Wie analysiert man eine Statistik?

Was bedeutet es, eine Statistik zu analysieren?

Eine Statistik zu analysieren bedeutet mehr als das Berechnen eines Mittelwerts oder das Ablesen eines p-Werts. Es geht darum, aus Rohdaten schrittweise belastbare Erkenntnisse zu gewinnen – durch Prüfung, Strukturierung und methodisch begründete Auswertung.

Für Studierende, die eine Bachelorarbeit, Masterarbeit oder Dissertation schreiben, ist dieser Prozess besonders relevant: Die Analyse muss nicht nur korrekt sein, sondern auch nachvollziehbar dokumentiert und wissenschaftlich begründet werden.

Der folgende Leitfaden beschreibt den Ablauf Schritt für Schritt – von der Fragestellung bis zur Ergebnisinterpretation.

Schritt 1: Fragestellung und Ziel klären

Jede statistische Analyse beginnt mit einer klaren Forschungsfrage. Ohne diese Orientierung lässt sich weder ein geeignetes Verfahren auswählen noch ein Ergebnis sinnvoll interpretieren.

Welche Fragen sollten Sie sich stellen?

• Was möchte ich herausfinden?
• Geht es um Beschreibung, Zusammenhänge, Unterschiede oder Vorhersage?
• Welche Variablen sind abhängig, welche unabhängig?
• Was ist das Skalenniveau meiner Daten (nominal, ordinal, metrisch)?

Ein bewährter Rahmen für diesen ersten Schritt stammt aus der Datenanalytik: strukturierte Analyseprozesse unterscheiden systematisch zwischen Analyseziel, Problemtyp und eingesetzten Methoden – also zwischen dem, was Sie wissen wollen, der Art des Problems (z. B. Klassifikation, Beschreibung, Prognose) und dem technischen Vorgehen. Wer diesen Schritt überspringt, riskiert, am Ende eine Analyse durchgeführt zu haben, die die eigentliche Forschungsfrage gar nicht beantwortet.

Schritt 2: Daten verstehen und Qualität prüfen

Bevor Sie irgendeine Berechnung durchführen, sollten Sie Ihre Daten kennen. Das klingt selbstverständlich, wird in der Praxis aber häufig unterschätzt.

Datenstruktur prüfen

Schauen Sie sich den Datensatz zunächst deskriptiv an: Wie viele Fälle und Variablen enthält er? Sind alle Variablen so codiert, wie Sie es erwarten? Gibt es fehlende Werte, Extremwerte oder offensichtliche Eingabefehler?

Datenqualität sicherstellen

Gerade wenn Sie Daten aus mehreren Quellen zusammenführen – etwa aus einer Online-Umfrage und einer Sekundärdatenbank – können Inkonsistenzen entstehen, die durch das Zusammenführen selbst neue Qualitätsprobleme erzeugen. Prüfen Sie deshalb:

• Fehlende Werte: Wie viele gibt es, und sind sie zufällig oder systematisch?
• Ausreißer: Gibt es Fälle, die das Ergebnis unverhältnismäßig stark beeinflussen?
• Doppelte Einträge: Sind alle Fälle eindeutig?
• Kodierungsfehler: Stimmen die Wertebereiche mit den erwarteten Skalen überein?

Dieser Schritt kostet Zeit, ist aber entscheidend. Eine Analyse auf Basis fehlerhafter Daten liefert falsche Ergebnisse – auch wenn die Statistik technisch korrekt durchgeführt wurde.

Schritt 3: Explorative Datenanalyse durchführen

Die explorative Datenanalyse (EDA) ist der Schritt zwischen Datenbereinigung und formaler Hypothesenprüfung. Ihr Ziel ist es, die Struktur der Daten zu verstehen – bevor Sie Annahmen über sie treffen.

Was gehört zur EDA?

Typische Bestandteile der explorativen Analyse sind:

• Häufigkeitsverteilungen und Histogramme für metrische Variablen
• Boxplots zur Darstellung von Lage, Streuung und Ausreißern
• Korrelationsmatrizen zur ersten Sichtung von Zusammenhängen
• Kreuztabellen für kategoriale Variablen
• Normalverteilungstests (z. B. Shapiro-Wilk) als Voraussetzungsprüfung

Zusammenfassende Kennzahlen wie Mittelwert und Standardabweichung sind dabei hilfreich, ersetzen aber keine grafische und diagnostische Prüfung der Datenstruktur. Ein Datensatz mit gleichem Mittelwert und gleicher Varianz kann völlig unterschiedliche Verteilungen aufweisen – ein Phänomen, das in der Statistik als Anscombes Quartett bekannt ist.

Normalverteilung prüfen

Viele inferenzstatistische Verfahren setzen voraus, dass die Daten (oder die Residuen) normalverteilt sind. Prüfen Sie diese Annahme grafisch (Q-Q-Plot, Histogramm) und ggf. mit einem formalen Test. Liegt keine Normalverteilung vor, stehen parameterfreie Alternativen zur Verfügung – dazu mehr im nächsten Schritt.

Schritt 4: Das richtige Analyseverfahren wählen

Die Wahl der Methode ist eine der zentralen Entscheidungen bei der statistischen Analyse. Sie ergibt sich systematisch aus Ihrer Forschungsfrage, dem Skalenniveau Ihrer Variablen und den geprüften Voraussetzungen.

