Welche statistischen Methoden gibt es?
In diesem Beitrag
Überblick: Die wichtigsten Kategorien statistischer Methoden
Statistische Methoden lassen sich grob in zwei große Bereiche einteilen: deskriptive Statistik, die Daten beschreibt und zusammenfasst, und Inferenzstatistik, die von einer Stichprobe auf eine Grundgesamtheit schließt. Innerhalb dieser Bereiche gibt es eine Vielzahl spezifischer Verfahren – von einfachen Mittelwertvergleichen bis hin zu multivariaten Modellen.
Welches Verfahren sinnvoll ist, hängt von mehreren Faktoren ab: dem Skalenniveau Ihrer Variablen, der Anzahl der Gruppen, dem Studiendesign und der Verteilung der Daten. Eine pauschale Antwort gibt es nicht – die Wahl der Methode muss zur Forschungsfrage passen und begründet werden. Methodisch gesehen können für dieselbe Datensituation mehrere Analysewege legitim sein, weshalb die Entscheidung gut dokumentiert sein sollte.
| Kategorie | Typische Verfahren | Typische Forschungsfrage |
|---|---|---|
| Deskriptive Statistik | Mittelwert, Median, Standardabweichung, Häufigkeiten | Wie sind meine Daten verteilt? |
| Gruppenvergleiche | t-Test, ANOVA, Mann-Whitney-U | Unterscheiden sich zwei oder mehr Gruppen? |
| Zusammenhangsanalysen | Pearson-Korrelation, Spearman-Korrelation, Chi-Quadrat | Gibt es einen Zusammenhang zwischen zwei Variablen? |
| Modellbasierte Verfahren | Einfache und multiple Regression, logistische Regression | Kann Variable X eine andere Variable vorhersagen? |
| Multivariate Verfahren | MANOVA, Faktorenanalyse, Clusteranalyse | Wie verhalten sich mehrere Variablen gleichzeitig? |
| Nichtparametrische Tests | Wilcoxon, Kruskal-Wallis, Fisher’s Exact Test | Wie bei Gruppenvergleichen, aber ohne Normalverteilung |
Deskriptive Statistik
Die deskriptive Statistik ist der erste Schritt jeder Auswertung. Sie beschreibt, was in den Daten steckt – ohne Schlussfolgerungen auf eine Grundgesamtheit zu ziehen. Zu den wichtigsten Kennzahlen gehören:
- Lagemaße: Mittelwert, Median, Modus
- Streuungsmaße: Standardabweichung, Varianz, Interquartilsabstand
- Häufigkeiten: absolute und relative Häufigkeiten, Kreuztabellen
- Grafische Darstellungen: Histogramme, Boxplots, Balkendiagramme
Für Abschlussarbeiten ist die deskriptive Statistik unverzichtbar, um die Stichprobe zu beschreiben und einen ersten Eindruck der Datenlage zu vermitteln. Sie ist kein optionaler Schritt, sondern Pflichtbestandteil jedes Ergebnisteils.
Inferenzstatistik: Gruppenvergleiche
Gruppenvergleiche gehören zu den häufigsten Analysen in empirischen Abschlussarbeiten. Die zentrale Frage lautet: Unterscheiden sich zwei oder mehr Gruppen hinsichtlich einer bestimmten Variablen – und ist dieser Unterschied statistisch bedeutsam?
t-Test
Der t-Test vergleicht Mittelwerte zwischen zwei Gruppen. Es gibt drei Varianten:
- Einstichproben-t-Test: Vergleich eines Mittelwerts mit einem theoretischen Wert
- Zweistichproben-t-Test: Vergleich zweier unabhängiger Gruppen (z. B. Kontroll- vs. Experimentalgruppe)
- Gepaarter t-Test: Vergleich zweier abhängiger Messungen (z. B. Prä-Post-Design)
Voraussetzungen sind unter anderem eine Normalverteilung der abhängigen Variablen in der Population und ein metrisches Skalenniveau. Parametrische Tests wie der t-Test setzen außerdem unabhängige Beobachtungen, gleiche Varianzen und kontinuierliche Daten voraus.
t-Wert beim Zweistichproben-t-Test
ANOVA
Sobald mehr als zwei Gruppen verglichen werden sollen, kommt die ANOVA (Analysis of Variance) zum Einsatz. Eine einfaktorielle ANOVA prüft den Einfluss einer unabhängigen Variablen mit mehr als zwei Ausprägungen auf eine abhängige Variable.
