Was gibt es für Auswertungsmethoden?

Der große Überblick: Quantitativ, qualitativ oder Mixed Methods?

Auswertungsmethoden lassen sich in drei große Kategorien einteilen: quantitative Verfahren, qualitative Verfahren und Mixed-Methods-Ansätze, die beide Welten kombinieren. Welche davon für Ihre empirische Arbeit infrage kommt, hängt primär von Ihrer Forschungsfrage, dem Datenmaterial und den zugrunde liegenden Annahmen ab – nicht davon, welches Softwaremenü Sie am besten kennen.

Ein verbreiteter Irrtum unter Studierenden ist, Auswertungsmethoden ausschließlich mit Statistik gleichzusetzen. Tatsächlich umfassen sie auch systematische Verfahren zur Analyse von Texten, Interviews und Beobachtungen. Die Wahl der richtigen Methode ist eine der wichtigsten Entscheidungen im gesamten Forschungsprozess – und sollte früh getroffen werden.

Quantitative Auswertungsmethoden im Überblick

Quantitative Methoden arbeiten mit Zahlen, Messungen und statistischen Verfahren. Sie ermöglichen es, Hypothesen zu testen, Zusammenhänge zu quantifizieren und Ergebnisse auf eine Grundgesamtheit zu verallgemeinern. Für eine systematische Orientierung empfiehlt es sich, Methoden nach ihrem Analyseziel zu unterscheiden – nicht nach Softwarekategorien.

Methodisch lassen sich quantitative Verfahren nach ihrem Analysezweck in sechs Gruppen einteilen: explorative Analyse, Prozessmodellierung, Gruppenvergleiche, multivariate Analyse, Zeitreihenanalyse sowie Reliabilitäts- und Lebensdaueranalyse. Diese Strukturierung hilft dabei, den richtigen Einstiegspunkt für die eigene Forschungsfrage zu finden.

Deskriptive Statistik

Bevor inferenzstatistische Verfahren eingesetzt werden, steht die Beschreibung der Daten. Dazu gehören:

• Lage- und Streuungsmaße (Mittelwert, Median, Standardabweichung, Varianz)
• Häufigkeitsauszählungen und Kreuztabellen
• Grafische Darstellungen (Histogramme, Boxplots, Streudiagramme)

Die deskriptive Statistik bildet das Fundament jeder statistischen Auswertung empirischer Abschlussarbeiten und darf in keinem Ergebnisteil fehlen.

Gruppenvergleiche

Wenn Sie untersuchen möchten, ob sich zwei oder mehr Gruppen in einem Merkmal unterscheiden, kommen Gruppenvergleichsverfahren zum Einsatz. Die Auswahl hängt vom Messniveau und der Anzahl der Gruppen ab:

Nach einer signifikanten ANOVA folgen in der Regel Post-hoc-Tests, um herauszufinden, welche Gruppen sich konkret unterscheiden. Gängige Verfahren sind dabei Tukey, Scheffé und Bonferroni – je nach Gruppenanzahl und Fragestellung.

Zusammenhangsanalysen

Um die Stärke und Richtung eines Zusammenhangs zwischen zwei oder mehr Variablen zu bestimmen, stehen folgende Verfahren zur Verfügung:

• Korrelationsanalyse: Pearson (metrisch, normalverteilt), Spearman (ordinal oder nicht-normalverteilt)
• Einfache lineare Regression: Ein Prädiktor erklärt eine abhängige Variable
• Multiple Regression: Mehrere Prädiktoren erklären gemeinsam eine abhängige Variable
• Logistische Regression: Die abhängige Variable ist kategorial (binär)

Wichtig: „Regression“ bezeichnet keine einzelne Methode, sondern eine ganze Familie von Modellansätzen – von der klassischen linearen Kleinstquadratschätzung über nichtlineare Modellierungen bis hin zu gewichteten Verfahren. Für die quantitative Auswertung in Masterarbeiten ist die multiple Regression häufig die erste Wahl, wenn Zusammenhänge unter Kontrolle von Drittvariablen untersucht werden sollen.

