In welcher Reihenfolge wertet man Daten aus?

Die Auswertungsreihenfolge im Überblick

Die Reihenfolge der Datenauswertung folgt einer klaren Logik: zuerst klären, dann prüfen, dann rechnen, dann interpretieren. Wer diese Abfolge kennt, vermeidet die häufigsten Fehler – etwa Hypothesentests zu rechnen, bevor die Daten überhaupt bereinigt wurden.

Als grobe Orientierung hat sich im wissenschaftlichen Kontext eine siebenstufige Abfolge bewährt:

1. Forschungsfrage und Hypothesen klären
2. Daten sichten und verstehen
3. Daten aufbereiten und bereinigen
4. Statistische Voraussetzungen prüfen
5. Deskriptive Statistik berechnen
6. Inferenzstatistische Tests durchführen
7. Ergebnisse interpretieren und berichten

Diese Struktur orientiert sich am etablierten CRISP-DM-Prozessmodell, das den gesamten Analyseprozess von der Zielklärung bis zur Bewertung der Ergebnisse in sechs iterativen Phasen beschreibt. Für empirische Abschlussarbeiten lässt es sich direkt auf den wissenschaftlichen Kontext übertragen.

Schritt 1: Forschungsfrage und Hypothesen klären

Bevor Sie auch nur eine Zeile in SPSS oder R öffnen, sollte vollständig klar sein, was Sie eigentlich herausfinden wollen. Das klingt selbstverständlich, wird in der Praxis aber oft übersprungen.

Konkret bedeutet das:

• Welche Hypothesen sollen geprüft werden – gerichtet oder ungerichtet?
• Welche Variablen sind abhängig, welche unabhängig?
• Welches Skalenniveau haben die Variablen (nominal, ordinal, metrisch)?
• Welche statistischen Verfahren sind für diese Kombination geeignet?

Wer diese Fragen vorab beantwortet, hat später beim Auswählen des passenden statistischen Verfahrens erheblich weniger Aufwand. Zudem erleichtert eine saubere Hypothesenformulierung die spätere Interpretation der Ergebnisse erheblich.

Schritt 2: Daten sichten und verstehen

Im zweiten Schritt geht es darum, sich einen ersten Überblick über die vorliegenden Daten zu verschaffen – noch ohne zu rechnen oder zu interpretieren.

Was Sie in dieser Phase prüfen

• Vollständigkeit: Wie viele Fälle liegen vor? Entspricht das der erwarteten Stichprobengröße?
• Fehlende Werte: Bei welchen Variablen fehlen Angaben und wie viele?
• Kodierung: Sind alle Variablen korrekt kodiert und beschriftet?
• Plausibilität: Gibt es offensichtlich falsche oder unmögliche Werte (z.B. ein Alter von 200 Jahren)?
• Datenstruktur: Sind die Daten im richtigen Format für die geplante Analyse?

Diese Phase entspricht dem, was in der Forschungsliteratur als explorative Datensichtung bezeichnet wird. In einem wissenschaftlich fundierten Analyse-Workflow gilt die explorative Phase als eigenständiger Schritt, in dem Rohdaten auf Muster, Datenprobleme und mögliche Fragestellungen hin untersucht werden, bevor Entscheidungen über die endgültige Analysestrategie getroffen werden.

Schritt 3: Daten aufbereiten und bereinigen

Dieser Schritt wird von Studierenden häufig unterschätzt – dabei ist er oft der zeitaufwendigste der gesamten Auswertung. Rohdaten sind selten sofort auswertbar.

Typische Aufgaben der Datenaufbereitung

• Ausreißer identifizieren und dokumentiert entscheiden (behalten, ersetzen oder ausschließen)
• Fehlende Werte behandeln (listenweiser Ausschluss, paarweiser Ausschluss oder Imputation)
• Variablen rekodieren (z.B. invertierte Items bei Skalen umkehren)
• Skalenscores berechnen (z.B. Mittelwert über mehrere Likert-Items)
• Neue Variablen berechnen oder kategorisieren
• Datensatz filtern (z.B. Ausschluss von Personen mit auffälligem Antwortverhalten)

Jede dieser Entscheidungen sollte dokumentiert und begründet werden – idealerweise bereits im Methodik-Teil Ihrer Arbeit. Das ist nicht nur gute wissenschaftliche Praxis, sondern auch eine formale Anforderung vieler Prüfungsordnungen.

Schritt 4: Voraussetzungen prüfen

Bevor Sie inferenzstatistische Tests durchführen, müssen die statistischen Voraussetzungen der jeweiligen Verfahren geprüft werden. Jeder parametrische Test setzt bestimmte Eigenschaften der Daten voraus – wenn diese nicht erfüllt sind, sind die Testergebnisse möglicherweise nicht valide.

Die wichtigsten Voraussetzungen im Überblick

Eine ausführliche Übersicht dazu, welche Voraussetzungen für welches Verfahren gelten, bietet unser Beitrag zu den Voraussetzungen, die vor der Auswertung geprüft werden müssen. Wenn Sie unsicher sind, ob parametrische oder nichtparametrische Tests für Ihre Daten geeignet sind, hilft der Artikel zum Unterschied zwischen parametrischen und nichtparametrischen Tests weiter.

