Wie analysiert man Likert-Skalen in der Sozialforschung?

Was ist eine Likert-Skala?

Likert-Skalen gehören zu den am häufigsten eingesetzten Messinstrumenten in der Sozialforschung. Sie dienen dazu, Einstellungen, Meinungen oder subjektive Wahrnehmungen messbar zu machen – also genau das, was sich nicht direkt beobachten lässt.

Das Grundprinzip ist einfach: Den Befragten wird eine Aussage vorgelegt, und sie geben auf einer abgestuften Antwortskala an, wie stark sie dieser zustimmen oder sie ablehnen. Typisch sind fünf Kategorien, von starker Ablehnung bis starker Zustimmung, wobei auch sieben Kategorien oder Skalen mit gerader Kategorienzahl (ohne neutrale Mitte) vorkommen.

Beispiele für solche Aussagen sind etwa: „Ich fühle mich durch meine Arbeit anerkannt.“ oder „Die Maßnahme hat mein Wohlbefinden verbessert.“ Die Befragten antworten dann mit Kategorien wie: 1 = stimme gar nicht zu, 2 = stimme eher nicht zu, 3 = teils/teils, 4 = stimme eher zu, 5 = stimme voll zu.

Der entscheidende Unterschied: Item vs. Skala

Bevor Sie mit der Analyse beginnen, müssen Sie eine grundlegende Unterscheidung treffen, die in vielen Abschlussarbeiten übergangen wird: Arbeiten Sie mit einem einzelnen Likert-Item oder mit einer zusammengesetzten Likert-Skala?

Einzelnes Likert-Item

Ein einzelnes Item ist eine einzige Frage oder Aussage mit abgestufter Antwortmöglichkeit. Es liefert für sich allein einen ordinalen Messwert. Mehr nicht. Die Kategorie „3″ liegt zwischen „2″ und „4″ – aber ob der Abstand von 2 auf 3 genauso groß ist wie von 3 auf 4, ist nicht gesichert.

Zusammengesetzte Likert-Skala

Eine Likert-Skala im eigentlichen Sinne besteht aus mehreren Items, die dasselbe latente Konstrukt messen und zu einem Gesamtscore zusammengefasst werden. Beispiel: Zehn Items zur Arbeitszufriedenheit werden addiert oder gemittelt – der resultierende Summenscore ist ein verdichteter Messwert mit deutlich mehr Informationsgehalt als ein einzelnes Item.

Skalenniveau und seine Konsequenzen für die Analyse

Die Frage nach dem Skalenniveau ist keine akademische Spitzfindigkeit – sie entscheidet darüber, welche statistischen Verfahren zulässig sind und wie Sie Ihre Ergebnisse interpretieren dürfen.

Ordinalskalierung einzelner Items

Einzelne Likert-Kategorien sind ordinal skaliert: Die Antwortkategorien haben eine klare Rangfolge, aber gleiche Abstände zwischen den Stufen dürfen nicht automatisch angenommen werden. Das bedeutet, dass Rechenoperationen wie Mittelwertbildung streng genommen eine Intervallannahme implizieren, die für ein einzelnes Item nicht belegt ist.

Die Debatte um Intervallskalierung

In der Praxis – und in der Methodenliteratur – ist diese Frage lebhaft umstritten. Auf der einen Seite steht die konservative Position: Ordinale Daten verlangen ordinale Methoden, also Median, Modus und nichtparametrische Tests. Auf der anderen Seite zeigt die empirische Methodenforschung, dass parametrische Verfahren gegenüber Verletzungen der Intervallannahme häufig robust sind – besonders bei ausreichender Stichprobengröße und symmetrischer Verteilung.

Das bedeutet für Ihre Arbeit: Die Entscheidung zwischen ordinalen und parametrischen Verfahren muss begründet werden. Beides kann vertretbar sein – dogmatisches Ablehnen parametrischer Verfahren ist ebenso wenig angebracht wie deren unreflektierter Einsatz.

