Wie plant man die statistische Auswertung einer Forschungsarbeit?
In diesem Beitrag
Was ist ein statistischer Analyseplan?
Die statistische Auswertung einer Forschungsarbeit beginnt nicht mit dem Öffnen von SPSS oder R – sie beginnt mit einem klaren Plan. Bevor eine einzige Zeile Code geschrieben oder ein einziger Test durchgeführt wird, sollten Sie schriftlich festhalten, welche Fragen Sie beantworten wollen, welche Variablen dabei eine Rolle spielen und welche Verfahren Sie anwenden werden.
Dieses Dokument nennt sich in der wissenschaftlichen Praxis Statistical Analysis Plan (SAP) oder Data Analysis Plan (DAP). In einem peer-reviewten Leitlinienframework für statistische Analysepläne wird er definiert als detailliertere Ausarbeitung der Analysebestandteile, die im Studienprotokoll nur grundsätzlich beschrieben sind. Für Ihre Forschungsarbeit bedeutet das: Der Analyseplan ist die Brücke zwischen Ihrer Forschungsfrage und den konkreten Rechenschritten.
Ein solcher Plan ist weder ein starres Formaldokument noch eine bloße Liste von Tests. Er ist eine begründete Übersetzung Ihrer Forschungsfrage in prüfbare, nachvollziehbare Analyseschritte – vergleichbar mit einem Rezept, das festlegt, welche Zutaten (Variablen) in welcher Reihenfolge verarbeitet werden.
Warum muss die Auswertung vorab geplant werden?
Viele Studierende gehen davon aus, dass man sich ums Statistische kümmert, wenn die Daten vorliegen. Das ist ein verbreiteter – und folgenreicher – Irrtum. Wer erst nach der Datenerhebung entscheidet, welche Tests er rechnet, läuft Gefahr, unbewusst jene Auswertung zu wählen, die das gewünschte Ergebnis produziert. Dieses Problem ist in der Wissenschaft als HARKing (Hypothesizing After Results are Known) oder als p-Hacking bekannt.
Transparente Vorabplanung ist deshalb keine bürokratische Pflichtübung, sondern ein methodisches Qualitätsmerkmal. Statistische Entscheidungen beeinflussen Studienergebnisse erheblich – und nur eine gut dokumentierte Planung macht Analysen für andere (und für Ihre Betreuungsperson) reproduzierbar und überprüfbar.
Für Ihre Forschungsarbeit hat das noch einen ganz praktischen Aspekt: Ein durchdachter Analyseplan hilft Ihnen auch beim Schreiben des Methodenteils. Wer seinen Plan kennt, kann den Methodenteil strukturiert und überzeugend beschreiben – statt ihn im Nachhinein zu rekonstruieren.
Die fünf Kernbestandteile eines Analyseplans
Ein vollständiger Analyseplan für eine Forschungsarbeit umfasst nicht alles, was klinische Studien mit Dutzenden Seiten SAP beinhalten. Aber bestimmte Kernbestandteile sind unverzichtbar – unabhängig davon, ob Sie eine Bachelorarbeit, Masterarbeit oder Dissertation schreiben.
1. Forschungsfragen und Hypothesen
Formulieren Sie Ihre Forschungsfragen und die daraus abgeleiteten statistischen Hypothesen vor der Auswertung. Unterscheiden Sie zwischen Ihrer Primärhypothese (der Hauptfragestellung) und eventuellen Sekundärhypothesen. Diese Unterscheidung ist wichtig, weil primäre und sekundäre Analysen methodisch unterschiedlich gewichtet werden.
2. Variablen und Messniveau
Legen Sie fest, welche Variablen in Ihrer Analyse eine Rolle spielen, und bestimmen Sie deren Messniveau (nominal, ordinal, metrisch). Das Messniveau entscheidet maßgeblich darüber, welche statistischen Verfahren überhaupt angewendet werden können. Halten Sie außerdem fest, wie Ihre abhängige Variable operationalisiert ist und welche unabhängigen Variablen, Kontrollvariablen oder Kovariaten Sie berücksichtigen.
