Wie bestimmt man die Stichprobengröße für die Masterarbeit?

Warum die Stichprobengröße so wichtig ist

Die Stichprobengröße ist keine Randnotiz im Methodenteil – sie entscheidet darüber, ob Ihre statistische Analyse überhaupt aussagekräftige Ergebnisse liefern kann. Zu wenige Teilnehmende und Ihre Studie ist nicht in der Lage, realistische Effekte zu entdecken. Zu viele Teilnehmende bedeuten unnötigen Aufwand und können dazu führen, dass auch trivial kleine Effekte statistisch signifikant werden.

In einer Masterarbeit wird von Ihnen erwartet, dass Sie die Stichprobengröße aktiv begründen – nicht einfach eine runde Zahl nennen oder sich auf das beziehen, was in vergleichbaren Studien gemacht wurde, ohne eine eigene Herleitung vorzulegen. Betreuer und Prüfungskommissionen achten heute deutlich stärker auf diesen Punkt als noch vor einigen Jahren.

Welche Begründungswege es gibt

Es gibt nicht den einen richtigen Weg, eine Stichprobengröße zu begründen. In der wissenschaftlichen Methodenliteratur werden mehrere gleichwertige Begründungsstrategien unterschieden, die je nach Forschungskontext unterschiedlich geeignet sind:

• A-priori-Poweranalyse: Die Fallzahl wird auf Basis von Effektgröße, Signifikanzniveau und gewünschter Power berechnet. Das ist der häufigste und methodisch stärkste Weg.
• Ressourcenbasierte Begründung: Wenn Zeit, Budget oder Zugang zur Zielpopulation die Erhebung begrenzen, kann dies explizit als Begründung dienen – sofern die daraus resultierende Power transparent kommuniziert wird.
• Vollständige oder nahezu vollständige Populationserhebung: Bei kleinen, klar abgrenzbaren Grundgesamtheiten (z.B. alle Mitarbeitenden eines Unternehmens) kann eine Vollerhebung angestrebt werden.
• Genauigkeitsbasierte Planung: In deskriptiven Studien ohne Hypothesentests wird die Fallzahl so gewählt, dass ein Schätzwert (z.B. ein Mittelwert) mit ausreichender Präzision ermittelt werden kann.
• Orientierung an Heuristiken: Faustregeln wie „mind. 30 Fälle pro Gruppe“ oder „10 Fälle pro Prädiktor“ können als Ausgangspunkt dienen, ersetzen aber keine methodische Begründung.

In der Praxis – gerade bei quantitativen Masterarbeiten in Psychologie, Sozial- oder Wirtschaftswissenschaften – ist die a-priori-Poweranalyse der erwartete Standard. Die anderen Strategien sind nicht automatisch schwächer, müssen aber explizit und ehrlich begründet werden.

Die a-priori-Poweranalyse: Der Standardweg

Bei einer a-priori-Poweranalyse berechnen Sie die benötigte Stichprobengröße vor der Datenerhebung. Sie brauchen dafür vier Eingangsgrößen:

Die Logik dahinter ist einfach: Wenn Sie einen mittleren Effekt erwarten, ein Alpha von 0,05 und eine Power von 0,80 anstreben, ergibt sich daraus eine konkrete Mindeststichprobe. Bei einem unabhängigen t-Test mit diesen Parametern und einem mittleren Effekt (d = 0,5) liegt die benötigte Stichprobengröße bei etwa 64 Personen pro Gruppe – bei angestrebten 90 % Power sogar bei rund 90 pro Gruppe.

Wie wählt man die Effektgröße?

Das ist die kritischste Entscheidung. Drei Quellen bieten sich an:

1. Vorhandene Literatur: Meta-Analysen oder Studien zu Ihrem Thema berichten oft Effektgrößen (Cohens d, f, r, η²). Greifen Sie auf diese zurück und zitieren Sie die Quelle explizit.
2. Pilotdaten: Eine kleine Voruntersuchung liefert erste Schätzungen – allerdings mit großer Unsicherheit bei kleinem N.
3. Konventionen nach Cohen: Kleiner Effekt (d = 0,2), mittlerer Effekt (d = 0,5), großer Effekt (d = 0,8). Diese Konventionen sind in der Literatur verbreitet, sollten aber nicht blind übernommen werden, wenn domänenspezifische Informationen vorliegen.

Formale Darstellung der Power

Die Power eines Tests lässt sich formal als Gegenwahrscheinlichkeit des Beta-Fehlers ausdrücken:

Ein Power-Wert von 0,80 bedeutet: Wenn der angenommene Effekt tatsächlich existiert, wird die Studie in 80 % der Fälle ein signifikantes Ergebnis liefern – und in 20 % der Fälle einen vorhandenen Effekt übersehen (Fehler 2. Art). Diese Werte müssen Sie in Ihrem Methodenteil explizit nennen und begründen.

G*Power in der Praxis

Das kostenlose Programm G*Power ist das meistgenutzte Werkzeug zur Fallzahlplanung in den Sozial-, Verhaltens- und Biomedizinwissenschaften. Es deckt eine breite Palette statistischer Tests ab, darunter t-, F-, Chi-Quadrat-, z- und exakte Tests, und bietet zudem Effektgrößenrechner sowie grafische Darstellungen der Powerverteilung.

