Wie erhält man quantitative Ergebnisse?

Was sind quantitative Ergebnisse?

Quantitative Ergebnisse entstehen, wenn Sie Beobachtungen, Antworten oder Messungen in Zahlen überführen und statistisch auswerten. Das Ergebnis ist eine Kennzahl – ein Mittelwert, ein Korrelationskoeffizient, ein p-Wert, eine Effektstärke oder ein Regressionskoeffizient – die eine Aussage über Zusammenhänge, Unterschiede oder Häufigkeiten in Ihrer Stichprobe erlaubt.

Was viele Studierende unterschätzen: Quantitative Ergebnisse sind kein bloßer Software-Output. Sie entstehen aus einer Kette methodischer Entscheidungen, die lange vor dem ersten Klick in SPSS oder R getroffen werden müssen. Wer diese Kette an einem Glied unterbricht, erhält Zahlen – aber keine belastbaren Ergebnisse.

Was ein quantitatives Ergebnis genau auszeichnet und wie es sich von qualitativen Befunden abgrenzt, ist eine sinnvolle Ausgangsfrage, bevor Sie in die konkrete Auswertung einsteigen.

Voraussetzungen: Was vor der Auswertung geklärt sein muss

Quantitative Ergebnisse setzen ein klar definiertes Fundament voraus. Dieses Fundament umfasst fünf Elemente, die Sie vor der Datenerhebung festgelegt haben sollten:

Etablierte Berichtsstandards für Beobachtungsstudien – etwa im medizinischen und sozialwissenschaftlichen Bereich – verlangen, dass zentrale Studienelemente wie Setting, Rekrutierung, Expositions- und Datenerhebungsverfahren bereits in den Methoden klar dargestellt werden. Das macht deutlich: Quantitative Ergebnisse sind das Produkt eines durchdachten Designs – nicht umgekehrt.

Daten erheben: Von der Stichprobe zum Datensatz

Nach der Planungsphase folgt die Datenerhebung. Hier geht es darum, die theoretisch definierten Variablen in messbare Werte zu überführen. Je nach Disziplin und Fragestellung stehen verschiedene Erhebungsmethoden zur Verfügung:

Häufige Erhebungsmethoden in Abschlussarbeiten

Entscheidend ist, dass das Skalenniveau der erhobenen Daten bereits die möglichen statistischen Verfahren vorbestimmt. Metrische Daten erlauben Mittelwertvergleiche und Korrelationen; ordinale Daten erfordern häufig non-parametrische Verfahren; nominale Daten werden über Häufigkeiten und Chi-Quadrat-Tests analysiert. Wer erst nach der Erhebung bemerkt, dass das Skalenniveau nicht zum geplanten Test passt, hat ein ernstes methodisches Problem.

Einen guten Überblick über konkrete Beispiele für quantitative Daten nach Skalenniveau finden Sie in einem eigenen Beitrag.

Stichprobenplanung und statistische Power

Einer der häufigsten Fehler in studentischen Abschlussarbeiten: Die Stichprobengröße wird pragmatisch gewählt – so viele Personen, wie sich eben befragen lassen. Das ist methodisch problematisch.

Quantitative Ergebnisse sind nur dann aussagekräftig, wenn die Stichprobe groß genug ist, um einen erwarteten Effekt mit angemessener Wahrscheinlichkeit zu entdecken. Diese Wahrscheinlichkeit nennt man statistische Power (Teststärke) – üblicherweise wird ein Wert von mindestens 0,80 angestrebt.

Für die Berechnung der benötigten Stichprobengröße hat sich G*Power als Standardwerkzeug in den Sozial-, Verhaltens- und Biomedizinwissenschaften etabliert. Die Software deckt Poweranalysen für Tests aus den Familien t, F, Chi-Quadrat sowie z-Tests ab und bietet dabei Effektgrößenrechner und verteilungsbasierte Eingabemodi.

Konkret gehen Sie bei einer a-priori-Poweranalyse wie folgt vor:

1. Legen Sie das statistische Verfahren fest (z. B. unabhängiger t-Test, einfaktorielle ANOVA, multiple Regression).
2. Schätzen Sie die erwartete Effektgröße – entweder aus der Literatur oder als konventionellen Wert (z. B. Cohen’s d = 0,50 für einen mittleren Effekt).
3. Geben Sie das Signifikanzniveau (α = 0,05) und die gewünschte Power (1–β = 0,80) ein.
4. G*Power berechnet die erforderliche Stichprobengröße n.

Von Rohdaten zu Ergebnissen: Die Auswertungsschritte

Sobald die Daten erhoben sind, folgt die eigentliche Auswertung. Diese gliedert sich typischerweise in drei Phasen:

1. Datenaufbereitung

Vor jeder Analyse müssen die Rohdaten bereinigt werden. Dazu gehören:

• Prüfung auf fehlende Werte (Missing Data) und Entscheidung über den Umgang damit
• Identifikation von Ausreißern und Extremwerten
• Umkodierung von Items (z. B. bei negativ gepolten Fragebogenitems)
• Bildung von Summen- oder Mittelwertskalen aus mehreren Items
• Überprüfung der Datenstruktur und Variablenformate

2. Deskriptive Statistik

Bevor Sie inferenzstatistische Tests durchführen, beschreiben Sie Ihre Stichprobe und Ihre zentralen Variablen. Typische Kennwerte sind:

• Mittelwert () und Standardabweichung (SD) für metrische Variablen
• Häufigkeiten und Prozentwerte für nominale und ordinale Variablen
• Minimum, Maximum, Median und Interquartilsabstand bei schiefen Verteilungen

Die deskriptive Statistik ist kein Lückenfüller – sie ist die Grundlage dafür, dass Leserinnen und Leser Ihre Stichprobe einordnen und Ihre inferenzstatistischen Befunde richtig gewichten können.

