Wie analysiert man Daten in einer Dissertation?

Die Datenanalyse ist das methodische Herzstück jeder empirischen Dissertation. Ob Sie quantitative Umfragedaten, qualitative Interviewtranskripte oder eine Kombination aus beidem vorliegen haben – entscheidend ist, dass Ihre Analyseentscheidungen systematisch, transparent und an Ihre Forschungsfragen geknüpft sind. Dieser Leitfaden zeigt Ihnen, wie Sie Schritt für Schritt vorgehen.

Vor der Analyse: Die richtigen Grundfragen stellen

Bevor Sie eine einzige Tabelle erstellen oder eine erste Auswertung starten, sollten Sie drei grundlegende Fragen für sich klären:

• Welche Forschungsfragen sollen beantwortet werden? Jede Analyseentscheidung muss sich an Ihren Forschungsfragen orientieren – nicht umgekehrt.
• Welches Datenmaterial liegt vor? Quantitative Messdaten, qualitative Texte oder beides? Das bestimmt den methodischen Rahmen.
• Welches erkenntnistheoretische Verständnis liegt der Arbeit zugrunde? Gerade in qualitativen Zugängen ist die epistemologische Positionierung für die Analyselogik entscheidend.

Die Antworten auf diese Fragen legen fest, welche Analysemethoden überhaupt infrage kommen. Eine Dissertation, die Kausalzusammenhänge prüfen will, braucht ein anderes Design als eine, die Erfahrungswelten von Betroffenen rekonstruieren möchte. Einen strukturierten Überblick über die verschiedenen Methodenrichtungen bietet der Beitrag zu den wissenschaftlichen Methoden für die Datenanalyse.

Quantitative Datenanalyse in der Dissertation

Quantitative Datenanalyse folgt einem vergleichsweise klaren Ablauf: Datenaufbereitung, deskriptive Statistik, Prüfung von Voraussetzungen und schließlich inferenzstatistische Tests. Wer an dieser Stelle den Überblick behält, legt die Grundlage für ein schlüssiges Ergebniskapitel.

Schritt 1: Dateneingabe und -bereinigung

Bevor Sie analysieren, müssen Ihre Daten sauber sein. Das umfasst das Prüfen auf fehlende Werte, Ausreißer und Kodierungsfehler. Gerade bei größeren Umfragen schleichen sich hier regelmäßig Fehler ein, die spätere Analysen verzerren.

Schritt 2: Deskriptive Statistik

Der erste Analyseschritt ist immer die Beschreibung Ihrer Stichprobe und Variablen. Typische Kennwerte sind:

• Mittelwert und Standardabweichung für metrische Variablen
• Häufigkeiten und Prozentwerte für kategoriale Variablen
• Minimum, Maximum, Median

Diese Kennwerte geben Ihnen und Ihren Lesenden ein erstes Bild des Datenmaterials – und sind Pflichtbestandteil jedes Ergebniskapitels.

Schritt 3: Voraussetzungsprüfung

Viele inferenzstatistische Verfahren setzen bestimmte Bedingungen voraus, etwa Normalverteilung, Varianzhomogenität oder Unabhängigkeit der Messungen. Diese Voraussetzungen müssen Sie vor dem eigentlichen Test prüfen und im Methodenteil dokumentieren.

Schritt 4: Inferenzstatistik und Hypothesenprüfung

Hier findet die eigentliche Hypothesenprüfung statt. Ob t-Test, Varianzanalyse, Regressionsanalyse oder strukturelle Gleichungsmodelle – die Wahl hängt von der Anzahl der Variablen, ihrem Skalenniveau und der Art der Forschungsfrage ab.

Neben dem p-Wert sollten Sie stets auch Effektstärken berichten – etwa Cohens d, η² oder r. An den meisten Universitäten gilt es als gute wissenschaftliche Praxis, Effektstärken neben dem p-Wert standardmäßig zu berichten, da sie die praktische Bedeutsamkeit eines Befunds erst sichtbar machen.

Einen strukturierten Überblick über verfügbare Verfahren bietet der Artikel zu den statistischen Analysen, die es gibt. Für die statistische Auswertung Ihrer Dissertation kommt es besonders darauf an, die Verfahren nicht nur korrekt anzuwenden, sondern ihre Wahl auch schlüssig zu begründen.

