Wie plant man die statistische Auswertung einer Dissertation?

Warum die Planung entscheidend ist

Die statistische Auswertung einer Dissertation scheitert selten an der Berechnung selbst – sie scheitert an einer mangelhaften Vorbereitung. Wer erst nach der Datenerhebung überlegt, welche Verfahren passen, welche Variablen benötigt werden und wie Annahmeverletzungen behandelt werden sollen, stößt schnell auf Probleme, die sich im Nachhinein kaum noch beheben lassen.

Anerkannte methodische Leitlinien machen deutlich, dass Analyseentscheidungen möglichst vor Kenntnis der endgültigen Ergebnisse festgelegt werden sollten, weil nachträgliche Entscheidungen das Risiko von Bias systematisch erhöhen. Was für klinische Studien gilt, ist für Dissertationen in der Psychologie, Medizin oder den Sozialwissenschaften ebenso relevant.

Eine sorgfältige Auswertungsplanung hat dabei drei konkrete Vorteile:

• Sie erhöht die wissenschaftliche Glaubwürdigkeit der Arbeit.
• Sie verhindert methodische Sackgassen nach der Datenerhebung.
• Sie erleichtert das spätere Schreiben von Methodenteil und Ergebnisteil erheblich.

Forschungsfragen und Hypothesen als Ausgangspunkt

Jede statistische Planung beginnt mit einer grundlegenden Frage: Was soll mit den Daten eigentlich beantwortet werden? Die Forschungsfragen und Hypothesen Ihrer Dissertation sind nicht nur inhaltliche Leitplanken – sie bestimmen direkt, welche statistischen Verfahren überhaupt infrage kommen.

Von der Forschungsfrage zur Variablenstruktur

Bevor Sie sich mit Software oder Testverfahren beschäftigen, sollten Sie folgende Fragen schriftlich beantworten:

• Welche Variablen sind abhängig, welche unabhängig?
• Auf welchem Skalenniveau liegen diese Variablen vor (nominal, ordinal, metrisch)?
• Gibt es Moderatoren, Mediatoren oder Kontrollvariablen?
• Welches Studiendesign liegt zugrunde (Querschnitt, Längsschnitt, experimentell)?
• Handelt es sich um Zusammenhangs-, Unterschieds- oder Vorhersagehypothesen?

Diese Überlegungen übersetzen Ihre Forschungsfragen direkt in statistische Entscheidungen. Ein methodischer Analyseplan verknüpft Forschungsfragen, Hypothesen, Variablen, Datensatzstruktur und Analyseentscheidungen systematisch – und zwar bevor erste Ergebnisse bekannt sind.

Hypothesen präzise formulieren

Unklare Hypothesen führen zu unklaren Auswertungen. Formulieren Sie Ihre Hypothesen so, dass sie direkt testbar sind. Statt „Es wird ein Zusammenhang zwischen Stress und Schlafqualität erwartet“ besser: „Höheres Stresserleben (gemessen mit der PSS-10) geht mit signifikant schlechterer Schlafqualität (PSQI-Gesamtscore) einher.“

Die Richtung der Hypothese (gerichtet vs. ungerichtet) hat außerdem direkte Konsequenzen für Ihre Tests: Ein einseitiger Test hat mehr Power, setzt aber eine begründete Erwartungsrichtung voraus.

Den Auswertungsplan strukturieren

Ein schriftlicher Auswertungsplan – auch Statistical Analysis Plan (SAP) genannt – ist das Kernstück jeder soliden Dissertationsplanung. Er dokumentiert alle Analyseentscheidungen vorab und schützt Sie vor dem Vorwurf des hypothesensuchenden Vorgehens (HARKing: Hypothesizing After Results are Known).

Bestandteile eines vollständigen Auswertungsplans

Gerade die Unterscheidung zwischen einem Basismodell und einem finalen Modell wird in der Praxis oft vernachlässigt. Das Basismodell könnte etwa nur nach Alter und Geschlecht kontrollieren, während das finale Modell zusätzliche Confounder einschließt. Diese Stufung macht Ihre Modellbildungsstrategie transparent und nachvollziehbar – ein wichtiges Qualitätsmerkmal, das Gutachterinnen und Gutachter positiv bemerken.

Einen detaillierten Einstieg in die praktische Umsetzung bietet unser Beitrag zum Erstellen eines Auswertungsplans für die Dissertation.

Das richtige statistische Verfahren wählen

Die Wahl des statistischen Verfahrens folgt immer aus der Kombination von Forschungsfrage, Hypothesentyp, Skalenniveau und Studiendesign – nicht aus persönlicher Vertrautheit mit einem bestimmten Test.