3. Inferenzstatistik und Hypothesenprüfung

Im Kern der quantitativen Auswertung steht die Frage: Sind die beobachteten Unterschiede oder Zusammenhänge statistisch bedeutsam, oder könnten sie zufällig entstanden sein? Hier kommen Signifikanztests zum Einsatz:

Eine ausführliche Übersicht über quantitative Auswertungsmethoden und ihre Voraussetzungen hilft Ihnen dabei, das passende Verfahren für Ihre Fragestellung zu identifizieren.

Die Auswahl des richtigen Tests ist keine Formsache. Sie hängt von Skalenniveau, Verteilungsannahmen, Stichprobenstruktur und der Art der Hypothese ab. Für eine strukturierte Übersicht zur statistischen Auswertung empirischer Abschlussarbeiten – von der Testauswahl bis zur Ergebnisinterpretation – finden Sie auf unserer Seite weiterführende Informationen.

Effektmaße und Analyseeinheit richtig wählen

Ein p-Wert allein reicht nicht. Er sagt Ihnen, ob ein Ergebnis statistisch signifikant ist – aber nicht, wie bedeutsam der Effekt ist. Deshalb gehört zur vollständigen Berichterstattung quantitativer Ergebnisse immer auch eine Effektgröße.

Gängige Effektmaße im Überblick

• Cohen’s d: Standardisierter Mittelwertunterschied für t-Tests (klein: 0,20 | mittel: 0,50 | groß: 0,80)
• η² (Eta-Quadrat): Varianzaufklärung bei ANOVA-Designs
• r: Korrelationskoeffizient als Effektmaß für Zusammenhänge
• Odds Ratio / Risk Ratio: Für binäre Outcomes in medizinischen und epidemiologischen Studien

Die Wahl des passenden Effektmaßes hängt direkt davon ab, welche Forschungsfrage Sie stellen. Methodisch wird unterschieden zwischen dem Effekt der Zuweisung zu einer Bedingung (Intention-to-treat) und dem Effekt der tatsächlichen Intervention (Per-protocol). Welcher Effekt der richtige ist, hängt von Ihrem Studiendesign ab – und diese Entscheidung muss vor der Auswertung fallen, nicht danach.

Besonders bei komplexeren Designs – etwa bei Cluster-Randomisierung, Crossover-Designs oder wiederholten Messungen – entstehen sogenannte Unit-of-Analysis-Probleme: Die Analyse muss die Einheit berücksichtigen, auf der gemessen oder randomisiert wurde. In solchen Fällen gilt: Die erhobenen Daten und die Berechnungen zur Erzeugung von Effektschätzungen hängen davon ab, welcher Effekt beantwortet werden soll – und welche Analyseeinheit dem Design entspricht.

Typische Fehler beim Gewinnen quantitativer Ergebnisse

Erfahrungsgemäß treten in studentischen Arbeiten immer wieder dieselben Probleme auf. Die folgende Übersicht zeigt die häufigsten – und wie Sie sie vermeiden:

• Zu kleine Stichprobe ohne Poweranalyse: Ergebnisse bleiben insignifikant, obwohl reale Effekte vorliegen.
• Falsches Skalenniveau angenommen: Z. B. Likert-Einzelitems wie metrische Variablen behandeln, ohne dies zu begründen.
• Voraussetzungsprüfung vergessen: Normalverteilung, Varianzhomogenität und Unabhängigkeit der Beobachtungen sind Voraussetzungen vieler Tests – und müssen geprüft werden.
• Nur p-Werte berichten: Ohne Effektgröße und Konfidenzintervall bleibt unklar, ob ein Effekt praktisch relevant ist.
• Analyseeinheit ignoriert: Bei gruppierten Daten (z. B. Schulklassen, Teams) müssen Abhängigkeiten in der Stichprobenzugehörigkeit berücksichtigt werden.
• Fehlende Transparenz über Datenbereinigung: Was mit Ausreißern und fehlenden Werten geschah, muss im Methodenteil nachvollziehbar dokumentiert sein.

Wer mehr über die methodischen Gütekriterien erfahren möchte, an denen quantitative Ergebnisse gemessen werden, findet in unserem Beitrag zu den vier Gütekriterien eine kompakte Orientierung.

Fazit: Quantitative Ergebnisse entstehen vor der Software

Der eigentliche Kern einer quantitativen Auswertung liegt nicht in der Bedienung von SPSS, R oder Stata – sondern in den Entscheidungen, die Sie vorher treffen. Forschungsfrage, Design, Stichprobenplanung, Messinstrumente, Auswertungsplan und Effektmaße müssen aufeinander abgestimmt sein, bevor Sie auch nur eine einzige Zeile Daten erheben.

Wer diesen Prozess konsequent durchläuft, erhält am Ende Zahlen, die etwas bedeuten: statistisch abgesicherte, methodisch nachvollziehbare und inhaltlich interpretierbare Ergebnisse. Das ist das Ziel quantitativer Forschung – nicht ein signifikantes p-Wert.

Für eine systematische Begleitung – von der Hypothesenformulierung über die Testauswahl bis zur Ergebnisdarstellung – bietet eine professionelle quantitative Auswertung eine zuverlässige Grundlage. Besonders wenn Zeitdruck und Unsicherheit bei der Methodenwahl zusammentreffen, ist eine erfahrene Begleitung mehr wert als stundenlange Suche nach dem richtigen Test.