Multivariate Verfahren

Sobald mehrere abhängige Variablen gleichzeitig analysiert werden oder eine größere Variablenstruktur exploriert werden soll, kommen multivariate Methoden ins Spiel:

• Faktorenanalyse (EFA/CFA): Dimensionsreduktion und Konstruktvalidierung, besonders relevant bei Fragebogenstudien
• MANOVA: Gruppenvergleiche mit mehreren abhängigen Variablen
• Clusteranalyse: Gruppierung von Fällen nach Ähnlichkeit
• Diskriminanzanalyse: Zuweisung von Fällen zu Gruppen anhand von Prädiktoren
• Strukturgleichungsmodelle (SEM): Prüfung komplexer Kausalstrukturen inklusive latenter Variablen

Qualitative Auswertungsmethoden im Überblick

Qualitative Auswertungsmethoden analysieren vor allem sprachliches Material: Interviewtranskripte, Feldnotizen, Dokumente oder Bilder. Das Ziel ist nicht die Quantifizierung, sondern das Verstehen von Bedeutungen, Mustern und Zusammenhängen.

Qualitative Analyse ist dabei kein freies Interpretieren, sondern systematische methodische Arbeit: Sie umfasst Schritte wie Datenkondensation, strukturierte Darstellung der Daten sowie das nachvollziehbare Ziehen und Überprüfen von Schlussfolgerungen. Codieren, Fallvergleiche und Matrixdarstellungen sind eigenständige Auswertungsschritte – keine bloße Vorbereitung.

Qualitative Inhaltsanalyse

Die qualitative Inhaltsanalyse – insbesondere nach Mayring – ist im deutschsprachigen Raum das am häufigsten eingesetzte qualitative Auswertungsverfahren für Abschlussarbeiten. Sie arbeitet mit einem systematisch entwickelten Kategoriensystem, das entweder deduktiv aus der Theorie abgeleitet oder induktiv aus dem Material heraus entwickelt wird.

Für Fragen rund um Gütekriterien dieses Verfahrens bietet unser Beitrag zu den Gütekriterien nach Mayring eine kompakte Orientierung.

Grounded Theory

Die Grounded Theory zielt darauf ab, aus dem Datenmaterial heraus eine gegenstandsverankerte Theorie zu entwickeln. Kennzeichnend sind das offene, axiale und selektive Codieren sowie das theoretical sampling – das gezielte Ergänzen von Datenmaterial, bis theoretische Sättigung erreicht ist. Dieses Verfahren ist aufwendig und eher für Dissertationen oder umfangreiche Masterarbeiten geeignet.

Thematisches Codieren und Themenanalyse

Die thematische Analyse (Braun & Clarke) ist ein flexibles, theorieoffen einsetzbares Verfahren. Sie eignet sich besonders dann, wenn aus einem Interviewkorpus übergreifende Muster und Themen herausgearbeitet werden sollen, ohne an eine bestimmte Methodentradition gebunden zu sein.

Dokumentenanalyse und Diskursanalyse

Textbasierte Quellen wie politische Dokumente, Medienberichte oder historische Quellen lassen sich über Dokumentenanalyse oder Diskursanalyse auswerten. Letztere fragt nicht nur nach dem Inhalt, sondern nach den dahinterliegenden Macht- und Wissensstrukturen.

Mixed-Methods-Ansätze

Mixed Methods kombinieren quantitative und qualitative Verfahren innerhalb einer einzigen Studie. Das ist kein Kompromiss, sondern eine eigenständige methodische Entscheidung – dann sinnvoll, wenn weder rein statistische noch rein interpretative Verfahren allein die Forschungsfrage vollständig beantworten können.

Designs unterscheiden sich dabei nach Timing (gleichzeitig oder sequenziell), Gewichtung (welche Methode dominiert?) und der Art, wie die Ergebnisse beider Stränge integriert werden. Ein besonders verbreitetes Vorgehen ist die sequenziell erklärende Strategie: Zuerst werden quantitative Daten erhoben und analysiert – anschließend folgen qualitative Daten, die die quantitativen Befunde erklären oder vertiefen.