Schritt-für-Schritt: Fallzahl für einen t-Test berechnen

Als Beispiel: Sie planen einen unabhängigen t-Test zum Vergleich zweier Gruppen.

1. Öffnen Sie G*Power und wählen Sie unter Test family → t-tests.
2. Wählen Sie als Statistical test → Means: Difference between two independent means (two groups).
3. Stellen Sie den Type of power analysis → A priori ein.
4. Tragen Sie ein: Effect size d = 0,5 (mittlerer Effekt), α = 0,05, Power = 0,80, Allocation ratio N2/N1 = 1.
5. Klicken Sie auf Calculate. G*Power gibt Ihnen die benötigte Gesamtstichprobe aus – in diesem Fall 128 Personen (64 pro Gruppe).

Für andere Verfahren – etwa eine multiple Regressionsanalyse oder eine ANOVA – wählen Sie entsprechend „F tests“ und das passende Design. Das Prinzip bleibt dasselbe: Test, Effektgröße, Alpha und Power eingeben, Fallzahl ablesen.

Orientierungswerte nach Studiendesign

Wenn Sie sich zunächst einen Überblick verschaffen möchten, bevor Sie G*Power öffnen, helfen Referenzwerte aus der Fachliteratur. Für gängige Designs in der psychologischen und sozialwissenschaftlichen Forschung zeigt sich: Power ist stark designabhängig – und lässt sich nicht nur durch mehr Teilnehmende, sondern auch durch mehrere Messwiederholungen pro Person verbessern.

Diese Werte sind Ausgangspunkte, keine verbindlichen Vorgaben. Wenn Sie komplexere Designs wie Mediations- oder Moderationsanalysen planen, steigen die Anforderungen an die Stichprobengröße oft erheblich – insbesondere bei der Detektion von Interaktionseffekten. Und wer ein Strukturgleichungsmodell einsetzt, benötigt in der Regel mindestens 200 Fälle, häufig mehr.

Häufige Fehler bei der Stichprobenplanung

In der Praxis zeigen sich immer wieder dieselben Stolperfallen:

• Post-hoc-Poweranalyse statt a-priori: Eine Poweranalyse nach der Datenerhebung ist methodisch wenig aussagekräftig und wird von Prüfungskommissionen kritisch gesehen. Sie sollte vor der Erhebung durchgeführt werden.
• Effektgröße aus der Luft gegriffen: Die angenommene Effektgröße muss aus der Literatur oder aus inhaltlichen Überlegungen stammen – nicht aus dem Wunsch, die Stichprobengröße klein zu halten.
• Keine Berücksichtigung von Ausfällen: Planen Sie einen Puffer von 10–20 % ein, um mögliche Ausfälle durch fehlerhafte oder unvollständige Antworten auszugleichen.
• Falscher Testtyp in G*Power: Wenn Sie in G*Power den falschen Test auswählen (z.B. einseitig statt zweiseitig, oder eine falsche Testfamilie), liefert die Software eine inkorrekte Fallzahl. Überprüfen Sie die Einstellungen sorgfältig.
• Keine Dokumentation der Annahmen: Alle Eingabewerte – Effektgröße, Alpha, Power, Testtyp – müssen im Methodenteil transparent berichtet werden, inklusive der Quelle der angenommenen Effektgröße.

Wenn Sie sich unsicher sind, ob Ihre Planung methodisch trägt, lohnt es sich, frühzeitig Rückmeldung einzuholen. Die statistische Unterstützung für Ihre Masterarbeit kann gerade in der Planungsphase viel spätere Probleme verhindern.

Die Stichprobengröße im Methodenteil begründen

Die Berechnung allein reicht nicht – Sie müssen sie auch adäquat dokumentieren. Im Methodenteil Ihrer Masterarbeit sollte Ihre Stichprobengrößenbegründung folgende Elemente enthalten:

Ein Beispielsatz, wie er im Methodenteil stehen könnte: „Die Stichprobengröße wurde mittels a-priori-Poweranalyse in G*Power 3.1 (Faul et al., 2007) bestimmt. Auf Basis eines mittleren Effekts (d = 0,5, gemäß Mustermann & Musterfrau, 20XX), einem Signifikanzniveau von α = .05 und einer angestrebten Power von 1-β = .80 ergab sich für einen zweiseitigen unabhängigen t-Test eine Mindeststichprobe von N = 128 (je 64 pro Gruppe). Um potenzielle Ausfälle zu kompensieren, wurden insgesamt N = 145 Personen befragt.“

So eine transparente Darstellung zeigt, dass Sie die methodischen Grundlagen verstehen und wissenschaftlich fundiert vorgehen. Prüfende erkennen auf den ersten Blick, ob eine Stichprobengrößenbegründung ernst gemeint ist oder nur formal erfüllt wird. Wenn Sie parallel dazu die Voraussetzungen Ihrer statistischen Tests prüfen und die Ergebnisse APA-konform berichten, ist Ihr Methodenteil auf einem soliden Stand.

Für komplexere Designs – etwa Längsschnittstudien, mehrfaktorielle Designs oder Mehrebenenmodelle – empfiehlt sich eine individuelle Beratung. Gerade hier hängt die korrekte Fallzahl von vielen designspezifischen Annahmen ab, die pauschale Faustregeln nicht erfassen können.