Wie geht man mit Ausreißern in psychologischen Datensätzen um?

Was sind Ausreißer – und warum sind sie in der Psychologie besonders heikel?

Ausreißer sind Beobachtungen, die im Vergleich zum restlichen Datensatz ungewöhnlich extrem erscheinen. Das klingt zunächst wie eine klare Sache – ein Wert, der weit außerhalb der übrigen liegt, fällt auf. In der Praxis ist die Entscheidung, was damit zu tun ist, aber deutlich komplizierter.

In psychologischen Datensätzen begegnen Ausreißern besondere Tücken: Extremwerte können echte psychologische Ausprägungen sein – etwa eine Person mit einem ungewöhnlich hohen Neurotizismuswert oder eine außergewöhnlich kurze Reaktionszeit. Sie können aber auch auf Messfehler, Verständnisprobleme beim Fragebogen oder Dateneingabefehler zurückgehen. Diese beiden Fälle verlangen grundlegend unterschiedliche Reaktionen.

Wer sich tiefer mit den statistischen Verfahren im Psychologiestudium befasst, stellt fest, dass fast jede Methode – von der t-Statistik über die Regression bis zur ANOVA – sensitiv gegenüber extremen Datenpunkten ist. Ausreißer können Mittelwerte verschieben, Varianzen aufblähen und Korrelationen verfälschen. Der Umgang mit ihnen ist deshalb kein Randthema, sondern ein methodischer Kernschritt jeder empirischen Arbeit.

Ursachen von Ausreißern: Fehler oder echte Extremwerte?

Bevor Sie irgendetwas mit einem Ausreißer tun, stellen Sie sich eine zentrale Frage: Warum ist dieser Wert so extrem? Die Antwort darauf bestimmt alles Weitere.

Extreme Werte in psychologischen Datensätzen können aus sehr unterschiedlichen Quellen stammen. In der Outlier-Forschung werden als typische Ursachen menschliche Fehler, Instrumentenfehler, natürliche Abweichungen, Verhaltensänderungen und situative Besonderheiten unterschieden – eine Kategorisierung, die sich direkt auf psychologische Erhebungen übertragen lässt.

Mögliche Ursachen im Überblick

• Dateneingabefehler: Eine Person hat versehentlich „7″ statt „1″ eingetragen, oder beim manuellen Übertragen ist ein Zahlendreher passiert.
• Skalenmissverständnisse: Die befragte Person hat die Polarität der Skala falsch interpretiert und konsequent invers geantwortet.
• Technische Messfehler: Bei Reaktionszeitstudien können Hardware-Latenzprobleme zu Ausreißern führen.
• Echte psychologische Extremausprägungen: Eine Person weist tatsächlich einen extrem hohen oder niedrigen Wert auf – zum Beispiel klinisch relevante Symptomstärke in einer Normstichprobe.
• Teilnahme ohne ernsthafte Beteiligung: Sogenanntes „Careless Responding“ – zufällige oder unsystematische Antwortmuster.

Die ersten drei Kategorien sind Fehler, die grundsätzlich korrigiert oder ausgeschlossen werden können. Die letzten beiden sind substanzielle Beobachtungen, die einer sorgfältigeren Überlegung bedürfen.

Ausreißer erkennen: Univariat und multivariat

Die Ausreißerdiagnostik lässt sich in zwei große Bereiche unterteilen: die univariate und die multivariate Perspektive. Beide liefern unterschiedliche Informationen und sollten je nach Fragestellung kombiniert werden.

Univariate Ausreißer

Univariate Ausreißer sind Beobachtungen, die in einer einzelnen Variable extreme Werte aufweisen. Klassische Methoden zur Erkennung sind:

• Boxplot: Werte außerhalb des 1,5-fachen Interquartilsabstands (IQR) werden als potenzielle Ausreißer markiert.
• z-Wert-Kriterium: Werte mit |z| > 3,29 gelten als Ausreißer (bei normalverteilten Daten entspricht das etwa 0,1 % der Beobachtungen).
• Median Absolute Deviation (MAD): Ein robustes Verfahren, das weniger anfällig für Verzerrung durch Ausreißer selbst ist.

Dieser Hinweis findet sich auch in der methodischen Literatur: Für sozialwissenschaftliche Datensätze wird ausdrücklich vor einfachen Mittelwert-plus/minus-Standardabweichungsregeln gewarnt und stattdessen robuste Erkennungsverfahren empfohlen.

Multivariate Ausreißer

Multivariate Ausreißer fallen nicht notwendigerweise in einer einzelnen Variable auf – ihre Auffälligkeit ergibt sich erst aus der ungewöhnlichen Kombination mehrerer Variablen. Das ist besonders relevant, wenn Sie Regressionsanalysen, Strukturgleichungsmodelle oder Varianzanalysen durchführen.

