Wie erklärt man eine statistische Analyse?

Was bedeutet es, eine Analyse zu „erklären“?

Eine statistische Analyse zu erklären bedeutet mehr als das bloße Berichten von Zahlen. Es geht darum, Ihren Leserinnen und Lesern zu vermitteln, was Sie gemessen haben, wie Sie es gemessen haben und was die Ergebnisse inhaltlich bedeuten – und zwar in einer Weise, die nachvollziehbar, transparent und korrekt ist.

In einer Abschlussarbeit umfasst das typischerweise drei Ebenen: die Beschreibung des Vorgehens (Methodik), die Darstellung der Ergebnisse (Ergebnisteil) und die inhaltliche Einordnung (Diskussion). Je klarer Sie auf jeder dieser Ebenen kommunizieren, desto überzeugender wirkt Ihre Arbeit.

Der strukturierte Aufbau einer Analyseerklärung

Eine verständliche Erklärung statistischer Analysen folgt einer klaren Logik. Orientieren Sie sich an den folgenden vier Bausteinen:

1. Forschungsdesign und Analyseeinheit klären

Bevor Sie ein einziges Ergebnis nennen, müssen Ihre Lesenden verstehen, was die Einheit Ihrer Analyse ist. Haben Sie Personen befragt? Gruppen verglichen? Mehrere Messzeitpunkte erhoben? Das klingt selbstverständlich, ist es in der Praxis aber nicht.

Ein klassischer Fehler: Werden mehrere Messungen pro Person so behandelt, als wären sie voneinander unabhängige Beobachtungen, entsteht eine künstlich aufgeblähte Stichprobengröße – und damit möglicherweise Scheinsignifikanz. Die Analyseeinheit muss im Methodenteil klar benannt und konsequent durchgehalten werden.

2. Verfahrenswahl begründen

Nennen Sie nicht nur, welches Verfahren Sie eingesetzt haben, sondern auch warum. War Ihr Messniveau metrisch oder ordinal? Haben Sie zwei Gruppen oder mehrere verglichen? Lagen Messwiederholungen vor?

Die Begründung muss keine wissenschaftliche Abhandlung sein – ein bis zwei Sätze genügen. Beispiel: „Da zwei unabhängige Gruppen auf einem metrischen Merkmal verglichen wurden und die Normalverteilungsannahme nicht verletzt war, wurde ein unabhängiger t-Test eingesetzt.“ Einen Überblick über gängige Verfahren und wann man sie einsetzt, bietet der Artikel zu ANOVA und t-Test.

3. Voraussetzungsprüfungen berichten

Parametrische Verfahren setzen bestimmte Bedingungen voraus – etwa Normalverteilung, Varianzhomogenität oder Unabhängigkeit der Beobachtungen. Berichten Sie kurz, ob und wie Sie diese geprüft haben, und nennen Sie das Ergebnis. Wenn eine Voraussetzung verletzt war: Welches robuste Alternativverfahren haben Sie gewählt?

4. Ergebnisse mit Kontext darstellen

Die eigentlichen Kennzahlen kommen zuletzt – aber dann vollständig. Dazu gehören Mittelwerte, Standardabweichungen, Teststatistiken, Freiheitsgrade, p-Wert, Effektstärke und Konfidenzintervall. Mehr dazu im nächsten Abschnitt.

Kennzahlen richtig berichten: p-Wert, Effektstärke und Konfidenzintervall

Der häufigste Schwachpunkt in studentischen Arbeiten ist ein zu einseitiger Fokus auf den p-Wert. Das ist verständlich – er ist die bekannteste Kennzahl – führt aber regelmäßig zu Missverständnissen.

Was der p-Wert wirklich sagt

Ein p-Wert kleiner als 0,05 beweist nicht, dass die Nullhypothese falsch ist. Er zeigt lediglich, dass die beobachteten Daten ungewöhnlich wären, wenn alle Modellannahmen und die Nullhypothese zuträfen. Umgekehrt bedeutet ein p-Wert über 0,05 nicht, dass kein Effekt vorhanden ist – bei kleinen Stichproben werden auch große Effekte häufig nicht signifikant, weil das statistische Rauschen sie überdeckt.

