Was sind quantitative Werte?

Definition: Was quantitative Werte auszeichnet

Quantitative Werte sind numerische Messungen, die eine inhaltlich bedeutsame Menge, Häufigkeit oder Intensität ausdrücken. Sie entstehen dann, wenn ein Merkmal auf einer numerischen Skala mit einem definierten Maßstab erfasst wird – und arithmetische Operationen wie Mittelwertbildung oder Differenzberechnung auf ihnen sinnvoll interpretierbar sind.

Eine präzise Abgrenzung zeigt: quantitative Messungen liegen vor, wenn ein Merkmal auf einer numerischen Skala mit hoher Genauigkeit erfasst werden kann und dabei eine Maßeinheit – etwa Zentimeter, Dollar oder Jahre – eine inhaltliche Rolle spielt. Die bloße Darstellung als Zahl macht einen Wert also noch nicht quantitativ.

Typische Beispiele aus der Forschungspraxis:

• Körpergröße (in cm)
• Alter (in Jahren)
• Einkommen (in Euro)
• Reaktionszeit (in Millisekunden)
• Testergebnis (Punktzahl)
• Anzahl absolvierter Studiensemester

All diese Werte haben gemeinsam, dass ihre Differenz interpretierbar ist: Der Unterschied zwischen 20 und 25 Jahren Alter bedeutet dasselbe wie der Unterschied zwischen 40 und 45 Jahren. Das ist bei kategorischen Daten nicht der Fall.

Diskret vs. kontinuierlich – die wichtigste Unterscheidung

Innerhalb der quantitativen Werte gibt es eine grundlegende Unterteilung, die für die Wahl statistischer Verfahren direkt relevant ist: diskrete und kontinuierliche Daten.

Diskrete quantitative Werte

Diskrete Werte entstehen durch Zählen. Sie können nur ganzzahlige, abzählbare Ausprägungen annehmen – es gibt nichts zwischen zwei benachbarten Werten. Typische Beispiele sind die Anzahl der Studierenden in einer Seminargruppe oder die Zahl der Bücher in einem Regal – beides Größen, die sich nur in ganzen Einheiten verändern können.

Weitere Beispiele für diskrete quantitative Werte:

• Anzahl der richtigen Antworten in einem Test
• Anzahl der Arztbesuche im Jahr
• Zahl der Probanden in einer Stichprobe
• Anzahl der Fehlzeiten im Semester

Kontinuierliche quantitative Werte

Kontinuierliche Werte entstehen durch Messen. Theoretisch können sie jeden beliebigen Wert innerhalb eines Intervalls annehmen – die Feinheit der Messung hängt vom verwendeten Instrument ab. In der Praxis werden sie durch das Messinstrument gerundet, aber die zugrundeliegende Skala ist stufenlos.

Aus der medizinischen Forschung ist dieses Prinzip gut bekannt: Kontinuierliche Messwerte wie Körpergröße, Blutdruck oder Laborwerte sind theoretisch beliebig fein abstufbar und werden erst durch das Messinstrument auf bestimmte Nachkommastellen gerundet. Der Unterschied zum diskreten Wert liegt nicht in der Darstellung, sondern in der Struktur der zugrundeliegenden Dimension.

Quantitative Werte und Skalenniveau

Quantitative Werte entsprechen in der Messkunde den metrischen Skalen – also der Intervall- und der Verhältnisskala. Das Skalenniveau bestimmt, welche statistischen Operationen zulässig sind.

Intervallskala

Auf der Intervallskala sind die Abstände zwischen Werten gleich groß und interpretierbar, aber es gibt keinen absoluten Nullpunkt. Das bekannteste Beispiel ist die Temperatur in Grad Celsius: Der Unterschied zwischen 10 °C und 20 °C ist gleich groß wie zwischen 20 °C und 30 °C – aber „0 °C“ bedeutet nicht „keine Temperatur“.

Auf Intervallskalenniveau sind Mittelwert und Standardabweichung sinnvoll, Verhältnisse hingegen nicht: Man kann nicht sagen, dass 20 °C „doppelt so warm“ ist wie 10 °C.

Verhältnisskala

Die Verhältnisskala hat zusätzlich einen absoluten Nullpunkt. Hier sind Aussagen wie „doppelt so groß“ oder „halb so viel“ inhaltlich sinnvoll. Typische Beispiele: Körpergewicht, Einkommen, Reaktionszeit, Körpergröße. Die meisten physikalischen Messungen entsprechen diesem Skalenniveau.