Entscheidungsgrundlagen

Folgende Fragen leiten die Methodenwahl:

• Wie viele abhängige Variablen haben Sie?
• Ist die Zielvariable metrisch, ordinal oder kategorial?
• Wie viele Gruppen vergleichen Sie, und sind diese unabhängig oder verbunden?
• Sind die Normalverteilungsannahmen erfüllt?

Wichtig: Die Verfahrenswahl bietet allgemeine Leitlinien, darf aber nicht als starre Regel verstanden werden – mehrere Analysewege können je nach Fragestellung legitim sein. Wer mechanisch einen Test aus einer Tabelle übernimmt, ohne die eigene Datenstruktur und Hypothese zu berücksichtigen, läuft Gefahr, methodisch angreifbare Ergebnisse zu produzieren.

Deskriptive vs. inferenzstatistische Analyse

Grundsätzlich unterscheidet man zwischen zwei Analyseebenen: Die deskriptive Statistik beschreibt den vorliegenden Datensatz (Mittelwerte, Häufigkeiten, Streuung). Die Inferenzstatistik erlaubt Schlüsse auf eine größere Grundgesamtheit – mit Hilfe von Signifikanztests und Konfidenzintervallen. Beide Ebenen gehören in eine vollständige Analyse. Mehr zu den zwei Hauptarten der statistischen Analyse finden Sie in einem eigenen Beitrag.

Effektstärken nicht vergessen

Ein signifikantes Ergebnis sagt noch nichts darüber aus, wie groß ein Effekt ist. Für eine vollständige Analyse sollten Sie neben dem p-Wert immer auch eine Effektstärke berichten – etwa Cohens d für t-Tests oder η² (Eta-Quadrat) für ANOVA-Analysen.

Als Orientierung gilt: d = 0,2 als kleiner, d = 0,5 als mittlerer und d = 0,8 als großer Effekt. Welche statistischen Methoden für Ihre konkrete Fragestellung infrage kommen, hängt immer vom Einzelfall ab.

Schritt 5: Ergebnisse interpretieren und berichten

Die Berechnung eines Testergebnisses ist erst die halbe Arbeit. Die eigentliche Leistung liegt in der inhaltlichen Interpretation: Was bedeutet das Ergebnis für Ihre Forschungsfrage?

Was gehört in die Ergebnisdarstellung?

• Deskriptive Kennwerte (M, SD, n)
• Teststatistik (z. B. t, F, χ²) mit Freiheitsgraden
• p-Wert und Signifikanzniveau
• Effektstärke und Konfidenzintervall
• Inhaltliche Interpretation im Bezug zur Hypothese

Vermeiden Sie dabei zwei häufige Fehler: Erstens, ein nicht signifikantes Ergebnis als Beweis für die Nullhypothese zu werten – es bedeutet lediglich, dass die Datenlage keinen Effekt nachweist. Zweitens, statistische Signifikanz mit praktischer Relevanz gleichzusetzen. Bei sehr großen Stichproben werden auch triviale Unterschiede signifikant. Wann ein statistischer Test tatsächlich als signifikant gilt, erklärt ein eigener Ratgeber ausführlich.

Ergebnisse im Kontext einordnen

Eine gute Analyse endet nicht mit „p < .05“. Ordnen Sie Ihre Befunde in den theoretischen Rahmen Ihrer Arbeit ein: Entsprechen die Ergebnisse den Erwartungen aus der Literatur? Gibt es alternative Erklärungen? Welche Einschränkungen hat Ihre Studie?

Wer eine statistische Auswertung für eine Bachelorarbeit oder Masterarbeit durchführt, sollte insbesondere auf die Anforderungen der jeweiligen Hochschule achten – diese können sich in Darstellungsform, Testauswahl und geforderten Kennwerten unterscheiden.

Häufige Fehler bei der Statistikanalyse

Aus der Beratungspraxis zeigen sich immer wieder dieselben Stolperfallen:

• Voraussetzungen ignorieren: Normalverteilung, Varianzhomogenität oder Unabhängigkeit werden nicht geprüft.
• p-Wert-Fetischismus: Nur auf Signifikanz schauen, Effektstärken und Konfidenzintervalle weglassen.
• Multiple Vergleiche: Viele Tests gleichzeitig durchführen, ohne das Alphafehler-Kumulierungsproblem zu berücksichtigen.
• Fehlende Werte ignorieren: Einfach löschen statt analysieren, ob der Ausfall systematisch ist.
• Ergebnisse überinterpretieren: Aus Korrelationen kausale Schlüsse ziehen.

Wer sich unsicher ist, ob die eigene Analyse methodisch haltbar ist, findet auf der Seite zur statistischen Auswertung für empirische Abschlussarbeiten einen Überblick über Unterstützungsmöglichkeiten.

Welche Software eignet sich?

Die Wahl der Software hängt von Ihrem Kenntnisstand, der Art der Analyse und den Anforderungen Ihrer Hochschule ab. Die gängigsten Optionen im wissenschaftlichen Bereich sind:

Welche kostenlose Datenanalyse-Software sich besonders für Studierende eignet, haben wir in einem separaten Beitrag zusammengestellt. Für die meisten Abschlussarbeiten im Bereich Psychologie, Sozialwissenschaften oder Medizin ist SPSS oder Jamovi ein guter Einstieg.

Wichtig ist nicht die Wahl der Software, sondern die methodische Qualität dahinter. Die schönste Ausgabe nützt wenig, wenn das falsche Verfahren gewählt oder eine Voraussetzung verletzt wurde. Eine Übersicht über Instrumente bei statistischen Analysen gibt es ebenfalls als eigenen Beitrag.