Was ist ein Auswertungsplan und wie erstellt man ihn?

Was ist ein Auswertungsplan?

Ein Auswertungsplan – in der internationalen Forschung als Statistical Analysis Plan (SAP) bezeichnet – ist ein schriftliches Dokument, das vor der eigentlichen Datenanalyse festlegt, welche Hypothesen mit welchen Methoden, Variablen und Entscheidungskriterien geprüft werden sollen.

In der Wissenschaft gilt er als technisch detaillierte Ausarbeitung der im Studienprotokoll beschriebenen Analysemerkmale. Gut dokumentierte statistische Entscheidungen sind dabei wesentlich für Transparenz und Reproduzierbarkeit, weil Analyseentscheidungen die Ergebnisse einer Studie erheblich beeinflussen können.

Für Studierende bedeutet das: Der Auswertungsplan ist kein bürokratisches Pflichtdokument – er ist das Rückgrat einer nachvollziehbaren empirischen Arbeit.

Warum braucht man einen Auswertungsplan?

Viele Studierende beginnen mit der Auswertung, sobald die Daten erhoben sind – ohne vorher festzulegen, was eigentlich analysiert werden soll. Das ist in der Praxis einer der häufigsten Fehler im gesamten Forschungsprozess.

Das Problem ohne Plan

Wer keine klare Analysestrategie hat, läuft Gefahr, im Datensatz so lange zu suchen, bis sich irgendetwas Signifikantes zeigt. Dieses Phänomen – in der Forschung als HARKing (Hypothesizing After Results are Known) oder p-Hacking bekannt – untergräbt die wissenschaftliche Integrität und führt zu Ergebnissen, die nicht replizierbar sind.

Ein Auswertungsplan verhindert genau das: Er legt die Spielregeln der Analyse fest, bevor die Daten ausgewertet werden.

Praktischer Nutzen im Studium

• Methodenteil schreiben: Der Auswertungsplan liefert die Grundlage für den statistischen Abschnitt Ihrer Arbeit.
• Betreuungsgespräche: Mit einem schriftlichen Plan können Betreuungspersonen Ihr Vorgehen konkret bewerten und Feedback geben.
• Zeitersparnis: Wer weiß, was er analysieren will, verliert keine Zeit mit unnötigen Umwegen.
• Reproduzierbarkeit: Andere Forschende (und Gutachtende) können Ihr Vorgehen nachvollziehen und überprüfen.

Was gehört in einen Auswertungsplan?

In der internationalen Leitlinienliteratur wurden nach einem mehrstufigen Delphi-Prozess mit Statistikern, Journalherausgebern, Regulatoren und Förderern insgesamt 55 Mindestbestandteile für einen vollständigen Analyseplan identifiziert. Für eine Abschlussarbeit müssen es natürlich nicht 55 Punkte sein – aber die grundlegende Struktur ist dieselbe.

Das Estimand-Framework: Was wird eigentlich gemessen?

Eine besonders nützliche Denkstruktur für den Auswertungsplan liefert das sogenannte Estimand-Framework: Unklare Beschreibungen des zu schätzenden Effekts können zu Missverständnissen führen – Ziel, Design, Durchführung, Analyse und Interpretation müssen deshalb aufeinander abgestimmt sein.

Konkret bedeutet das: Legen Sie nicht nur den Testnamen fest, sondern klären Sie auch, welcher Effekt bei welcher Population unter welchen Bedingungen gemessen wird. Auch wenn dieses Framework aus der klinischen Forschung stammt – die Grundlogik gilt genauso für Masterarbeiten in Psychologie oder Sozialwissenschaften.

Datenmanagement nicht vergessen

Ein Auswertungsplan beginnt nicht erst bei den statistischen Tests. Gute Analysepläne umfassen auch Angaben zu Dateneingabe, Variablenkodierung, Qualitätskontrollen wie doppelter Dateneingabe oder Plausibilitätsprüfungen sowie zum Umgang mit fehlenden Werten.

Gerade Studierende unterschätzen diesen Teil häufig – dabei entscheidet die Datenaufbereitung maßgeblich darüber, ob die Analysen überhaupt valide sind. Mehr dazu, wie man nach der Datenerhebung konkret vorgeht, erläutert unser Beitrag Daten erhoben – wie beginnt man mit der Auswertung?

Auswertungsplan erstellen: Schritt für Schritt

Die folgende Anleitung richtet sich an Studierende, die einen Auswertungsplan für eine Bachelor- oder Masterarbeit erstellen. Das Prinzip lässt sich aber auch auf Dissertationen und andere empirische Projekte übertragen.

Schritt 1: Forschungsfragen und Hypothesen präzisieren

Notieren Sie jede Hypothese in operationalisierter Form. Eine gute Hypothese benennt die beteiligten Variablen, die erwartete Richtung des Effekts und das Skalenniveau. Beispiel: „Es wird erwartet, dass Personen der Gruppe A einen signifikant höheren Mittelwert auf der Skala X aufweisen als Personen der Gruppe B (t-Test, zweiseitig, α = 0,05).“

Schritt 2: Variablen und Skalenniveaus festlegen

Erstellen Sie eine Variablenliste mit den folgenden Angaben:

• Variablenname und inhaltliche Bedeutung
• Skalenniveau (nominal, ordinal, intervall, verhältnis)
• Rolle im Modell (abhängig, unabhängig, Moderator, Kovariate)
• Kodierung (z. B. 1 = männlich, 2 = weiblich, 3 = divers)

Das Skalenniveau ist entscheidend für die Wahl des richtigen statistischen Verfahrens – ein häufiger Stolperstein, der sich mit einem klaren Plan vermeiden lässt.

