Was gehört in eine Statistikanalyse?

Die Bestandteile im Überblick

Eine Statistikanalyse ist mehr als das Durchklicken eines Signifikanztests. Sie beginnt bei der Operationalisierung Ihrer Forschungsfrage und endet erst mit einer vollständigen, nachvollziehbaren Ergebnisdokumentation. Wer diesen Bogen nicht von Anfang bis Ende denkt, riskiert methodische Lücken, die in der Bewertung auffallen.

Vereinfacht lässt sich eine Statistikanalyse in sechs Kernbereiche gliedern:

• Forschungsfrage und Hypothesen mit klar definierten Variablen
• Stichprobe mit Angaben zu Umfang, Zusammensetzung und Auswahl
• Datenaufbereitung inkl. Prüfung auf Ausreißer und fehlende Werte
• Deskriptive Statistik zur Beschreibung der Datenbasis
• Inferenzstatistik mit geeigneten Verfahren und Voraussetzungsprüfung
• Ergebnisdarstellung mit Effektgrößen, Konfidenzintervallen und Interpretation

Diese Struktur deckt sich mit dem, was international anerkannte Berichtstandards verlangen: quantitative Studienberichte sollen Design, Datengrundlage, Analyse und Ergebnisse so transparent dokumentieren, dass die Angemessenheit der Analyse von außen beurteilt werden kann. Das gilt nicht nur für publizierte Studien, sondern ebenso für empirische Abschlussarbeiten.

Forschungsfrage, Hypothesen und Variablen

Am Anfang jeder Statistikanalyse steht eine klar formulierte Forschungsfrage. Sie bestimmt, welche Variablen erhoben werden, welches Skalenniveau diese haben und welche statistischen Verfahren überhaupt in Frage kommen. Ohne diesen Ausgangspunkt fehlt der gesamten Analyse die Richtung.

Von der Frage zur Hypothese

Forschungsfragen werden in der Regel in testbare Hypothesen überführt. Dabei unterscheidet man zwischen der Nullhypothese (H₀), die keinen Effekt oder Unterschied annimmt, und der Alternativhypothese (H₁), die den erwarteten Effekt beschreibt.

Ein häufiger Fehler: Die Hypothesen werden erst nach der Auswertung formuliert, um zum Ergebnis zu passen. Das ist methodisch problematisch und in einer Abschlussarbeit schnell erkennbar. Hypothesen gehören in die Planungsphase.

Operationalisierung und Skalenniveau

Jede Variable in Ihrer Analyse muss operationalisiert sein – also durch ein konkretes Messinstrument oder Item messbar gemacht werden. Gleichzeitig bestimmt das Skalenniveau (nominal, ordinal, metrisch), welche Kennzahlen und Tests Sie verwenden dürfen. Wer eine ordinale Variable wie ein metrisches Merkmal behandelt, ohne das zu begründen, öffnet Kritikpunkte.

Stichprobe und Datengrundlage

Eine vollständige Statistikanalyse dokumentiert die Stichprobe so, dass Außenstehende die Repräsentativität und Reichweite der Ergebnisse einschätzen können. Dazu gehören mindestens:

• Stichprobengröße (N gesamt und ggf. pro Gruppe)
• Zusammensetzung nach relevanten Merkmalen (z. B. Alter, Geschlecht, Fachrichtung)
• Auswahlverfahren (Zufallsstichprobe, Gelegenheitsstichprobe, Quotenstichprobe)
• Einschluss- und Ausschlusskriterien
• Rücklaufquote (bei Befragungen)

Stichprobengröße und statistische Power

Die Stichprobengröße ist kein Zufallsprodukt, sondern sollte idealerweise vorab per Poweranalyse geplant werden. Die statistische Power gibt an, mit welcher Wahrscheinlichkeit ein tatsächlich vorhandener Effekt auch gefunden wird. Empfohlen wird eine Power von mindestens 0,80 – das bedeutet: 80 % Wahrscheinlichkeit, einen realen Effekt zu entdecken.

In der statistischen Auswertung empirischer Abschlussarbeiten ist die Poweranalyse häufig Pflicht oder zumindest best practice. Planen Sie die Stichprobengröße zu knapp, steigt das Risiko, echte Effekte zu übersehen.

