Welche häufigen Statistikfehler gibt es in Bachelorarbeiten?

Die häufigsten Statistikfehler im Überblick

Statistikfehler in Bachelorarbeiten sind keine Seltenheit – sie entstehen nicht aus Nachlässigkeit, sondern weil statistische Konzepte oft gegenintuitiv sind und in der Ausbildung zu wenig Raum bekommen. Die gute Nachricht: Die meisten Fehler wiederholen sich und sind daher gut vorhersehbar und vermeidbar.

Die folgende Übersicht zeigt die sieben häufigsten Fehlertypen, die in empirischen Abschlussarbeiten auftreten. Wer sie kennt, kann sich gezielt davor schützen.

Fehler 1: p-Werte falsch interpretieren

Der p-Wert ist das am häufigsten missverstandene Konzept in der empirischen Forschung – und das nicht nur in Bachelorarbeiten. Der klassische Irrtum: Ein p-Wert unter .05 gilt als „Beweis“ dafür, dass eine Hypothese stimmt, oder als Zeichen dafür, dass ein Effekt „real“ ist.

Das ist falsch. Der p-Wert gibt an, wie unvereinbar die beobachteten Daten mit dem angenommenen statistischen Modell wären, wenn die Nullhypothese zuträfe. Er sagt nichts darüber aus, wie wahrscheinlich es ist, dass die Hypothese wahr ist – und auch nichts darüber, ob ein Effekt praktisch bedeutsam ist.

Die American Statistical Association hält in einer viel zitierten Stellungnahme fest, dass wissenschaftliche Schlussfolgerungen nicht allein davon abhängen sollten, ob ein p-Wert die Schwelle von .05 unterschreitet. Stattdessen sollen Effektstärken, fachliche Relevanz und das Ausmaß an Unsicherheit gemeinsam betrachtet werden.

Weitere häufige Fehlinterpretationen des p-Werts im akademischen Kontext:

• „p = .06 bedeutet, dass kein Effekt vorliegt“ – ein nicht signifikantes Ergebnis ist kein Nullbefund
• „Je kleiner der p-Wert, desto größer der Effekt“ – Größe und Signifikanz sind unabhängig voneinander
• „p ist die Wahrscheinlichkeit, dass die Nullhypothese wahr ist“ – das ist eine fundamental falsche Definition

Wie Sie Signifikanz korrekt einordnen und formulieren, erklärt der Beitrag Was bedeutet Signifikanz in der Bachelorarbeit und wie interpretiert man sie? ausführlich.

Fehler 2: Effektstärken weglassen

Statistische Signifikanz sagt aus, ob ein Effekt mit hoher Wahrscheinlichkeit nicht zufällig ist – aber nicht, wie groß dieser Effekt ist. Genau hier setzt ein zweiter, sehr verbreiteter Fehler an: Viele Bachelorarbeiten berichten ausschließlich Signifikanzwerte und verzichten auf Effektstärken.

Das ist methodisch unvollständig. Bei großen Stichproben können selbst triviale Unterschiede hochsignifikant werden. Umgekehrt kann ein klinisch oder praktisch relevanter Effekt bei kleinen Stichproben das Signifikanzniveau knapp verfehlen. Ohne Effektstärke bleibt die Frage unbeantwortet, ob ein gefundener Unterschied tatsächlich von Bedeutung ist.

In der Fachliteratur wird empfohlen, Effektstärken gemeinsam mit präzisen p-Werten und Konfidenzintervallen zu berichten, da erst die Kombination aller drei Angaben eine vollständige Einschätzung eines Befundes ermöglicht. Viele Betreuende erwarten dieses vollständige Reporting mittlerweile explizit.

Fehler 3: Voraussetzungen nicht prüfen

Jedes statistische Verfahren setzt bestimmte Modellannahmen voraus – und diese müssen geprüft werden, bevor der eigentliche Test durchgeführt wird. In der Praxis wird dieser Schritt häufig übersprungen, weil er zeitaufwendig wirkt oder weil die Notwendigkeit nicht bekannt ist.

Typische Voraussetzungen und ihre Prüfung

• Normalverteilung: Viele parametrische Tests (t-Test, ANOVA) setzen normalverteilte Residuen voraus. Prüfung z. B. über den Shapiro-Wilk-Test oder Q-Q-Plots.
• Varianzhomogenität: Beim t-Test für unabhängige Stichproben sollten die Varianzen beider Gruppen vergleichbar sein. Prüfung über den Levene-Test.
• Unabhängigkeit der Beobachtungen: Messungen sollten nicht voneinander abhängen – bei Messwiederholungen gelten andere Verfahren.
• Skalenniveau: Parametrische Tests erfordern mindestens intervallskalierte Daten. Likert-Items werden häufig fälschlicherweise ohne weitere Begründung als metrisch behandelt.

Wer sich unsicher ist, welches Verfahren unter welchen Bedingungen geeignet ist, findet in dem Beitrag Wie wählt man das statistische Verfahren für die Bachelorarbeit? eine systematische Entscheidungshilfe.

Fehler 4: Falsches Testverfahren wählen

Ein t-Test für nominalskalierte Daten, eine Pearson-Korrelation für Rangdaten, eine einfache Regression statt einer multiplen – Verfahrensfehler dieser Art kommen in Bachelorarbeiten häufiger vor, als man vermuten würde. Sie entstehen oft, weil das Verfahren aus einem früheren Seminar bekannt ist und ohne Prüfung der Passung eingesetzt wird.

