Was ist ein quantitatives Ergebnis?

Definition: Was ist ein quantitatives Ergebnis?

Ein quantitatives Ergebnis ist ein numerisch ausgedrückter Befund, der auf der Messung und statistischen Analyse von Daten beruht. Es beschreibt, was in einer Studie oder Untersuchung in Zahlen gemessen und berechnet wurde – also keine bloße Einschätzung oder Interpretation, sondern eine überprüfbare Aussage über Daten.

Der entscheidende Unterschied zu einer qualitativen Aussage liegt in der Operationalisierung: Statt „die Gruppe hat besser abgeschnitten“ heißt es im quantitativen Ergebnis: M = 4,23 (SD = 0,87), t(98) = 2,45, p = .016. Diese Angaben erlauben es anderen Forschenden, den Befund nachzuvollziehen, zu replizieren und einzuordnen.

Welche Bestandteile gehören dazu?

Ein vollständig berichtetes quantitatives Ergebnis besteht nicht nur aus einem einzigen Wert. In der wissenschaftlichen Praxis wird erwartet, dass mehrere Kennzahlen gemeinsam berichtet werden, damit die Aussagekraft des Befundes beurteilt werden kann.

Die zentralen Kennwerte im Überblick

Welche Kennwerte konkret berichtet werden, hängt vom verwendeten statistischen Verfahren ab. Bei einem t-Test für unabhängige Stichproben gehören Mittelwerte, Standardabweichungen, t-Wert, Freiheitsgrade, p-Wert und Effektgröße zum Standard. Bei einer Regression treten Regressionskoeffizient, Standardfehler, Beta-Gewicht und R² hinzu.

Wichtig ist: Diese Kennwerte zusammen ergeben erst ein vollständiges quantitatives Ergebnis. In der wissenschaftlichen Berichterstattung wird erwartet, dass neben verbalen Aussagen stets exakte numerische Werte – inklusive Teststatistik, Freiheitsgraden und p-Wert – angegeben werden, damit Lesende die statistische Aussage selbstständig nachvollziehen können.

Warum der p-Wert allein nicht ausreicht

Ein weit verbreitetes Missverständnis in Abschlussarbeiten: Der p-Wert wird als das quantitative Ergebnis schlechthin behandelt. Das ist fachlich nicht korrekt.

Der p-Wert gibt lediglich an, wie wahrscheinlich ein Ergebnis ist, wenn die Nullhypothese stimmt. Er sagt nichts darüber aus, wie groß ein Effekt ist – und schon gar nicht, ob er in der Praxis relevant ist. Etablierte Leitlinien zur statistischen Ergebnisberichterstattung warnen ausdrücklich davor, sich ausschließlich auf Hypothesentests oder p-Werte zu stützen, da diese keine hinreichende Information über die Größe eines Effekts liefern.

Effektgröße als unverzichtbarer Bestandteil

Die Effektgröße macht ein quantitatives Ergebnis erst interpretierbar. Sie zeigt, ob ein statistisch signifikanter Unterschied auch praktisch bedeutsam ist. Für den Vergleich zweier Gruppen ist Cohens d die gängigste Kennzahl:

Als grobe Orientierung gilt: d = 0,2 entspricht einem kleinen Effekt, d = 0,5 einem mittleren und d = 0,8 einem großen Effekt. Ähnlich verhält es sich mit Hedges‘ g, das bei unterschiedlichen Stichprobengrößen bevorzugt wird: Dabei wird die Differenz zwischen Interventions- und Vergleichsgruppe durch die gepoolte Standardabweichung geteilt – und der berechnete Wert ist nur dann sinnvoll vergleichbar, wenn klar ist, auf welcher Ebene und mit welcher Einheit er berechnet wurde.

Quantitative Ergebnisse richtig berichten

Die Art, wie quantitative Ergebnisse im Text dargestellt werden, folgt in den meisten wissenschaftlichen Disziplinen festen Konventionen. In Psychologie, Bildungswissenschaften und Sozialwissenschaften ist das APA-Format der Standard.

Beispiel: t-Test im APA-Format

Ein korrekt berichtetes quantitatives Ergebnis für einen t-Test sieht im Fließtext so aus:

Die Experimentalgruppe erzielte signifikant höhere Werte (M = 4,51, SD = 0,76) als die Kontrollgruppe (M = 3,88, SD = 0,91), t(148) = 4,23, p < .001, d = 0,75.

