Welche Effektstärken sind in den Sozialwissenschaften üblich?

Was sind Effektstärken und warum sind sie wichtig?

In den Sozialwissenschaften werden am häufigsten Cohen’s d (für Mittelwertvergleiche), partielles Eta-Quadrat (η²p) (für Varianzanalysen) sowie der Korrelationskoeffizient r (für Zusammenhangsanalysen) verwendet. Hinzu kommen R² und f² für Regressionsmodelle sowie Cramér’s V für Chi-Quadrat-Analysen.

Doch was steckt eigentlich dahinter? Ein p-Wert sagt Ihnen lediglich, ob ein Ergebnis statistisch signifikant ist – nicht aber, wie bedeutsam es inhaltlich ist. Effektstärken schließen genau diese Lücke: Sie quantifizieren die praktische Relevanz eines Befunds, unabhängig von der Stichprobengröße.

Methodisch wird dieser Punkt seit Jahrzehnten betont. Effektstärken drücken die praktische Bedeutung eines Befunds aus und ermöglichen es, Ergebnisse über Studien hinweg zu vergleichen – eine Voraussetzung für belastbare Metaanalysen und die kumulative Wissenschaftsentwicklung. In der Statistik für Sozialwissenschaften sind sie deshalb kein optionaler Zusatz, sondern ein zentraler Bestandteil jeder Ergebnisdarstellung.

Cohen’s d – die Standardgröße für Mittelwertvergleiche

Cohen’s d ist das am weitesten verbreitete Effektstärkenmaß bei t-Tests. Es beschreibt, um wie viele Standardabweichungen sich zwei Gruppen im Mittelwert unterscheiden.

Dabei ist die gepoolte Standardabweichung beider Gruppen. Das Ergebnis ist skalenunabhängig: Ein d = 0,50 bedeutet immer, dass sich die Gruppen um eine halbe Standardabweichung unterscheiden – egal ob Sie Einkommen, Testwerte oder Einstellungen messen.

Hedges‘ g als Alternative

Bei kleinen oder ungleich großen Stichproben empfiehlt sich Hedges‘ g, eine korrigierte Variante von Cohen’s d. Hedges‘ g berücksichtigt die Stichprobengröße durch einen Korrekturfaktor und liefert bei n < 20 pro Gruppe stabilere Schätzungen. In der Praxis sind die Unterschiede zu Cohen’s d bei ausreichend großen Stichproben gering.

Anwendungsbeispiel

Stellen Sie sich vor, Sie untersuchen in Ihrer Masterarbeit, ob Studierende aus bildungsnahen Haushalten höhere Selbstwirksamkeitswerte aufweisen als Studierende aus bildungsfernen Haushalten. Sie führen einen unabhängigen t-Test durch und erhalten d = 0,45. Das bedeutet: Der Gruppenunterschied beträgt knapp eine halbe Standardabweichung – ein nach Cohens Konventionen mittlerer Effekt.

Eta-Quadrat und partielles Eta-Quadrat bei ANOVA

Sobald Sie mehr als zwei Gruppen vergleichen, kommen Varianzanalysen (ANOVA) ins Spiel – und damit andere Effektstärken. Die beiden gebräuchlichsten Maße sind Eta-Quadrat (η²) und partielles Eta-Quadrat (η²p).

Eta-Quadrat gibt an, welchen Anteil der Gesamtvarianz der betrachtete Faktor erklärt. Partielles Eta-Quadrat bezieht sich dagegen nur auf den Varianzanteil, der nicht durch andere Faktoren im Modell erklärt wird:

Wo liegt der Unterschied in der Praxis?

Bei einer einfaktoriellen ANOVA sind η² und η²p identisch – das ist ein häufiger Punkt der Verwirrung. Erst bei mehrfaktoriellen Designs oder Kovarianzanalysen (ANCOVA) weichen beide Maße voneinander ab, weil η²p die übrigen Faktoren aus dem Nenner herausrechnet.

In SPSS wird standardmäßig partielles Eta-Quadrat ausgegeben. Wer diesen Wert unreflektiert übernimmt, kann in einfaktoriellen Designs eine falsche Interpretation riskieren, obwohl η² und η²p dort numerisch übereinstimmen. Wichtig ist also: Benennen Sie im Ergebnisteil immer eindeutig, welches Maß Sie berichten.

Korrelationskoeffizient r und R² bei Zusammenhangsanalysen

Für Zusammenhangsanalysen ist der Pearson-Korrelationskoeffizient r das zentrale Effektstärkenmaß. Er liegt zwischen –1 und +1 und beschreibt Stärke und Richtung eines linearen Zusammenhangs.

Das Quadrat des Korrelationskoeffizienten, R² (auch Bestimmtheitsmaß genannt), gibt den erklärten Varianzanteil an. Bei einer einfachen linearen Regression entspricht R² = r²; in der multiplen Regression mit mehreren Prädiktoren wird R² separat berechnet und drückt aus, wie viel Varianz das Gesamtmodell erklärt.

