Wie beschreibt man statistische Ergebnisse im Text?
In diesem Beitrag
Was eine gute statistische Beschreibung ausmacht
Statistische Ergebnisse im Text zu beschreiben bedeutet mehr als das bloße Aufzählen von Kennwerten. Eine gute Beschreibung fasst Daten so zusammen, dass Lesende sie schnell interpretieren können – ohne die gesamten Rohdaten einsehen zu müssen. Kennzahlen, Kontext und inhaltliche Einordnung gehören dabei zusammen.
In wissenschaftlichen Abschlussarbeiten wird dieser Schritt häufig unterschätzt. Viele Studierende listen Ausgabewerte aus SPSS oder R auf, ohne zu erklären, was diese Zahlen im Kontext ihrer Fragestellung bedeuten. Das Ergebnis: ein Ergebnisteil, der zwar formell vollständig wirkt, aber keine echte Information transportiert.
Eine strukturierte Beschreibung folgt deshalb einem klaren Muster: Variable benennen, Stichprobengröße angeben, passendes Lagemaß wählen, Streuung berichten, Verteilungsform einordnen und die Zahlen abschließend in verständliche Sprache übersetzen. Dieses Arbeitsschema für den Übergang von Rohdaten zu interpretierbaren Aussagen ist in der statistischen Lehre gut etabliert und lässt sich direkt auf Abschlussarbeiten übertragen.
Deskriptive Kennwerte korrekt benennen und berichten
Jede statistische Beschreibung braucht mindestens zwei Elemente: ein Lagemaß und ein Streuungsmaß. Erst zusammen geben sie ein vollständiges Bild der Daten.
Lagemaße: Mittelwert, Median, Modus
Das gebräuchlichste Lagemaß ist der arithmetische Mittelwert. Er berechnet sich als Summe aller Werte geteilt durch die Anzahl der Beobachtungen:
Arithmetischer Mittelwert
Der Mittelwert ist jedoch anfällig für Ausreißer. Bei schiefen Verteilungen – etwa bei Einkommen oder Reaktionszeiten – ist der Median (der mittlere Wert in einer geordneten Reihe) die robustere Wahl. Der Modus (häufigster Wert) ist vor allem bei nominalen Variablen sinnvoll.
Streuungsmaße: Standardabweichung und mehr
Neben dem Lagemaß ist die Standardabweichung (SD) das zentrale Streuungsmaß für metrische Daten. Konzeptuell beschreibt sie die durchschnittliche Entfernung der einzelnen Datenpunkte vom Mittelwert: Ein niedriger SD-Wert signalisiert enge Bündelung, ein hoher Wert starke Streuung der Beobachtungen.
Standardabweichung (Stichprobe)
Für ordinale Daten oder bei Ausreißern empfehlen sich der Interquartilsabstand (IQR) oder die Angabe von Minimum und Maximum als Spannweite. Eine Übersicht der wichtigsten Maße:
| Kennwert | Abkürzung | Geeignet für | Besonderheit |
|---|---|---|---|
| Arithmetischer Mittelwert | M | Metrische Daten, symmetrische Verteilung | Anfällig für Ausreißer |
| Median | Mdn | Ordinale und metrische Daten, schiefe Verteilungen | Robust gegenüber Ausreißern |
| Modus | – | Nominale und ordinale Daten | Häufigster Wert |
| Standardabweichung | SD | Metrische Daten | In gleicher Einheit wie M |
| Interquartilsabstand | IQR | Ordinale und metrische Daten, Ausreißer | Bereich mittlerer 50 % |
Wie Sie Mittelwert und Standardabweichung korrekt im Text angeben, hängt auch vom geforderten Zitierstil (APA, APA 7, DIN) ab – achten Sie hier auf die Vorgaben Ihrer Hochschule.
