Welche Kennzahlen gibt es in der Statistik?
In diesem Beitrag
Systematik statistischer Kennzahlen
Statistische Kennzahlen – auch deskriptive Statistiken genannt – fassen Datensätze in übersichtliche Zahlen zusammen. Sie beschreiben, wo Messwerte typischerweise liegen, wie stark sie variieren und welche Form eine Verteilung hat. Ohne sie wäre der Weg von rohen Daten zu einer interpretierbaren Aussage nicht möglich.
Eine bewährte Einteilung unterscheidet drei Hauptkategorien: Lagekennzahlen, Streuungskennzahlen und Formkennzahlen. In der Fachliteratur wird diese Dreiteilung als zentrale Grundlage zur funktionalen Beschreibung statistischer Verteilungen beschrieben – sie hilft, Kennzahlen nicht als isolierte Formeln, sondern als zusammenhängendes System zu verstehen. Ergänzend kommen Zusammenhangskennzahlen hinzu, sobald Beziehungen zwischen zwei Variablen untersucht werden.
Lagekennzahlen: Wo liegt die Mitte?
Lagekennzahlen (auch: Maße der zentralen Tendenz) geben an, um welchen Wert sich die Daten konzentrieren. Sie beantworten die Frage: Was ist der „typische“ Wert in diesem Datensatz?
Arithmetisches Mittel (Mittelwert)
Der Mittelwert ist die bekannteste Lagekennzahl. Er ergibt sich als Summe aller Messwerte dividiert durch die Anzahl der Beobachtungen:
Arithmetisches Mittel
Der Mittelwert ist sensitiv gegenüber Ausreißern. Ein einzelner sehr hoher Wert zieht ihn nach oben – selbst wenn alle anderen Werte niedrig sind. Für schiefe Verteilungen ist er daher oft wenig repräsentativ.
Median
Der Median ist der mittlere Wert, wenn alle Beobachtungen der Größe nach sortiert werden. Genau die Hälfte der Werte liegt oberhalb, die andere Hälfte unterhalb. Er reagiert kaum auf Ausreißer und ist deshalb für schief verteilte Daten oder ordinale Skalen die bessere Wahl.
Modus
Der Modus (Modalwert) ist der am häufigsten vorkommende Wert in einem Datensatz. Er ist die einzige Lagekennzahl, die auch für nominale (kategoriale) Daten sinnvoll berechnet werden kann – etwa für die häufigste Studienfachrichtung in einer Stichprobe.
Quartile und Quantile
Quartile teilen einen sortierten Datensatz in vier gleichgroße Teile. Das erste Quartil (Q1) markiert das 25. Perzentil, das dritte Quartil (Q3) das 75. Perzentil. Sie werden vor allem zusammen mit dem Median berichtet, wenn die Daten nicht normalverteilt sind.
| Kennzahl | Beschreibung | Besonderheit |
|---|---|---|
| Mittelwert | Summe ÷ Anzahl | Sensitiv gegenüber Ausreißern |
| Median | Mittlerer Wert der sortierten Reihe | Robust, ideal für schiefe Verteilungen |
| Modus | Häufigster Wert | Auch für nominale Daten geeignet |
| Quartile (Q1, Q3) | 25. / 75. Perzentil | Ergänzen den Median sinnvoll |
Streuungskennzahlen: Wie weit streuen die Daten?
Ein Mittelwert allein ist fast immer unvollständig. Messwerte in realen Studien fallen nicht identisch aus, sondern variieren natürlich um eine zentrale Tendenz. Erst ein Streuungsmaß macht deutlich, wie homogen oder heterogen eine Stichprobe wirklich ist.
Varianz und Standardabweichung
Die Varianz misst die durchschnittliche quadratische Abweichung der Messwerte vom Mittelwert. Da sie in quadrierten Einheiten vorliegt, ist sie schwer direkt interpretierbar. Deshalb wird in der Praxis fast immer die Standardabweichung berichtet – sie ist die Wurzel der Varianz und liegt in derselben Einheit wie die Originalwerte:
Standardabweichung (Stichprobe)
Wichtig: Mittelwert und Standardabweichung sind nur bei annähernd normalverteilten Daten sinnvoll interpretierbar. Bei schiefen Verteilungen können beide Kennzahlen ein verzerrtes Bild erzeugen.
Spannweite (Range)
Die Spannweite ist die einfachste Streuungskennzahl: Sie ergibt sich als Differenz zwischen dem größten und dem kleinsten Wert im Datensatz. Sie ist leicht verständlich, aber extrem ausreißersensitiv – ein einziger Extremwert verändert sie komplett.
Interquartilsabstand (IQR)
Der Interquartilsabstand (IQR = Q3 − Q1) beschreibt die Streuung der mittleren 50 % der Daten. Er ist robust gegenüber Ausreißern und wird zusammen mit dem Median berichtet, wenn die Daten nicht normalverteilt oder ordinalskaliert sind. Boxplots visualisieren den IQR direkt.
Formkennzahlen: Wie ist die Verteilung geformt?
Formkennzahlen beschreiben die Gestalt einer Verteilung – also ob sie symmetrisch, links- oder rechtschief ist oder ob sie flacher bzw. spitzer als eine Normalverteilung ausfällt.
Schiefe (Skewness)
Die Schiefe gibt an, ob eine Verteilung asymmetrisch ist. Ein Wert nahe 0 deutet auf Symmetrie hin. Positive Werte zeigen einen langen rechten Ausläufer (rechtsschiefe Verteilung), negative Werte einen langen linken Ausläufer (linksschiefe Verteilung). In SPSS und R wird die Schiefe standardmäßig in der deskriptiven Statistik ausgegeben.