Typische Mixed-Methods-Designs im Überblick:

• Sequenziell erklärend (QUAN → qual): Quantitative Phase zuerst, qualitative Phase zur Vertiefung
• Sequenziell explorierend (QUAL → quan): Qualitative Phase zuerst, dann quantitative Überprüfung
• Gleichzeitig triangulierend (QUAN + QUAL): Beide Stränge parallel, Ergebnisse werden verglichen
• Eingebettet (embedded): Ein Verfahren ist dem anderen untergeordnet

Mehr dazu, wie sich quantitative und qualitative Methoden grundsätzlich unterscheiden, finden Sie in unserem Beitrag zum Unterschied zwischen qualitativer und quantitativer Analyse.

Welche Methode passt zu Ihrer Forschungsfrage?

Die Methodenwahl folgt einer klaren Logik: Forschungsfrage → Datenlage → Skalenniveau → Verteilungsannahmen → Verfahren. Die folgende Übersicht gibt eine erste Orientierung.

Für eine fundierte Entscheidung lohnt sich außerdem ein Blick auf die grundlegenden Schritte einer korrekten Datenanalyse – dort wird der gesamte Prozess von der Datenvorbereitung bis zur Interpretation strukturiert dargestellt.

Messniveau als Ausgangspunkt

Das Messniveau Ihrer Variablen schränkt die Methodenwahl entscheidend ein. Eine grobe Faustregel:

• Nominalskaliert: Chi-Quadrat-Test, Kreuztabellen, logistische Regression
• Ordinalskaliert: Rangkorrelation (Spearman), Mann-Whitney-U, Kruskal-Wallis
• Metrisch (intervall-/verhältnisskaliert): t-Tests, ANOVA, Pearson-Korrelation, Regression

Voraussetzungen prüfen

Viele parametrische Verfahren setzen bestimmte Bedingungen voraus: normalverteilte Fehler, zufällige Stichproben, Varianzhomogenität und fehlerfrei beobachtete Prädiktoren. Diese Annahmen sind vor der eigentlichen Auswertung zu prüfen – sie zu ignorieren, ist einer der häufigsten methodischen Fehler in empirischen Arbeiten. Informationen zu den einzelnen Voraussetzungen finden Sie auch in unserem Überblick zur statistischen Analyse.

Häufige Fehler bei der Methodenwahl

Die häufigsten Stolperstellen in der Praxis:

• Methode vor Frage: Das Verfahren wird zuerst gewählt, die Forschungsfrage danach formuliert – statt umgekehrt.
• Voraussetzungen nicht geprüft: Normalverteilung, Varianzhomogenität oder Unabhängigkeit der Beobachtungen werden stillschweigend angenommen.
• Qualitative Methoden unterschätzt: Codieren wird als „weniger wissenschaftlich“ wahrgenommen – dabei ist systematisches qualitatives Arbeiten genauso methodisch anspruchsvoll wie quantitative Auswertung.
• Mixed Methods unterschätzt: Die Integration beider Stränge wird oft nicht konsequent durchgeführt; die Ergebnisse bleiben nebeneinanderstehend statt wirklich verbunden.
• Kein Bezug zur Hypothese: Die gewählte Methode beantwortet nicht die konkrete Hypothese, sondern nur eine benachbarte Frage.

Wer an einer empirischen Abschlussarbeit arbeitet und unsicher ist, welche Verfahren zur eigenen Forschungsfrage passen, findet bei der statistischen Auswertung für die Bachelorarbeit oder der Masterarbeit eine konkrete methodische Orientierung für den jeweiligen Abschlusstyp. Wer tiefer in die Grundlagen einsteigen möchte, findet in unserem Beitrag zu den 5 Komponenten der Datenanalyse eine kompakte strukturelle Einordnung.