Wie bestimmt man die richtige Stichprobengröße für eine Umfrage?
In diesem Beitrag
Was die Stichprobengröße wirklich bestimmt
Die Stichprobengröße lässt sich nicht pauschal festlegen – sie ergibt sich aus dem Zusammenspiel von gewünschter Genauigkeit, Konfidenzniveau, erwarteter Verteilung in der Grundgesamtheit und dem Zweck Ihrer Umfrage. Wer einfach eine runde Zahl wie „100 Befragte“ ansetzt, ohne diese Parameter zu berücksichtigen, riskiert entweder unnötig aufwendige Erhebungen oder Ergebnisse, die statistisch nicht belastbar sind.
Grundsätzlich gilt: Je kleiner der Fehler sein soll, den Sie bei Ihren Schätzungen tolerieren, desto mehr Fälle brauchen Sie. Und je heterogener die interessierende Eigenschaft in Ihrer Zielgruppe verteilt ist, desto größer muss die Stichprobe sein, um diese Variation zuverlässig abzubilden.
Die Formel hinter der Berechnung
Die am weitesten verbreitete Formel zur Stichprobengrößenbestimmung bei Umfragen bezieht sich auf die Schätzung eines Anteils (einer Proportion) in der Grundgesamtheit. Sie lautet:
Stichprobenformel für Proportionen
Die Variablen bedeuten konkret:
- n – benötigte Stichprobengröße
- z* – kritischer Wert für das gewählte Konfidenzniveau (z. B. 1,960 bei 95 %)
- M – akzeptable Fehlermarge (z. B. 0,04 für ±4 Prozentpunkte)
- p̃ – erwartete oder geschätzte Proportion in der Grundgesamtheit
Ein konkretes Beispiel verdeutlicht die Logik: Bei einem Konfidenzniveau von 95 % (z* = 1,960), einer Fehlermarge von 4 % und einem konservativ angesetzten p̃ = 0,50 ergibt sich eine Mindeststichprobe von 601 Personen. Liegt dagegen eine begründete Vorannahme vor, dass der interessierende Anteil eher bei 25 % liegt, sinkt die benötigte Fallzahl im selben Szenario auf 451 – eine Reduktion von einem Viertel allein durch Verwendung realistischerer Vorinformationen.
Warum p̃ = 0,50 die konservativste Annahme ist
Das Produkt wird maximal, wenn p̃ = 0,50. Das bedeutet: Wenn Sie keine Vorinformation über die Verteilung haben, liefert p̃ = 0,50 die größte – und damit sicherste – Stichprobengröße. Sie können also nie zu wenige Fälle einplanen, wenn Sie mit diesem Wert rechnen.
Haben Sie aus Pretests, Vorstudien oder der Literatur begründete Erwartungen über den zu messenden Anteil, sollten Sie diesen Wert nutzen. Das führt zu einer effizienteren Planung ohne Abstriche bei der Validität.
Die fünf entscheidenden Einflussfaktoren
Hinter jeder Stichprobengrößenberechnung stecken mehrere Parameter, die Sie vorab festlegen müssen. Hier eine Übersicht:
| Parameter | Typischer Wert | Effekt auf n |
|---|---|---|
| Konfidenzniveau | 95 % (z* = 1,960) | Höheres Niveau → größeres n |
| Fehlermarge (M) | ±3 % bis ±5 % | Kleinere Marge → deutlich größeres n |
| Erwartete Proportion (p̃) | 0,50 (konservativ) | Näher an 0,50 → größeres n |
| Grundgesamtheit (N) | Meist > 10.000 | Kleines N → Korrekturformel nötig |
| Design Effect (DEFF) | 1,0 bei einfacher Zufallsstichprobe | Cluster-Design → DEFF > 1 → n erhöhen |
Kleine Grundgesamtheiten: Die Finite-Population-Korrektur
Wenn Ihre Grundgesamtheit vergleichsweise klein ist – etwa eine Belegschaft von 300 Personen oder die Studierendenschaft eines einzelnen Instituts – liefert die Standardformel eine übervorsichtige Schätzung. In diesem Fall greift die Finite-Population-Korrektur:
Korrigierte Stichprobengröße bei kleiner Grundgesamtheit
Dabei ist die nach der Standardformel berechnete Ausgangsgröße und die Größe der Grundgesamtheit. Die Stichprobengröße wird dabei stets in Abhängigkeit von Zielgröße, Präzision und Designannahmen festgelegt – nicht isoliert betrachtet.