Statistische Signifikanz darf zudem nicht mit praktischer Relevanz verwechselt werden: Bei sehr großen Stichproben werden auch triviale Unterschiede hochsignifikant, ohne dass dies inhaltlich bedeutsam sein muss. Deshalb ist der p-Wert immer im Verbund mit der Effektstärke zu berichten.

Effektstärken gehören dazu

Effektstärken wie Cohens d, η² oder r geben an, wie groß ein Effekt praktisch ist – unabhängig von der Stichprobengröße. Für eine Bachelorarbeit oder Masterarbeit gilt: Wer nur den p-Wert berichtet, beantwortet die Frage nach dem „Wie viel?“ nicht.

Als grobe Orientierung gilt: d = 0,2 ist ein kleiner, d = 0,5 ein mittlerer und d = 0,8 ein großer Effekt. Diese Einordnung sollte immer fachbezogen erfolgen – in der klinischen Psychologie kann ein kleiner Effekt dennoch praktisch bedeutsam sein.

Konfidenzintervalle: Präzision sichtbar machen

Das Konfidenzintervall ergänzt den Punktschätzer um eine Aussage über dessen Präzision. Ein breites 95%-Konfidenzintervall signalisiert, dass die vorliegende Studie nur begrenzte Informationen liefert – und warnt vor Überinterpretation. Gerade bei kleinen Stichproben ist das ein wichtiger Hinweis.

In Vergleichsstudien sollte das Konfidenzintervall für den Unterschied zwischen den Gruppen berichtet werden, nicht nur getrennte Intervalle für jede Gruppe – da nur so die Unsicherheit des Gruppenvergleichs selbst sichtbar wird.

Häufige Fehler beim Erklären statistischer Ergebnisse

Aus der Beratungspraxis lassen sich einige Fehler benennen, die in Abschlussarbeiten immer wieder auftauchen:

• Nur p-Werte berichten: Ohne Effektstärke und Konfidenzintervall bleibt die inhaltliche Bedeutung unklar.
• „Signifikant“ mit „bedeutsam“ gleichsetzen: Statistische Signifikanz ist kein Urteil über praktische Relevanz.
• p > 0,05 als „kein Effekt“ interpretieren: Das Ausbleiben von Signifikanz belegt keinen Nulleffekt – es fehlt möglicherweise schlicht die statistische Power.
• Analyseeinheit verwechseln: Mehrfachmessungen an denselben Personen als unabhängige Beobachtungen behandeln, bläht die Stichprobengröße künstlich auf.
• Gepaarte und ungepaarte Daten nicht unterscheiden: Beide erfordern unterschiedliche Testverfahren – eine Verwechslung führt zu falschen Ergebnissen.
• Ergebnisse ohne Einheit berichten: Mittelwerte, Standardabweichungen und Konfidenzintervalle sollten immer mit der zugehörigen Einheit oder zumindest mit dem Kontext angegeben werden.

Sprache und Format: Wie Sie Ergebnisse verständlich formulieren

Korrekte Berechnungen sind nur die halbe Miete. Wie Sie Ihre Ergebnisse schreiben, entscheidet darüber, ob Prüfende und Lesende sie nachvollziehen können.

APA-Format als Orientierung

Im deutschsprachigen Raum orientieren sich viele Hochschulen am APA-Standard für die Darstellung statistischer Kennzahlen. Dabei gelten unter anderem folgende Regeln:

• Dezimalzahlen bei Statistiken, die nicht größer als 1 werden können (wie p-Werte), werden ohne führende Null geschrieben: p = .042 statt p = 0,042.
• Inferenzstatistische Werte werden in der Regel auf zwei Dezimalstellen gerundet.
• p-Werte unter .001 werden als p < .001 angegeben, nicht als exakte Zahl.
• Weniger als drei Zahlen werden im Fließtext berichtet, vier bis zwanzig in einer Tabelle und mehr als zwanzig in einer Abbildung – eine hilfreiche Faustregel für die Entscheidung zwischen Tabelle und Text.