Diese Darstellung enthält alle wesentlichen Bestandteile: Mittelwert und Standardabweichung beider Gruppen, die Teststatistik mit Freiheitsgraden, den p-Wert und die Effektgröße. Für p-Werte gilt dabei: Exakte Werte werden angegeben, sofern sie nicht unter .001 liegen – in diesem Fall wird p < .001 berichtet.

Konfidenzintervalle ergänzen

Immer häufiger wird erwartet, dass quantitative Ergebnisse um ein 95-%-Konfidenzintervall ergänzt werden. Das Konfidenzintervall zeigt den Bereich, in dem der wahre Populationsparameter mit 95-prozentiger Wahrscheinlichkeit liegt – und macht die Unsicherheit einer Schätzung transparent.

Wer seine Daten mit Unterstützung professionell aufbereiten möchte, findet in einer methodisch fundierten statistischen Auswertung die Grundlage dafür, dass alle Kennwerte vollständig, korrekt und in der für die jeweilige Hochschule passenden Form berichtet werden.

Abgrenzung: quantitativ vs. qualitativ

Quantitative Ergebnisse stehen im direkten Gegensatz zu qualitativen Befunden. Während quantitative Ergebnisse auf Zahlen, Kennwerten und statistischen Tests basieren, arbeiten qualitative Auswertungen mit Texten, Kategorien und Interpretationen.

Beide Ansätze schließen sich nicht aus – in Mixed-Methods-Designs werden quantitative und qualitative Ergebnisse bewusst kombiniert, um ein vollständigeres Bild eines Forschungsgegenstands zu zeichnen. Mehr zum Unterschied zwischen qualitativer und quantitativer Analyse lesen Sie in einem gesonderten Beitrag.

Quantitative Ergebnisse in der Abschlussarbeit

Für Studierende, die eine Bachelorarbeit oder Masterarbeit mit empirischem Anteil schreiben, ist die korrekte Darstellung quantitativer Ergebnisse ein zentraler Qualitätsaspekt. Gutachtende prüfen nicht nur, ob die richtigen Tests verwendet wurden, sondern auch, ob die Ergebnisse vollständig und nachvollziehbar berichtet sind.

Was häufig fehlt

• Effektgrößen werden nicht berichtet – obwohl sie von den meisten Hochschulen erwartet werden
• Freiheitsgrade fehlen bei der Teststatistik
• p-Werte werden gerundet oder als „p = 0.000″ angegeben statt als „p < .001″
• Konfidenzintervalle werden weggelassen, obwohl das verwendete Verfahren sie nahelegt
• Mittelwerte werden berichtet, ohne die zugehörige Streuung zu nennen

Das klingt nach Details – in der Praxis sind es aber genau diese Lücken, die dazu führen, dass ein Ergebnis als unvollständig bewertet wird. Ein quantitatives Ergebnis ist eben mehr als ein p-Wert: Es ist eine vollständige, überprüfbare numerische Aussage, die Schätzwert, Unsicherheit und Testinformation vereint.

Welche Verfahren liefern quantitative Ergebnisse?

Die quantitativen Auswertungsmethoden reichen von deskriptiver Statistik (Mittelwerte, Häufigkeiten, Streuungsmaße) über Inferenzstatistik (t-Test, ANOVA, Chi-Quadrat-Test, Regression) bis hin zu multivariaten Verfahren wie Faktorenanalyse oder Strukturgleichungsmodellen. Welches Verfahren das richtige ist, hängt von Ihrem Forschungsdesign und der jeweiligen Phase im Forschungsprozess ab.

Für die statistische Auswertung einer Bachelorarbeit sind in der Regel deskriptive Kennwerte und ein bis zwei inferenzstatistische Tests ausreichend. Bei einer Masterarbeit oder Dissertation werden komplexere Verfahren und eine differenziertere Ergebnisdarstellung erwartet.

Wer unsicher ist, ob alle Kennwerte vollständig und korrekt berichtet sind, kann sich methodisch begleiten lassen. Die quantitative Auswertung umfasst dabei nicht nur die Berechnung, sondern auch die Aufbereitung und Darstellung der Ergebnisse in einem für die Abschlussarbeit geeigneten Format.