Welche Beispiele gibt es für quantitative Daten?
In diesem Beitrag
Was sind quantitative Daten?
Quantitative Daten sind Merkmale, die sich mit Zahlen ausdrücken und rechnerisch weiterverarbeiten lassen. Anders als qualitative Daten – etwa Kategorien wie „weiblich“ oder „männlich“ – drücken sie eine Menge, ein Ausmaß oder eine Häufigkeit aus. In empirischen Arbeiten bilden sie die Grundlage für statistische Tests, Mittelwertvergleiche und Regressionsanalysen.
Grundsätzlich lassen sich quantitative Daten in zwei Haupttypen unterteilen: diskrete und kontinuierliche Daten. Diese Unterscheidung ist nicht nur akademisch – sie entscheidet darüber, welche statistischen Verfahren Sie sinnvoll einsetzen können.
Beispiele für diskrete quantitative Daten
Diskrete Daten entstehen durch Zählen. Sie nehmen nur bestimmte, voneinander getrennte Werte an – in der Regel ganze Zahlen. Zwischen zwei benachbarten Werten gibt es keine sinnvollen Zwischenstufen: Man kann drei oder vier Kinder haben, aber nicht 3,7.
Typische Beispiele
- Anzahl der Krankenhausaufenthalte einer Person im letzten Jahr
- Anzahl der Nadelpunktionen in einer medizinischen Studie
- Anzahl der Schwangerschaften
- Anzahl der Bücher in einem Rucksack
- Anzahl der Fehler in einem Test
- Anzahl der gekauften Artikel an einer Supermarktkasse
- Anzahl der Studienteilnehmenden in einer Interventionsgruppe
In einem Supermarkt-Datensatz etwa sind die Anzahl der gekauften Waren pro Einkauf eine klassische diskrete quantitative Variable, während die Gewichte der einzelnen Produkte eine kontinuierliche Variable darstellen – beides im selben Datensatz.
Beispiele für kontinuierliche quantitative Daten
Kontinuierliche Daten entstehen durch Messen. Sie können – theoretisch – jeden beliebigen Wert innerhalb eines Bereichs annehmen. In der Praxis wird die Genauigkeit durch das Messinstrument begrenzt: Ein Blutdruckmessgerät gibt Werte in mmHg aus, nicht mit beliebig vielen Dezimalstellen.
Typische Beispiele
- Körpergröße in Zentimetern
- Körpergewicht in Kilogramm
- Blutdruck in mmHg
- Cholesterinwert im Blut
- Reaktionszeit in Millisekunden
- Rennzeit in Sekunden
- Temperatur in Grad Celsius
- Einkommen in Euro
Körpergröße, Gewicht und Rennzeiten in Sekunden gelten als Lehrbeispiele für kontinuierliche Daten, weil sie numerisch gemessen werden und innerhalb ihres Wertebereichs jeden reellen Wert annehmen können.
Quantitative Daten nach Fachbereich
Quantitative Daten begegnen Ihnen je nach Fachrichtung in unterschiedlichen Kontexten. Die folgende Übersicht zeigt, welche Variablen in welchen Disziplinen typischerweise erhoben werden.
| Fachbereich | Diskrete Beispiele | Kontinuierliche Beispiele |
|---|---|---|
| Medizin / Gesundheit | Anzahl Krankenhausaufenthalte, Anzahl Schwangerschaften | Blutdruck, Cholesterin, BMI |
| Psychologie | Anzahl richtiger Antworten, Fehleranzahl | Reaktionszeit, Skalensummenwert (kontinuierlich approximiert) |
| Wirtschaftswissenschaften | Anzahl Mitarbeitende, Anzahl Bestellungen | Umsatz, Einkommen, Aktienkurs |
| Sozialwissenschaften | Anzahl Kinder, Anzahl Umzüge | Alter in Jahren, Haushaltseinkommen |
| Sportwissenschaft | Anzahl absolvierter Trainingseinheiten | Laufzeit, Herzfrequenz, Sprunghöhe |
Abgrenzung: Quantitativ vs. qualitativ
Die Unterscheidung zwischen quantitativen und qualitativen Daten ist einer der häufigsten Stolpersteine beim Einstieg in die Statistik. Kurz gefasst: Quantitative Daten drücken ein Ausmaß aus, qualitative Daten eine Kategorie.
Ein konkretes Beispiel macht den Unterschied deutlich: In einem Supermarktdatensatz sind die Anzahl der gekauften Artikel und das Gewicht der Suppendosen quantitative Variablen. Die Art der Waren hingegen – Obst, Tiefkühlprodukt, Getränk – ist eine qualitative, also kategoriale Variable. Alle drei Merkmale können im selben Datensatz nebeneinander auftreten.
