Wie schreibt man eine Interpretation der Ergebnisse?

Was bedeutet Interpretation im wissenschaftlichen Kontext?

Eine Interpretation der Ergebnisse verbindet statistische Kennwerte mit inhaltlicher Bedeutung. Sie beantwortet nicht nur die Frage „Was zeigen die Daten?“, sondern auch „Was bedeutet das im Hinblick auf die Forschungsfrage?“.

Dabei ist eine klare Trennung wichtig: Der Ergebnisteil berichtet die Befunde sachlich und datengebunden. Die Interpretation – häufig im Diskussionsteil verortet – ordnet diese Befunde in den theoretischen Rahmen ein, bewertet ihre Bedeutung und benennt Limitationen. Viele Studierende vermischen beides, was in beiden Abschnitten zu Unklarheiten führt.

Wer lernen möchte, statistische Ergebnisse zu interpretieren und zu verschriftlichen, muss diese Unterscheidung von Anfang an verinnerlichen. Sie ist die Grundlage für einen wissenschaftlich überzeugenden Ergebnisabschnitt.

Aufbau und Struktur des Ergebnisteils

Ein gut strukturierter Ergebnisteil folgt einem klaren Muster. Er ist weder eine kommentarlose Zahlensammlung noch ein vorgezogener Diskussionsteil. Das Ziel ist, die Daten so aufzubereiten, dass die Leserin oder der Leser die Analysen nachvollziehen und die Befunde einordnen kann.

International anerkannte Reporting-Leitlinien wie die STROBE-Initiative für Beobachtungsstudien empfehlen eine Gliederung, die Teilnehmerfluss, deskriptive Daten, fehlende Werte und Outcome-Daten transparent macht – und bei den Hauptergebnissen sowohl unadjustierte als auch adjustierte Schätzwerte inklusive Präzisionsmaßen ausweist.

Bewährte Grundstruktur

• Stichprobenbeschreibung: Wer hat teilgenommen? Größen, Gruppenverteilungen, Ausfälle und fehlende Daten.
• Deskriptive Statistiken: Mittelwerte, Standardabweichungen, Häufigkeiten – je nach Skalenniveau.
• Inferenzstatistische Befunde: Testergebnisse je Hypothese, inklusive aller relevanten Kennwerte.
• Effektstärken: Angaben zur praktischen Bedeutsamkeit der gefundenen Unterschiede oder Zusammenhänge.
• Tabellen und Abbildungen: Zur übersichtlichen Darstellung mehrerer Ergebnisse.

Ergebnisse richtig schreiben: Schritt für Schritt

Ein häufiger Fehler ist der Versuch, gleich draufloszuschreiben. Sicherer ist ein systematisches Vorgehen, das jeden Test an eine Hypothese bindet.

Schritt 1: Hypothese restatieren

Beginnen Sie jeden Ergebnisabschnitt mit einer kurzen Wiederholung der geprüften Hypothese. So entsteht ein direkter Bezug zwischen dem statistischen Befund und der Fragestellung – und die Leserin oder der Leser verliert den roten Faden nicht.

Schritt 2: Deskriptive Statistiken voranstellen

Bevor inferenzstatistische Kennwerte berichtet werden, sollten Mittelwerte, Standardabweichungen und Gruppengrößen stehen. Das liefert den nötigen Kontext für die nachfolgende Teststatistik. Wer beispielsweise einen t-Test berichtet, ohne die Mittelwerte der verglichenen Gruppen zu nennen, lässt die Leserin im Dunkeln – selbst wenn der p-Wert signifikant ist.

Schritt 3: Testergebnis mit allen Kennwerten berichten

Ein vollständig berichtetes Testergebnis enthält: Teststatistik, Freiheitsgrade, p-Wert und Effektstärke. Die Empfehlung für den Ergebnisteil empirischer Abschlussarbeiten lautet: Zuerst Hypothese, dann Ergebnis der statistischen Prüfung, dann Kennwerte – und bei signifikanten Unterschieden explizit die Richtung des Effekts.

Schritt 4: Befund in einem Satz einordnen

Am Ende jedes Ergebnisabsatzes genügt ein kurzer, sachlicher Satz, der festhält, ob die Hypothese bestätigt oder abgelehnt wurde. Ausführliche inhaltliche Bewertungen gehören in den Diskussionsteil.

Was gehört in die Interpretation – und was nicht?

Diese Frage stellen sich viele Studierende zu Recht. Die Antwort hängt davon ab, ob Sie gerade den Ergebnisteil oder den Diskussionsteil schreiben.

Wichtig: Formulierungen wie „erwartungsgemäß“, „interessanterweise“ oder „dieses Ergebnis ist besonders bedeutsam“ gehören nicht in den Ergebnisteil. Statistische Ergebnisse sachlich zu beschreiben bedeutet, die Daten sprechen zu lassen – ohne vorweg zu bewerten.

Welche Kennwerte müssen berichtet werden?

Ein vollständiger Ergebnisbericht enthält mehr als nur den p-Wert. Die SAMPL-Leitlinien für statistische Berichterstattung fordern, Ergebnisse so detailliert zu berichten, dass eine sachkundige Person mit denselben Daten die Analyse nachvollziehen und überprüfen könnte. Das ist ein hoher Standard – und ein sinnvoller.

