Wie sieht die statistische Auswertung der Ergebnisse aus?

Eine statistische Auswertung besteht nicht nur aus dem Drücken einiger Knöpfe in SPSS oder R – sie folgt einer klaren Struktur: Zuerst beschreiben Sie Ihre Daten, dann testen Sie Ihre Hypothesen, und schließlich ordnen Sie die Befunde inhaltlich ein. Dieser Beitrag zeigt Ihnen, wie dieser Prozess Schritt für Schritt aussieht und worauf es bei der Darstellung der Ergebnisse wirklich ankommt.

Der typische Aufbau einer statistischen Auswertung

Ob Bachelorarbeit, Masterarbeit oder Dissertation – eine statistische Auswertung folgt in empirischen Arbeiten im deutschsprachigen Raum einem weitgehend einheitlichen Muster. Dieses Muster orientiert sich an internationalen Berichtsstandards, die klar vorgeben, welche Informationen eine transparente und nachvollziehbare Ergebnisdarstellung enthalten muss.

Die gängigen Berichtsstandards verlangen, dass Ergebnisse nicht nur als Rohresultate, sondern mit interpretierbaren statistischen Kennwerten berichtet werden – also inklusive Effektstärken, Konfidenzintervallen und Signifikanzniveaus. Nur so kann eine Betreuungsperson oder eine Prüfungskommission die Befunde tatsächlich beurteilen.

Im Kern gliedert sich eine statistische Auswertung in vier Phasen:

• Deskriptive Statistik: Beschreibung der Stichprobe und der zentralen Variablen
• Inferenzstatistik: Durchführung von Hypothesentests oder statistischen Modellen
• Effektstärken und Unsicherheitsangaben: Quantifizierung der praktischen Bedeutung
• Interpretation: Einordnung der Befunde im Kontext der Forschungsfrage

Wie genau die statistische Auswertung für empirische Abschlussarbeiten im Einzelnen aussieht, hängt vom Studiendesign, den Hypothesen und den verwendeten Verfahren ab. Die grundlegende Struktur bleibt jedoch gleich.

Schritt 1: Deskriptive Statistik – Was Ihre Daten beschreiben

Jede Auswertung beginnt mit der Beschreibung der Daten. Diese Phase hat zwei Ziele: Sie informiert die Lesenden über die Stichprobe und gibt einen ersten Überblick über die Verteilungen der relevanten Variablen.

Stichprobenbeschreibung

Typische Angaben zur Stichprobe sind Größe (N), Altersverteilung (Mittelwert und Standardabweichung), Geschlechterverteilung (absolute und relative Häufigkeiten) sowie weitere soziodemografische Merkmale. Diese Informationen gehören entweder in eine Tabelle oder in einen kompakten Fließtextabsatz am Anfang des Ergebnisteils.

Kennwerte der zentralen Variablen

Für metrische Variablen berichten Sie in der Regel:

• Mittelwert (M) und Standardabweichung (SD)
• Minimum, Maximum und ggf. Median bei schiefen Verteilungen
• Stichprobengröße je Gruppe oder Variable

Für kategoriale Variablen genügen absolute und prozentuale Häufigkeiten. Die deskriptive Statistik ist kein Lückenfüller – sie legt die Grundlage für alles, was danach kommt.

Schritt 2: Inferenzstatistik – Hypothesen testen und Modelle berechnen

Nach der Beschreibung folgt die eigentliche Hypothesenprüfung. Hier kommen statistische Tests oder Modelle zum Einsatz – je nachdem, welche Art von Fragestellung Sie untersuchen. Welches Verfahren das richtige ist, lässt sich anhand eines systematischen Entscheidungsbaums für statistische Tests bestimmen.

Was muss berichtet werden?

Unabhängig vom gewählten Verfahren gehören folgende Angaben in den Ergebnisteil:

Regressionsmodelle: Besondere Anforderungen

Bei Regressionsanalysen steigen die Berichtspflichten. Für jede Prädiktorvariable sollen Regressionskoeffizienten und Beta-Gewichte zusammen mit Konfidenzintervallen und p-Werten in einer Tabelle angegeben werden. Zusätzlich muss ein Modellgütemaß wie R² berichtet werden, damit nicht nur einzelne Prädiktoren, sondern auch die Gesamtpassung des Modells beurteilt werden kann.