3. Stichprobe und Fallzahlplanung
Definieren Sie Ihre Zielpopulation und die Kriterien für den Ein- oder Ausschluss von Fällen. Planen Sie die Stichprobengröße anhand einer Poweranalyse: Diese berechnet, wie viele Fälle Sie benötigen, um einen erwarteten Effekt mit ausreichender Sicherheit nachzuweisen. Eine statistische Power von mindestens 0,80 gilt als Mindeststandard, was bedeutet, dass Sie einen tatsächlich vorhandenen Effekt mit 80-prozentiger Wahrscheinlichkeit aufdecken.
Statistische Power
4. Statistische Verfahren
Benennen Sie konkret, welche Tests oder Modelle Sie für welche Hypothesen einsetzen. Die Wahl des Verfahrens ergibt sich logisch aus Messniveau, Gruppenanzahl und Verteilungsannahmen. Als Orientierung gilt:
| Fragestellung | Typisches Verfahren |
|---|---|
| Mittelwertvergleich zweier Gruppen | t-Test (oder Mann-Whitney-U bei Verletzung der Normalverteilung) |
| Mittelwertvergleich ≥ 3 Gruppen | Einfaktorielle ANOVA |
| Zusammenhang zweier metrischer Variablen | Pearson-Korrelation (oder Spearman bei Ordinaldaten) |
| Vorhersage einer metrischen Zielvariable | Lineare Regression |
| Vorhersage einer binären Zielvariable | Logistische Regression |
| Häufigkeitsvergleiche kategorischer Variablen | Chi-Quadrat-Test |
5. Umgang mit Datenproblemen
Legen Sie vorab fest, wie Sie mit fehlenden Werten, Ausreißern und Subgruppen umgehen. Ignorieren Sie fehlende Werte einfach, nutzen Sie Fallausschluss (Listwise Deletion) oder arbeiten Sie mit Imputation? Diese Entscheidung hat erhebliche Auswirkungen auf Ihre Ergebnisse und sollte methodisch begründet – und nicht nachträglich bequem gewählt – werden.
Gemäß einer praxisnahen Anleitung zur Erstellung quantitativer Analysepläne empfiehlt sich außerdem die klare Trennung zwischen deskriptiven Analysen, Hauptanalysen und ergänzenden Analysen. So vermeiden Sie, nachträglich aus vielen möglichen Auswertungen die günstigste auszuwählen.
Schritt für Schritt zum fertigen Analyseplan
Wie geht man nun konkret vor? Der folgende Ablauf hat sich in der Praxis empirischer Forschungsarbeiten bewährt – von der einfachen Bachelorarbeit bis zur Dissertation.
Schritt 1: Forschungsfrage präzisieren
Formulieren Sie Ihre Fragestellung so konkret, dass sie statistisch testbar ist. Aus „Hängen Stress und Leistung zusammen?“ wird: „Besteht ein signifikanter negativer Zusammenhang zwischen dem wahrgenommenen Stressniveau (erhoben mit der PSS-10) und der Studienleistung (Durchschnittsnote) bei Studierenden im dritten Semester?“
Schritt 2: Hypothesen ableiten
Leiten Sie aus Ihrer Forschungsfrage gerichtete oder ungerichtete Hypothesen ab. Formulieren Sie dabei stets die Nullhypothese (H₀) und die Alternativhypothese (H₁). Definieren Sie das Signifikanzniveau α vorab – in den meisten sozialwissenschaftlichen Arbeiten gilt α = 0,05.
Schritt 3: Variablen und Operationalisierung festlegen
Beschreiben Sie für jede Variable, wie sie gemessen wird, welches Skalenniveau sie hat und welche Rolle sie im Modell spielt (abhängig, unabhängig, moderierend, mediierend). Dieser Schritt ist eng mit dem Aufbau der empirischen Forschungsarbeit insgesamt verknüpft.
Schritt 4: Poweranalyse und Stichprobengröße bestimmen
Berechnen Sie die benötigte Stichprobengröße auf Basis der erwarteten Effektstärke, des Signifikanzniveaus und der gewünschten Power. Für gängige Verfahren können Sie dafür die freie Software G*Power nutzen. Halten Sie fest, auf welchen Annahmen Ihre Berechnung beruht.