Wer den Unterschied zwischen qualitativer und quantitativer Analyse grundlegend verstehen möchte, sollte sich diesen Aspekt früh in der Forschungsplanung bewusst machen – er beeinflusst nicht nur die Auswertung, sondern bereits das Studiendesign.
Skalenniveau und Auswertung
Das Skalenniveau einer quantitativen Variable bestimmt, welche statistischen Operationen zulässig sind. Bei quantitativen Daten unterscheidet man vor allem zwischen Intervall- und Ratioskala.
Intervallskala
Abstände zwischen Werten sind gleichmäßig und bedeutsam, aber es gibt keinen absoluten Nullpunkt. Das klassische Beispiel ist die Temperatur in Grad Celsius: Der Unterschied zwischen 10 °C und 20 °C ist genauso groß wie zwischen 20 °C und 30 °C – aber „0 °C“ bedeutet nicht „keine Temperatur“.
Ratioskala (Verhältnisskala)
Hier gibt es einen echten Nullpunkt. Gewicht, Einkommen oder Reaktionszeit sind Beispiele: 0 kg bedeutet tatsächlich kein Gewicht. Auf dieser Skala sind alle arithmetischen Operationen zulässig – Verhältnisse wie „doppelt so schwer“ sind sinnvoll interpretierbar.
In der Praxis erlauben beide Skalenniveaus parametrische Verfahren wie t-Tests oder Varianzanalysen – sofern weitere Voraussetzungen wie Normalverteilung erfüllt sind. Für eine detailliertere Einführung in die Methodik empfiehlt sich ein Blick auf die Grundlagen der quantitativen Datenanalyse.
Skalenniveaus im Überblick
Ein Sonderfall: Ordinaldaten
Ordinaldaten – etwa Likert-Skalen in Fragebögen mit Werten von 1 bis 5 – liegen zwischen qualitativen und quantitativen Daten. Sie haben eine Reihenfolge, aber keine gleichmäßigen Abstände. In medizinischen Datensätzen treten Messwerte, Zählwerte und Ordinalskalen häufig gemeinsam auf – die Wahl des richtigen Auswertungsverfahrens hängt immer vom jeweiligen Skalenniveau ab.
Ob Ordinaldaten parametrisch oder nicht-parametrisch ausgewertet werden sollten, ist in der Methodenliteratur nicht abschließend geklärt. Für viele Bachelorarbeiten ist eine pragmatische Handhabung – Likert-Skalen als quasi-metrisch zu behandeln – vertretbar, sollte aber begründet werden.
Quantitative Daten in der Abschlussarbeit
Wer eine empirische Abschlussarbeit schreibt, trifft auf quantitative Daten in der Regel auf zwei Wegen: durch eine eigene Erhebung (Fragebogen, Experiment, Messung) oder durch die Nutzung vorhandener Datensätze.
Was Sie beim Umgang mit quantitativen Daten beachten sollten
- Datentyp vorab klären: Diskret oder kontinuierlich? Das entscheidet über geeignete Visualisierungen und Tests.
- Skalenniveau festhalten: Bereits im Methodenteil der Arbeit angeben, auf welchem Niveau jede Variable gemessen wurde.
- Auf Ausreißer prüfen: Kontinuierliche Variablen wie Einkommen oder Reaktionszeit sind anfällig für extreme Werte, die Mittelwerte verzerren.
- Fehlende Werte dokumentieren: Geben Sie an, wie viele Fälle ausgeschlossen wurden und warum.
- Kodierungsplan anlegen: Notieren Sie, welche Zahl welcher Ausprägung entspricht – besonders bei diskreten Zählvariablen.
Eine häufig übersehene Besonderheit: Numerisch erhobene Werte können am Ende der Auswertung als Kategorien berichtet werden. Punktwerte in einem Leistungstest etwa werden manchmal nachträglich in Notengruppen (A, B, C …) umgerechnet. Dabei ändert sich die analytische Bedeutung der Variable grundlegend – aus metrischen Werten werden Kategorien. Für die quantitative Auswertung sollte diese Transformation bewusst und dokumentiert erfolgen.
Wenn Sie unsicher sind, welche Analyseverfahren zu Ihren Daten passen, lohnt sich ein Blick auf die verschiedenen Arten der Datenanalyse – von deskriptiver Statistik bis hin zu multivariaten Verfahren.
Die statistische Auswertung empirischer Abschlussarbeiten beginnt immer mit einer sorgfältigen Datentypprüfung. Wer hier den Überblick behält, vermeidet später methodische Fehler, die sich nur schwer korrigieren lassen.