Wer ein Regressionsmodell entwickelt hat, sollte außerdem offenlegen, ob Kollinearität geprüft wurde und nach welchem Auswahlverfahren (z. B. schrittweise Aufnahme, blockweise Eingabe) das finale Modell entstanden ist. Das gilt auch für andere multivariate Verfahren.

Ein Überblick über alle gängigen Auswertungsverfahren und wann sie eingesetzt werden hilft dabei, das passende Vorgehen für die eigene Fragestellung zu wählen.

Schritt 3: Effektstärken und Konfidenzintervalle

Dieser Schritt wird in Abschlussarbeiten am häufigsten vernachlässigt – dabei ist er für die Interpretation mindestens genauso wichtig wie der p-Wert selbst.

Warum der p-Wert allein nicht reicht

Ein p-Wert unter 0,05 sagt nichts darüber aus, ob ein Effekt groß oder klein ist. Er zeigt lediglich an, wie unvereinbar die beobachteten Daten mit der Nullhypothese sind – unter der Annahme, dass das statistische Modell stimmt. Ein statistisch signifikantes Ergebnis kann praktisch bedeutungslos sein, während ein nicht-signifikantes Ergebnis bei kleiner Stichprobe einen substanziellen Effekt verbergen kann.

Fachgesellschaftliche Stellungnahmen betonen ausdrücklich, dass ein p-Wert weder die Wahrscheinlichkeit misst, dass eine Hypothese wahr ist, noch die Größe eines Effekts oder seine praktische Bedeutung. Signifikanztests müssen daher stets mit Effektstärken, Konfidenzintervallen und inhaltlichen Überlegungen zur Relevanz der Befunde kombiniert werden.

Gängige Effektstärkemaße

Je nach Verfahren werden unterschiedliche Effektstärkemaße eingesetzt. Die wichtigsten in empirischen Abschlussarbeiten sind:

• Cohens d für Mittelwertsvergleiche (t-Test): Werte von 0,2 / 0,5 / 0,8 gelten als klein / mittel / groß
• η² (Eta-Quadrat) für die ANOVA: Anteil der erklärten Varianz an der Gesamtvarianz
• Cramers V für Chi-Quadrat-Tests bei nominalen Variablen
• Pearsons r bei Korrelationen: gilt gleichzeitig als Effektstärkemaß
• R² in der Regressionsanalyse: gibt den Anteil der erklärten Varianz an

Konfidenzintervalle ergänzen Effektstärken um eine Aussage über die Präzision der Schätzung. Ein 95%-Konfidenzintervall, das die Null nicht einschließt, zeigt an, dass der Effekt statistisch von null verschieden ist – und die Breite des Intervalls informiert über die Unsicherheit der Schätzung.

Schritt 4: Ergebnisse korrekt darstellen

Wie statistische Ergebnisse im Text berichtet werden, folgt klaren Konventionen. In vielen Fächern – Psychologie, Sozialwissenschaften, Erziehungswissenschaft, Gesundheitsforschung – orientiert man sich dabei an den APA-Standards.

Ergebnisse im Fließtext

Typische Formulierungen für Fließtext-Berichte:

• t-Test: t(58) = 2.34, p = .022, d = 0.61
• ANOVA: F(2, 87) = 4.12, p = .019, η² = .09
• Korrelation: r(120) = .43, p < .001
• Chi-Quadrat: χ²(3, N = 150) = 8.76, p = .033, V = .24

Beachten Sie: Teststatistik, Freiheitsgrade, p-Wert und Effektstärke gehören stets zusammen. Wer nur den p-Wert berichtet, erfüllt die Mindestanforderungen nicht.

Tabellen und Abbildungen

Tabellen sind das Hauptinstrument zur kompakten Darstellung mehrerer Kennwerte. Für eine Regressionsanalyse mit mehreren Prädiktoren empfiehlt sich grundsätzlich eine Tabelle, in der Koeffizienten, Standardfehler, β-Gewichte, t-Werte, p-Werte und Konfidenzintervalle in Spalten angeordnet sind. Jede Tabelle braucht eine Nummer, einen Titel und ggf. eine Anmerkungszeile für Abkürzungen.