Schritt 5: Analyseverfahren festlegen und begründen
Wählen Sie Ihre statistischen Verfahren und begründen Sie die Wahl methodisch. Warum eignet sich dieser Test für Ihre Fragestellung? Welche Voraussetzungen muss er erfüllen, und wie prüfen Sie diese (z. B. Normalverteilungstest, Levene-Test auf Varianzhomogenität)?
Schritt 6: Dummy-Tabellen und -Abbildungen skizzieren
Erstellen Sie bereits vor der Auswertung Dummy-Tabellen – also leere Tabellen mit Spalten- und Zeilenstruktur – die Sie später mit Ihren Ergebnissen befüllen. Das zwingt Sie, vorab zu entscheiden, welche Kennzahlen Sie berichten wollen, und erleichtert später das Berichten der Ergebnisse erheblich.
Schritt 7: Datenbereinigung planen
Beschreiben Sie, wie Sie Ihren Datensatz vor der eigentlichen Analyse aufbereiten: Wie gehen Sie mit fehlenden Werten um? Welche Ausreißerkriterien setzen Sie an? Wie codieren Sie Variablen um? Datenbereinigung ist ein eigenständiger, methodisch bedeutsamer Schritt – kein lästiges Vorspiel.
Häufige Fehler bei der Auswertungsplanung
In der Praxis tauchen immer wieder dieselben Schwachstellen auf. Wer diese kennt, kann sie gezielt vermeiden:
- Kein klarer Plan vor der Auswertung: Wer erst nach Sichtung der Ergebnisse entscheidet, welche Tests er berichtet, betreibt unbewusst selektive Berichterstattung.
- Messniveau falsch eingeschätzt: Likert-Skalen werden oft fälschlicherweise als metrisch behandelt, obwohl sie ordinal sind – das beeinflusst die Testauswahl.
- Fehlende Poweranalyse: Wer die Stichprobengröße nicht begründet, riskiert, dass seine Studie von vorneherein zu wenig Power hat, um einen Effekt zu finden.
- Voraussetzungen der Tests ignoriert: Viele parametrische Verfahren setzen Normalverteilung oder Varianzhomogenität voraus – wer das nicht prüft, riskiert fehlerhafte Schlussfolgerungen.
- Plan zu vage: Formulierungen wie „es wird eine Regression gerechnet“ reichen nicht. Welche Art von Regression? Mit welchen Prädiktoren? In welcher Reihenfolge werden Variablen aufgenommen?
- Änderungen am Plan nicht dokumentiert: Ein Analyseplan darf angepasst werden – aber nur, wenn Änderungen nachvollziehbar festgehalten werden.
Wann ist methodische Unterstützung sinnvoll?
Das klingt zunächst nach viel Aufwand – und das ist es auch, wenn man das erste Mal eine empirische Forschungsarbeit plant. Gerade bei komplexeren Designs, etwa wenn Sie mit Mediations- oder Moderationsmodellen arbeiten, mehrere Messzeitpunkte berücksichtigen oder mit kleinen Stichproben umgehen müssen, zahlt sich eine frühe methodische Beratung aus.
Professionelle Unterstützung bei der statistischen Auswertung Ihrer Forschungsarbeit setzt idealerweise bereits in der Planungsphase an – nicht erst, wenn die Daten erhoben sind. Denn viele methodische Probleme lassen sich im Vorfeld lösen, während sie nach der Datenerhebung kaum noch korrigiert werden können.
Dabei geht es nicht darum, die Auswertung aus der Hand zu geben, sondern darum, methodische Entscheidungen fundiert zu treffen und Ihren Analyseplan so aufzustellen, dass er einer fachlichen Prüfung standhält. Auch der Blick auf die spezifischen Anforderungen Ihrer Hochschule lohnt sich – denn was methodisch bei einem Fachbereich als ausreichend gilt, kann in einem anderen als unvollständig bewertet werden. Wie sich diese Anforderungen je nach Kontext unterscheiden, beschreibt unser Beitrag zur statistischen Unterscheidung von Forschungsarbeit und Abschlussarbeit.
