Wie berechnet man die Stichprobengröße für eine Studie?

Warum die Stichprobengröße vorab berechnet werden muss

Die Stichprobengröße ist keine Zahl, die man frei wählt oder aus dem Bauch heraus schätzt. Sie ergibt sich rechnerisch aus Ihrer Forschungsfrage, dem gewählten statistischen Verfahren und mehreren vorab festzulegenden Parametern. Wer diese Berechnung überspringt, riskiert entweder eine Studie, die zu schwach ist, um einen echten Effekt zu entdecken – oder eine unnötig große und ressourcenintensive Datenerhebung.

In der Methodenliteratur wird die Stichprobengrößenplanung als ethische, logistische, klinische und statistische Anforderung zugleich beschrieben. Das gilt nicht nur für klinische Studien, sondern ebenso für Bachelorarbeiten, Masterarbeiten und Dissertationen im Bereich Psychologie, Sozialwissenschaften oder Medizin. Viele Hochschulen sehen vor, dass die Stichprobengröße bereits in der Planungsphase per Poweranalyse festgelegt und transparent dokumentiert wird.

Konkret bedeutet das: Die Berechnung erfolgt vor der Datenerhebung – nicht danach.

Die vier zentralen Eingabeparameter

Unabhängig vom konkreten Studiendesign oder statistischen Verfahren brauchen Sie für jede Stichprobengrößenberechnung vier Grundgrößen. Diese lassen sich aus Pilotstudien, Literaturreviews oder etablierten Konventionen ableiten.

In der Praxis ist die Effektgröße der schwierigste Parameter: Sie müssen eine begründete Annahme darüber treffen, wie groß der Effekt sein wird, den Sie untersuchen. Die übrigen Parameter – Signifikanzniveau und Power – sind hingegen meist durch Konventionen vorgegeben. In der Methodenliteratur wird die Power traditionell auf 80 Prozent gesetzt, wobei es keine universelle Formel für jeden Studientyp gibt – die Berechnung muss immer auf das konkrete Studiendesign abgestimmt sein.

Die Grundlogik der Stichprobenberechnung

Die konkrete Formel hängt vom Testverfahren ab. Für den einfachsten Fall – den Vergleich zweier unabhängiger Mittelwerte mit einem t-Test – sieht die Stichprobengröße je Gruppe folgendermaßen aus:

Dabei steht für den kritischen z-Wert zum Signifikanzniveau (bei α = 0,05 zweiseitig: 1,96) und für den z-Wert zur angestrebten Power (bei 80 %: 0,842). d ist die standardisierte Effektgröße nach Cohen.

Ein konkretes Rechenbeispiel

Angenommen, Sie möchten mit einem zweiseitigen t-Test einen mittleren Effekt (d = 0,5) bei α = 0,05 und einer Power von 80 % nachweisen. Dann ergibt sich:

Für einen Gruppenvergleich mit zwei Gruppen bräuchten Sie also mindestens 126 Teilnehmende insgesamt. Bei einem kleinen Effekt (d = 0,2) steigt diese Zahl auf rund 394 Personen je Gruppe – ein deutlicher Unterschied, der zeigt, wie sensitiv die Stichprobengröße auf die Effektannahme reagiert.

Schritt für Schritt: So gehen Sie vor

Die Berechnung der Stichprobengröße folgt einem klaren Prozess. Wenn Sie diesen sequenziell abarbeiten, vermeiden Sie die häufigsten Fehler.

1. Forschungsfrage und primären Endpunkt festlegen: Welche Variable steht im Mittelpunkt? Handelt es sich um einen Gruppenvergleich, eine Korrelation, eine Regression? Die Wahl des statistischen Verfahrens zur Forschungsfrage ist der erste notwendige Schritt, bevor eine Stichprobengröße berechnet werden kann.
2. Studiendesign klären: Sind die Gruppen abhängig oder unabhängig? Handelt es sich um eine Querschnitts-, Längsschnitt- oder Kohortenstudie? Das Design bestimmt die Berechnungsmethode.
3. Effektgröße schätzen: Nutzen Sie Vorarbeiten aus der Literatur, Pilotstudien oder – wenn nichts vorliegt – die Konventionen nach Cohen (klein: d = 0,2; mittel: d = 0,5; groß: d = 0,8).
4. Signifikanzniveau festlegen: In den meisten Disziplinen ist α = 0,05 Standard. In manchen klinischen Kontexten wird α = 0,01 gefordert.
5. Power festlegen: Üblich sind 80 %, in der klinischen Forschung häufig 90 %.
6. Berechnung durchführen: Mit einem geeigneten Tool (siehe nächster Abschnitt) oder der entsprechenden Formel.
7. Drop-out-Rate einkalkulieren: Planen Sie einen Puffer für erwartete Ausfälle ein – je nach Kontext 10–20 % zusätzlich.

In epidemiologischen Designs – etwa Kohorten- oder Querschnittsstudien – kommen zusätzliche Parameter hinzu. Für solche Studientypen werden neben Konfidenzniveau und Power auch das Verhältnis von exponierten zu nicht-exponierten Gruppen sowie erwartete Ereignisraten in beiden Gruppen als Eingabeparameter benötigt. Das Grundprinzip bleibt dasselbe, die Operationalisierung der Effektannahme ändert sich jedoch je nach Design.

