Wie präsentiert man quantitative Ergebnisse?

Quantitative Ergebnisse überzeugend zu präsentieren bedeutet mehr als das Einfügen von SPSS-Ausgaben oder p-Werten in den Text. Entscheidend ist, dass Leserinnen und Leser Ihre Zahlen nachvollziehen, einordnen und auf Ihre Fragestellung beziehen können. Dieser Beitrag zeigt, welche Kennwerte Sie berichten müssen, wie Sie Tabellen und Grafiken sinnvoll einsetzen und welche Fehler Sie vermeiden sollten.

Grundprinzipien der Ergebnispräsentation

Der Ergebnisteil einer empirischen Arbeit folgt einem klaren Zweck: Er beantwortet Ihre Forschungsfragen und überprüft Ihre Hypothesen – nicht mehr, aber auch nicht weniger. Was die international anerkannten Reporting-Standards für quantitative Forschung dabei explizit fordern, ist Transparenz: Nicht nur die Testergebnisse selbst, sondern auch die Grundlage der Analyse – Stichprobe, Messinstrumente, statistische Verfahren und zentrale Annahmen – müssen nachvollziehbar dokumentiert werden.

Für Ihre Abschlussarbeit bedeutet das: Richten Sie die Ergebnisdarstellung konsequent an Ihren Hypothesen aus. Jede berichtete Zahl sollte einen Bezug zu einer Forschungsfrage haben. Ein ungeordnetes Durchreichen aller Softwareausgaben ist keine wissenschaftliche Ergebnispräsentation.

Drei Leitfragen helfen Ihnen dabei, die Ergebnispräsentation zu strukturieren:

• Was haben Sie gemessen? – Variablen, Skalen, Stichprobenbeschreibung
• Was haben die statistischen Verfahren ergeben? – Kennwerte, Teststatistiken, Signifikanzen
• Wie sicher sind diese Schätzungen? – Effektstärken, Konfidenzintervalle, Modellgüte

Deskriptive Statistik richtig berichten

Bevor Sie Hypothesen testen, beschreiben Sie Ihre Stichprobe und die zentralen Variablen. Deskriptive Statistiken geben dem Lesenden ein Gefühl für die Daten – und sind zugleich die Grundlage für die Einschätzung aller nachfolgenden Ergebnisse.

Welche Kennwerte gehören in die Stichprobenbeschreibung?

Für metrische Variablen berichten Sie standardmäßig:

• Mittelwert (M) und Standardabweichung (SD)
• Minimum und Maximum sowie ggf. den Median bei schiefen Verteilungen
• Stichprobengröße (n) – insbesondere bei gruppenweisen Analysen

Für kategoriale Variablen (z. B. Geschlecht, Bildungsabschluss) berichten Sie absolute und relative Häufigkeiten. Ein Satz wie „n = 142 (58,2 %) der Befragten waren weiblich“ ist prägnanter als eine Tabelle – sofern nur wenige Kategorien vorliegen.

Im Fließtext wird diese Angabe üblicherweise so eingebettet: „Die Zufriedenheit lag im Mittel bei M = 3,74 (SD = 0,91).“ Achten Sie dabei auf einheitliche Dezimalstellen – in deutschsprachigen Arbeiten üblicherweise zwei Nachkommastellen für Mittelwerte und Standardabweichungen.

Normalverteilungsannahme und Voraussetzungsprüfung

Viele inferenzstatistische Verfahren setzen eine annähernde Normalverteilung voraus. Berichten Sie die Ergebnisse Ihrer Voraussetzungsprüfung (z. B. Shapiro-Wilk-Test, Histogramm, Q-Q-Plot) kurz vor dem jeweiligen Hauptergebnis – nicht im Methodenteil, nicht im Anhang, sondern dort, wo der Leser sie braucht.

Inferenzstatistische Kennwerte vollständig angeben

Der häufigste Fehler in studentischen Arbeiten: Es wird nur der p-Wert berichtet. Das genügt modernen Reporting-Standards nicht. Vollständige Ergebnisberichte enthalten immer auch die Teststatistik, Freiheitsgrade, Effektstärke und – idealerweise – ein Konfidenzintervall.

Dieser eine Satz enthält alle wesentlichen Informationen: die Teststatistik (t), die Freiheitsgrade, den p-Wert, Cohens d als Effektstärke und das Konfidenzintervall. Das ist kompakt und vollständig.