Stichprobengröße immer angeben
Jede statistische Beschreibung beginnt mit der Angabe von N (Gesamtstichprobe) bzw. n (Teilgruppe). Ohne diese Information sind alle weiteren Kennwerte schwer einzuordnen. Schreiben Sie also nicht nur „M = 3,4″, sondern „Bei N = 120 Teilnehmenden betrug der Mittelwert M = 3,4 (SD = 0,8).“
Inferenzstatistische Ergebnisse im Text formulieren
Sobald Sie Hypothesen prüfen, kommen inferenzstatistische Kennwerte hinzu. Hier gelten klare Konventionen – vor allem im APA-Format, das an den meisten deutschsprachigen Hochschulen als Standard gilt.
Der p-Wert und das Signifikanzniveau
Der p-Wert gibt die Wahrscheinlichkeit an, ein mindestens so extremes Ergebnis zu erhalten, wenn die Nullhypothese wahr wäre. Das gängige Signifikanzniveau von α = 0,05 bedeutet: Ist p < 0,05, gilt das Ergebnis als statistisch signifikant.
Wichtig: Berichten Sie den genauen p-Wert – nicht nur „signifikant“ oder „nicht signifikant“. Schreiben Sie also p = .032 statt p < .05. Ist der p-Wert kleiner als .001, schreiben Sie p < .001. Ob etwa ein p-Wert von 0,01 statistisch signifikant ist und wie er einzuordnen ist, hängt immer vom vorab festgelegten Alpha-Niveau ab.
Teststatistiken korrekt notieren
Jeder Signifikanztest liefert eine eigene Teststatistik. Für die gängigsten Verfahren gilt folgendes Berichtsformat:
- t-Test: t(df) = [Wert], p = [Wert], d = [Effektstärke]
- ANOVA: F(dfzwischen, dfinnerhalb) = [Wert], p = [Wert], η² = [Effektstärke]
- Chi-Quadrat-Test: χ²(df, N = [Stichprobe]) = [Wert], p = [Wert]
- Pearson-Korrelation: r(df) = [Wert], p = [Wert]
Effektstärken gehören dazu
Ein statistisch signifikantes Ergebnis sagt noch nichts über die praktische Bedeutsamkeit aus. Deshalb ist es in der aktuellen Methodenliteratur gängige Praxis, Effektstärken neben dem p-Wert standardmäßig zu berichten. Cohens d für t-Tests, η² oder ω² für ANOVAs, r für Korrelationen – diese Angaben machen Ihr Ergebnis erst vollständig interpretierbar.
Cohens d (Effektstärke für t-Tests)
Als Orientierung: d = 0,2 gilt als kleiner, d = 0,5 als mittlerer und d = 0,8 als großer Effekt (nach Cohen, 1988).
Schritt für Schritt: So bauen Sie Ihre Ergebnisbeschreibung auf
Eine bewährte Vorgehensweise gliedert die Beschreibung statistischer Ergebnisse in sechs Schritte. Dabei empfiehlt sich, numerische Zusammenfassungen mit grafischen Darstellungen zu verbinden – etwa Histogrammen, Boxplots oder Streudiagrammen – damit die Struktur der Daten sichtbar wird und nicht nur einzelne Kennzahlen im Raum stehen.
Checkliste: Statistische Ergebnisse beschreiben
- Variable benennen: Welche Variable wird beschrieben? (z. B. „die Skala zur Arbeitszufriedenheit“)
- N angeben: Wie viele Beobachtungen gehen in die Analyse ein?
- Lagemaß berichten: Mittelwert oder Median – je nach Skalenniveau und Verteilungsform
- Streuungsmaß berichten: Standardabweichung, IQR oder Spannweite
- Verteilung einordnen: Normalverteilt? Schief? Ausreißer vorhanden?
- Inhaltlich einordnen: Was bedeuten die Zahlen im Kontext Ihrer Fragestellung?
Bei inferenzstatistischen Ergebnissen ergänzen Sie dieses Schema um die Teststatistik, den p-Wert und die Effektstärke – und verbinden alle drei Angaben in einem vollständigen Satz.
Eine detaillierte Anleitung zur Interpretation und Verschriftlichung statistischer Ergebnisse finden Sie auf unserer Übersichtsseite, die alle relevanten Aspekte vom Ergebnisteil bis zur Diskussion abdeckt.
Konkrete Formulierungsbeispiele
Abstrakte Regeln helfen nur bedingt – deshalb hier konkrete Musterfomulierungen, die Sie direkt als Vorlage verwenden können.
