Welche quantitativen Forschungsdesigns gibt es?

Quantitative Forschungsdesigns im Überblick

Quantitative Forschungsdesigns nutzen numerische Datenerhebung und statistische Analyse, um Forschungsfragen systematisch zu beantworten oder Hypothesen zu prüfen. Die Wahl des richtigen Designs ist keine Formalität – sie entscheidet darüber, welche Aussagen Sie am Ende Ihrer Studie treffen dürfen.

Die grundlegende Unterscheidung, auf die sich die Methodenliteratur immer wieder stützt, lautet: deskriptiv oder analytisch? Deskriptive Designs beschreiben eine Population oder ein Phänomen. Analytische Designs versuchen, Zusammenhänge zwischen Faktoren zu quantifizieren. Innerhalb analytischer Designs kommt eine zweite Weichenstellung hinzu: Haben Sie aktiv in das Geschehen eingegriffen (experimentell) oder lediglich beobachtet (Beobachtungsstudie)?

Diese Entscheidungslogik – Ziel der Studie, Vorhandensein einer Intervention und Zeitpunkt der Outcome-Messung – führt zu den vier meistgenutzten quantitativen Designs: randomisierter kontrollierter Studie (RCT), Kohortenstudie, Querschnittsstudie und Fall-Kontroll-Studie. Hinzu kommen weitere Designs wie Längsschnitt- und Zeitreihenstudien.

Deskriptive (nicht-experimentelle) Designs

Deskriptive Designs beschreiben einen Zustand, eine Verteilung oder ein Muster – ohne den Anspruch, Ursache-Wirkungs-Beziehungen nachzuweisen. Sie sind oft der sinnvolle Einstieg in ein Forschungsfeld und bilden die empirische Grundlage für spätere analytische Studien.

Querschnittsstudie

Bei der Querschnittsstudie (Cross-Sectional Study) werden Exposition und Outcome zum gleichen Zeitpunkt erfasst. Das macht sie zur Methode der Wahl, wenn Sie Prävalenzen oder Momentaufnahmen beschreiben wollen – also die Frage: „Wie ist es gerade?“

Ein klassisches Beispiel aus der Sozialforschung: Eine Befragung zum Wohlbefinden von Studierenden im Wintersemester. Sie erhebt einmalig alle relevanten Variablen und wertet sie gemeinsam aus. Das ist pragmatisch, schnell umsetzbar und für viele Abschlussarbeiten ideal – allerdings erlaubt dieses Design nur eingeschränkt kausale Schlussfolgerungen, da die zeitliche Reihenfolge von Ursache und Wirkung unklar bleibt.

Längsschnittstudie

Bei Längsschnittstudien werden dieselben Merkmalsträger zu mehreren Zeitpunkten untersucht. Das ermöglicht Aussagen über Veränderungen über die Zeit und stärkt die Grundlage für kausale Interpretationen gegenüber dem Querschnittsdesign erheblich.

Längsschnittdaten sind in der Abschlussarbeit selten selbst zu erheben – häufig werden vorhandene Paneldatensätze wie das SOEP (Sozio-oekonomisches Panel) genutzt.

Fallbericht und Fallserie

Fallberichte und Fallserien beschreiben einzelne Fälle oder eine Gruppe ähnlicher Fälle detailliert. Sie dienen der Hypothesengenerierung, nicht der Hypothesenprüfung, und stehen in der Evidenzhierarchie entsprechend weit unten. In der klinischen Forschung spielen sie dennoch eine wichtige Rolle, etwa bei der Erstbeschreibung seltener Phänomene.

Experimentelle Designs

Experimentelle Designs zeichnen sich dadurch aus, dass Forschende aktiv eine Intervention oder Bedingung zuweisen. Das ist die Voraussetzung, um kausale Schlussfolgerungen zu ziehen – also zu sagen: „A verursacht B“.

