Wie interpretiert man Ergebnisse in der Statistik?

Was bedeutet Ergebnisinterpretation in der Statistik?

Statistische Ergebnisse zu interpretieren bedeutet, aus Kennzahlen wie p-Werten, Mittelwerten oder Effektgrößen eine inhaltlich nachvollziehbare Aussage abzuleiten – immer in Bezug auf die ursprüngliche Forschungsfrage. Es geht also nicht darum, Zahlen abzulesen, sondern ihnen Bedeutung zu geben.

Dieser Schritt wird in Abschlussarbeiten häufig unterschätzt. Viele Studierende berichten zwar korrekt, dass ein Ergebnis „signifikant“ ist, erklären aber nicht, was das für die Forschungsfrage konkret bedeutet. Genau das ist der Kern einer guten Interpretation.

Eine vollständige Ergebnisinterpretation umfasst typischerweise drei Ebenen:

• Statistische Ebene: Was zeigen p-Wert, Teststatistik und Konfidenzintervall?
• Praktische Ebene: Wie groß und bedeutsam ist der gefundene Effekt?
• Inhaltliche Ebene: Was bedeutet das Ergebnis für die Forschungsfrage, die Theorie und den Forschungskontext?

Wer alle drei Ebenen berücksichtigt, liefert eine Interpretation, die wissenschaftlichen Ansprüchen genügt. Ausführlichere Hinweise zur professionellen Interpretation und Verschriftlichung statistischer Ergebnisse finden Sie in unserem Beratungsangebot.

p-Wert und Signifikanz richtig lesen

Der p-Wert ist vermutlich die meistzitierte und zugleich meistmissverstandene Größe in der empirischen Forschung. Bevor Sie Ihre Ergebnisse interpretieren, müssen Sie verstehen, was dieser Wert tatsächlich aussagt – und was nicht.

Was der p-Wert wirklich misst

Ein p-Wert gibt an, wie unvereinbar die beobachteten Daten mit einem bestimmten statistischen Modell (in der Regel der Nullhypothese) wären. Er ist nicht die Wahrscheinlichkeit, dass die geprüfte Hypothese wahr ist, und auch nicht die Wahrscheinlichkeit, dass die Daten nur durch Zufall entstanden sind.

Das ist ein wichtiger Unterschied. Ein p-Wert von 0,03 bedeutet nicht: „Mit 97-prozentiger Wahrscheinlichkeit ist meine Hypothese richtig.“ Es bedeutet: „Wenn die Nullhypothese stimmen würde, wäre ein mindestens so extremes Ergebnis wie das beobachtete in nur 3 % der Fälle zu erwarten.“

Das Problem mit dem Schwellenwert 0,05

In der empirischen Forschung wird häufig ein Signifikanzniveau von α = 0,05 verwendet. Ergebnisse mit p < 0,05 gelten als „statistisch signifikant“, Ergebnisse mit p ≥ 0,05 als „nicht signifikant“. Dieses Prinzip ist praktisch – aber auch fehleranfällig.

Denn: Ein Ergebnis mit p = 0,049 und eines mit p = 0,051 haben keine grundsätzlich verschiedene wissenschaftliche Bedeutung – auch wenn das erste als „signifikant“ eingestuft wird und das zweite nicht. Die starre Grenze täuscht eine Präzision vor, die statistisch nicht begründbar ist.

Ob ein Signifikanzniveau von 0,01 oder 0,05 angemessener ist, hängt dabei stark vom Forschungskontext, der Fehlertoleranz und der Stichprobengröße ab.

Effektgröße: Was hinter dem p-Wert steckt

Statistische Signifikanz sagt nichts darüber aus, wie groß oder praktisch relevant ein Effekt ist. Ein Mittelwertunterschied kann bei sehr großen Stichproben auch dann hochsignifikant werden, wenn er inhaltlich kaum eine Rolle spielt. Deshalb gehört zur vollständigen Interpretation immer die Effektgröße.

Gängige Effektgrößenmaße

Cohens d lässt sich dabei als standardisierte Differenz zweier Mittelwerte verstehen:

Ein Cohens d von 0,80 bedeutet, dass sich die Mittelwerte der beiden Gruppen um fast eine Standardabweichung unterscheiden – das ist in den meisten Fachbereichen ein substanzieller Unterschied.

Bitte beachten Sie: Die Richtwerte nach Cohen sind Daumenregeln. Was in der Psychologie als „mittlerer Effekt“ gilt, kann in der Medizin klinisch bedeutsam oder irrelevant sein – je nach Kontext. Ordnen Sie Effektgrößen daher immer in Ihren Fachbereich ein.

Konfidenzintervalle einordnen

Konfidenzintervalle werden in Abschlussarbeiten seltener berichtet als p-Werte, liefern aber oft deutlich mehr Information. Sie geben an, in welchem Bereich der wahre Populationsparameter mit einer bestimmten Sicherheit (meist 95 %) liegt – unter der Annahme, dass das Studiendesign und die Modellannahmen korrekt sind.

Konfidenzintervalle sind keine einfachen Wahrscheinlichkeitsaussagen über einen Parameter, sondern Intervallschätzungen, deren Breite und Lage zusammen mit Modellannahmen, Studiendesign und Vorwissen interpretiert werden müssen.