Ein Korrelationskoeffizient von r = 0,50 bedeutet demnach, dass das Modell R² = 0,25, also 25 % der Varianz in der abhängigen Variable erklärt.

Weitere Effektstärken im Überblick

Je nach Analyseverfahren kommen in sozialwissenschaftlichen Arbeiten weitere Maße zum Einsatz. Die folgende Tabelle gibt einen kompakten Überblick:

Bei der Faktorenanalyse spielen Effektstärken im engeren Sinne eine untergeordnete Rolle; hier stehen Ladungen und erklärte Varianzanteile der Faktoren im Vordergrund. Bei Mehrebenenanalysen wird dagegen häufig ICC (Intraklassen-Korrelationskoeffizient) berichtet, um den Gruppenanteil an der Gesamtvarianz zu beschreiben.

Cohens Konventionen: Klein, mittel, groß – und ihre Grenzen

Die bekanntesten Orientierungswerte für die Interpretation von Effektstärken stammen von Jacob Cohen. Sein Standardwerk zur Poweranalyse in den Verhaltens- und Sozialwissenschaften hat Effektstärken nicht nur als Berichtsgrößen, sondern als zentrale Planungsgrößen für die Stichprobenkalkulation etabliert. Die daraus abgeleiteten Schwellenwerte sind heute in der Fachliteratur allgegenwärtig:

Warum diese Konventionen nicht mechanisch angewendet werden sollten

Cohen selbst beschrieb seine Schwellenwerte als grobe Orientierungshilfe für Situationen, in denen kein spezifisches Vorwissen vorliegt. In der Praxis variieren typische Effektgrößen erheblich je nach Subdisziplin und Fragestellung.

In der Persönlichkeitspsychologie sind Korrelationen von r = 0,20 der Normalfall; in der experimentellen Kognitionspsychologie können d-Werte von 1,0 und mehr auftreten. Eine Intervention zur Reduktion sozialer Ungleichheit mit d = 0,20 kann gesellschaftlich hochrelevant sein, auch wenn sie nach Cohen als „kleiner“ Effekt gilt.

Berichtspraxis: Was tatsächlich in Studien angegeben wird

Wie sieht die Realität aus? Ein Blick in die empirische Forschung zeigt ein ernüchterndes Bild: Effektstärken wurden in weniger als der Hälfte der untersuchten Artikel angegeben, und kein einziger Artikel berichtete ein Konfidenzintervall für eine Effektstärke. Besonders auffällig: Obwohl ANOVAs besonders häufig eingesetzt wurden, enthielt fast die Hälfte dieser Analysen keine Effektstärkenangabe.

Wenn Effektstärken berichtet wurden, war partielles Eta-Quadrat das häufigste Maß bei ANOVA-Ergebnissen, Cohen’s d das häufigste bei t-Tests. Diese Befunde bestätigen, was die methodische Literatur empfiehlt – zeigen aber auch, dass Berichtspflichten in der Praxis oft noch nicht konsequent umgesetzt werden.

Was das für Ihre Abschlussarbeit bedeutet

Für Studierende und Promovierende ergibt sich daraus eine klare Handlungsempfehlung:

• Berichten Sie Effektstärken standardmäßig neben dem p-Wert – auch wenn Ihr Betreuer nicht explizit danach fragt.
• Geben Sie nach Möglichkeit 95%-Konfidenzintervalle für Ihre Effektstärken an – das ist methodisch empfehlenswert und signalisiert Kompetenz.
• Benennen Sie das verwendete Maß eindeutig (z. B. „partielles Eta-Quadrat“ statt nur „粓).
• Interpretieren Sie den Wert inhaltlich – nicht nur mit den Worten „kleiner / mittlerer / großer Effekt“.

Wer Ergebnisse nach APA-Standard berichtet, ist hier gut beraten: Die APA-Richtlinien verlangen explizit die Angabe von Effektstärken sowie deren inhaltliche Einordnung. Wie das konkret aussieht, erläutert der Beitrag zu statistischen Ergebnissen nach APA in den Sozialwissenschaften.

Welche Effektstärke passt zu welchem Verfahren?

Abschließend noch einmal die wichtigsten Zuordnungen im Überblick – als Entscheidungshilfe für die eigene Arbeit:

Effektstärken sind damit weit mehr als ein formales Berichtserfordernis. Sie sind das methodische Herzstück einer transparenten und vergleichbaren Forschung – und ein Qualitätsmerkmal, das in gut betreuten Abschlussarbeiten nicht fehlen sollte. Wenn Sie sich bei der Auswahl des richtigen Maßes oder der Interpretation Ihrer Ergebnisse unsicher sind, bietet die methodische Begleitung für Sozialwissenschaften von QuantExpert konkrete Unterstützung – von der Auswertung bis zur Ergebnisdarstellung.