Was sind die gebräuchlichsten Kennzahlen?

Die gebräuchlichsten statistischen Kennzahlen lassen sich in zwei Gruppen einteilen: Lagekennzahlen (Mittelwert, Median, Modus) beschreiben den typischen oder zentralen Wert einer Verteilung, und Streuungskennzahlen (Standardabweichung, Varianz, Interquartilsabstand, Spannweite) zeigen, wie stark die einzelnen Werte voneinander abweichen. Welche Kennzahl in Ihrer wissenschaftlichen Arbeit sinnvoll ist, hängt vom Skalenniveau der Daten und der Verteilungsform ab.

Lagekennzahlen: Mittelwert, Median und Modus

Eine der fundamentalen Aufgaben statistischer Analysen ist es, einen typischen oder zentralen Wert einer Verteilung zu bestimmen. Für univariate Daten gibt es dafür drei gebräuchliche Definitionen eines solchen Lagewertes: Mittelwert, Median und Modus – jede mit eigenen Stärken und Einschränkungen.

Arithmetisches Mittel (Mittelwert)

Der arithmetische Mittelwert ist die am häufigsten verwendete Lagekennzahl. Er ergibt sich als Summe aller Messwerte geteilt durch die Anzahl der Beobachtungen:

Der Mittelwert eignet sich besonders gut für metrische, normalverteilte Daten. Sein größter Nachteil: Er reagiert empfindlich auf Ausreißer. Ein einzelner extremer Wert kann das Ergebnis erheblich verzerren – in solchen Fällen ist der Median die bessere Wahl.

Median

Der Median ist jener Wert, bei dem genau die Hälfte aller Beobachtungen darunter und die andere Hälfte darüber liegt. Bei einer geraden Anzahl von Beobachtungen wird der Durchschnitt der beiden mittleren geordneten Werte gebildet.

Sein entscheidender Vorteil liegt in seiner Robustheit gegenüber Ausreißern. Gerade bei schiefen Verteilungen – etwa bei Einkommensdaten oder Reaktionszeiten – liefert der Median ein realistischeres Bild der typischen Beobachtung als der Mittelwert. In der medizinischen Forschung wird deshalb bei nicht normalverteilten Daten der Median dem Mittelwert als Lagemaß vorgezogen.

Modus

Der Modus ist der am häufigsten vorkommende Wert in einem Datensatz. Er ist die einzige Lagekennzahl, die auch für nominalskalierte Daten sinnvoll ist (z. B. die häufigste Berufsgruppe in einer Stichprobe). Der Modus muss nicht eindeutig sein – ein Datensatz kann mehrere Modi haben. Deshalb wird er oft eher qualitativ zur Beschreibung von Häufungen oder Verteilungsmustern eingesetzt.

Streuungskennzahlen: Wie weit streuen Ihre Daten?

Lagekennzahlen allein sind oft nicht ausreichend – sie sagen nichts darüber aus, wie homogen oder heterogen die Daten sind. Zwei Gruppen können denselben Mittelwert haben und sich trotzdem grundlegend unterscheiden. Streuungskennzahlen liefern diese ergänzende Information.

Varianz und Standardabweichung

Die Standardabweichung ist die gebräuchlichste Streuungskennzahl für metrische Daten. Sie ist die Wurzel aus der Varianz und gibt an, wie stark die Werte im Durchschnitt vom Mittelwert abweichen:

Die Standardabweichung hat den praktischen Vorteil, dass sie in derselben Einheit wie die Ursprungsdaten ausgedrückt wird. Sie wird in wissenschaftlichen Arbeiten fast immer gemeinsam mit dem Mittelwert angegeben: M = 3,4, SD = 0,8.

Interquartilsabstand (IQR)

Der Interquartilsabstand (IQR) ist das Pendant zur Standardabweichung für nicht normalverteilte oder ordinale Daten. Er beschreibt den Abstand zwischen dem ersten Quartil (25. Perzentile) und dem dritten Quartil (75. Perzentile) und umfasst damit die mittleren 50 % der Daten.

Der IQR ist – genau wie der Median – robust gegenüber Ausreißern und deshalb besonders geeignet, wenn Sie Median und IQR als Kennzahlenpaar berichten. Quartile werden als 25%-, 50%- und 75%-Punkte einer geordneten Verteilung definiert; der Interquartilsabstand gilt dabei als deutlich robusterer Streuungsindikator als die bloße Spannweite.

Spannweite (Range)

Die Spannweite ist die einfachste Streuungskennzahl: Maximalwert minus Minimalwert. Sie ist leicht verständlich und schnell berechnet, aber sehr anfällig für einzelne Extremwerte. In der Praxis dient sie meist nur als erste Orientierung oder ergänzende Information neben IQR oder Standardabweichung.

Wann welche Kennzahl? Skalenniveau und Verteilung entscheiden

Die Wahl der richtigen Kennzahl ist keine Geschmacksfrage – sie hängt von zwei zentralen Kriterien ab: dem Skalenniveau Ihrer Variable und der Verteilungsform der Daten.

Diese Zuordnung ist keine starre Regel, aber ein bewährter Ausgangspunkt. Für eine vollständige statistische Auswertung empirischer Abschlussarbeiten ist diese Grundunterscheidung unverzichtbar – sie beeinflusst nicht nur die deskriptive Darstellung, sondern auch die Wahl der späteren Inferenzstatistik.