Das Standardverfahren zur Erkennung multivariater Ausreißer ist die Mahalanobis-Distanz. Sie misst den Abstand eines Datenpunkts vom multivariaten Mittelpunkt unter Berücksichtigung der Korrelationsstruktur der Variablen.

Der resultierende D²-Wert wird häufig gegen eine Chi-Quadrat-Verteilung mit k Freiheitsgraden getestet (wobei k der Anzahl der Variablen entspricht). Werte mit p < .001 gelten als multivariate Ausreißer.

Weitere Kennzahlen in der Regressionsdiagnostik sind Leverage (Hebelwert), Cook’s D und DFFITS, die Aufschluss darüber geben, wie stark ein einzelner Datenpunkt die Schätzung der Regressionskoeffizienten beeinflusst.

Umgang mit Ausreißern: Die drei zentralen Strategien

Sobald Sie Ausreißer identifiziert und ihre wahrscheinliche Ursache eingeschätzt haben, stehen Ihnen grundsätzlich drei Strategien zur Verfügung. In einer systematischen Aufarbeitung der Literatur wurden allein für die Behandlung von Ausreißern 20 verschiedene Vorgehensweisen dokumentiert – die folgende Dreiteilung fasst die praxisrelevantesten Ansätze zusammen.

1. Ausschluss (Deletion)

Der Ausschluss eines Ausreißers ist gerechtfertigt, wenn:

• ein nachweisbarer Dateneingabefehler vorliegt,
• die Beobachtung aus einer anderen Population stammt (z. B. klinische Stichprobe in einer Nichtklinikererhebung),
• das Ausschlusskriterium vorab im Studienprotokoll festgelegt wurde.

Problematisch wird der Ausschluss, wenn er post hoc und ergebnisgeleitet erfolgt – also erst dann, wenn ein Datenpunkt die gewünschten Hypothesenergebnisse verhindert. Solche Entscheidungen erhöhen die Wahrscheinlichkeit falsch-positiver Befunde erheblich und müssen in der Publikation transparent begründet werden.

2. Transformation oder Winsorizing

Statt Ausreißer auszuschließen, können Sie deren Einfluss begrenzen:

• Logarithmische oder Wurzeltransformation: Verringert die Schiefe der Verteilung und dämpft extreme Werte. Sinnvoll bei rechtsschiefen Daten (z. B. Reaktionszeiten).
• Winsorizing: Extreme Werte werden auf ein festgelegtes Perzentil (z. B. das 5. und 95. Perzentil) gesetzt, aber nicht entfernt. Der Datenpunkt bleibt im Datensatz, verliert aber seinen Extremwert-Charakter.

3. Robuste Methoden (Accommodation)

Anstatt den Ausreißer zu verändern, wechseln Sie das statistische Verfahren zu einem, das gegenüber extremen Werten unempfindlicher ist. Beispiele:

• Robuste Regression (z. B. M-Schätzer nach Huber): Gewichtet Ausreißer automatisch geringer.
• Medianbasierte Verfahren statt mittelwertbasierter Statistiken.
• Bootstrapping: Ermöglicht zuverlässigere Inferenzschlüsse bei nicht-normalverteilten Daten mit Ausreißern.

Sensitivitätsanalyse: Ergebnisse auf Robustheit prüfen

Ganz unabhängig davon, welche Strategie Sie wählen, empfiehlt sich in den meisten Fällen eine Sensitivitätsanalyse: Sie führen Ihre Hauptanalyse zweimal durch – einmal mit und einmal ohne die identifizierten Ausreißer – und vergleichen die Ergebnisse.

Wenn beide Analysen zu denselben substanziellen Schlussfolgerungen führen, ist Ihre Argumentation robust. Wenn die Ergebnisse erheblich abweichen, müssen Sie das transparent berichten und erklären, warum Sie sich für die eine oder andere Variante entschieden haben.

Gerade bei Effektstärken in der psychologischen Forschung kann ein einzelner Ausreißer beträchtlichen Einfluss haben – besonders bei kleineren Stichproben, die in Abschlussarbeiten häufig vorkommen.

Transparenz und Dokumentation: Was Betreuende sehen wollen

Ein methodisch korrekter Umgang mit Ausreißern ist nur halb der Weg. Die andere Hälfte ist die transparente Dokumentation – und hier hapert es in Abschlussarbeiten besonders häufig.

Betreuende und Gutachtende erwarten, dass Sie im Methoden- oder Ergebnisabschnitt nachvollziehbar darlegen:

• Welche Methode Sie zur Ausreißererkennung verwendet haben (und warum).
• Wie viele Ausreißer Sie identifiziert haben und in welchen Variablen.
• Welche Entscheidung Sie getroffen haben (Ausschluss, Transformation, robuste Methode) und wie diese begründet ist.
• Ob eine Sensitivitätsanalyse durchgeführt wurde und was sie ergab.

