.
| Psychometrisches Konzept | Was es misst | Guter Schwellenwert | Big-Five-Instrumente | MBTI |
|---|---|---|---|---|
| Test-Retest-Reliabilität | Konsistenz der Werte über die Zeit | r ≥ 0,70 über 4 Wochen | Typisch 0,80–0,90 | ~0,50 (50% Typwechsel beim Retest) |
| Interne Konsistenz (Cronbachs α) | Stimmigkeit der Items einer Skala | α ≥ 0,70 | Typisch 0,80–0,90 | Mäßig; je nach Skala unterschiedlich |
| Konvergente Validität | Übereinstimmung mit anderen Maßen desselben Merkmals | r ≥ 0,50 mit etabliertem Maß | In begutachteten Studien gut dokumentiert | Wenig veröffentlichte Vergleichsdaten |
| Kriteriumsvalidität | Vorhersage realer Ergebnisse | Unterschiedlich; d ≥ 0,20 gilt als bedeutsam | Gewissenhaftigkeit sagt Arbeitsleistung robust vorher | Schwache Vorhersage der Arbeitsleistung |
| Diskriminante Validität | Unabhängigkeit von Maßen anderer Merkmale | Niedriges r mit begrifflich verschiedenen Skalen | Weitgehend gestützt | Dimensionen nicht klar voneinander unabhängig |
Fünf Fragen, mit denen Sie jeden Validitätsanspruch prüfen
Wenn ein Anbieter oder eine Forscherin behauptet, ein Persönlichkeitsinstrument sei „valide und reliabel", liefern die folgenden Fragen rasch ein Urteil über die Qualität.
Frage 1: Sind die Validitätsnachweise in begutachteten Zeitschriften erschienen? Firmeneigene technische Berichte, White Paper und Website-Texte zählen nicht. Erst die Begutachtung setzt Validitätsansprüche einer unabhängigen Prüfung aus. Stammt der einzige Nachweis aus der Dokumentation des Herausgebers, ist das ein Warnsignal. Was das im größeren Rahmen für den Umgang der Persönlichkeitsforschung mit Replikation bedeutet, behandelt Persönlichkeitswissenschaft: die Replikationskrise.
Frage 2: Wie hoch ist die Test-Retest-Reliabilität über ein aussagekräftiges Intervall? Vier bis sechs Wochen sind der Standard. Fehlt diese Zahl oder liegt sie unter 0,70, ist die Messung verrauscht.
Frage 3: Welche Ergebnisse sagt das Instrument vorher? Nachweise zur Kriteriumsvalidität sollten reale Ergebnisse umfassen und nicht nur Korrelationen mit weiteren Selbstberichtsmaßen. Bei Instrumenten für den Arbeitskontext ist die Arbeitsleistung das entscheidende Kriterium.
Frage 4: Haben unabhängige Forschungsgruppen die Befunde repliziert? Eine einzelne Studie der Entwickler des Instruments genügt nicht. Erst die Replikation durch Forschende ohne kommerzielles Interesse am Ergebnis ist ein ernst zu nehmender Maßstab.
Frage 5: Ist die Auswertung transparent? Ist der Auswertungsalgorithmus geschützt, lassen sich die Validitätsansprüche nicht unabhängig überprüfen. Instrumente aus der offenen Wissenschaft, darunter die IPIP, auf der Cèrcol aufbaut, erlauben es jeder und jedem, die Behauptungen an den Daten zu prüfen. Den vollständigen Vergleich bietet Persönlichkeitstests: Open Source vs. kommerziell.
Warum Peer-Bewertungen eine Validität liefern, die der Selbstbericht nicht erreicht
Eine unterschätzte Validitätsquelle ist die Fremdeinschätzung neben dem Selbstbericht. Persönlichkeit, eingeschätzt von Menschen, die die Person kennen, also von Kollegen, Führungskräften oder Mitarbeitenden, zeigt in der Regel eine höhere Kriteriumsvalidität als der Selbstbericht allein, besonders bei der Vorhersage von Arbeitsleistung.
Der Grund: Selbstbericht unterliegt der Eindruckssteuerung, dem bewussten oder unbewussten Schönen des eigenen Bildes, und dem begrenzten Selbstwissen, denn Menschen ahnen oft nicht, wie sie auf andere wirken. Fremdeinschätzungen sind nicht frei von Verzerrungen, aber sie unterliegen anderen Verzerrungen. Deshalb ergibt die Kombination beider Perspektiven eine genauere Schätzung als jede für sich. Die vollständige Argumentation steht in warum Selbsteinschätzung allein nicht ausreicht: Persönlichkeitsfeedback durch Kollegen.
Das Zeugen-Modell von Cèrcol ist um genau dieses Prinzip herum gebaut. Weiteren Kontext zu den Validitätsnachweisen hinter Cèrcols Designentscheidungen liefern die Geschichte des Big Five und die Wissenschaftsseite.
„Reliabilität und Validität sind keine Werbeversprechen. Es sind bestimmte statistische Eigenschaften mit festen Schwellenwerten, messbar mit Standardverfahren und überprüfbar an veröffentlichten Daten. Ein Instrument, das für beides keine begutachteten Belege vorlegen kann, verdient entsprechend viel Skepsis."
Wie Cèrcol die Anforderungen an Reliabilität und Validität erfüllt
Das Instrument von Cèrcol beruht auf der Itembank der IPIP, also auf denselben gemeinfreien Items, deren psychometrische Eigenschaften Goldberg und Kollegen über Jahrzehnte veröffentlichter Forschung unabhängig dokumentiert haben. Die Test-Retest-Reliabilität IPIP-basierter Big-Five-Skalen liegt auf Domänenebene über Intervalle von vier Wochen typischerweise über r = 0,80. Die interne Konsistenz (Cronbachs α) der Skalen mit 20 Items je Dimension, die Cèrcol einsetzt, liegt durchweg über 0,87.
Die Kriteriumsvalidität stammt aus der breiteren Big-Five-Literatur: Gewissenhaftigkeit (Disziplin) sagt Arbeitsleistung über alle wichtigen Berufsgruppen hinweg vorher (Barrick & Mount, 1991, doi: 10.1111/j.1744-6570.1991.tb00688.x). Neurotizismus (Tiefe) sagt Stressreaktion und Wohlbefinden vorher. Offenheit (Vision) sagt kreative Leistung vorher.
Die Zeugen-Peer-Bewertung ergänzt fremdeingeschätzte Werte auf denselben fünf Dimensionen, erhoben in einem Forced-Choice-Format, das die Verzerrung durch soziale Erwünschtheit senkt. Die vollständige Methodik beschreibt Soziale-Erwünschtheit-Verzerrung in Persönlichkeitstests. Die kostenlose Erhebung finden Sie auf cercol.team, die vollständige Validitätsdokumentation auf cercol.team/science.
Weiterführende Literatur: Die Geschichte des Big Five: von Allport zu Goldberg · Die Wissenschaft hinter Cèrcol
Weiterführende Literatur
- Warum 120 Items besser sind als 10: Länge von Persönlichkeitstests
- Wie Persönlichkeitstest-Scores berechnet werden
- Soziale Erwünschtheit in Persönlichkeitstests
- Persönlichkeitstests: Open Source vs. kommerziell
- Persönlichkeitswissenschaft: Die Replikationskrise
- Big Five vs MBTI: Welches ist zuverlässiger?