Welche Arten von Datenanalyse gibt es?

Die sechs Arten der Datenanalyse im Überblick

Datenanalyse ist nicht gleich Datenanalyse. Je nach Forschungsziel, Fragestellung und verfügbaren Daten kommen grundlegend unterschiedliche Ansätze zum Einsatz. In der Methodenliteratur werden üblicherweise sechs Arten unterschieden: explorativ, deskriptiv, diagnostisch, prädiktiv, präskriptiv und kausal.

Für Studierende, die eine empirische Abschlussarbeit schreiben, ist die Wahl des richtigen Analysetyps keine Formalie – sie bestimmt, welche statistischen Verfahren eingesetzt werden, wie Hypothesen formuliert sind und wie Ergebnisse interpretiert werden dürfen. Die folgende Übersichtstabelle gibt eine erste Orientierung:

In den folgenden Abschnitten werden alle sechs Typen ausführlich erklärt – mit konkreten Beispielen aus dem wissenschaftlichen Kontext.

Explorative Datenanalyse

Die explorative Datenanalyse (EDA) steht am Anfang jedes Analyseprozesses. Ihr Ziel ist es nicht, Hypothesen zu testen, sondern zunächst ein Verständnis für die Datenstruktur zu entwickeln. In der Praxis zeigt sich immer wieder, dass dieser Schritt oft unterschätzt wird – dabei ist er unverzichtbar.

EDA dient dazu, Ausreißer zu erkennen, Verteilungen zu prüfen, fehlende Werte zu identifizieren und unerwartete Muster sichtbar zu machen. Erst wenn Sie Ihre Daten wirklich kennen, können Sie das richtige statistische Verfahren wählen. Explorative Datenanalyse wird dabei als eigenständiger Analysemodus beschrieben, der klar von konfirmatorischen und rein zusammenfassenden Ansätzen abzugrenzen ist.

Typische EDA-Werkzeuge

• Histogramme zur Visualisierung von Verteilungsformen
• Boxplots zur Erkennung von Ausreißern und zur Streuungsdarstellung
• Streudiagramme zum ersten Eindruck bivariater Zusammenhänge
• Fehlende-Werte-Analyse zur Qualitätsprüfung des Datensatzes
• Korrelationsmatrizen als Überblick über lineare Zusammenhänge

Wer eine statistische Auswertung für die Bachelorarbeit plant, sollte EDA immer als ersten Schritt einplanen – noch vor der Hauptanalyse. Sie schützt vor methodischen Fehlern, die sich später kaum korrigieren lassen.

Deskriptive Analyse

Die deskriptive Analyse beschreibt, was in den Daten zu sehen ist – ohne über die erhobene Stichprobe hinauszugehen. Sie beantwortet Fragen wie: Wie alt sind die Befragten im Durchschnitt? Wie verteilen sich die Antworten auf die einzelnen Kategorien? Gibt es Unterschiede zwischen Gruppen?

In empirischen Abschlussarbeiten ist die deskriptive Analyse Pflicht: Sie bildet die Stichprobenbeschreibung und liefert den Ausgangspunkt für alle weiteren Auswertungsschritte.

Zentrale Kennzahlen der deskriptiven Statistik

Die wichtigsten Maße lassen sich in zwei Gruppen einteilen:

• Lagemaße: Mittelwert (), Median, Modus
• Streuungsmaße: Standardabweichung (), Varianz (), Spannweite, Interquartilsabstand

Deskriptive Statistik schließt auch grafische Darstellungen ein: Balkendiagramme, Kreisdiagramme, Häufigkeitstabellen und Kreuztabellen. Wie Sie solche Ergebnisse wirkungsvoll aufbereiten, erläutert der Beitrag zur Präsentation quantitativer Ergebnisse ausführlich.

Diagnostische und erklärende Analyse

Die diagnostische Analyse geht einen Schritt weiter: Sie fragt nicht nur, was passiert ist, sondern warum. Im wissenschaftlichen Kontext spricht man auch von erklärender Analyse oder Explanation. Ziel ist es, Zusammenhänge zwischen Variablen zu identifizieren und theoretische Hypothesen zu testen.

Typische Verfahren sind die lineare oder logistische Regression, die Varianzanalyse (ANOVA) und die Korrelationsanalyse. Diese Methoden bilden das Herzstück der meisten empirischen Bachelor- und Masterarbeiten in Psychologie, Wirtschaftswissenschaften und Sozialwissenschaften.

Erklärende Analyse vs. prädiktive Analyse

Hier liegt ein häufiger Fehler: Viele Studierende verwechseln erklärende Modelle mit Vorhersagemodellen. Ein Modell mit hoher statistischer Erklärungskraft muss kein gutes Vorhersagemodell sein – und ein starkes Prognosemodell liefert nicht zwingend kausale oder theoretische Erkenntnisse. Die Ziele unterscheiden sich grundlegend: Bei der erklärenden Analyse stehen Koeffizienteninterpretation, Signifikanztests und theoretische Einbettung im Vordergrund. Bei der prädiktiven Analyse zählen Vorhersagegenauigkeit, Kreuzvalidierung und Generalisierbarkeit.