Pflichtangaben nach Verfahren

Je nach statistischem Verfahren gelten unterschiedliche Berichtspflichten. Hier die wichtigsten Kenngrößen im Überblick:

• t-Test: M und SD beider Gruppen, t-Wert, Freiheitsgrade, p-Wert, Cohens d
• ANOVA: Gruppengrößen, F-Wert, Freiheitsgrade, p-Wert, η² oder ω², Post-hoc-Tests
• Korrelation: r-Wert, Stichprobengröße, p-Wert, Konfidenzintervall
• Regression: β-Koeffizienten, Standardfehler, t-Werte, p-Werte, R², Modellgüte
• Chi-Quadrat-Test: χ²-Wert, Freiheitsgrade, p-Wert, Cramers V

Besonders bei Regressionsmodellen lohnt sich ein genauer Blick auf die Berichtspflichten: Neben den Koeffizienten sollten Zweck des Modells, verwendete Variablen, Prüfung der Modellannahmen und – falls nötig – Hinweise auf Ausreißer dokumentiert sein. Wer mehr zu einzelnen Verfahren erfahren möchte, findet in unserem Beitrag zu den Methoden zur Interpretation von Testergebnissen eine ausführliche Übersicht.

Effektstärken nicht vergessen

Ein p-Wert sagt nichts über die praktische Bedeutsamkeit eines Befundes aus. Ein statistisch signifikantes Ergebnis kann einen vernachlässigbar kleinen Effekt beschreiben – besonders bei großen Stichproben. Deshalb sollten Effektstärken standardmäßig berichtet werden. Statistische Ergebnisse korrekt zu interpretieren heißt auch, p-Wert und Effektstärke gemeinsam zu lesen.

Als Orientierung gilt: d = 0,2 ist ein kleiner Effekt, d = 0,5 ein mittlerer und d = 0,8 ein großer Effekt nach Cohen (1988). Für die Interpretation im Text reicht ein Satz wie: „Der Effekt ist nach Cohen (1988) als mittelgroß einzustufen (d = 0,54).“

Häufige Fehler bei der Ergebnisinterpretation

In der Praxis zeigen sich immer wieder dieselben Schwachstellen – unabhängig vom Fach oder der Hochschule.

Weitere typische Fehler

• Interpretation ohne Einbettung: Kennwerte werden genannt, ohne sie an die Hypothese zurückzubinden.
• Diskussion im Ergebnisteil: Spekulationen über Ursachen oder Vergleiche mit der Literatur gehören nicht in diesen Abschnitt.
• Fehlende deskriptive Statistiken: Testergebnisse ohne Mittelwerte und Streuungsmaße sind unvollständig.
• Rundungsfehler: Zu viele Nachkommastellen suggerieren eine Genauigkeit, die die Daten nicht hergeben. Zwei Dezimalstellen sind in den meisten Fällen ausreichend.
• Keine Angabe zur Richtung: Bei signifikanten Unterschieden muss klar sein, welche Gruppe höhere Werte aufweist.
• Fehlende Konfidenzintervalle: Gerade bei Regressionskoeffizienten und Korrelationen erwartet die Fachgemeinschaft zunehmend deren Angabe.

Formulierungsbeispiele für die Praxis

Abstrakte Regeln sind hilfreich – konkrete Satzvorlagen noch mehr. Die folgenden Beispiele orientieren sich an gängigen APA-Konventionen und lassen sich direkt für Ihre eigene Arbeit adaptieren.

t-Test

„Zur Prüfung der Hypothese, dass Gruppe A höhere Testwerte erzielt als Gruppe B, wurde ein unabhängiger t-Test durchgeführt. Die Ergebnisse zeigen einen signifikanten Unterschied zwischen Gruppe A (M = 74,3, SD = 8,2) und Gruppe B (M = 68,1, SD = 9,5), t(98) = 3,41, p = .001, d = 0,69. Die Hypothese wird damit bestätigt.“

ANOVA

„Die einfaktorielle ANOVA ergab einen signifikanten Haupteffekt der Bedingung auf die Leistung, F(2, 147) = 7,83, p < .001, η² = .10. Post-hoc-Vergleiche (Bonferroni-korrigiert) zeigten, dass sich Bedingung A und C signifikant voneinander unterschieden (p = .002).“

Korrelation

„Es bestand ein signifikanter positiver Zusammenhang zwischen Lernzeit und Prüfungsergebnis, r(148) = .42, p < .001, 95%-KI [.29, .53]. Dieser Befund stützt die Annahme eines linearen Zusammenhangs zwischen beiden Variablen.“

Wie Sie diese und ähnliche Befunde vollständig und sprachlich präzise formulieren, erläutert unser Beitrag zum Aufschreiben statistischer Ergebnisse im Detail. Wer zusätzlich verstehen möchte, wie einzelne Kennwerte wie die Streuung inhaltlich einzuordnen sind, findet in unserem Beitrag zur Interpretation der Standardabweichung eine anschauliche Erklärung.

Interpretation im Diskussionsteil

Sobald alle Ergebnisse berichtet sind, folgt im Diskussionsteil die eigentliche inhaltliche Deutung. Hier betten Sie Ihre Befunde in den Forschungsstand ein, benennen mögliche Erklärungen und diskutieren Grenzen Ihrer Studie – zum Beispiel Stichprobengröße, Messinstrumente oder Verzerrungsquellen. Wer Daten methodisch sauber interpretiert, zeigt dabei nicht nur Stärken, sondern geht auch ehrlich mit Schwächen um.

Gerade dieser letzte Schritt – die kritische Reflexion – ist es, der eine Abschlussarbeit oder Publikation wissenschaftlich überzeugend macht. Vollständige Transparenz über Vorgehen und Limitationen ist keine Schwäche, sondern Ausdruck methodischer Reife.