Deskriptive Auswertung von Likert-Daten

Der erste Schritt jeder Analyse ist die deskriptive Beschreibung Ihrer Daten. Was zeigen die Verteilungen? Wo liegen die Schwerpunkte? Gibt es Ausreißer oder Deckeneffekte?

Häufigkeitsverteilungen

Bei einzelnen Likert-Items ist die Häufigkeitsverteilung die aussagekräftigste deskriptive Darstellung. Zeigen Sie, wie viele Personen (absolut und prozentual) jede Antwortkategorie gewählt haben. Balkendiagramme oder gestapelte Balkendiagramme eignen sich dafür besonders gut.

Median und Modus

Für ordinale Einzelitems sind Median (der mittlere Wert in der Rangfolge) und Modus (der häufigste Wert) die methodisch passenden Lageparameter. Der Median ist dabei robuster gegenüber schiefen Verteilungen.

Mittelwert bei zusammengesetzten Skalen

Wenn Sie einen reliabel gebildeten Summenscore oder Skalenmittelwert aus mehreren Items berechnen, können Mittelwert und Standardabweichung sinnvoll berichtet werden. Das gilt insbesondere dann, wenn die Itemanzahl groß genug ist und die Verteilung des Gesamtscores annähernd symmetrisch ausfällt.

Inferenzstatistische Verfahren: parametrisch oder nichtparametrisch?

Sobald Sie Gruppenunterschiede testen oder Zusammenhänge prüfen wollen, stellt sich die Frage nach dem richtigen inferenzstatistischen Verfahren. Die Antwort hängt davon ab, ob Sie mit einzelnen Items oder Skalenwerten arbeiten – und wie Sie das Skalenniveau begründen.

Nichtparametrische Tests für ordinale Items

Bei einzelnen Likert-Items und ordinalem Skalenniveau empfehlen sich folgende Verfahren:

• Mann-Whitney-U-Test: Vergleich zweier unabhängiger Gruppen
• Wilcoxon-Vorzeichen-Rang-Test: Vergleich zweier verbundener Messungen
• Kruskal-Wallis-Test: Vergleich von mehr als zwei unabhängigen Gruppen
• Spearman-Korrelation: Zusammenhang zwischen zwei ordinalen Variablen

Parametrische Tests bei Skalenwerten

Wenn Sie einen Summenscore aus mehreren Items verwenden und das Intervallskalenniveau begründen können, sind parametrische Verfahren einsetzbar:

• t-Test (unabhängig oder abhängig): Gruppenvergleiche bei zwei Gruppen
• ANOVA: Gruppenvergleiche bei mehr als zwei Gruppen
• Pearson-Korrelation: Linearer Zusammenhang zwischen zwei metrischen Variablen
• Lineare Regression: Vorhersage eines Kriteriums durch einen oder mehrere Prädiktoren

Einen strukturierten Überblick, welche Verfahren in den Sozialwissenschaften insgesamt gebräuchlich sind, finden Sie im Beitrag zu den statistischen Verfahren in den Sozialwissenschaften.

Reliabilität prüfen: Cronbachs Alpha

Wer mehrere Likert-Items zu einem Gesamtscore zusammenfasst, muss vorher prüfen, ob die Items tatsächlich dasselbe Konstrukt messen. Dafür ist Cronbachs Alpha das Standardmaß.

Dabei steht k für die Anzahl der Items, für die Varianz des einzelnen Items und für die Varianz des Gesamtscores.

Richtwerte für Cronbachs Alpha

In der sozialwissenschaftlichen Forschung gelten folgende Orientierungswerte:

• α ≥ 0,90: Exzellent
• α ≥ 0,80: Gut
• α ≥ 0,70: Akzeptabel (für Forschungszwecke häufig ausreichend)
• α < 0,70: Fraglich – kritische Prüfung der Items empfohlen

Wichtig: Ein sehr hohes Alpha (über 0,95) kann auf Itemredundanz hinweisen – die Items sind möglicherweise zu ähnlich formuliert und messen keine eigenständigen Facetten des Konstrukts mehr.

