Was ist ein Beispiel für eine quantitative Datenanalyse?
In diesem Beitrag
Was quantitative Datenanalyse bedeutet – kurz erklärt
Ein klassisches Beispiel für eine quantitative Datenanalyse ist folgendes: Sie befragen 150 Studierende zu ihrem Stressniveau auf einer Skala von 1 bis 10 und prüfen anschließend statistisch, ob sich die Mittelwerte zwischen Bachelor-, Master- und Promotionsstudierenden unterscheiden. Dafür berechnen Sie zunächst deskriptive Kennzahlen, führen dann eine Varianzanalyse (ANOVA) durch und berichten eine Effektstärke.
Das klingt zunächst abstrakt, ist in der Praxis aber deutlich strukturierter als gedacht. Quantitative Datenanalyse folgt immer demselben Grundprinzip: numerische Daten werden mit statistischen Verfahren ausgewertet, um Zusammenhänge zu erkennen, Unterschiede zu prüfen oder Vorhersagen zu treffen. Was quantitative Datenanalyse grundlegend bedeutet, lässt sich am einfachsten an einem vollständigen Beispiel nachvollziehen – genau das zeigt dieser Artikel.
Ein konkretes Beispiel Schritt für Schritt
Nehmen wir eine typische Fragestellung aus der Psychologie: „Unterscheidet sich das Stresserleben von Studierenden je nach Studienphase?“ Diese Frage lässt sich in eine vollständige quantitative Analyse übersetzen.
Schritt 1: Forschungsfrage und Hypothesen formulieren
Aus der Ausgangsfrage werden messbare Hypothesen abgeleitet. Die Nullhypothese lautet: Es gibt keinen Unterschied in den mittleren Stresswerten zwischen den Gruppen. Die Alternativhypothese besagt, dass mindestens eine Gruppe signifikant höhere oder niedrigere Werte aufweist.
Schritt 2: Variablen und Skalenniveau bestimmen
In diesem Beispiel gibt es:
- Abhängige Variable: Stresswert (metrisch, 1–10)
- Unabhängige Variable: Studienphase (kategorial mit 3 Stufen: Bachelor, Master, Promotion)
Die Art der Variablen entscheidet über das passende Analyseverfahren – nicht umgekehrt. Die Analyseentscheidung hängt grundsätzlich von der Variablenstruktur und dem Skalenniveau ab, nicht von der verwendeten Software.
Schritt 3: Deskriptive Statistik berechnen
Bevor inferenzstatistische Tests eingesetzt werden, verschaffen deskriptive Kennzahlen einen ersten Überblick. Für jede Gruppe werden Mittelwert, Standardabweichung und Fallzahl berichtet.
| Studienphase | n | Mittelwert | Standardabweichung |
|---|---|---|---|
| Bachelor | 50 | 6,2 | 1,4 |
| Master | 50 | 7,0 | 1,6 |
| Promotion | 50 | 7,8 | 1,5 |
Schritt 4: Voraussetzungen prüfen
Vor dem inferenzstatistischen Test werden die Voraussetzungen geprüft. Bei einer einfaktoriellen ANOVA sind das:
- Normalverteilung der Residuen (z. B. Shapiro-Wilk-Test)
- Varianzhomogenität über die Gruppen (Levene-Test)
- Unabhängigkeit der Beobachtungen
Schritt 5: Inferenzstatistischen Test durchführen
Da die abhängige Variable metrisch und die unabhängige Variable kategorial mit drei Stufen ist, wird eine einfaktorielle ANOVA eingesetzt. Das Ergebnis liefert einen F-Wert und einen p-Wert. Bei p < 0,05 wird die Nullhypothese verworfen.
F-Statistik der einfaktoriellen ANOVA
Schritt 6: Effektstärke berichten
Ein signifikanter p-Wert allein sagt noch nichts über die praktische Bedeutsamkeit aus. Für die ANOVA wird daher üblicherweise Eta-Quadrat () als Effektstärke berechnet und angegeben. Werte ab 0,01 gelten als kleiner, ab 0,06 als mittlerer und ab 0,14 als großer Effekt.