Geeignete Tools für die Berechnung

Für die meisten Studiendesigns in Abschlussarbeiten und Dissertationen müssen Sie die Formel nicht per Hand lösen. Es gibt etablierte Software, die die Berechnung zuverlässig und transparent übernimmt.

G*Power (kostenlos, empfohlen)

G*Power ist das am häufigsten eingesetzte Tool für Poweranalysen in der akademischen Forschung. Es unterstützt eine Vielzahl von Testverfahren: t-Tests, ANOVAs, Chi-Quadrat-Tests, Regressionen, Korrelationen und mehr. Die Bedienung ist strukturiert: Sie wählen den Testtyp, geben α, Power und die erwartete Effektgröße ein – das Programm berechnet daraus die benötigte Stichprobengröße. G*Power liefert außerdem eine grafische Darstellung der Power-Kurve, die Sie direkt in Ihre Arbeit übernehmen können.

R: pwr-Paket

Wer ohnehin mit R arbeitet, kann die Stichprobengröße direkt im Skript berechnen. Das Paket pwr deckt die gängigsten Testverfahren ab:

# Stichprobengroesse fuer zweiseitigen t-Test
# Mittlerer Effekt, Alpha = 0.05, Power = 0.80

library(pwr)

pwr.t.test(
  d = 0.5,          # Effektgroesse nach Cohen
  sig.level = 0.05, # Signifikanzniveau
  power = 0.80,     # gewuenschte Power
  type = "two.sample",
  alternative = "two.sided"
)

# Ergebnis: n = 63.77 --> aufgerundet: 64 Personen je Gruppe

Für andere Verfahren stehen Funktionen wie pwr.anova.test(), pwr.chisq.test() oder pwr.r.test() zur Verfügung. Das Ergebnis lässt sich direkt im Methodenteil zitieren und reproduzieren.

Weitere Optionen

• SPSS Sample Power: Kostenpflichtige Erweiterung für SPSS-Nutzer, gut in bestehende Workflows integrierbar.
• WebPower (online): Browserbasiertes Tool, das ohne Installation funktioniert – praktisch für eine schnelle Orientierung.
• Stata: Mit dem Befehl power ebenfalls vollständig integriert.

Eine ausführliche Erklärung zur Poweranalyse als Konzept – also warum diese Berechnung überhaupt nötig ist und was Power konkret bedeutet – finden Sie in unserem Beitrag Was ist eine Poweranalyse und warum ist sie wichtig?

Typische Fehler bei der Stichprobenplanung

In der Praxis werden bei der Stichprobengrößenberechnung immer wieder dieselben Fehler gemacht. Diese sind vermeidbar, wenn man sie kennt.

Weitere häufige Fehler im Überblick:

• Effektgröße überschätzen: Wer einen zu großen Effekt annimmt, berechnet eine zu kleine Stichprobe. Die tatsächliche Power der Studie liegt dann deutlich unter 80 %.
• Drop-outs vergessen: Wenn 15 % der Teilnehmenden den Fragebogen nicht vollständig ausfüllen, reicht die geplante Stichprobengröße nicht mehr aus. Planen Sie immer einen Puffer ein.
• Berechnung nach der Datenerhebung: Eine Post-hoc-Poweranalyse – also nach der Datenerhebung durchgeführt – ist methodisch problematisch und wird von Gutachtenden kritisch bewertet.
• Falsches Testverfahren als Basis: Die Stichprobengröße für einen t-Test unterscheidet sich von der für eine Regression. Berechnen Sie immer auf Basis des tatsächlich geplanten Hauptverfahrens.
• Mehrere Hypothesen, eine Berechnung: Wenn Sie mehrere Hypothesen testen, muss jede separat geprüft werden. Die größte benötigte Stichprobengröße bestimmt das erforderliche Gesamtsample.

Wer sich frühzeitig um einen strukturierten Auswertungsplan kümmert, vermeidet die meisten dieser Fehler – denn dann steht das Testverfahren bereits fest, bevor die Stichprobengröße berechnet wird.

Was Sie dokumentieren müssen

Eine korrekt berechnete Stichprobengröße nützt wenig, wenn sie im Methodenteil Ihrer Arbeit nicht nachvollziehbar dargestellt ist. Gutachtende und Reviewende erwarten eine transparente Begründung.

Diese Anforderungen entsprechen dem, was international anerkannte Reporting-Standards für reproduzierbare Studienplanung vorsehen. Gerade in der statistischen Auswertung einer Dissertation oder in klinischen Promotionsprojekten wird die vollständige Dokumentation der Stichprobenplanung von Gutachtenden systematisch geprüft.

Wer nach der Datenerhebung in die Auswertung einsteigt, sollte außerdem prüfen, ob die tatsächlich erreichte Stichprobengröße mit der geplanten übereinstimmt – und falls nicht, die Abweichung begründen. Einen strukturierten Einstieg in die Auswertungsphase bietet der Beitrag Daten erhoben – wie beginnt man mit der Auswertung?

Wenn Sie sich bei der Planung Ihrer Studie unsicher sind – sei es bei der Wahl des Testverfahrens, der Effektgrößenschätzung oder der Interpretation der Powerkurve – bietet die statistische Auswertung empirischer Abschlussarbeiten eine solide Grundlage, bevor die eigentliche Datenerhebung beginnt.