Normalverteilung prüfen: Der entscheidende Zwischenschritt

Bevor Sie entscheiden, welche Kennzahlen Sie berichten, sollten Sie die Verteilungsform Ihrer Daten prüfen. Dieser Schritt wird in der Praxis häufig übersprungen – und führt dann zu methodisch unsauberen Ergebnissen.

Deskriptive Statistik ist ein zentraler Bestandteil empirischer Forschung, weil sie die grundlegenden Eigenschaften der Daten in einfachen Zusammenfassungen kommuniziert. Dabei gilt: Kennzahlen sollten nicht isoliert berichtet werden, sondern im Kontext der Verteilungsform und des Skalenniveaus – denn beides beeinflusst, welche Lagemaße angemessen sind und welche inferenzstatistischen Methoden im nächsten Schritt infrage kommen.

Methoden zur Normalitätsprüfung

Es gibt numerische und grafische Verfahren, um die Normalverteilung zu prüfen – jedes hat seine Vor- und Nachteile:

• Shapiro-Wilk-Test: Statistischer Test auf Normalverteilung, besonders geeignet für kleine bis mittlere Stichproben (n < 50). Ein signifikantes Ergebnis (p < .05) spricht gegen die Normalverteilung.
• Kolmogorov-Smirnov-Test: Wird bei größeren Stichproben eingesetzt, ist aber weniger sensitiv als der Shapiro-Wilk-Test.
• Q-Q-Plot: Grafische Methode, bei der die beobachteten Quantile gegen die erwarteten Quantile einer Normalverteilung geplottet werden. Liegen die Punkte annähernd auf der Diagonalen, ist die Normalverteilung plausibel.
• Histogramm: Schnelle visuelle Orientierung. Als praktische Faustregel empfiehlt sich dabei eine Klasseneinteilung von 5 bis 15 Klassen, abhängig von der Stichprobengröße.

Wenn Sie sich unsicher sind, welche Verfahren in Ihrer konkreten Auswertung passend sind, bietet die quantitative Auswertung einen guten Einstiegspunkt, um die verschiedenen Analyseschritte systematisch zu durchdenken.

Kennzahlen richtig berichten und darstellen

In wissenschaftlichen Arbeiten werden Kennzahlen üblicherweise im Fließtext, in Tabellen oder in Grafiken berichtet. Dabei gelten einige bewährte Konventionen.

Berichtsstil im Fließtext

Für metrisch-normalverteilte Daten hat sich folgende Schreibweise etabliert:

• M = 42,3, SD = 8,7 (Mittelwert und Standardabweichung)
• Mdn = 38,0, IQR = 14,5 (Median und Interquartilsabstand bei schiefer Verteilung)
• n = 120, Min = 18, Max = 67 (Stichprobengröße und Spannweite als ergänzende Information)

Welche Kennzahlen in Ihrer Auswertung sinnvoll sind und wie Sie diese formal korrekt darstellen, hängt auch von den Anforderungen Ihrer Hochschule ab. Wenn Sie sich fragen, was genau in eine wissenschaftliche Auswertung gehört, lohnt sich ein Blick auf die gängigen Strukturvorgaben.

Grafische Darstellung

Kennzahlen gewinnen an Aussagekraft, wenn sie durch geeignete Grafiken ergänzt werden:

• Boxplot: Zeigt Median, Quartile, IQR und Ausreißer auf einen Blick. Ideal bei schiefen Verteilungen oder Gruppenvergleichen.
• Histogramm: Macht die Verteilungsform direkt sichtbar und erleichtert die Einschätzung der Normalverteilung.
• Fehlerbalkendiagramm: Stellt Mittelwerte mit Standardabweichung oder Konfidenzintervall dar – üblich bei Gruppenvergleichen in der Psychologie und Medizin.

Entscheidend ist dabei: Grafiken sollten die Originaldaten so wenig wie möglich verdecken. Ein Boxplot, der den IQR und einzelne Ausreißer zeigt, ist informativer als ein einfaches Balkendiagramm, das nur den Mittelwert darstellt.

Was statistisch am aussagekräftigsten ist, hängt also nicht von einer einzigen Kennzahl ab, sondern vom Zusammenspiel aus Lage, Streuung und Verteilung. Eine weiterführende Einschätzung dazu finden Sie im Artikel Was ist statistisch am aussagekräftigsten?

Zusammenfassung: Die wichtigsten Kennzahlen im Überblick

Die gebräuchlichsten statistischen Kennzahlen lassen sich kompakt so zusammenfassen:

Welche Kennzahlen Sie letztlich in Ihrer Arbeit berichten, hängt von Skalenniveau, Verteilungsform und Forschungsfrage ab. Für eine fundierte, methodisch korrekte statistische Auswertung – ob für Bachelor-, Master- oder Dissertationsarbeiten – ist das Verständnis dieser Grundlagen unverzichtbar. Wenn Sie dabei fachkundige Unterstützung benötigen, stehen Ihnen spezialisierte Statistikerinnen und Statistiker für alle Schritte von der Datenaufbereitung bis zur Interpretation zur Seite.