Schritt 7: Post-hoc-Tests und Interpretation
Ist das ANOVA-Ergebnis signifikant, zeigt es lediglich, dass es irgendwo einen Unterschied gibt – nicht zwischen welchen Gruppen. Post-hoc-Tests (z. B. Tukey-HSD) identifizieren die konkret unterschiedlichen Gruppenpaare. Die Ergebnisse werden anschließend inhaltlich interpretiert und in die Theorie rückgebunden.
Welches Verfahren passt zu welcher Frage?
Das Beispiel oben verwendet eine ANOVA – aber das ist natürlich nur eines von vielen möglichen Verfahren. Die Wahl hängt immer von der Forschungsfrage, dem Skalenniveau und der Anzahl der Gruppen ab. Die wichtigsten quantitativen Analysemethoden lassen sich grob nach Fragestellung ordnen:
| Fragestellung | AV | UV | Verfahren |
|---|---|---|---|
| Gruppenvergleich (2 Gruppen) | Metrisch | Kategorial (2 Stufen) | t-Test |
| Gruppenvergleich (3+ Gruppen) | Metrisch | Kategorial (3+ Stufen) | Einfaktorielle ANOVA |
| Zusammenhang zweier Variablen | Metrisch | Metrisch | Korrelation / Regression |
| Häufigkeitsverteilung / Zusammenhang | Kategorial | Kategorial | Chi-Quadrat-Test |
| Vorhersage einer binären Zielvariable | Binär | Metrisch/Kategorial | Logistische Regression |
Diese Übersicht verdeutlicht, warum die Entscheidung für ein Verfahren stets von der Art der Zielvariable, der Anzahl der Gruppen und den Modellannahmen abhängt. Verfahren lassen sich nicht beliebig austauschen – eine korrekte Methodenwahl ist Grundvoraussetzung für interpretierbare Ergebnisse.
Warum Kennzahlen allein nicht reichen
Hier ein Denkanstoß, der in vielen Abschlussarbeiten zu kurz kommt: Vier völlig unterschiedliche Datensätze können identische numerische Kennwerte aufweisen – denselben Mittelwert, dieselbe Standardabweichung, denselben Korrelationskoeffizienten und dieselbe Regressionssteigung. Trotzdem zeigen ihre Streudiagramme vollkommen verschiedene Muster: ein linearer Zusammenhang, ein quadratischer Verlauf, ein Ausreißer-Problem und ein verzerrtes Extremdesign.
Dieses Phänomen, bekannt als Anscombe-Quartett, macht deutlich, dass deskriptive Statistiken und Regressionsparameter korrekt berechnet, aber ohne Visualisierung und Modellprüfung irreführend interpretiert werden können. Eine vollständige quantitative Datenanalyse kombiniert daher immer:
- Deskription: Mittelwerte, Streuung, Häufigkeiten
- Visualisierung: Histogramme, Streudiagramme, Boxplots
- Voraussetzungsprüfung: Normalverteilung, Varianzhomogenität, Ausreißer
- Inferenzstatistik: Tests, p-Werte, Konfidenzintervalle
- Effektstärken: Praktische Bedeutsamkeit der Befunde
Wie sieht das in einer Abschlussarbeit aus?
In einer empirischen Abschlussarbeit wird die quantitative Datenanalyse typischerweise im Methoden- und Ergebniskapitel dargestellt. Das Methodenkapitel beschreibt das Verfahren und begründet die Wahl; das Ergebniskapitel präsentiert die Befunde in Tabellen, Grafiken und Texte. Wie das konkret aussieht, erläutert unser Beitrag zum Präsentieren quantitativer Ergebnisse.