Abbildungen eignen sich besonders für Interaktionseffekte, Verteilungsdarstellungen oder Regressionsplots. Achten Sie auf Achsenbeschriftung, Legende und einheitliche Formatierung.

Typische Fehler bei der Ergebnisdarstellung

In der Praxis tauchen in Abschlussarbeiten immer wieder dieselben Schwachstellen auf. Kennen Sie diese, können Sie sie von vornherein vermeiden.

Weitere häufige Probleme:

• Fehlende Effektstärken: Viele Studierende berichten nur p-Werte ohne Maß für die Effektgröße
• Unklare Hypothesenzuordnung: Ergebnisse werden präsentiert, ohne dass deutlich wird, welche Hypothese damit geprüft wurde
• Keine Voraussetzungsprüfung: Es wird kein Wort darüber verloren, ob Normalverteilung oder Varianzhomogenität geprüft wurden – obwohl das bei parametrischen Tests erwartet wird
• Interpretation im Ergebnisteil: Der Ergebnisteil beschreibt, was die Analyse gezeigt hat. Die inhaltliche Einordnung gehört in die Diskussion
• Zu viele Dezimalstellen: p-Werte werden mit fünf Stellen berichtet, obwohl zwei reichen

Wer sich fragt, was eine vollständige Auswertung inhaltlich enthalten muss, findet im Beitrag Was muss in eine Auswertung rein? eine strukturierte Übersicht.

Wie sieht das konkret aus? Ein Beispiel aus der Praxis

Stellen Sie sich vor, Sie untersuchen in Ihrer Masterarbeit, ob eine Trainingsintervention das Stresserleben von Studierenden verringert. Sie haben zwei Gruppen (Interventions- und Kontrollgruppe) und messen das Stresserleben nach der Intervention mit einem validierten Fragebogen.

Deskriptive Phase

Zunächst berichten Sie die Stichprobengröße je Gruppe, Mittelwert und Standardabweichung des Stresswerts sowie die Alters- und Geschlechtsverteilung. Zum Beispiel: M_Intervention = 2.41 (SD = 0.78), M_Kontrolle = 3.07 (SD = 0.84).

Hypothesentest

Sie führen einen unabhängigen t-Test durch. Das Ergebnis lautet: t(98) = 4.02, p < .001. Damit ist die Nullhypothese auf dem 5%-Niveau zu verwerfen.

Effektstärke und Konfidenzintervall

Sie berechnen Cohens d = 0.81 – das entspricht einem großen Effekt nach der gängigen Konvention. Das 95%-Konfidenzintervall der Mittelwertsdifferenz liegt bei [0.34, 0.98], schließt die Null nicht ein und bestätigt damit das Testergebnis.

Interpretation

Im Ergebnisteil halten Sie fest: Die Interventionsgruppe wies nach der Trainingsmaßnahme signifikant niedrigere Stresswerte auf als die Kontrollgruppe. Die Interpretation der inhaltlichen Bedeutung – etwa ob dieser Effekt für die Praxis relevant ist und wie er sich in die Forschungsliteratur einordnet – folgt dann in der Diskussion.

So sieht eine vollständige, methodisch saubere Ergebnisdarstellung aus. Für eine ausführliche Anleitung zur Auswahl des passenden Analyseverfahrens lohnt sich der Beitrag Welches statistische Verfahren passt zu meiner Forschungsfrage?

Wer bei der Umsetzung unsicher ist oder die Auswertung auf einem soliden methodischen Fundament aufbauen möchte, findet beim Team von QuantExpert professionelle Unterstützung bei der statistischen Auswertung der Bachelorarbeit ebenso wie bei Masterarbeiten und Dissertationen.

Wenn Sie den Aufwand realistisch einschätzen möchten, finden Sie auf unserer Seite zu den Kosten einer statistischen Auswertung eine strukturierte Orientierung zu Preisen, Leistungsumfang und Einflussfaktoren.