Der Mittelwert ist nur dann eine sinnvolle Kennzahl, wenn die zugrundeliegenden Daten tatsächlich quantitative Werte auf Intervall- oder Verhältnisskala sind. Ihn auf ordinale oder nominale Daten anzuwenden, ist methodisch problematisch – auch wenn das in der Praxis häufig vorkommt.

Abgrenzung: Was keine quantitativen Werte sind

Nicht jede Zahl in einem Datensatz ist ein quantitativer Wert. Das klingt trivial, führt in der Praxis aber zu einem der häufigsten Fehler bei der Auswertung empirischer Daten.

Nominale Daten

Nominale Werte klassifizieren, aber messen keine Menge. Geschlecht, Nationalität oder Diagnosegruppe sind typische Beispiele. Auch wenn sie numerisch codiert werden (z. B. 1, 2, 3), bleibt die Zahl ein reines Label ohne metrische Bedeutung.

Ordinale Daten

Ordinale Werte bringen eine Rangfolge zum Ausdruck, aber die Abstände zwischen den Stufen sind nicht zwingend gleich groß. Schulnoten, Likert-Skalen oder Rangplätze in einem Wettbewerb sind ordinal. Ob Mittelwerte hier sinnvoll sind, ist in der Methodenliteratur umstritten – streng genommen sind sie es nicht.

Mehr zur Unterscheidung verschiedener Auswertungsansätze lesen Sie im Beitrag zur quantitativen und qualitativen Evaluation.

Wo die Grenze verläuft

Die entscheidende Frage lautet: Drückt die Zahl eine messbare Menge oder Intensität aus, und sind arithmetische Operationen auf ihr inhaltlich sinnvoll interpretierbar? Wenn ja, handelt es sich um einen quantitativen Wert. Wenn nein, sollte das statistische Verfahren entsprechend angepasst werden.

Warum die Unterscheidung für empirische Arbeiten entscheidend ist

Ob eine Variable quantitative Werte enthält oder nicht, beeinflusst jede methodische Entscheidung – von der deskriptiven Statistik bis zur Wahl des Signifikanztests. Die statistische Auswertung empirischer Abschlussarbeiten setzt voraus, dass Variablen korrekt eingestuft werden, bevor mit der Analyse begonnen wird.

Praktische Konsequenzen

• Deskriptive Statistik: Mittelwert und Standardabweichung sind nur für metrische Variablen aussagekräftig; bei ordinalen oder nominalen Variablen werden stattdessen Median, Häufigkeiten oder Modus verwendet.
• Inferenzstatistik: Tests wie der t-Test oder die ANOVA setzen metrisch skalierte, quantitative Variablen voraus. Bei kategorischen Daten kommen Chi-Quadrat-Tests oder nichtparametrische Verfahren zum Einsatz.
• Informationsverlust vermeiden: Kontinuierliche quantitative Werte sollten nicht unnötig in Kategorien umgewandelt werden. Die Einteilung eines genauen Alters in Altersgruppen (z. B. 18–25, 26–35) reduziert den Informationsgehalt und schränkt die Analysemöglichkeiten ein.
• Skalierung prüfen: Vor der Auswertung empfiehlt sich eine systematische Prüfung jeder Variable: Welches Skalenniveau liegt vor? Sind die Werte diskret oder kontinuierlich? Welche Kennzahlen und Tests sind damit zulässig?

Einen guten Überblick über die Bandbreite verfügbarer Methoden bietet der Beitrag zu quantitativen Analysemethoden. Wer sich fragt, wie aus diesen Werten konkrete Ergebnisse entstehen, findet im Artikel zu quantitativen Ergebnissen eine praxisnahe Erklärung.

Häufige Fragen in Abschlussarbeiten

In Bachelorarbeiten und Masterarbeiten begegnen folgende Situationen regelmäßig:

• Likert-Skalen: Technisch ordinal, in der Praxis häufig wie metrisch behandelt – die Entscheidung sollte methodisch begründet werden.
• Summenscores aus Fragebögen: Gelten nach dem Zentralen Grenzwertsatz oft näherungsweise als metrisch und werden entsprechend ausgewertet.
• Demographische Angaben: Alter in Jahren ist quantitativ; Altersgruppe ist ordinal. Geschlecht ist nominal – unabhängig davon, ob es als 1/2 codiert wurde.

Wenn Sie unsicher sind, wie Ihre Variablen korrekt einzustufen sind, oder wenn Sie Unterstützung bei der quantitativen Auswertung Ihrer Daten benötigen, stehen Ihnen die Fachleute bei QuantExpert zur Seite – von der Variablenklassifikation über die Methodenwahl bis zur vollständigen Ergebnisdarstellung.