Was Sie am Konfidenzintervall ablesen können

• Breite des Intervalls: Ein breites Intervall signalisiert hohe Unsicherheit – oft bedingt durch eine kleine Stichprobe.
• Lage des Intervalls: Schließt das 95%-KI den Wert 0 (bei Mittelwertdifferenzen) oder 1 (bei Odds Ratios) ein, ist das Ergebnis typischerweise nicht signifikant.
• Praktische Relevanz: Liegt das gesamte Konfidenzintervall im Bereich kleiner Effekte, ist das Ergebnis – trotz möglicher Signifikanz – inhaltlich möglicherweise wenig bedeutsam.

Schritt für Schritt: So gehen Sie bei der Interpretation vor

Eine strukturierte Vorgehensweise hilft dabei, keine wichtigen Aspekte zu übersehen. Nutzen Sie folgende Schrittfolge als Leitfaden:

Besonders der letzte Schritt wird in Abschlussarbeiten häufig vernachlässigt. Eine Interpretation ohne Einschränkungen klingt vollständiger, als sie ist – und wirkt auf erfahrene Gutachtende wenig reflektiert.

Wie Sie dabei konkret vorgehen, zeigt auch unser Beitrag zum Thema Wie man Daten interpretiert.

Typische Fehler bei der Ergebnisinterpretation

Bestimmte Fehler tauchen in empirischen Abschlussarbeiten immer wieder auf. Wer sie kennt, kann sie gezielt vermeiden.

Signifikanz mit Relevanz gleichsetzen

Statistische Signifikanz misst nicht die praktische Bedeutsamkeit eines Ergebnisses. Bei großen Stichproben können selbst winzige Unterschiede signifikant werden – ohne dass sie inhaltlich relevant sind. Berichten Sie deshalb immer auch die Effektgröße.

Nicht signifikante Ergebnisse als Beleg für die Nullhypothese werten

Ein p-Wert von 0,12 belegt nicht, dass kein Effekt vorhanden ist. Er zeigt lediglich, dass die Datenlage nicht ausreicht, um die Nullhypothese zu verwerfen. Die Abwesenheit von Evidenz ist keine Evidenz für Abwesenheit.

p-Werte runden oder verschweigen

Formulierungen wie „p < 0,05″ statt des exakten Werts p = 0,034 sind ungenau. Berichten Sie p-Werte auf drei Dezimalstellen genau – außer wenn p < 0,001, dann ist diese Konvention zulässig.

Kausalität aus Korrelation ableiten

Auch bei einem hochsignifikanten Zusammenhang zweier Variablen erlaubt ein korrelatives Design keine Kausalaussage. Achten Sie darauf, dass Ihre Formulierungen dies widerspiegeln – verwenden Sie Begriffe wie „Zusammenhang“, „Assoziation“ oder „Unterschied“ statt „bewirkt“ oder „verursacht“.

Mechanisches Schwellenwertdenken

Die Einteilung in „signifikant“ und „nicht signifikant“ ist wissenschaftlich kritisch zu sehen, weil sie kontinuierliche Evidenz künstlich in zwei Kategorien presst. Fundierte Interpretation bedeutet, die Stärke und Richtung eines Effekts sowie die Unsicherheit der Schätzung gemeinsam zu kommunizieren – nicht nur eine Ja/Nein-Entscheidung zu fällen.

Zu konkreten Grenzfällen wie einem p-Wert von 0,055 oder einem Wert von 0,051 finden Sie in unserem Blog eigene Beiträge.

Interpretationen in den Text bringen

Statistische Ergebnisse zu berechnen ist eine Sache – sie verständlich und präzise zu formulieren eine andere. Gerade im Ergebnisteil einer Abschlussarbeit kommt es auf die richtige Reihenfolge und Formulierungslogik an.

Empfohlene Reihenfolge im Ergebnisteil

1. Deskriptive Kennwerte berichten (M, SD, n)
2. Teststatistik und Freiheitsgrade angeben
3. Exakten p-Wert berichten
4. Effektgröße mit Richtwerteinordnung nennen
5. Konfidenzintervall ergänzen (falls berichtet)
6. Kurze inhaltliche Schlussfolgerung ziehen

Beispiel: t-Test-Ergebnis korrekt formulieren

Eine vollständige Formulierung könnte so aussehen: „Die Gruppe A erzielte im Mittel höhere Werte (M = 4,2; SD = 0,8) als Gruppe B (M = 3,7; SD = 0,9). Der t-Test ergab einen signifikanten Unterschied, t(98) = 2,84, p = .005, d = 0,58 [95%-KI: 0,18; 0,98]. Der Effekt ist nach den Konventionen von Cohen als mittel einzustufen.“

Diese Formulierungslogik – erst Schätzung und Unsicherheit, dann p-Wert, dann vorsichtige fachliche Schlussfolgerung – entspricht den Empfehlungen führender Methodiker.

Einen ausführlichen Leitfaden, wie Sie Ihren gesamten Ergebnisteil strukturieren, bietet unser Beitrag zum Aufschreiben statistischer Ergebnisse. Wie Sie dabei die Interpretation sprachlich ausformulieren, erläutert der Artikel Wie formuliert man eine Interpretation?.

Wenn Sie Unterstützung bei der statistischen Ergebnisinterpretation für Ihre Abschlussarbeit benötigen – vom p-Wert bis zur inhaltlichen Schlussfolgerung – stehen Ihnen die Statistikerinnen und Statistiker bei QuantExpert gerne zur Seite.