Randomisierter kontrollierter Versuch (RCT)

Der randomisierte kontrollierte Versuch (Randomized Controlled Trial, RCT) gilt als Goldstandard experimenteller Forschung. Teilnehmende werden zufällig einer Interventions- oder Kontrollgruppe zugewiesen. Die Randomisierung ist entscheidend: Sie sorgt dafür, dass bekannte und unbekannte Störvariablen gleichmäßig auf beide Gruppen verteilt sind und die interne Validität maximiert wird.

In der Psychologie, Pädagogik und Medizin sind RCTs der methodische Maßstab, wenn es darum geht, die Wirksamkeit einer Intervention zu prüfen. In vielen Abschlussarbeiten sind echte RCTs jedoch aus ethischen oder organisatorischen Gründen nicht realisierbar.

Quasi-experimentelle Designs

Wenn eine zufällige Zuweisung nicht möglich ist, kommen quasi-experimentelle Designs zum Einsatz. Die Interventions- und Kontrollgruppe werden nicht randomisiert gebildet – etwa weil bestehende Gruppen (Schulklassen, Abteilungen) verglichen werden. Die interne Validität ist geringer als beim RCT, das Design ist aber deutlich praktikabler für die Realwelt.

Typische Varianten sind das Prä-Post-Design (Messung vor und nach der Intervention) und das Kontrollgruppendesign ohne Randomisierung.

Analytische Beobachtungsdesigns

Bei Beobachtungsdesigns greifen Forschende nicht in das Geschehen ein – sie messen Expositionen und Outcomes, wie sie in der Realität auftreten. Das senkt die Kontrolle über Störvariablen, ist aber in vielen Fällen ethisch geboten oder schlicht die einzige Möglichkeit.

Kohortenstudie

In einer Kohortenstudie wird eine Gruppe von Personen über die Zeit beobachtet – von der Exposition zum Outcome. Weil die zeitliche Reihenfolge bekannt ist (erst Exposition, dann Outcome), eignet sich dieses Design besonders gut, um Inzidenz, Ursachen und Prognosen zu untersuchen.

Kohortenstudien können prospektiv (in die Zukunft gerichtet) oder retrospektiv (auf vorhandene Daten zurückblickend) angelegt sein. Sie sind aufwendig, liefern aber robustere Evidenz als Querschnittsstudien.

Fall-Kontroll-Studie

Bei der Fall-Kontroll-Studie werden Personen mit einem bestimmten Outcome (Fälle) mit Personen ohne dieses Outcome (Kontrollen) verglichen, und anschließend wird rückblickend nach früheren Expositionen gefragt. Dieses Design ist besonders effizient bei seltenen Erkrankungen oder Outcomes, bei denen eine Kohorte zu groß und zu teuer wäre.

Der Nachteil: Fall-Kontroll-Studien sind anfällig für Recall-Bias (unterschiedliche Erinnerungsverzerrungen in Fällen und Kontrollen) und Selektionsbias. Die Designwahl hängt also stark davon ab, ob Sie Prävalenz, Risiko, Prognose oder seltene Ereignisse untersuchen wollen.

Evidenzhierarchie und Validität

Nicht alle quantitativen Designs sind gleich stark. In der Forschungsmethodologie werden Designs in einer Evidenzhierarchie verortet: Je mehr Kontrolle über Störvariablen ein Design bietet und je stärker es kausale Schlussfolgerungen erlaubt, desto höher steht es in der Hierarchie.

An der Spitze stehen systematische Reviews und Meta-Analysen, gefolgt von RCTs. Darunter folgen quasi-experimentelle Studien, Kohortenstudien, Fall-Kontroll-Studien und schließlich deskriptive Querschnittsstudien. Deskriptive Designs wie Querschnittsstudien nehmen dabei niedrigere Ebenen ein, während stärker kontrollierte experimentelle Designs wie RCTs höher bewertet werden.

Interne und externe Validität

Zwei Kriterien sind für die Bewertung eines Designs entscheidend:

• Interne Validität: Wie glaubwürdig ist die kausale Schlussfolgerung? Wurden Störvariablen ausreichend kontrolliert?
• Externe Validität: Wie gut lassen sich die Befunde auf andere Personen, Orte oder Zeitpunkte übertragen?