Schritt 5: Deskriptive Statistik

Erst wenn die Daten bereinigt und die Voraussetzungen geprüft sind, beginnt die eigentliche Berechnung – und zwar immer mit der deskriptiven Statistik. Deskriptive Kennwerte beschreiben Ihre Stichprobe und geben einen ersten Überblick über die Verteilung der Daten.

Typische deskriptive Kennwerte

• Lagemaße: Mittelwert, Median, Modalwert
• Streuungsmaße: Standardabweichung, Varianz, Spannweite, Interquartilsabstand
• Häufigkeitsverteilungen: Absolute und relative Häufigkeiten, Histogramme
• Stichprobenbeschreibung: Alter, Geschlecht, andere demografische Merkmale

Diese Angaben gehören zwingend in den Ergebnisteil Ihrer Arbeit. Sie ermöglichen es den Lesenden, die Stichprobe einzuschätzen und die späteren inferenzstatistischen Ergebnisse besser einzuordnen. Was genau in eine vollständige Auswertung gehört, lesen Sie in unserem Beitrag Was muss in eine Auswertung rein?

Schritt 6: Inferenzstatistische Tests durchführen

Erst jetzt – nach Datensichtung, Aufbereitung, Voraussetzungsprüfung und deskriptiver Beschreibung – werden die eigentlichen Hypothesentests gerechnet. Die Wahl des richtigen Verfahrens hängt dabei von mehreren Faktoren ab:

• Art der Forschungsfrage (Unterschied, Zusammenhang, Vorhersage?)
• Skalenniveau der Variablen
• Anzahl der Gruppen oder Messzeitpunkte
• Erfüllung der Voraussetzungen parametrischer Tests

Einen strukturierten Überblick über die Verfahrenswahl bietet der Entscheidungsbaum für statistische Tests. Wer zwischen Korrelation und Regression abwägen muss, findet im Beitrag Wann verwendet man eine Korrelation und wann eine Regression? eine klare Orientierung.

Berichten Sie neben dem p-Wert grundsätzlich auch die Effektstärke (z.B. Cohens d, η², r). In der Fachliteratur wird empfohlen, Effektstärken zusammen mit Konfidenzintervallen und klaren Angaben zu den Einschränkungen der Methode zu berichten, um die Interpretierbarkeit und Transparenz der Ergebnisse sicherzustellen.

Schritt 7: Ergebnisse interpretieren und berichten

Im letzten Schritt werden die statistischen Ergebnisse in Bezug zur Forschungsfrage und den Hypothesen gesetzt. Das bedeutet: nicht nur berichten, was herausgekommen ist, sondern auch einordnen, was es bedeutet.

Was eine gute Ergebnisdarstellung enthält

• Teststatistik, Freiheitsgrade, p-Wert und Effektstärke für jeden Test
• Klare Aussage zur Hypothesenentscheidung (angenommen / abgelehnt)
• Einordnung der Effektgröße (klein, mittel, groß nach gängigen Konventionen)
• Diskussion möglicher Limitationen (fehlende Werte, Stichprobengröße, Verzerrungen)
• APA-konforme Formatierung der Kennwerte

Wie statistische Ergebnisse korrekt nach APA-Standard formatiert werden, erläutert unser Beitrag Wie stellt man statistische Ergebnisse APA-konform dar? Die Pflicht zur transparenten Kommunikation von Einschränkungen und Unsicherheiten ist dabei nicht nur eine formale Anforderung. Fachstandards sehen vor, dass bekannte Datenlimitationen, Annahmen und potenzielle Verzerrungen vor der abschließenden Interpretation systematisch offengelegt werden.

Die Reihenfolge ist nicht immer linear

In der Praxis verläuft die Datenauswertung selten streng linear von Schritt 1 bis Schritt 7. Häufig zeigt sich erst beim Voraussetzungscheck, dass bestimmte Variablen noch anders aufbereitet werden müssen. Oder die deskriptiven Ergebnisse legen eine andere Schwerpunktsetzung nahe als ursprünglich geplant.

Das ist völlig normal. Analyse-Workflows sind in der wissenschaftlichen Praxis iterativer Natur: Forschende wechseln zwischen explorativer Erkundung, methodischer Verfeinerung und abschließender Ergebniskommunikation mehrfach hin und her, bevor eine belastbare Auswertung vorliegt.

Wichtig ist dabei: Jede Abweichung vom ursprünglichen Plan sollte dokumentiert und begründet werden. Das gilt besonders dann, wenn Analysen nachträglich angepasst oder Tests mehrfach durchgeführt wurden – Stichwort p-Hacking.

Ein Auswertungsplan hilft

Wer vor Beginn der Auswertung einen strukturierten Auswertungsplan erstellt, behält auch in komplexen Projekten die Übersicht. Ein solcher Plan hält fest, welche Variablen mit welchen Methoden und in welcher Reihenfolge ausgewertet werden sollen – und dient später als Dokumentation für das methodische Vorgehen.

Für eine vollständige und professionelle statistische Auswertung empirischer Abschlussarbeiten empfiehlt es sich, die Reihenfolge bereits im Exposé oder Methodenkapitel grob zu skizzieren. Das erleichtert nicht nur die eigene Arbeit, sondern zeigt Betreuenden, dass das methodische Vorgehen durchdacht ist.