Deskriptive Statistik beschreiben
Variante 1 – metrische Variable, symmetrische Verteilung:
„Die Skala zur Arbeitszufriedenheit wies bei N = 148 Befragten einen Mittelwert von M = 3,72 (SD = 0,91) auf. Die Werte waren annähernd normalverteilt (Schiefe = 0,12).“
Variante 2 – metrische Variable, Ausreißer vorhanden:
„Das monatliche Nettoeinkommen der Stichprobe (N = 85) streute erheblich (Min = 820 €, Max = 9.400 €). Aufgrund der rechtsschiefen Verteilung wird der Median als Lagemaß berichtet: Mdn = 2.150 € (IQR = 1.400–3.100 €).“
t-Test-Ergebnis berichten
„Studierende mit Nebenjob (M = 3,41, SD = 0,78) wiesen eine signifikant geringere Schlafqualität auf als Studierende ohne Nebenjob (M = 3,89, SD = 0,65), t(178) = −4,12, p < .001, d = 0,67. Der Effekt ist nach Cohen (1988) als mittelgroß einzustufen.“
Korrelation berichten
„Zwischen Prokrastinationsneigung und Prüfungsangst zeigte sich ein positiver Zusammenhang mittlerer Stärke, r(96) = .43, p = .003. Höhere Werte auf der Prokrastinationsskala gingen demnach mit höherer Prüfungsangst einher.“
Chi-Quadrat-Test berichten
„Die Verteilung der Berufsgruppen unterschied sich signifikant zwischen den Geschlechtern, χ²(3, N = 210) = 11,84, p = .008. Der Zusammenhang war schwach (Cramér’s V = .24).“
Mehr Musterfomulierungen für den vollständigen Ergebnisteil finden Sie im Beitrag zum Thema Statistik-Ergebnisse formulieren.
Häufige Fehler beim Beschreiben von Statistiken
In der Praxis tauchen immer wieder dieselben Schwachstellen auf – unabhängig vom Fach oder der verwendeten Software.
Kennwerte ohne Kontext berichten
„M = 4,2, SD = 1,1″ sagt allein recht wenig. Fehlt der Bezug zur Variable, zur Stichprobengröße und zur inhaltlichen Bedeutung, bleibt die Beschreibung inhaltsleer. Gute Beschreibungen erklären immer auch, was ein Wert inhaltlich bedeutet – nicht nur wie hoch er ist.
Falsches Lagemaß für den Datentyp
Den Mittelwert für eine ordinale Skala (z. B. Schulnoten, Likert-Items) zu berichten ist zwar verbreitet, methodisch aber problematisch. Bei streng ordinalem Messniveau ist der Median das korrektere Lagemaß. In der Praxis hängt die Entscheidung von den Annahmen Ihrer Studie und den Konventionen Ihres Faches ab – aber bewusst treffen sollten Sie sie in jedem Fall.
p-Wert überinterpretieren
Ein p-Wert knapp über .05 ist nicht „fast signifikant“, und ein sehr kleines p bedeutet nicht automatisch einen großen oder praktisch relevanten Effekt. Der p-Wert ist eine Aussage über Wahrscheinlichkeiten unter der Nullhypothese – keine direkte Aussage über die Größe oder Bedeutung eines Effekts. Berichten Sie deshalb immer beides: p-Wert und Effektstärke.
Deskriptive und inferenzstatistische Aussagen vermischen
„Die Werte stiegen mit dem Alter“ ist eine deskriptive Aussage. „Es bestand ein signifikanter positiver Zusammenhang zwischen Alter und Wert, r(98) = .38, p = .001″ ist eine inferenzstatistische Aussage. Beide Ebenen haben ihren Platz – aber sie sollten nicht ununterscheidbar ineinander übergehen.
Wenn Sie unsicher sind, ob Ihr Ergebnisteil alle relevanten Angaben enthält und korrekt formuliert ist, unterstützt Sie das Team von QuantExpert bei der Interpretation und Darstellung statistischer Ergebnisse – von der Auswahl geeigneter Kennwerte bis zur druckfertigen Formulierung.