Orientierungshilfe: Verfahren nach Fragestellung

Für Dissertationen kommen häufig komplexere Verfahren zum Einsatz als in Bachelorarbeiten – etwa Strukturgleichungsmodelle, wenn latente Konstrukte und deren Wirkpfade gleichzeitig modelliert werden sollen. Wann ein Strukturgleichungsmodell in der Dissertation wirklich notwendig ist und wann einfachere Alternativen ausreichen, hängt von Ihrer konkreten Forschungsfrage ab.

Ebenso ist die Mehrebenenanalyse dann angezeigt, wenn Ihre Daten eine hierarchische Struktur aufweisen – etwa Schülerinnen und Schüler innerhalb von Schulklassen oder Patientinnen und Patienten innerhalb von Kliniken.

Konfirmatorische vs. explorative Analysen trennen

Ein häufiger und folgenreicher Fehler: Konfirmatorische und explorative Analysen werden nicht sauber getrennt. Konfirmatorische Analysen testen vorab formulierte Hypothesen mit festgelegtem Signifikanzniveau. Explorative Analysen erkunden Muster ohne vorherige Hypothese. Beide sind legitim – aber sie dürfen nicht vermischt oder nachträglich umgedeutet werden.

Stichprobengröße und Poweranalyse

Eine der gravierendsten Schwächen vieler empirischer Dissertationen ist eine zu kleine Stichprobe. Studien zeigen, dass die statistische Power in publizierten wissenschaftlichen Arbeiten häufig deutlich unter dem methodisch empfohlenen Richtwert von 0,80 liegt – mit dem Ergebnis, dass echte Effekte systematisch übersehen werden.

Die Stichprobengröße sollte deshalb nicht durch Verfügbarkeit oder Bequemlichkeit bestimmt werden, sondern durch eine a priori Poweranalyse. Diese berechnet, wie viele Fälle Sie benötigen, um einen Effekt einer bestimmten Größe mit ausreichender Wahrscheinlichkeit nachzuweisen.

Für die Poweranalyse benötigen Sie drei Angaben:

• Erwartete Effektgröße (z. B. Cohens d, f², r) – aus der Literatur oder Pilotstudien
• Signifikanzniveau α – üblicherweise .05
• Angestrebte Power 1 − β – mindestens .80, in der Medizin oft .90

Gängige Software für die Poweranalyse ist G*Power (kostenlos, für Windows und Mac verfügbar). Eine ausführliche Erklärung, wie Sie die Stichprobengröße für Ihre Dissertation berechnen, finden Sie in unserem gesonderten Beitrag. Warum die Poweranalyse zudem ein formales Anforderungskriterium vieler Gutachterinnen und Gutachter ist, erläutert unser Artikel zur Bedeutung der Poweranalyse für die Dissertation.

Statistische Annahmen und Diagnostik einplanen

Jedes parametrische Verfahren setzt bestimmte Annahmen voraus – Normalverteilung der Residuen, Varianzhomogenität, Unabhängigkeit der Beobachtungen, Linearität. Diese Annahmen müssen geprüft werden, bevor Sie Ergebnisse interpretieren.

Prüfung vor der Hauptanalyse

Planen Sie die Annahmenprüfung als eigenständigen Schritt im Auswertungsplan. Typische Prüfverfahren sind:

• Normalverteilung: Shapiro-Wilk-Test, Q-Q-Plot
• Varianzhomogenität: Levene-Test
• Multikollinearität (Regression): Variance Inflation Factor (VIF)
• Autokorrelation der Residuen: Durbin-Watson-Test
• Ausreißer: Cook’s Distance, standardisierte Residuen

Alternativverfahren bei Annahmeverletzungen

Legen Sie bereits im Auswertungsplan fest, was Sie tun, wenn eine Annahme verletzt ist. Entscheidungen dieser Art nach Kenntnis der Daten zu treffen, ist methodisch problematisch – sie sollten vor der Auswertung dokumentiert sein. Typische Alternativen sind:

• Nicht-parametrische Tests bei fehlender Normalverteilung (Mann-Whitney-U statt t-Test)
• Bootstrapping-Methoden bei kleinen Stichproben oder Ausreißern
• Robuste Schätzer bei Varianzheterogenität (Welch-Korrektur)
• Datentransformation (log, sqrt) bei rechtsschiever Verteilung

Umgang mit fehlenden Daten

Fehlende Daten sind in fast jeder empirischen Dissertation ein Thema. Entscheidend ist, wie Sie damit umgehen – und dass Sie diese Entscheidung vor der Auswertung treffen und begründen.

Transparente Berichterstattungsstandards für Beobachtungsstudien verlangen explizite Angaben dazu, wie fehlende Daten in der Analyse behandelt wurden. Das bloße Ignorieren fehlender Werte (listwise deletion) ist nur dann akzeptabel, wenn die Daten vollständig zufällig fehlen (MCAR). In den meisten Fällen ist das nicht zu belegen.