Warum Effektstärken unverzichtbar sind

Ein statistisch signifikantes Ergebnis sagt nichts darüber aus, ob es auch praktisch bedeutsam ist. Bei großen Stichproben können selbst triviale Unterschiede signifikant werden. Die Effektstärke – etwa Cohens d, Eta-Quadrat () oder r – beantwortet die eigentlich interessante Frage: Wie groß ist der Effekt?

Konfidenzintervalle als Maß für Unsicherheit

Konfidenzintervalle zeigen, in welchem Bereich der wahre Populationsparameter mit 95-prozentiger Sicherheit liegt. Gute Reporting-Guidelines – darunter auch die SAMPL-Guidelines für statistische Ergebnisberichte – empfehlen ausdrücklich, 95%-Konfidenzintervalle neben dem p-Wert und dem Korrelationskoeffizienten zu berichten. Das gilt für Korrelationen ebenso wie für Gruppenvergleiche und Regressionskoeffizienten.

Berichten Sie Konfidenzintervalle im Text als: 95%-KI [untere Grenze; obere Grenze] – also z. B.: 95%-KI [0,12; 0,58].

Tabellen und Grafiken gezielt einsetzen

Tabellen und Grafiken sind keine Dekoration – sie übernehmen Informationen, die im Fließtext zu unübersichtlich wären. Entscheidend ist, dass jede Tabelle und jede Abbildung im Text erwähnt und inhaltlich kommentiert wird. Eine Tabelle, auf die nicht verwiesen wird, hat keinen Platz im Ergebnisteil.

Wann eine Tabelle sinnvoll ist

Tabellen eignen sich, wenn Sie mehrere Variablen oder Gruppen gleichzeitig vergleichen. Typische Anwendungsfälle:

• Deskriptive Statistiken für alle Messvariablen im Überblick (Mittelwerte, SD, n)
• Korrelationsmatrizen bei mehreren Variablen
• Regressionstabellen mit Koeffizienten, Standardfehlern, p-Werten und Konfidenzintervallen
• Häufigkeitstabellen für kategoriale Variablen

Jede Tabelle erhält eine Nummerierung (Tabelle 1, Tabelle 2 …) und einen beschreibenden Titel oberhalb der Tabelle. Anmerkungen zur Tabelle – etwa zur Signifikanzmarkierung – stehen unterhalb.

Wann eine Grafik sinnvoll ist

Abbildungen veranschaulichen Verteilungen, Verläufe oder Zusammenhänge besser als Zahlen. Bewährte Darstellungsformen:

• Balken- und Säulendiagramme für Gruppenvergleiche (mit Fehlerbalken für SD oder KI)
• Boxplots für die Verteilung metrischer Variablen – besonders bei Ausreißern aussagekräftig
• Streudiagramme (Scatterplots) für Korrelationen zwischen zwei metrischen Variablen
• Liniendiagramme für Zeitverläufe oder Interaktionseffekte in der ANOVA

Verfahrensspezifische Besonderheiten

Je nach eingesetztem statistischen Verfahren gelten unterschiedliche Berichtsnormen. Hier die wichtigsten Verfahren im Überblick:

Korrelationsanalyse

Für Korrelationen berichten Sie: Korrelationskoeffizient (r), Stichprobengröße (n), p-Wert und 95%-Konfidenzintervall. Die SAMPL-Guidelines empfehlen zusätzlich, den verwendeten Koeffiziententyp zu benennen (Pearson, Spearman) und die Erfüllung der Analyseannahmen zu bestätigen. Als ergänzende Visualisierung eignet sich ein Streudiagramm mit Regressionsgerade.

Beispielformulierung: „Es zeigte sich ein signifikant positiver Zusammenhang zwischen Lernzeit und Prüfungsergebnis, r(183) = .42, p < .001, 95%-KI [.29; .53].“

t-Test und Varianzanalyse (ANOVA)

Beim t-Test berichten Sie t, Freiheitsgrade, p-Wert und Cohens d. Bei der ANOVA kommen hinzu: F-Wert, Zähler- und Nennerfreiheitsgrade, p-Wert, Eta-Quadrat sowie – bei signifikanten Haupteffekten – die Ergebnisse der Post-hoc-Tests. Für gängige quantitative Analysemethoden gilt generell: Freiheitsgrade werden immer in runden Klammern hinter der Teststatistik angegeben.