Besonders wichtig: Ausschlüsse, die nach der Analyse vorgenommen werden, gelten methodisch als problematisch. In der Literatur wird daher empfohlen, Ausreißerregeln möglichst vorab festzulegen und zu preregistrieren, damit Ausschlüsse nicht opportunistisch nach Ergebnissen entschieden werden. Auch für Abschlussarbeiten ohne formale Präregistrierung gilt: Je früher Sie diese Entscheidungen treffen und dokumentieren, desto belastbarer ist Ihre Argumentation.

Wer seine Ergebnisse schließlich APA-konform darstellt, sollte wissen, dass auch der APA-Standard zum Berichten statistischer Ergebnisse Angaben zum Umgang mit Ausreißern vorsieht.

Praktischer Ablauf: Schritt für Schritt durch den Datensatz

Im Folgenden finden Sie einen strukturierten Ablauf, den Sie für Ihre Bachelorarbeit, Masterarbeit oder Dissertation anpassen können.

Schritt 1: Datensatz visuell sichten

Beginnen Sie mit explorativen Grafiken: Boxplots, Histogramme und Streudiagramme verschaffen Ihnen einen ersten Überblick. Viele auffällige Werte lassen sich bereits hier identifizieren, bevor formale Tests zum Einsatz kommen. Die meisten Statistikprogramme, darunter SPSS, R und Jamovi, bieten diese Grafiken standardmäßig an.

Schritt 2: Formale Ausreißertests anwenden

Wählen Sie je nach Fragestellung univariate oder multivariate Verfahren. In R können Sie beispielsweise mit dem Paket car (Cook’s D, Leverage) oder MVN (Mahalanobis-Distanz) arbeiten. In SPSS finden Sie die Mahalanobis-Distanz unter Analysieren → Regression → Linear → Statistiken → Mahalanobis-Distanz.

# Mahalanobis-Distanz für multivariate Ausreißer berechnen
daten <- data.frame(
  angst   = c(12, 15, 14, 13, 42, 11, 16, 13),
  stress  = c(8,  9,  7,  8,  35, 7,  9,  8),
  leistg  = c(75, 80, 72, 77, 40, 78, 81, 74)
)

# Mahalanobis-Distanz berechnen
maha <- mahalanobis(daten,
                    center = colMeans(daten),
                    cov    = cov(daten))

# Chi-Quadrat-Schwellenwert (p < .001, df = Anzahl Variablen)
grenzwert <- qchisq(p = .999, df = ncol(daten))

# Ausreißer markieren
ausreisser <- which(maha > grenzwert)
cat("Potenzielle multivariate Ausreißer in Zeilen:", ausreisser, "\n")
cat("Mahalanobis D² Werte:", round(maha, 2), "\n")

Schritt 3: Ursache klären

Schauen Sie sich jeden identifizierten Ausreißer konkret an. Ist der Wert plausibel? Gibt es Hinweise auf einen Eingabefehler? Haben Sie Möglichkeiten, den Originaldatenbogen oder die Rohdaten zu überprüfen? Dokumentieren Sie Ihre Einschätzung für jeden Fall.

Schritt 4: Behandlungsstrategie festlegen und anwenden

Entscheiden Sie sich für eine der drei Strategien (Ausschluss, Transformation/Winsorizing, robuste Methode) und wenden Sie diese konsistent an. Mischen Sie Strategien nicht willkürlich.

Schritt 5: Sensitivitätsanalyse durchführen

Führen Sie Ihre Kernanalysen mit und ohne Ausreißer durch und vergleichen Sie die Ergebnisse. Dieser Schritt ist auch bei einer Mediationsanalyse empfehlenswert, da Ausreißer indirekte Effekte erheblich beeinflussen können.

Schritt 6: Transparent berichten

Schreiben Sie im Methodenteil einen kurzen Absatz zu Ihrem Vorgehen. Nennen Sie das verwendete Verfahren, die Anzahl identifizierter Ausreißer und die Begründung für Ihre Entscheidung. Berichten Sie die Ergebnisse der Sensitivitätsanalyse im Ergebnisteil.

Wenn Sie bei der statistischen Auswertung Ihrer Abschlussarbeit unsicher sind – sei es bei der Ausreißerdiagnostik, der Wahl des richtigen Verfahrens oder der APA-konformen Darstellung –, bietet die spezialisierte Statistikberatung für Psychologie von QuantExpert eine methodisch fundierte Unterstützung, die genau auf Ihren Datensatz und Ihre Fragestellung zugeschnitten ist.