Datenaufbereitung und Qualitätsprüfung

Rohdaten sind selten direkt analysierbar. Bevor Sie irgendeinen Test rechnen, sollten Sie den Datensatz systematisch aufbereiten. Dieser Schritt wird in Abschlussarbeiten oft unterschätzt – dabei entscheidet er wesentlich über die Qualität der Ergebnisse.

Was zur Datenaufbereitung gehört

• Fehlende Werte: Identifizieren, klassifizieren (MCAR, MAR, MNAR) und behandeln – durch Ausschluss, Mittelwert-Imputation oder multiple Imputation
• Ausreißer: Prüfen mit Boxplots, z-Werten oder IQR-Methode; Entscheidung über Ausschluss dokumentieren
• Datenkodierung: Umkodieren von Items, Zusammenfassen von Kategorien, Berechnung von Skalenwerten
• Prüfung auf Eingabefehler: Unrealistische Werte identifizieren (z. B. Alter = 200)
• Reliabilitätsanalyse: Bei Skalen Cronbachs Alpha berechnen, bevor Sie den Summenscore verwenden

Wichtig: Alle getroffenen Entscheidungen müssen im Methodenteil Ihrer Arbeit transparent dokumentiert werden – einschließlich der Begründung, warum bestimmte Fälle ausgeschlossen wurden. Statistische Methoden müssen so detailliert beschrieben sein, dass sachkundige Lesende die Ergebnisse mit Zugriff auf die Originaldaten nachvollziehen könnten – das schließt die Datenaufbereitung ausdrücklich ein.

Deskriptive Statistik

Bevor Sie Hypothesen testen, beschreiben Sie Ihre Daten. Die deskriptive Statistik ist kein optionaler Vorsatz, sondern ein eigenständiger und wichtiger Bestandteil jeder Statistikanalyse. Sie gibt einen Überblick über die Verteilung der Variablen und schafft die Grundlage für alle weiteren Schritte.

Kennzahlen nach Skalenniveau

Für metrische Variablen wird der Mittelwert zusammen mit der Standardabweichung angegeben. Diese beiden Kennzahlen zusammen sagen deutlich mehr als eine Zahl allein – ein Mittelwert ohne Streuungsmaß ist wenig aussagekräftig.

Einen kompakten Überblick über die gebräuchlichsten statistischen Kennzahlen und wann Sie welche verwenden, finden Sie in einem separaten Beitrag.

Verteilungsprüfung

Im Rahmen der Deskription wird häufig bereits geprüft, ob Variablen normalverteilt sind – zum Beispiel mit dem Shapiro-Wilk-Test oder durch Betrachtung von Histogramm und Q-Q-Plot. Diese Prüfung ist Voraussetzung für viele parametrische Verfahren und sollte im Methodenteil berichtet werden.

Inferenzstatistik und Verfahrenswahl

Die Inferenzstatistik bildet den Kern der Hypothesenprüfung. Hier schließen Sie von Ihrer Stichprobe auf die Grundgesamtheit – mit einer definierten Irrtumswahrscheinlichkeit. Welches Verfahren Sie wählen, hängt von mehreren Faktoren ab.

Entscheidungskriterien für die Verfahrenswahl

• Anzahl der Gruppen (zwei Gruppen → t-Test; mehr als zwei → ANOVA)
• Skalenniveau der abhängigen Variable
• Unabhängigkeit der Messungen (verbundene vs. unabhängige Stichproben)
• Erfüllte Voraussetzungen (Normalverteilung, Varianzhomogenität)
• Anzahl der Prädiktoren (einfache vs. multiple Regression)

Wann genau ein t-Test und wann eine ANOVA die richtige Wahl ist, erklärt dieser Beitrag zur Unterscheidung beider Verfahren anschaulich.

Voraussetzungen prüfen und berichten

Jedes parametrische Verfahren setzt bestimmte Bedingungen voraus. Diese Voraussetzungen sind kein bürokratisches Pflichtprogramm, sondern methodisch notwendig: Werden sie verletzt, sind die Testergebnisse möglicherweise nicht valide. Für einen t-Test bedeutet das beispielsweise die Prüfung auf Normalverteilung (Shapiro-Wilk) und Varianzhomogenität (Levene-Test).

Werden Voraussetzungen verletzt, wechseln Sie auf ein robusteres oder nicht-parametrisches Verfahren – und begründen Sie das kurz im Methodenteil. Zum Überblick über alle verfügbaren Verfahren bietet sich ein Blick auf die verschiedenen statistischen Analysen an, die in empirischen Arbeiten eingesetzt werden.