Qualitative Datenanalyse in der Dissertation

Qualitative Analyse ist kein weniger rigoroser, sondern ein anders gearteter Erkenntnisprozess. Hier geht es darum, Bedeutungen, Muster und Strukturen in Textmaterial – typischerweise Interviews, Feldnotizen oder Dokumente – systematisch herauszuarbeiten.

Thematische Analyse nach Braun & Clarke

Eine der meistgenutzten Methoden für qualitative Dissertationsdaten ist die thematische Analyse. Sie lässt sich in unterschiedlichen epistemologischen Rahmen einsetzen und ist dabei flexibler als etwa die Grounded Theory oder die Inhaltsanalyse nach Mayring. Der klassische Ablauf umfasst sechs iterative Phasen von der Vertrautmachung mit den Daten bis zum Analysebericht:

1. Vertrautmachen mit den Daten – wiederholtes Lesen, erste Notizen
2. Generieren erster Codes – systematisches Markieren relevanter Textstellen
3. Suchen nach Themen – Codes zu übergeordneten Themenkategorien bündeln
4. Überprüfen der Themen – Passung zwischen Themen und Datenmaterial prüfen
5. Definieren und Benennen der Themen – präzise Beschreibung jedes Themas
6. Schreiben des Analyseberichts – analytische Narrative verfassen, nicht nur beschreiben

Entscheidend ist dabei: Codierung und Themenbildung sind kein rein mechanischer Vorgang. Sie müssen in Ihrer Dissertation transparent machen, ob Sie induktiv oder deduktiv, semantisch oder latent analysiert haben. Das ist keine Formsache – es ist der Kern Ihrer methodischen Argumentation.

Verdichten, Darstellen, Interpretieren

Qualitative Analyse wird oft auf Codierung reduziert. Das greift zu kurz. In Wirklichkeit ist sie ein mehrstufiger Prozess: Daten werden exploriert, beschrieben, geordnet, erklärt – und bei erklärenden Designs auch in Zusammenhänge eingebettet. Dabei helfen Matrix- und Netzwerkdarstellungen, große Datenmengen zu verdichten und Beziehungen zwischen Fällen, Kategorien und Themen sichtbar zu machen.

Für Ihre Dissertation bedeutet das: Zeigen Sie den Weg von den Rohdaten zu Ihren Befunden explizit. Leserinnen und Leser – und Ihre Prüfenden – müssen nachvollziehen können, wie Ihre Interpretationen entstanden sind.

Mixed-Methods-Ansätze: Qualitativ und quantitativ verbinden

Immer mehr Dissertationen – besonders in der Gesundheitsforschung, den Sozialwissenschaften und der Bildungsforschung – kombinieren quantitative und qualitative Daten. Das eröffnet erkenntnistheoretisch neue Möglichkeiten, stellt aber auch besondere Anforderungen an die Analyse.

Die drei Kerndesigns im Überblick

• Konvergentes Design: Quantitative und qualitative Daten werden parallel erhoben und analysiert, dann zusammengeführt.
• Erklärend-sequenzielles Design: Zunächst quantitative Analyse, dann qualitative Vertiefung zur Erklärung der Befunde.
• Explorativ-sequenzielles Design: Erst qualitative Exploration, dann quantitative Prüfung der gewonnenen Erkenntnisse.

Die entscheidende Frage bei Mixed-Methods-Dissertationen ist nicht, ob Sie beides erheben, sondern wie Sie beides integrieren. Dafür eignen sich sogenannte Joint Displays – Tabellen oder Matrizen, mit denen qualitative und quantitative Befunde systematisch aufeinander bezogen und gemeinsam dargestellt werden. Ein Joint Display prüft dabei nicht nur optisch, ob die Datenstränge zusammenpassen – es ist ein analytisches Werkzeug, das Sie zwingt, die Verbindungslogik Ihrer Forschungsfragen explizit zu machen.

Wenn Sie unsicher sind, welcher Ansatz für Ihr Vorhaben passt, lohnt sich ein Blick auf den Überblick zu den Unterschieden zwischen qualitativer und quantitativer Analyse.

