Was sind Beispiele für statistische Daten?

Was sind statistische Daten – und warum braucht man Beispiele?

Statistische Daten sind systematisch erfasste Informationen über Merkmale von Personen, Haushalten, Unternehmen oder anderen Untersuchungseinheiten. Sie bilden die Grundlage jeder empirischen Analyse – ob in der Psychologie, den Wirtschaftswissenschaften, der Medizin oder der Soziologie.

Der Begriff klingt abstrakt, wird aber sofort greifbar, wenn man konkrete Beispiele betrachtet: das Alter einer Person, ihr Bildungsabschluss, ihr monatliches Einkommen oder die Antwort auf eine Likert-Skala in einem Fragebogen – das alles sind statistische Daten.

Für Studierende, die eine empirische Abschlussarbeit schreiben, ist das Verständnis von Datenarten besonders relevant: Welche Verfahren ich einsetzen darf, hängt unmittelbar davon ab, welcher Typ von Daten mir vorliegt. Ein Überblick über die wichtigsten Kategorien – mit Beispielen aus Forschung und Praxis – hilft dabei, von Anfang an die richtigen Entscheidungen zu treffen.

Kategoriale Daten: Merkmale, die man einteilen kann

Kategoriale Daten beschreiben Eigenschaften, die sich in Gruppen oder Klassen einteilen lassen, aber keine echten numerischen Abstände aufweisen. Man unterscheidet zwei Unterformen:

Nominale Daten

Bei nominalen Daten lassen sich Ausprägungen benennen und unterscheiden – mehr aber nicht. Es gibt keine natürliche Rangfolge.

• Geschlecht (männlich, weiblich, divers)
• Staatsangehörigkeit (deutsch, österreichisch, schweizerisch …)
• Bildungsabschluss (kein Abschluss, Berufsausbildung, Hochschulabschluss)
• Wohnregion (Bayern, Berlin, Sachsen …)
• Ja/Nein-Antworten in Fragebögen

Ein konkretes Beispiel aus der amtlichen Statistik: Laut Zensus 2022 hatten rund 20 Prozent der Personen ab 15 Jahren in Deutschland einen Hochschulabschluss, 40 Prozent eine duale Berufsausbildung und 27 Prozent keinen beruflichen Abschluss (Stichtag: 15. Mai 2026). Die Variable „Bildungsabschluss“ ist hier kategorial – man kann die Gruppen unterscheiden und auszählen, aber nicht sinnvoll addieren.

Ordinale Daten

Ordinale Daten haben eine natürliche Rangfolge, aber die Abstände zwischen den Stufen sind nicht gleich groß oder nicht interpretierbar.

• Schulnoten (sehr gut, gut, befriedigend …)
• Likert-Skalen (stimme völlig zu – stimme gar nicht zu)
• Ausbildungsniveau (kein Abschluss < Berufsausbildung < Hochschulabschluss)
• Häufigkeitsangaben (nie, selten, manchmal, oft, immer)

Eine vertiefende Übersicht aller Skalenniveaus finden Sie im Beitrag Welche 5 Datentypen gibt es? – dort werden auch die Unterschiede zwischen Nominal-, Ordinal- und Metrisch-Skala anhand weiterer Beispiele erläutert.

Metrische Daten: Merkmale, die man messen kann

Metrische Daten – auch quantitative oder kardinale Daten genannt – besitzen aussagekräftige numerische Abstände. Sie erlauben die breiteste Palette statistischer Verfahren.

Intervallskala

Gleiche Abstände haben dieselbe Bedeutung, aber es gibt keinen absoluten Nullpunkt.

• Temperatur in Grad Celsius (0 °C bedeutet nicht „keine Temperatur“)
• Kalenderjahreszahlen
• Standardisierte Testergebnisse (IQ, z-Werte)

Verhältnisskala

Zusätzlich zum gleichmäßigen Abstand gibt es einen absoluten Nullpunkt – Verhältnisse wie „doppelt so viel“ sind sinnvoll interpretierbar.

• Alter in Jahren
• Körpergröße in Zentimeter
• Einkommen in Euro
• Reaktionszeiten in Millisekunden
• Anzahl von Ereignissen (Krankenhausaufenthalte, Prüfungsversuche)

Reale Beispiele aus amtlicher Statistik und Forschung

Statistische Daten begegnen uns täglich – in Nachrichtensendungen, Behördenberichten und wissenschaftlichen Publikationen. Einige besonders anschauliche Beispielfelder:

Demografische und soziale Daten

Demografische Daten zählen zu den ältesten und am häufigsten verwendeten statistischen Informationen überhaupt. Dazu gehören Geburtenraten, Sterbeziffern, Eheschließungen, Scheidungsraten und Bevölkerungszahlen. Auf internationaler Ebene werden solche Daten seit 1948 durch jährliche Fragebögen an mehr als 230 nationale Statistikämter erhoben – ergänzt durch Volkszählungsdaten zu wirtschaftlicher Aktivität, Bildungsstand, Haushaltsgröße, Wohnsituation, Ethnizität und Sprachgebrauch.

Diese Daten liegen typischerweise in mehreren Formaten vor: als absolute Häufigkeiten (z. B. 83 Millionen Einwohner), als relative Häufigkeiten (z. B. 20 % mit Hochschulabschluss) oder als Raten (z. B. 9,4 Geburten pro 1.000 Einwohner).