Design Effect bei Cluster-Stichproben
Wenn Ihre Befragung nicht vollständig zufällig aus der Grundgesamtheit zieht, sondern strukturell gruppenweise vorgeht (z. B. zuerst Schulen, dann Klassen), entsteht ein sogenannter Design Effect (DEFF). Er beschreibt das Verhältnis der tatsächlichen Varianz Ihrer Clusterstichprobe zur Varianz einer einfachen Zufallsstichprobe. Ein DEFF von 1,5 bedeutet, dass Sie 50 % mehr Fälle benötigen als bei einer idealen Zufallsstichprobe. Für Abschlussarbeiten ist das meist nicht relevant – wer aber komplexere Stichprobendesigns plant, muss diesen Faktor einrechnen.
Deskriptive Präzision vs. statistische Power
Viele Studierende planen ihre Stichprobengröße ausschließlich auf Basis von Fehlermarge und Konfidenzniveau. Das reicht aus, wenn der Fokus der Arbeit auf rein deskriptiven Aussagen liegt – also auf der Frage: „Wie viel Prozent meiner Zielgruppe stimmt Aussage X zu?“
Wer jedoch Gruppenunterschiede testen, Zusammenhänge prüfen oder Regressionsmodelle schätzen möchte, braucht eine andere Perspektive: die statistische Power. Eine Fallzahl, die für eine einfache Anteilschätzung ausreicht, ist nicht automatisch ausreichend, um Gruppenunterschiede oder Modellparameter verlässlich zu testen.
Wann eine Poweranalyse nötig ist
Eine Poweranalyse ist dann erforderlich, wenn Ihre Umfrage nicht nur beschreiben, sondern auch testen soll. Typische Situationen in Abschlussarbeiten:
- Sie vergleichen zwei oder mehr Gruppen mit einem t-Test oder einer ANOVA
- Sie prüfen Korrelationen oder Regressionskoeffizienten auf Signifikanz
- Sie testen Hypothesen über Zusammenhänge zwischen Variablen im Fragebogen
Für eine Poweranalyse benötigen Sie drei Eingaben: das gewünschte Signifikanzniveau (meist α = 0,05), die angestrebte Power (meist 1 – β = 0,80) und eine Schätzung der erwarteten Effektgröße. Tools wie G*Power sind dafür der Standard an deutschen Hochschulen und vollständig kostenfrei verfügbar.
Daumenregeln für Abschlussarbeiten
In der Praxis von Bachelorarbeiten und Masterarbeiten ist eine vollständige formale Stichprobenberechnung nicht immer möglich – etwa weil die Grundgesamtheit schwer definierbar ist oder weil keine verlässlichen Vorinformationen zur erwarteten Proportion vorliegen. In solchen Fällen helfen methodisch vertretbare Daumenregeln.
Orientierungswerte nach Analyseziel
- Rein deskriptive Auswertung: Mindestens 50–100 Fälle für grundlegende Häufigkeiten und Mittelwerte
- Gruppenvergleiche (t-Test, ANOVA): Mindestens 30 Fälle pro Gruppe als untere Grenze
- Korrelations- und Regressionsanalysen: Als Faustregel mindestens 10 Fälle pro Prädiktor, besser 20
- Faktorenanalysen: Mindestens 100–150 Fälle, besser 5–10 Fälle pro Item
- Repräsentative Schätzung (±5 %, 95 % KI): Mindestens 385 Fälle (bei großer Grundgesamtheit und p̃ = 0,50)
Diese Werte sind Orientierungspunkte, keine Garantien. Welche statistische Analysemethode Sie für Ihren Fragebogen einsetzen, hat direkten Einfluss darauf, wie viele Fälle Sie tatsächlich benötigen.
Rücklaufquote einplanen
Ein häufig vergessener Schritt: Die berechnete Stichprobengröße ist die Zielgröße für auswertbare Fälle – nicht die Anzahl der zu versendenden Einladungen. Wer 200 vollständige Fragebögen braucht und mit einer Rücklaufquote von 40 % rechnet, muss 500 Personen ansprechen.