Was in die Ergebnisdarstellung gehört
Am Beispiel der ANOVA-Auswertung würde ein typischer Ergebnisabsatz in einer Abschlussarbeit folgende Elemente enthalten:
Bestandteile einer vollständigen Ergebnisdarstellung
- Deskriptive Kennzahlen je Gruppe (M, SD, n)
- Angabe des verwendeten Tests (z. B. einfaktorielle ANOVA)
- Teststatistik mit Freiheitsgraden: F(df1, df2) = …
- p-Wert mit Signifikanzniveau
- Effektstärke (η²) mit Interpretation
- Post-hoc-Ergebnisse bei signifikantem Haupteffekt
- Inhaltliche Einordnung des Befunds
Software für die Umsetzung
Für die Durchführung quantitativer Analysen stehen verschiedene Programme zur Verfügung. SPSS ist an deutschsprachigen Hochschulen besonders verbreitet und eignet sich für Standardverfahren wie t-Test, ANOVA und Regression. R bietet mehr Flexibilität und ist für komplexere Analysen gut geeignet. Jamovi ist eine einsteigerfreundliche Alternative mit grafischer Oberfläche.
Wer den Überblick über alle gängigen Verfahren gewinnen möchte, findet in unserem Beitrag zu den vier Arten quantitativer Methoden eine strukturierte Übersicht.
Vom Beispiel zur eigenen Analyse
Das Stressbeispiel aus diesem Artikel lässt sich direkt auf andere Fachbereiche übertragen. In der Wirtschaftswissenschaft könnte die Frage lauten: „Unterscheidet sich die Kundenzufriedenheit je nach Vertriebskanal?“ In der Medizin: „Wirkt Therapieform A besser als Therapieform B auf den Blutdruck?“ In der Sozialwissenschaft: „Hängt die politische Partizipation mit dem Bildungsgrad zusammen?“ Das Grundprinzip – Forschungsfrage, Variablentypen, Verfahrenswahl, Voraussetzungsprüfung, Auswertung, Interpretation – bleibt in allen Fällen identisch.
Eine detaillierte Einführung in das Gesamtkonzept bietet unser Beitrag zur quantitativen Datenanalyse, der Methoden, Tools und den typischen Analyseablauf umfassend beschreibt.
Häufige Fehler bei quantitativen Analysen
In der Praxis zeigt sich, dass bestimmte Fehler immer wieder auftreten – unabhängig vom Fachgebiet oder der verwendeten Software. Wer sie kennt, kann sie gezielt vermeiden.
Verfahren ohne Variablenprüfung wählen
Der häufigste Fehler: Das Verfahren wird aus dem Bauch heraus gewählt, ohne vorher das Skalenniveau der Variablen zu klären. Eine Korrelation nach Pearson setzt beispielsweise metrische und normalverteilte Variablen voraus. Wer diese Voraussetzung nicht prüft, riskiert falsche Schlussfolgerungen.
Voraussetzungen ignorieren
Viele parametrische Tests setzen Normalverteilung oder Varianzhomogenität voraus. Werden diese Voraussetzungen verletzt und nicht beachtet, sind die Testergebnisse möglicherweise nicht valide. Bei Verletzungen stehen häufig non-parametrische Alternativen zur Verfügung – etwa der Mann-Whitney-U-Test statt des t-Tests. Was die zentralen Gütekriterien quantitativer Forschung sind, erklärt unser separater Beitrag.
Fehlende Effektstärken
Wie bereits erwähnt: Ein statistisch signifikantes Ergebnis ist nicht automatisch ein praktisch bedeutsames Ergebnis. Effektstärken quantifizieren die tatsächliche Stärke eines Effekts und sind in vielen Fachzeitschriften und Hochschulrichtlinien verpflichtend zu berichten.
Keine explorative Vorabanalyse
Wer direkt in die inferenzstatistische Auswertung einsteigt, ohne vorher seine Daten explorativ zu prüfen, übersieht möglicherweise Ausreißer, Kodierungsfehler oder unplausible Werte. Eine explorative Datenanalyse mit Häufigkeitstabellen, Boxplots und Streudiagrammen gehört deshalb an den Anfang jeder quantitativen Auswertung – ganz so, wie es das Anscombe-Quartett eindrücklich belegt.
Wenn Sie unsicher sind, welche Verfahren für Ihre spezifische Fragestellung geeignet sind, und Unterstützung bei der statistischen Auswertung Ihrer empirischen Abschlussarbeit benötigen, stehen Ihnen erfahrene Statistikerinnen und Statistiker mit methodischer Begleitung zur Seite – von der Verfahrenswahl bis zur Ergebnisinterpretation.