Regionale Vergleichsdaten

Statistische Daten können nach Regionen aufgeschlüsselt werden und ermöglichen so räumliche Vergleiche. In München etwa lag der Anteil von Personen mit Hochschulabschluss laut Zensus 2022 bei 41 Prozent – deutlich über dem Bundesdurchschnitt. Städte wie Heidelberg und Jena verzeichneten mit rund 7 Prozent besonders hohe Anteile Promovierter. Solche Regionalvergleiche sind typische Anwendungsfälle für kategoriale Gruppierungsvariablen in einer Analyse.

Einkommens- und Lebensbedingungsdaten

Ein weiteres klassisches Beispiel sind Erhebungen zu Einkommen, Armut und sozialer Ausgrenzung. In solchen Datensätzen unterscheidet man zwischen Informationen auf Haushaltsebene (z. B. Wohnfläche, Wohnkosten) und individueller Ebene (z. B. Erwerbsstatus, Bildungsabschluss, Gesundheitszustand). Daten zu sozialer Ausgrenzung und Wohnbedingungen stammen dabei vor allem aus Haushaltserhebungen, während Arbeitsmarkt-, Bildungs- und Gesundheitsinformationen typischerweise von Personen ab 16 Jahren direkt erhoben werden.

Querschnitt, Längsschnitt, Primär- und Sekundärdaten

Neben dem Skalenniveau unterscheidet die Statistik Daten auch nach ihrer zeitlichen Struktur und nach ihrer Erhebungsquelle. Beides ist für die Wahl des richtigen Analyseverfahrens entscheidend.

Querschnittsdaten vs. Längsschnittdaten

Querschnittsdaten werden zu einem einzigen Zeitpunkt oder Zeitraum erhoben und bilden eine Momentaufnahme ab – etwa eine Befragung von Studierenden im Sommersemester 2024. Längsschnittdaten hingegen verfolgen dieselben Personen oder Einheiten über mehrere Zeitpunkte hinweg und ermöglichen so die Analyse von Veränderungen.

Große Forschungsdatensätze wie europäische Haushaltsbefragungen unterscheiden beide Formen explizit: Querschnittsdaten zu einem Zeitpunkt und Längsschnittdaten mit Panelcharakter, bei denen dieselben Personen über mehrere Jahre beobachtet werden.

Primärdaten vs. Sekundärdaten

• Primärdaten werden für eine konkrete Forschungsfrage selbst erhoben – z. B. durch einen eigenen Fragebogen, ein Experiment oder ein Interview.
• Sekundärdaten sind bereits vorhandene Daten, die für einen anderen Zweck gesammelt wurden – z. B. amtliche Statistiken, Verwaltungsdaten oder Daten aus früheren Studien.

In Abschlussarbeiten werden häufig Primärdaten erhoben – etwa über Online-Befragungen. Es ist aber ebenso möglich und wissenschaftlich anerkannt, öffentlich zugängliche Sekundärdatensätze zu analysieren. Das spart Erhebungsaufwand und ermöglicht größere Stichproben.

Wenn Sie mehr über die grundlegenden Unterschiede zwischen deskriptiver und schließender Statistik verstehen möchten, gibt der Beitrag Welche zwei Arten von Statistiken gibt es? eine strukturierte Einführung.

Was bedeutet das für Ihre Abschlussarbeit?

Die Frage „Was für Daten habe ich eigentlich?“ ist keine akademische Fingerübung – sie entscheidet über die gesamte Analysestrategie Ihrer Arbeit. Ob Sie einen t-Test, eine Korrelation, eine Chi-Quadrat-Analyse oder eine Regressionsrechnung einsetzen dürfen, hängt direkt vom Skalenniveau Ihrer Variablen ab.

Praktische Konsequenzen für die Planung

Bevor Sie Ihren Fragebogen formulieren oder mit der Datenerhebung beginnen, lohnt es sich, folgende Fragen zu klären:

• Welche Variablen benötige ich zur Beantwortung meiner Hypothesen?
• Auf welchem Skalenniveau liegen diese Variablen vor?
• Welche statistischen Verfahren sind für dieses Skalenniveau geeignet?
• Wie groß muss meine Stichprobe sein, um aussagekräftige Ergebnisse zu erzielen?

Diese Fragen frühzeitig zu klären, spart erheblichen Mehraufwand in der Auswertungsphase. Was das Ziel der Statistik grundsätzlich ist – nämlich aus Daten belastbare Schlüsse über Zusammenhänge zu ziehen – hilft dabei, den Fokus auf das Wesentliche zu behalten.

Wo externe Unterstützung sinnvoll ist

Gerade wenn Sie zum ersten Mal mit einer empirischen Erhebung konfrontiert sind, ist die Einordnung der eigenen Daten nicht immer selbstverständlich. Ist eine Variable wirklich metrisch oder doch nur ordinal? Welche Verfahren sind bei kleinen Stichproben noch zulässig? Und wie geht man mit fehlenden Werten um?

Diese Fragen lassen sich methodisch präzise beantworten – oft ist dafür aber eine kurze fachkundige Rücksprache hilfreicher als stundenlange Recherche. Eine Übersicht über mögliche Unterstützung bei solchen Fragestellungen bietet die Seite zu Statistik als Dienstleistung.

Wer speziell für seine Bachelorarbeit Orientierung sucht, findet auf der Seite Statistiker für die Bachelorarbeit einen Überblick über mögliche Begleitungsformen – von der Methodenwahl bis zur Ergebnisinterpretation.