Gängige Strategien

• Listenweiser Ausschluss (listwise deletion): Einfach, aber nur bei MCAR vertretbar und führt zu Stichprobenverlust
• Multiple Imputation: Methodisch empfohlen bei MAR (Missing At Random); ersetzt fehlende Werte durch plausible Schätzwerte aus mehreren Imputationsdurchläufen
• Full Information Maximum Likelihood (FIML): Besonders in SEM und latenten Wachstumsmodellen verbreitet; nutzt alle verfügbaren Informationen ohne Imputation

Dokumentieren Sie im Methodenteil, wie viele Werte fehlen, auf welchen Variablen, mit welcher Begründung Sie welche Strategie gewählt haben – und wie Sensitivitätsanalysen zeigen, dass Ihre Schlussfolgerungen robust gegenüber dieser Wahl sind.

Dokumentation und Reproduzierbarkeit

Eine Dissertation ist ein wissenschaftliches Dokument – und wissenschaftliche Ergebnisse müssen reproduzierbar sein. Das bedeutet konkret: Andere Forschende müssen Ihre Auswertung auf Basis Ihrer Angaben nachvollziehen und im Prinzip replizieren können.

Methodisch sorgfältige Auswertungspläne sehen vor, dass Software und Versionsnummer im Auswertungsplan dokumentiert werden, damit die Analyse später nachvollziehbar bleibt. Das klingt wie eine Kleinigkeit – hat aber im Gutachterverfahren und bei späteren Publikationen erhebliche Bedeutung.

Praktische Maßnahmen zur Reproduzierbarkeit

• Analyseskripte speichern: R-, Python- oder Stata-Skripte sind wertvoller als Klick-Protokolle in SPSS, weil sie die gesamte Auswertung Schritt für Schritt dokumentieren.
• Versionskontrolle nutzen: Git oder zumindest datierte Dateibenennungen verhindern, dass frühere Analyseschritte verloren gehen.
• Rohdaten vom bearbeiteten Datensatz trennen: Die Rohdaten bleiben unverändert; alle Transformationen werden im Skript protokolliert.
• Zufallszahlen-Seed setzen: Bei Verfahren mit Zufallskomponente (z. B. Multiple Imputation, Bootstrapping) sichert ein gesetzter Seed die Reproduzierbarkeit.

Wie Sie die Reproduzierbarkeit Ihrer statistischen Auswertung systematisch absichern, erläutert unser Beitrag zur Reproduzierbarkeit der Statistik in der Dissertation.

Typische Planungsfehler vermeiden

Viele Probleme in der statistischen Auswertung einer Dissertation sind vorhersehbar – und damit vermeidbar. Die folgende Übersicht zeigt die häufigsten Planungsfehler und wie Sie sie umgehen.

Eine ausführliche Übersicht zu häufigen Statistikfehlern in Dissertationen – inklusive konkreter Gegenmaßnahmen – finden Sie in unserem gesonderten Beitrag.

Wann externe Unterstützung sinnvoll ist

Die Planung der statistischen Auswertung einer Dissertation ist anspruchsvoll – und zwar nicht nur technisch, sondern auch konzeptuell. Es geht darum, Forschungsfragen und Verfahren sauber zu verknüpfen, Annahmen zu antizipieren und Designentscheidungen methodisch zu begründen. Das erfordert Erfahrung mit empirischer Forschung, die in frühen Promotionsphasen oft noch nicht vollständig vorhanden ist.

Methodische Begleitung ist dann besonders sinnvoll, wenn:

• Sie komplexe Verfahren wie SEM, Mehrebenenanalyse oder konfirmatorische Faktorenanalyse einsetzen möchten
• das Studiendesign ungewöhnlich oder die Datenstruktur komplex ist
• Ihr Betreuungsverhältnis keine ausreichende methodische Beratung bietet
• Sie unter Zeitdruck stehen und Analysefehler im Nachhinein kaum noch korrigieren können

Gerade bei der Dissertationsstatistik gilt: Fehler in der Planungsphase kosten deutlich mehr Zeit und Aufwand als eine frühzeitige fachkundige Beratung. Unser Beitrag zum Thema Wann professionelle Hilfe bei der Dissertation sinnvoll ist hilft Ihnen, diese Entscheidung zu strukturieren.

Die methodische Begleitung für Ihre Dissertation durch erfahrene Statistikerinnen und Statistiker umfasst bei QuantExpert die gesamte Bandbreite – von der Auswertungsplanung über die Verfahrenswahl bis zur APA-konformen Ergebnisdarstellung. Wenn Sie wissen möchten, was eine Dissertation in der Auswertungsplanung von einer Masterarbeit unterscheidet, lesen Sie unseren Vergleichsbeitrag zur statistischen Auswertung in Dissertation und Masterarbeit.