Ergebnisdarstellung: Was wirklich dazugehört

Hier liegt eine der häufigsten Schwachstellen in empirischen Abschlussarbeiten: Der p-Wert wird berichtet, und damit endet die Ergebnisdarstellung. Das ist methodisch unvollständig.

p-Wert: Notwendig, aber nicht hinreichend

Der p-Wert gibt an, wie unvereinbar die beobachteten Daten mit der Nullhypothese wären, wenn diese stimmt. Er sagt aber nichts darüber aus, wie groß oder praktisch bedeutsam ein Effekt ist. Statistische Signifikanz allein ist keine ausreichende Grundlage für wissenschaftliche Schlussfolgerungen – vollständige Berichterstattung, Effektgrößen und praktische Relevanz müssen stets berücksichtigt werden.

Das bedeutet konkret: Ein p-Wert unter 0,05 macht einen Effekt nicht automatisch relevant. Bei sehr großen Stichproben werden auch kleinste, substanzlose Unterschiede statistisch signifikant.

Was vollständig berichtet werden muss

Effektgrößen als Pflichtbestandteil

Effektgrößen quantifizieren, wie stark ein Effekt ist – unabhängig von der Stichprobengröße. Cohens d beispielsweise setzt den Mittelwertunterschied zweier Gruppen ins Verhältnis zur Streuung:

Als Orientierung gilt: d = 0,20 ist ein kleiner, d = 0,50 ein mittlerer und d = 0,80 ein großer Effekt. Diese Einordnung stammt von Jacob Cohen und ist in der empirischen Sozialforschung weit verbreitet. Ob und wie Effektgrößen in Ihrer Arbeit zu berichten sind, hängt auch vom Fach ab – in Psychologie und Medizin ist es Standard, in anderen Fächern teils noch nicht selbstverständlich.

Visualisierung der Ergebnisse

Tabellen und Grafiken sind keine Dekoration, sondern ein eigenständiges Darstellungsmittel. Boxplots visualisieren Verteilungen, Balkendiagramme Gruppenunterschiede, Streudiagramme Zusammenhänge. Dabei gilt: Eine gute Grafik ersetzt nicht den Fließtext, sie ergänzt ihn. Beide müssen konsistent sein.

Häufige Fehler und wie Sie sie vermeiden

Die häufigsten methodischen Schwachstellen in empirischen Abschlussarbeiten sind gut dokumentiert. Wer sie kennt, kann sie gezielt vermeiden.

Die häufigsten Fehler im Überblick

• Fehlende Voraussetzungsprüfung: Tests werden angewendet, ohne zu prüfen, ob die Bedingungen erfüllt sind
• Keine Effektgrößen: Nur p-Werte werden berichtet, die Größe des Effekts bleibt unklar
• Unvollständige Stichprobenbeschreibung: Wichtige demografische Angaben fehlen
• Konfundierung von Signifikanz und Relevanz: p < .05 wird mit „wichtig“ oder „bedeutsam“ gleichgesetzt
• Fehlende Angaben zu Software und Einstellungen: Die Analyse ist nicht reproduzierbar
• Post-hoc-Hypothesen: Hypothesen werden nach Sichtung der Ergebnisse formuliert

Gerade die letztgenannten Punkte – fehlende Effektgrößen, fehlende Transparenz und die Gleichsetzung von Signifikanz mit Relevanz – sind auch auf Ebene publizierter Forschung weit verbreitet. Die methodische Berichterstattung in der Wissenschaft hat hier noch erhebliches Verbesserungspotenzial, und Abschlussarbeiten bilden da keine Ausnahme.

Methodenbeschreibung im Fließtext

Eine vollständige Statistikanalyse endet nicht mit der Ausgabe in SPSS oder R. Die Ergebnisse müssen im Fließtext Ihrer Arbeit korrekt formuliert und interpretiert werden. Was genau in den Methoden- und Ergebnisteil einer Abschlussarbeit gehört, erklärt dieser Beitrag über das Schreiben einer Auswertung im Detail.

Wer die gesamte statistische Auswertung für die Bachelorarbeit strukturiert angehen möchte, findet dort einen praxisnahen Leitfaden – von der Hypothesenformulierung bis zur Ergebnisinterpretation.