Es gibt hier oft ein Spannungsverhältnis: Hochkontrollierte Laborexperimente haben hohe interne, aber häufig niedrige externe Validität. Feldbefragungen mit großen Stichproben haben oft hohe externe, aber geringere interne Validität. Die Qualität quantitativer Befunde wird letztlich über beide Dimensionen beurteilt.

Welches Design passt zu welcher Forschungsfrage?

Die Wahl des Designs folgt immer aus der Forschungsfrage – nicht umgekehrt. Eine gut formulierte Forschungsfrage gibt bereits vor, welches Design in Frage kommt. Wer diese Reihenfolge umdreht, riskiert methodische Inkonsistenz.

Als grobe Orientierung gilt:

• „Wie häufig ist X in der Population?“ → Querschnittsstudie
• „Verändert sich X über die Zeit?“ → Längsschnittstudie oder Kohortenstudie
• „Wirkt Intervention A besser als B?“ → RCT oder Quasi-Experiment
• „Welche Faktoren hängen mit einem seltenen Outcome zusammen?“ → Fall-Kontroll-Studie
• „Wie hängen X und Y in einer Population zusammen?“ → Querschnittstudie mit Korrelations- oder Regressionsanalyse

Dabei spielt neben der Forschungsfrage auch die Praktikabilität eine Rolle: Zeit, Ressourcen und ethische Vorgaben schränken ein, welche Designs realisierbar sind. Wie Sie auf Basis dieser Faktoren systematisch zu einer Designentscheidung gelangen, beschreibt der Beitrag Wie entscheidet man über das Forschungsdesign?.

Eine gut strukturierte Forschungsfrage ist die Voraussetzung für diese Entscheidung. Falls Sie dabei noch unsicher sind, gibt der Beitrag Wie kann ich meine Forschungsfrage formulieren? eine praxisnahe Anleitung.

Quantitative Designs in der Abschlussarbeit

Für empirische Abschlussarbeiten in Psychologie, Wirtschaftswissenschaften, Sozialwissenschaften und Medizin dominiert de facto die Querschnittsstudie mit standardisiertem Fragebogen. Sie ist in einem begrenzten Zeitrahmen realisierbar, erlaubt statistische Auswertungen auf Zusammenhangs- und Unterschiedshypothesen und erfüllt die methodischen Anforderungen der meisten Hochschulen.

Das schließt nicht aus, dass anspruchsvollere Designs möglich sind. Wer eine experimentelle Fragestellung verfolgt, kann auch in der Bachelorarbeit ein einfaches Labor- oder Online-Experiment umsetzen. Entscheidend ist, dass das gewählte Design zur Forschungsfrage passt und in der Arbeit methodisch sauber begründet wird.

Eine systematische Entscheidungslogik hilft dabei: Ziel der Studie, Randomisierung und Zeitpunkt der Outcome-Messung sind die drei zentralen Fragen, die zur richtigen Designwahl führen. Wer diese drei Punkte klar beantworten kann, hat bereits die wichtigste methodische Entscheidung in seiner Abschlussarbeit getroffen.

Konkrete Beispiele, wie verschiedene Designs in Abschlussarbeiten umgesetzt wurden, finden Sie im Beitrag Welche Beispiele gibt es für Forschungsdesigns?. Wenn Sie Ihr Design nicht nur wählen, sondern auch korrekt im Methodenteil beschreiben möchten, gibt der Beitrag Wie formuliert man das Forschungsdesign? konkrete Formulierungshilfen.

Wer sich zusätzlich fragt, welche Designs jenseits des quantitativen Paradigmas existieren – etwa Grounded Theory, Ethnografie oder phänomenologische Ansätze – findet eine Übersicht im Beitrag zu den qualitativen Forschungsdesigns. Gerade für Mixed-Methods-Arbeiten lohnt sich dieser Blick über den Tellerrand.

Bei komplexeren Studienplanungen – etwa wenn Poweranalyse, Stichprobenplanung und Designentscheidung aufeinander abgestimmt werden müssen – bietet die methodische Begleitung durch erfahrene Statistikerinnen und Statistiker eine solide Unterstützung, damit das Design von Anfang an trägt.