Kurtosis (Wölbung)
Die Kurtosis beschreibt, wie spitz oder flach die Verteilung im Vergleich zur Normalverteilung ist. Eine hohe Kurtosis bedeutet einen ausgeprägten Gipfel mit schweren Tails – ein Hinweis auf viele Extremwerte. Sie ist besonders relevant, wenn Normalverteilungsannahmen für inferenzstatistische Tests geprüft werden.
Schiefe (Skewness)
Zusammenhangskennzahlen
Sobald nicht einzelne Variablen, sondern Beziehungen zwischen zwei Variablen untersucht werden, kommen Zusammenhangskennzahlen ins Spiel. Sie quantifizieren Richtung und Stärke eines Zusammenhangs.
Korrelationskoeffizienten
Der Pearson-Korrelationskoeffizient misst den linearen Zusammenhang zwischen zwei metrischen Variablen. Er liegt zwischen −1 und +1: Werte nahe +1 zeigen einen starken positiven, Werte nahe −1 einen starken negativen linearen Zusammenhang. Ein Wert um 0 bedeutet keinen linearen Zusammenhang.
Für ordinale oder nicht-normalverteilte Daten eignet sich der Spearman-Rangkorrelationskoeffizient , der auf Rangplätzen statt auf Rohwerten basiert.
Effektstärkemaße
Effektstärken wie Cohens d, η² (Eta-Quadrat) oder Cramers V sind ebenfalls Zusammenhangskennzahlen – sie quantifizieren die praktische Bedeutsamkeit eines Befundes, unabhängig von der Stichprobengröße. In wissenschaftlichen Abschlussarbeiten werden sie neben dem p-Wert erwartet, da ein signifikantes Ergebnis nicht automatisch ein bedeutsames ist.
Cohens d
Welche Kennzahlen passen zu welchem Skalenniveau?
Die Auswahl der richtigen Kennzahl hängt maßgeblich vom Skalenniveau der Variable ab. Nicht jede Kennzahl ist für jede Art von Daten zulässig – und dieser Fehler zählt zu den häufigsten in empirischen Abschlussarbeiten.
| Skalenniveau | Beispiel | Geeignete Lagekennzahl | Geeignetes Streuungsmaß |
|---|---|---|---|
| Nominal | Geschlecht, Studiengang | Modus | Häufigkeiten, Anteile |
| Ordinal | Likert-Skala (1–5) | Median | Interquartilsabstand |
| Metrisch (normalverteilt) | Alter, Testergebnis | Mittelwert | Standardabweichung |
| Metrisch (schief) | Einkommen, Reaktionszeiten | Median | Interquartilsabstand |
Für kategoriale Variablen empfiehlt sich die Darstellung über Häufigkeiten, Anteile und Prozentsätze – für numerische Daten hingegen eine Kombination aus einem Lage- und einem Streuungsmaß, wobei die Verteilungsform die Auswahl bestimmt.
Kennzahlen richtig kombinieren und berichten
Statistische Kennzahlen entfalten ihren vollen Nutzen erst dann, wenn sie sinnvoll kombiniert werden. Wer nur den Mittelwert berichtet, verschweigt, wie homogen oder heterogen die Daten sind. Wer nur die Streuung angibt, lässt das Zentrum im Dunkeln.
Kennzahlen und Visualisierungen
In der explorativen Datenanalyse wird empfohlen, statistische Zusammenfassungen grundsätzlich mit grafischen Darstellungen zu kombinieren – etwa Histogramme, Dotplots oder Boxplots. Erst so werden Ausreißer, Schiefe und Verteilungsmuster sichtbar, die reine Kennzahlen verbergen könnten.
Ein Boxplot zum Beispiel zeigt gleichzeitig Median, Q1, Q3, den IQR und eventuelle Ausreißer auf einen Blick. Das ist deutlich informativer als eine einzelne Zahl.
Typische Kombinationen in Abschlussarbeiten
- Normalverteilte metrische Daten: Mittelwert + Standardabweichung, ergänzt durch Histogramm
- Schiefe oder ordinale Daten: Median + Interquartilsabstand, ergänzt durch Boxplot
- Kategoriale Daten: Absolute und relative Häufigkeiten, ergänzt durch Balken- oder Kreisdiagramm
- Zusammenhänge: Korrelationskoeffizient + Effektstärke, ergänzt durch Scatterplot
Welche Kennzahlen konkret berechnet und berichtet werden sollten, lässt sich oft erst beurteilen, wenn Forschungsfrage, Skalenniveau und Verteilung der Daten klar sind. Wer sich bei dieser Entscheidung unsicher ist, findet bei einer professionellen Statistik-Beratung methodisch fundierte Orientierung – von der Kennzahl-Auswahl bis zur vollständigen Ergebnisdarstellung.
Wann reicht deskriptive Statistik – und wann brauche ich mehr?
Für rein beschreibende Forschungsfragen – etwa „Wie alt sind die Befragten im Durchschnitt?“ – sind deskriptive Kennzahlen das zentrale Analyseinstrument. Sobald jedoch Unterschiede oder Zusammenhänge geprüft werden sollen, ergänzen inferenzstatistische Verfahren die Kennzahlen: t-Tests, Varianzanalysen oder Regressionsmodelle setzen stets auf deskriptiven Kennzahlen auf und erfordern deren korrekte Berechnung als Voraussetzung.
Mehr zu den fünf wichtigsten Statistiken in der empirischen Forschung sowie zur Planung einer statistischen Untersuchung erfahren Sie in unseren weiterführenden Beiträgen. Wer sich fragt, ab welchem Punkt externe Unterstützung sinnvoll ist, findet Orientierung im Beitrag darüber, wann man sich Hilfe bei der statistischen Auswertung holen sollte.