Ergebnisse darstellen und im Dissertationstext verankern

Selbst eine methodisch saubere Analyse verliert ihren Wert, wenn sie im Text nicht verständlich aufbereitet wird. Die Darstellung Ihrer Ergebnisse folgt eigenen Konventionen.

Strukturierung des Ergebniskapitels

Organisieren Sie das Ergebniskapitel konsequent entlang Ihrer Forschungsfragen oder Hypothesen – nicht entlang der Reihenfolge der Analysen. Jede Hypothese, jede Forschungsfrage verdient einen klar abgegrenzten Abschnitt mit:

• Beschreibung des eingesetzten Verfahrens (kurz, da im Methodenteil ausführlicher)
• Darstellung der Kennwerte (Tabelle, Abbildung oder Text – je nach Art der Ergebnisse)
• Interpretation im Kontext der Forschungsfrage

Welche Informationen dabei nicht fehlen dürfen, beschreibt der Beitrag Was schreibt man in einer Auswertung? im Detail.

Visualisierungen sinnvoll einsetzen

Diagramme und Tabellen sind kein Selbstzweck. Sie sollten nur dort eingesetzt werden, wo sie den Text entlasten und Befunde klarer machen als eine verbale Beschreibung es könnte. Welche Darstellungsformen für welche Daten geeignet sind, zeigt der Beitrag zu den fünf Diagrammtypen in der wissenschaftlichen Arbeit.

Befunde vs. Interpretation

Eine häufige Unsicherheit: Was gehört in das Ergebniskapitel, was in die Diskussion? Als Faustregel gilt: Im Ergebnisteil berichten Sie, was die Daten zeigen. In der Diskussion erörtern Sie, warum das so ist und was es bedeutet. Beides zu vermischen schwächt die argumentative Struktur der Arbeit.

Wie Sie Ergebnisse und Analysen im Dissertationstext sprachlich und strukturell aufbereiten, erläutert der Beitrag Wie verfasst man Ergebnisse und Analysen in einer Dissertation?

Häufige Fehler bei der Dissertationsanalyse

Weitere typische Probleme in der Dissertationsanalyse:

• Voraussetzungen nicht geprüft: Statistische Tests haben Annahmen. Werden diese nicht dokumentiert, ist die Interpretation angreifbar.
• Keine Effektstärken: Signifikante p-Werte ohne Effektstärken sagen wenig über die praktische Relevanz.
• Qualitative Analyse zu deskriptiv: Viele qualitative Kapitel listen Codes auf, statt analytische Befunde zu formulieren.
• Fehlende Transparenz über Analyseentscheidungen: Prüfende wollen nachvollziehen können, wie und warum bestimmte Entscheidungen getroffen wurden.
• Mixed Methods ohne echte Integration: Quantitative und qualitative Ergebnisse werden nebeneinandergestellt, aber nie aufeinander bezogen.

Gerade der letzte Punkt wird in Dissertationskommissionen zunehmend kritisch bewertet. Wer Mixed Methods nutzt, muss den Mehrwert der Integration gegenüber zwei getrennten Studien begründen können.

Fazit: Datenanalyse als roter Faden der Dissertation

Die Datenanalyse einer Dissertation ist kein isolierter Arbeitsschritt, sondern ein durchgehender roter Faden – von der Forschungsfrage über die Methodenwahl bis zur Ergebnisdarstellung. Entscheidend sind Konsistenz, Transparenz und eine klare Rückbindung an Ihre Ausgangsfragen.

Ob quantitativ, qualitativ oder gemischt: Gute Dissertationsanalyse zeichnet sich nicht durch Komplexität aus, sondern durch Nachvollziehbarkeit. Die professionelle statistische Auswertung für empirische Abschlussarbeiten beginnt deshalb immer mit einer sorgfältigen Planung – lange bevor die erste Zeile analysiert wird.

Falls Sie an einem konkreten Punkt unsicher sind – sei es bei der Wahl des Verfahrens, der Interpretation von Outputs oder der Frage, wie sich Ihre Befunde strukturiert darstellen lassen – kann eine methodische Begleitung durch erfahrene Statistikerinnen und Statistiker viel Zeit und Nerven sparen.