Schritt 3: Statistische Verfahren zuordnen

Ordnen Sie jeder Hypothese das passende statistische Verfahren zu. Orientieren Sie sich dabei an Skalenniveau, Stichprobenstruktur (unabhängig vs. abhängig) und Anzahl der Variablen. Unser Beitrag zum Entscheidungsbaum für statistische Tests hilft Ihnen dabei, die richtige Wahl zu treffen.

Schritt 4: Voraussetzungen definieren

Legen Sie fest, welche Voraussetzungen Sie vor jeder Analyse prüfen und wie Sie bei Verletzungen vorgehen. Bei einem t-Test prüfen Sie etwa Normalverteilung (Shapiro-Wilk-Test) und Varianzhomogenität (Levene-Test). Liegt eine Verletzung vor, weichen Sie auf einen nichtparametrischen Test aus – zum Beispiel den Mann-Whitney-U-Test. Welche Voraussetzungen für welches Verfahren gelten, erklärt unser Artikel Welche Voraussetzungen muss ich vor der Auswertung prüfen?

Schritt 5: Umgang mit fehlenden Daten regeln

Fehlende Werte sind in empirischen Studien kaum zu vermeiden. Entscheiden Sie im Voraus: Werden unvollständige Fälle listenweise ausgeschlossen? Werden Werte durch Multiple Imputation ersetzt? Die Entscheidung hängt vom Anteil fehlender Werte und dem Mechanismus (MCAR, MAR, MNAR) ab.

Schritt 6: Signifikanzniveau und Effektstärken festlegen

Das Standardsignifikanzniveau liegt bei . Bei mehreren gleichzeitigen Tests sollten Sie eine Korrektur (z. B. Bonferroni) einplanen, um die α-Fehler-Kumulierung zu kontrollieren. Legen Sie außerdem fest, welche Effektstärkemaße Sie berichten – an den meisten Universitäten gilt es als gute Praxis, Effektstärken neben dem p-Wert standardmäßig APA-konform zu berichten.

Schritt 7: Zusatzanalysen und explorative Auswertungen benennen

Falls Sie Subgruppenanalysen, Sensitivitätsanalysen oder explorative Auswertungen planen, führen Sie diese separat auf und kennzeichnen Sie sie als solche. So wird beim Lesen Ihrer Arbeit klar, was konfirmatorisch und was exploratorisch ist.

Schritt 8: Software und Analyseumgebung festlegen

Notieren Sie, mit welcher Software Sie arbeiten (SPSS, R, Stata, Jamovi o. Ä.) und welche Version Sie verwenden. Das ist für die Reproduzierbarkeit Ihrer Ergebnisse wichtig und wird in manchen Hochschulrichtlinien explizit verlangt.

Beispiel: Auswertungsplan für eine Bachelorarbeit

Zur Veranschaulichung ein vereinfachtes Beispiel aus der Psychologie:

Das wirkt auf den ersten Blick umfangreich – in der Praxis lässt sich so ein Plan aber in ein bis zwei Stunden erarbeiten, wenn Forschungsfrage und Design bereits stehen. Für die statistische Auswertung einer Bachelorarbeit ist ein solcher Plan eine wertvolle Grundlage, die spätere Unsicherheiten deutlich reduziert.

Häufige Fehler beim Erstellen eines Auswertungsplans

Weitere typische Schwachstellen:

• Hypothesen zu vage: „Es wird ein Zusammenhang erwartet“ reicht nicht. Die Richtung, die beteiligten Variablen und der geplante Test müssen konkret benannt sein.
• Skalenniveau ignoriert: Wer metrische Tests auf ordinale Daten anwendet, begeht einen methodischen Fehler, der spätestens in der Begutachtung auffällt. Der Unterschied zwischen parametrischen und nichtparametrischen Tests ist dabei zentral.
• Fehlende Daten nicht geplant: Wer keinen Plan für fehlende Werte hat, trifft die Entscheidung ad hoc – und das sieht man in der Arbeit.
• Nur den Testnamen nennen: „Ich verwende eine Regression“ ist kein Plan. Welche Prädiktoren? Welches Modell? Welche Modellgütekriterien werden berichtet? Das alles gehört dazu.
• Kein Umgang mit Voraussetzungsverletzungen: Was passiert, wenn der Shapiro-Wilk-Test signifikant wird? Das muss vorab geklärt sein.

Fazit und nächste Schritte

Ein Auswertungsplan ist kein optionales Dokument – er ist die methodische Grundlage jeder seriösen empirischen Arbeit. Er schützt vor unbewussten Verzerrungen, erleichtert das Schreiben des Methodenteils und macht Ihre Ergebnisse nachvollziehbar und überprüfbar.

Für Ihre nächsten Schritte empfiehlt sich folgende Reihenfolge:

1. Forschungsfragen und Hypothesen schriftlich operationalisieren
2. Variablenliste mit Skalenniveaus erstellen
3. Statistische Verfahren zuordnen (ggf. mit Entscheidungsbaum)
4. Voraussetzungen und Fallback-Optionen definieren
5. Strategie für fehlende Daten festlegen
6. Signifikanzniveau, Effektstärken und Zusatzanalysen notieren
7. Plan vor Beginn der Auswertung mit Betreuungsperson abstimmen

Wer dabei unsicher ist, welches Verfahren zur eigenen Forschungsfrage passt, findet in unserem Beitrag Welches statistische Verfahren passt zu meiner Forschungsfrage? eine strukturierte Orientierung. Für eine umfassende Begleitung – von der Hypothesenformulierung bis zur fertigen Auswertung – steht Ihnen das Team von QuantExpert für die statistische Auswertung empirischer Abschlussarbeiten zur Verfügung.