Die Wahl des richtigen Tests hängt von mehreren Faktoren ab:

• Skalenniveau der abhängigen und unabhängigen Variablen
• Anzahl der Gruppen oder Messzeitpunkte
• Art der Fragestellung (Unterschied, Zusammenhang, Vorhersage)
• Erfüllung der Voraussetzungen des jeweiligen Verfahrens

Besonders fehleranfällig sind Fragestellungen mit mehreren Prädiktoren oder Kontrollvariablen: Hier wird oft eine einfache Korrelation berichtet, obwohl eine Regressionsanalyse methodisch geboten wäre.

Fehler 5: Stichprobengröße unterschätzen

Zu kleine Stichproben sind ein strukturelles Problem in Bachelorarbeiten. Wer mit 20 Befragten einen mittleren Effekt nachweisen möchte, hat statistisch kaum eine Chance – nicht wegen mangelhafter Methodik, sondern weil die Teststärke (Power) schlicht zu gering ist.

Die statistische Power beschreibt die Wahrscheinlichkeit, einen tatsächlich vorhandenen Effekt auch zu entdecken. In der publizierten Forschung liegt die Power oft deutlich unterhalb des empfohlenen Richtwerts von 0,80, was bedeutet, dass echte Effekte häufig übersehen werden.

Wie viele Teilnehmende für eine bestimmte Fragestellung benötigt werden, lässt sich vorab über eine Poweranalyse bestimmen. Dabei fließen ein:

• Der erwartete Effekt (z. B. Cohens d = 0,50 für einen mittleren Effekt)
• Das Signifikanzniveau α (üblicherweise .05)
• Die angestrebte Power (üblicherweise .80)
• Das verwendete Testverfahren

Ausführliche Hinweise zur Planung der Stichprobengröße finden Sie in dem Beitrag Wie viele Teilnehmer braucht man für die Bachelorarbeit?.

Fehler 6: p-Hacking und selektives Berichten

P-Hacking bezeichnet die Praxis, Daten, Variablen oder Analyseentscheidungen solange zu variieren, bis ein signifikantes Ergebnis entsteht. Das klingt nach bewusstem Betrug – tatsächlich passiert es aber häufig unbewusst, aus dem verständlichen Wunsch heraus, die eigene Hypothese bestätigt zu sehen.

Konkrete Verhaltensweisen, die p-Hacking begünstigen

• Ausreißer erst nach Sichtung der Ergebnisse aus- oder einschließen
• Mehrere abhängige Variablen messen, aber nur die signifikante berichten
• Kovariaten nachträglich hinzufügen oder entfernen, bis p < .05
• Zwischenauswertungen durchführen und die Datenerhebung bei Signifikanz abbrechen
• Subgruppen nachträglich bilden und nur Ergebnisse bestimmter Gruppen berichten

Jede dieser Praktiken verzerrt die Fehlerrate und führt dazu, dass zufällige Befunde als echte Effekte erscheinen. In der Wissenschaftsliteratur werden genau diese Verhaltensweisen als verbreitetste Formen fragwürdiger Forschungspraxis beschrieben – mit messbaren Auswirkungen auf die Verteilung berichteter p-Werte in publizierten Studien.

Das vollständige und transparente Berichten aller Analyseentscheidungen – einschließlich nicht signifikanter Ergebnisse – ist ein zentrales Qualitätsmerkmal empirischer Arbeiten. Die ASA empfiehlt in diesem Zusammenhang ausdrücklich, alle Analysen, Ausschlüsse und Abweichungen offenzulegen, um die Integrität der Befunde zu sichern.

Fehler 7: Ergebnisse im Ergebnisteil interpretieren

Dieser Fehler ist kein statistischer im engeren Sinne, führt aber regelmäßig zu Punktabzug: Im Ergebnisteil werden Befunde nicht nur berichtet, sondern bereits gedeutet, in Bezug zur Theorie gesetzt oder mit Schlussfolgerungen verbunden. Das ist die Aufgabe der Diskussion.

Der Ergebnisteil hat eine klare Funktion: Er präsentiert die statistischen Ergebnisse vollständig, präzise und neutral – ohne Bewertung. Korrekte Formulierungen lauten zum Beispiel:

• „Es zeigte sich ein signifikanter Unterschied zwischen den Gruppen (t(58) = 2,43, p = .018, d = 0,63).“
• „Die Korrelation zwischen Variablen A und B war mittelstark und positiv (r = .41, p = .002).“

Was im Ergebnisteil nicht steht: „Dieses Ergebnis bestätigt die Annahme, dass…“. Das gehört in die Diskussion. Wie Sie den Ergebnisteil strukturieren und welche Angaben dort erwartet werden, erklärt der Beitrag Wie schreibt man den Ergebnisteil einer Bachelorarbeit? Schritt für Schritt.

Wie Sie diese Fehler vermeiden

Die meisten Statistikfehler in Bachelorarbeiten entstehen nicht kurz vor der Abgabe, sondern viel früher – in der Planungsphase. Wer Hypothesen, Stichprobengröße, Verfahrenswahl und Analyseplan frühzeitig festlegt und dokumentiert, vermeidet den Großteil der oben beschriebenen Probleme.

Wenn Sie einen Fragebogen auswerten oder Hypothesen statistisch testen möchten, ist es sinnvoll, Analyseentscheidungen frühzeitig zu strukturieren – idealerweise bevor die Datenerhebung beginnt.

Wer trotz sorgfältiger Vorbereitung unsicher ist, ob die gewählten Verfahren korrekt angewendet wurden, oder wer im laufenden Prozess merkt, dass methodische Fragen offen geblieben sind, findet bei der Statistik-Hilfe für Bachelorarbeiten von QuantExpert kompetente methodische Unterstützung – von der Verfahrenswahl bis zur Interpretation der Ergebnisse.