Weitergehende Analysen: Faktorenanalyse und Regression

Explorative Faktorenanalyse

Wenn Sie nicht nur prüfen wollen, ob Items zusammenpassen, sondern die Struktur eines Messinstruments verstehen oder überprüfen wollen, ist die Faktorenanalyse das Mittel der Wahl. Sie hilft dabei zu identifizieren, welche Items auf welchen Faktoren laden – und ob Ihre Skala tatsächlich die Dimensionen abbildet, die Sie theoretisch annehmen.

Eine ausführliche Schritt-für-Schritt-Anleitung zur Faktorenanalyse in den Sozialwissenschaften finden Sie in unserem separaten Beitrag.

Regressionsanalyse mit Likert-Skalenwerten

Likert-Skalenwerte werden in der Sozialforschung häufig als abhängige oder unabhängige Variable in Regressionsmodellen eingesetzt. Voraussetzung ist, dass Sie den Summenscore als annähernd metrisch behandeln und dies methodisch begründen. Bei ordinalem Einzelitem empfiehlt sich stattdessen eine ordinale logistische Regression.

Zur Frage, wie Effektstärken in diesem Kontext korrekt berichtet werden, lohnt sich ein Blick auf den Überblick zu den üblichen Effektstärken in den Sozialwissenschaften.

Mehrebenenanalyse bei geschachtelten Daten

Werden Likert-Skalen in Settings eingesetzt, bei denen Befragte in natürliche Gruppen eingebettet sind (z. B. Schülerinnen und Schüler in Klassen, Beschäftigte in Unternehmen), sollten Sie prüfen, ob eine einfache Regression ausreicht oder ob eine Mehrebenenanalyse notwendig ist, um die Datenstruktur korrekt abzubilden.

Typische Fehler bei der Likert-Analyse

In empirischen Abschlussarbeiten treten bei der Auswertung von Likert-Daten immer wieder dieselben Fehler auf. Kennen Sie diese, können Sie sie gezielt vermeiden.

Wer sich über die korrekte Ergebnisdarstellung unsicher ist, findet im Beitrag zur APA-konformen Ergebnisberichterstattung eine strukturierte Orientierung.

Fazit: Begründet entscheiden statt Regeln blind folgen

Die Analyse von Likert-Skalen in der Sozialforschung ist kein starres Regelwerk, sondern eine Frage begründeter methodischer Entscheidungen. Das Wichtigste lässt sich in drei Kernpunkten zusammenfassen:

1. Item vs. Skala unterscheiden: Einzelne Likert-Items sind ordinal und verlangen eine entsprechende Analysestrategie. Mehrfach-Item-Skalen mit nachgewiesener Reliabilität bieten mehr Spielraum.
2. Verfahren begründen: Die Debatte zwischen konservativer Ordinalanalyse und pragmatischer Nutzung parametrischer Verfahren ist in der Methodenliteratur nicht abgeschlossen. Entscheidend ist, dass Sie Ihre Wahl transparent darlegen und methodisch stützen.
3. Reliabilität vor Analyse: Bilden Sie Summenscores erst, nachdem Sie die interne Konsistenz der Items geprüft haben.

Wenn Sie unsicher sind, welche Analysestrategie für Ihre konkrete Fragestellung passt, oder wenn Sie bei der Umsetzung in SPSS, R oder einem anderen Programm Unterstützung benötigen, bietet methodische Begleitung für sozialwissenschaftliche Arbeiten eine strukturierte Orientierung – von der Skalenentwicklung bis zur Ergebnisinterpretation.

Die Frage, warum der methodisch sorgfältige Umgang mit solchen Entscheidungen überhaupt so wichtig ist, beleuchtet der Beitrag zu den Gründen für den Einsatz statistischer Methoden in der Sozialforschung.