In der Praxis werden Nonresponse, Erhebungsqualität und Kosten als integrale Bestandteile des Studiendesigns betrachtet – nicht als nachträgliches Problem. Rechnen Sie diese Verluste bereits in der Planungsphase ein.
Häufige Fehler bei der Fallzahlplanung
In der Praxis begegnen uns bei der Begleitung von Abschlussarbeiten immer wieder dieselben Fehler – die meisten davon lassen sich durch frühe methodische Planung vermeiden.
Weitere typische Problemstellen:
- Fehlermarge verwechseln: Eine Fehlermarge von ±5 % klingt nach wenig, ist aber bei einer Frage „Würden Sie Produkt X kaufen?“ ein erheblicher Unsicherheitsbereich.
- Grundgesamtheit zu weit fassen: Wer „alle Erwachsenen in Deutschland“ als Grundgesamtheit definiert, braucht eine ähnliche Fallzahl wie bei einer kleineren, gut abgegrenzten Gruppe – weil bei großen Grundgesamtheiten die Korrekturformel kaum eine Rolle spielt. Besser ist eine präzise Zieldefinition.
- Stichprobenart ignorieren: Die Formel gilt für einfache Zufallsstichproben. Wer über Social Media oder Schneeballverfahren rekrutiert, arbeitet mit einer Gelegenheitsstichprobe – das muss in der Arbeit offen benannt werden. Die Wahl der Stichprobenmethode beeinflusst, wie die Ergebnisse interpretiert werden dürfen.
- Subgruppenanalysen vergessen: Wenn Sie in Ihrer Auswertung Vergleiche zwischen Untergruppen (z. B. nach Geschlecht, Altersgruppen) anstellen wollen, muss jede Untergruppe für sich ausreichend besetzt sein – nicht nur die Gesamtstichprobe.
Schritt für Schritt zur richtigen Stichprobengröße
Das folgende Vorgehen hat sich in der Praxis für empirische Abschlussarbeiten bewährt. Es ist bewusst allgemein gehalten, damit es auf Befragungen in verschiedenen Fächern anwendbar ist.
- Forschungsfrage klären: Handelt es sich um eine deskriptive Schätzung oder um das Testen von Hypothesen? Das bestimmt, ob Sie mit der Proportionsformel oder einer Poweranalyse arbeiten.
- Grundgesamtheit definieren: Wer genau soll befragt werden? Wie groß ist diese Gruppe ungefähr?
- Konfidenzniveau und Fehlermarge festlegen: In den Sozial- und Wirtschaftswissenschaften ist 95 % Konfidenzniveau und ±5 % Fehlermarge ein verbreiteter Standard. Für präzisere Fragen passen Sie die Parameter an.
- Erwartete Proportion schätzen: Gibt es Vorwissen aus der Literatur oder Pilotstudien? Falls nicht: p̃ = 0,50 verwenden.
- Fallzahl berechnen: Nutzen Sie die Formel, einen Stichprobenrechner oder G*Power. Runden Sie immer auf.
- Rücklaufquote einkalkulieren: Teilen Sie die benötigte Fallzahl durch die erwartete Rücklaufquote, um die Anzahl der notwendigen Kontaktaufnahmen zu ermitteln.
- Begründung dokumentieren: Halten Sie jeden Schritt in Ihrer Methodik fest. Begründen Sie Ihre Parameterwahl und nennen Sie die verwendete Formel oder das Tool.
Wer seinen Fragebogen methodisch sauber aufstellen möchte – von der Konstruktion über die Stichprobenplanung bis zur Auswertung – findet bei der professionellen Fragebogen-Unterstützung von QuantExpert eine ganzheitliche Begleitung für alle Phasen des Forschungsprozesses.
Sobald die Daten vorliegen, geht es an die Auswertung. Wie Sie dabei vorgehen, hängt stark von Ihrem Skalenniveau und Ihren Hypothesen ab – einen strukturierten Überblick bietet der Beitrag zum Auswerten von Umfragen. Und wer seine Fragebogendaten bereits in SPSS eingelesen hat, findet im Ratgeber zum Fragebogen auswerten mit SPSS eine schrittweise Anleitung.