Satzbausteine für den Ergebnisteil

Standardisierte Formulierungen helfen Ihnen, Ergebnisse klar und einheitlich darzustellen. Einige Beispiele:

Text, Tabelle oder Abbildung?

Die Entscheidung, ob Ergebnisse im Fließtext, in einer Tabelle oder als Grafik dargestellt werden, hängt von der Datenmenge und der Übersichtlichkeit ab. Als Faustregel gilt: Einzelne Kennzahlen gehören in den Satz, komplexe Ergebnismatrizen in eine Tabelle.

Für die statistische Auswertung empirischer Abschlussarbeiten bedeutet das in der Praxis: Tabellen sollten eigenständig lesbar sein – also Spaltenköpfe, Einheiten und eine klare Legende enthalten, ohne dass der Leser den umgebenden Text kennen muss.

Beispiel aus der Praxis: So sieht eine gute Erklärung aus

Nehmen wir an, Sie haben in Ihrer Bachelorarbeit untersucht, ob Studierende, die regelmäßig Sport treiben, niedrigere Stresswerte aufweisen als Studierende ohne regelmäßige Sportaktivität.

Schritt 1: Kontext und Methode

„Zur Überprüfung der Hypothese wurden die Stresswerte (PSS-10) von 60 Studierenden erhoben. Die Stichprobe wurde in zwei Gruppen aufgeteilt: sportlich aktive Personen (≥ 3 Stunden Sport pro Woche, n = 30) und inaktive Personen (n = 30). Da die Normalverteilung für beide Gruppen mittels Shapiro-Wilk-Test bestätigt wurde (p = .31 bzw. p = .24) und Varianzhomogenität vorlag (Levene-Test: p = .58), wurde ein t-Test für unabhängige Stichproben eingesetzt.“

Schritt 2: Ergebnisdarstellung

„Sportlich aktive Studierende wiesen signifikant niedrigere Stresswerte auf (M = 18,4, SD = 4,1) als inaktive Studierende (M = 22,1, SD = 4,8), t(58) = −3,21, p = .002, d = 0,83, 95% CI [−5,97, −1,43]. Der Effekt ist nach Cohens Konvention als groß einzustufen.“

Schritt 3: Inhaltliche Einordnung

„Das Ergebnis stützt die Hypothese, dass regelmäßige körperliche Aktivität mit geringerem subjektiv wahrgenommenem Stress zusammenhängt. Da es sich um eine Querschnittstudie handelt, kann kein Kausalschluss gezogen werden. Mögliche Drittvariablen, etwa allgemeine Gesundheitsorientierung, wurden nicht kontrolliert.“

Dieses Muster – Methode, Ergebnis, Einordnung – lässt sich auf nahezu jede statistische Analyse übertragen, unabhängig vom Verfahren.

Unterschied zwischen Ergebnisteil und Diskussion

Im Ergebnisteil berichten Sie wertungsfrei: Was zeigen die Daten? Zahlen, Tabellen, Signifikanzwerte, Konfidenzintervalle. Interpretationen haben hier nichts verloren.

In der Diskussion ordnen Sie ein: Entspricht das Ergebnis Ihrer Hypothese? Stimmt es mit früheren Befunden überein? Welche Einschränkungen hat die Studie? Mehr zu dieser Unterscheidung finden Sie im Artikel zum Thema Was schreibt man in einer Auswertung?

Wer unsicher ist, ob die eigene Auswertung vollständig und methodisch korrekt ist, findet im Bereich statistische Auswertung für Bachelorarbeiten weiterführende Orientierung – auch zu häufigen Verfahren und deren Darstellung im Ergebnisteil.