Regressionsanalyse

Regressionstabellen gehören zu den informationsdichtesten Darstellungsformen in einer quantitativen Arbeit. Sie sollten enthalten:

• Regressionskoeffizienten (b unstandardisiert, β standardisiert)
• Standardfehler (SE)
• t-Werte und p-Werte je Prädiktor
• Konfidenzintervalle für jeden Koeffizienten
• Modellgüte: R², korrigiertes R², F-Wert des Gesamtmodells

Geben Sie bei der multiplen Regression außerdem an, wie Ausreißer und fehlende Werte behandelt wurden – das fordern sowohl die SAMPL-Guidelines als auch die APA-Standards ausdrücklich.

Beobachtungsstudien: Schätzungen und Konfidenzintervalle

Für beobachtende Studien – etwa Querschnittsbefragungen oder Längsschnittstudien ohne Intervention – sind die Anforderungen an die Ergebnisdarstellung besonders hoch. Anerkannte Reporting-Empfehlungen für Beobachtungsstudien verlangen, dass unadjustierte und adjustierte Schätzungen jeweils mit Präzisionsmaßen (95%-KI) berichtet werden. Werden kontinuierliche Variablen kategorisiert, müssen die Kategoriegrenzen transparent angegeben werden, weil sie die Interpretation der Ergebnisse erheblich beeinflussen können.

Häufige Fehler bei der Ergebnisdarstellung

In der Praxis zeigen sich immer wieder dieselben Schwachstellen – besonders in Bachelor- und Masterarbeiten. Die häufigsten:

• Nur p-Werte berichten: Ohne Effektstärke und Konfidenzintervall bleibt das Ergebnis unvollständig und schlecht interpretierbar.
• Ergebnisse interpretieren statt berichten: Der Ergebnisteil beschreibt, was die Daten zeigen – die Einordnung gehört in die Diskussion.
• Software-Output 1:1 einfügen: Rohe SPSS- oder R-Ausgaben sind keine wissenschaftliche Ergebnispräsentation. Fassen Sie die relevanten Kennwerte im Fließtext und in eigenen Tabellen zusammen.
• Kein Bezug zur Hypothese: Jedes Testergebnis sollte explizit auf die zugehörige Hypothese bezogen werden – z. B. „Hypothese 2 konnte nicht bestätigt werden.“
• Inkonsistente Dezimalstellen: Wählen Sie eine Darstellungskonvention und halten Sie sie durch. Zwei Dezimalstellen sind in den meisten Fällen ausreichend und einheitlich.

Aufbau des Ergebnisteils in der Abschlussarbeit

Ein gut strukturierter Ergebnisteil folgt einer klaren Reihenfolge. Bewährt hat sich dieses Schema:

1. Stichprobenbeschreibung: Soziodemografische Merkmale, Rücklaufquoten, Ausschlüsse und Begründungen
2. Voraussetzungsprüfungen: Normalverteilung, Varianzhomogenität, Multikollinearität – je nach Verfahren
3. Deskriptive Statistiken: Mittelwerte, Standardabweichungen, Häufigkeiten für alle Hauptvariablen
4. Hypothesentests: Verfahrensweise und Ergebnisse für jede Hypothese in der Reihenfolge, in der sie formuliert wurden
5. Explorative Ergebnisse (falls vorhanden): Unerwartete Befunde, die nicht durch Hypothesen abgedeckt sind – klar als explorativ kennzeichnen

Dieser Aufbau gilt unabhängig davon, ob Sie eine Bachelorarbeit oder eine umfangreichere Masterarbeit verfassen. Der Unterschied liegt in der Komplexität der Verfahren, nicht in der Berichtslogik.

Wenn Sie unsicher sind, welche Kennwerte Ihr spezifisches Verfahren erfordert, oder wenn Sie die Auswertung und Ergebnisdarstellung kompetent begleitet haben möchten, bietet die methodische Unterstützung bei der statistischen Auswertung genau das: von der Voraussetzungsprüfung über die Analyse bis zur verständlichen Darstellung der Ergebnisse in Text, Tabellen und Grafiken.

Wer tiefer einsteigen möchte, findet in unserem Beitrag zu quantitativen Ergebnissen eine konzeptionelle Einordnung – und unter wie man quantitative Ergebnisse erhält eine Übersicht über den methodischen Weg dahin.