Für klassische Hypothesentests in Abschlussarbeiten ist die erklärende Analyse der richtige Rahmen. Die Frage lautet dann: „Hat Variable X einen signifikanten Einfluss auf Variable Y?“ – nicht: „Wie gut kann ich Y aus X vorhersagen?“

Prädiktive Analyse

Die prädiktive Analyse hat ein klares Ziel: Sie soll zukünftige Werte oder unbekannte Zustände möglichst genau prognostizieren. Typische Anwendungen sind Kreditrisikobewertung, Krankheitsvorhersage, Nachfrageprognosen oder Kundensegmentierung.

Im akademischen Kontext spielt prädiktive Analyse vor allem in Dissertationen und quantitativen Masterarbeiten eine Rolle, wenn Machine-Learning-Verfahren eingesetzt werden. Gängige Methoden sind:

• Lineare und logistische Regression (als Vorhersagemodell)
• Entscheidungsbäume und Random Forests
• Support Vector Machines
• Neuronale Netze
• Zeitreihenmodelle (ARIMA, LSTM)

Ein zentrales Qualitätsmerkmal prädiktiver Modelle ist die Kreuzvalidierung: Der Datensatz wird in Trainings- und Testdaten aufgeteilt, um zu prüfen, wie gut das Modell auf neuen, unbekannten Daten abschneidet. Das unterscheidet prädiktive Analyse grundlegend von der erklärenden, wo der gesamte Datensatz zur Modellschätzung genutzt wird.

Für einen tiefergehenden Einstieg in die methodischen Grundlagen empfiehlt sich der Beitrag Was versteht man unter der Analyse quantitativer Daten?

Präskriptive Analyse

Die präskriptive Analyse ist die komplexeste und gleichzeitig die anwendungsnächste der sechs Kategorien. Sie baut auf den Ergebnissen deskriptiver, diagnostischer und prädiktiver Analysen auf und fragt: Was sollte getan werden, um ein bestimmtes Ergebnis zu erzielen?

Präskriptive Ansätze sind vor allem in Operations Research, Wirtschaftsinformatik und Managementwissenschaften verbreitet. Typische Methoden umfassen:

• Lineare Optimierung (z. B. Simplex-Methode)
• Simulationsmodelle (z. B. Monte-Carlo-Simulation)
• Entscheidungsanalytische Modelle
• Reinforcement Learning

In klassischen empirischen Abschlussarbeiten in Psychologie oder Sozialwissenschaften ist präskriptive Analyse selten. Für Wirtschaftsstudierende mit quantitativem Schwerpunkt kann sie jedoch relevant werden, insbesondere wenn Handlungsempfehlungen datengestützt abgeleitet werden sollen.

Kausale Analyse

Die kausale Analyse ist die methodisch anspruchsvollste Kategorie – und gleichzeitig die, die in empirischen Arbeiten am häufigsten missverstanden wird. Der entscheidende Unterschied: Kausale Analyse beantwortet nicht nur die Frage „Hängt X mit Y zusammen?“, sondern: „Bewirkt X eine Veränderung in Y?“

Kausale Inferenz erfordert zusätzliche Annahmen, eine formale Sprache zur Beschreibung kausalen Wissens und spezifische mathematische Werkzeuge, um aus Daten und Annahmen kausale Schlussfolgerungen zu ziehen – reine Assoziationsstatistik reicht dafür nicht aus.

Methoden der kausalen Analyse

• Randomisierte kontrollierte Experimente (RCT) – der Goldstandard der Kausalinferenz
• Difference-in-Differences – Vergleich von Gruppen vor und nach einer Intervention
• Instrumentalvariablenansatz – Umgehung von Endogenitätsproblemen
• Directed Acyclic Graphs (DAGs) – grafische Modellierung von Kausalstrukturen
• Propensity Score Matching – Angleichung von Vergleichsgruppen ohne Randomisierung

Für Forschungsfragen wie „Verbessert ein Training die Leistung?“ oder „Hat das Programm einen Effekt auf das Wohlbefinden?“ ist kausale Analyse der richtige Rahmen. Wer hingegen nur eine Korrelation berechnet und diese als Kausalaussage interpretiert, begeht einen klassischen Fehler. Die Frage, wann quantitative und wann qualitative Methoden geeignet sind, hängt dabei auch eng mit dem angestrebten Erkenntnistyp zusammen.

Welche Art passt zu Ihrer Forschungsfrage?

Die Wahl des richtigen Analysetyps hängt primär von Ihrer Forschungsfrage ab. Die folgende Entscheidungshilfe unterstützt Sie bei der Orientierung:

In der Praxis sind diese Typen nicht immer trennscharf. Eine typische empirische Masterarbeit kombiniert mindestens drei davon: explorative Datenanalyse am Anfang, deskriptive Statistik zur Stichprobenbeschreibung und anschließend diagnostische Analyse zum Hypothesentest. Wer quantitative Ergebnisse erzielen möchte, findet im Beitrag Wie erhält man quantitative Ergebnisse? eine strukturierte Anleitung.

Für die statistische Auswertung empirischer Abschlussarbeiten gilt: Die Analyseart muss zur Forschungsfrage passen – nicht umgekehrt. Wer zuerst eine Methode wählt und dann die Frage anpasst, riskiert methodische Inkonsistenz, die in Gutachten auffällt.

Die vier Phasen der Datenanalyse zeigen, wie explorative, deskriptive und inferenzstatistische Schritte in der Praxis aufeinanderfolgen und wie Sie Ihren Analyseprozess sinnvoll strukturieren.