Die mehrfaktorielle ANOVA erweitert dieses Prinzip auf mehrere unabhängige Variablen und ermöglicht zusätzlich die Prüfung von Interaktionseffekten: Zum Beispiel, ob der Effekt von Faktor A davon abhängt, auf welcher Stufe sich Faktor B befindet. Für zwei unabhängige Variablen lassen sich so drei separate Forschungsfragen prüfen – Haupteffekt A, Haupteffekt B und deren Wechselwirkung.
Findet die ANOVA einen signifikanten Haupteffekt, muss ein Post-hoc-Test (z. B. Tukey-HSD, Bonferroni) bestimmen, welche Gruppen sich konkret voneinander unterscheiden.
Zusammenhangsanalysen
Zusammenhangsanalysen untersuchen, ob und wie stark zwei oder mehr Variablen miteinander in Beziehung stehen. Die Wahl des Verfahrens hängt dabei wesentlich vom Skalenniveau ab.
Korrelationsanalyse
Pearson’s r misst den linearen Zusammenhang zwischen zwei metrisch skalierten Variablen. Der Koeffizient nimmt Werte zwischen −1 und +1 an: +1 bedeutet einen perfekt positiven, −1 einen perfekt negativen und 0 keinen linearen Zusammenhang. Ergebnisse werden üblicherweise mit r-Wert und p-Wert berichtet.
Bei ordinalskalierten Variablen oder Verletzungen der Normalverteilungsannahme wird stattdessen Spearman’s Rho verwendet, das auf Rängen basiert.
Chi-Quadrat-Test
Der Chi-Quadrat-Test prüft Zusammenhänge zwischen zwei kategorialen Variablen. Er vergleicht beobachtete mit erwarteten Häufigkeiten in einer Kreuztabelle. Wichtig: Liegen die erwarteten Häufigkeiten in einzelnen Zellen unter 5, sollte stattdessen der Fisher’s Exact Test eingesetzt werden. Dieser Schwellenwert ist in der angewandten Statistik fest etabliert und wird häufig von Gutachtenden überprüft.
Modellbasierte Verfahren
Regressionsanalysen sind dann sinnvoll, wenn Sie nicht nur einen Zusammenhang beschreiben, sondern eine Variable durch eine oder mehrere andere vorhersagen möchten.
Einfache lineare Regression
Die einfache lineare Regression modelliert den Einfluss einer Prädiktorvariablen (X) auf eine abhängige Variable (Y). Das Modell wird als Geradengleichung dargestellt:
Regressionsgleichung (einfach)
Multiple Regression
Die multiple Regression erweitert dieses Modell um mehrere Prädiktoren. Sie ist in sozialwissenschaftlichen und psychologischen Arbeiten besonders verbreitet, weil sie es erlaubt, den Einfluss einzelner Variablen unter Kontrolle der anderen zu untersuchen. Das Bestimmtheitsmaß R² gibt an, wie viel Varianz der abhängigen Variablen durch das Modell erklärt wird.
Logistische Regression
Wenn die abhängige Variable kategorial ist (z. B. ja/nein, Ereignis eingetreten/nicht eingetreten), kommt die logistische Regression zum Einsatz. Sie schätzt die Wahrscheinlichkeit, dass eine Beobachtung einer bestimmten Kategorie angehört. Dieses Verfahren ist in der Medizin und den Sozialwissenschaften weit verbreitet.
Nichtparametrische Tests
Nichtparametrische Tests sind die Alternative, wenn die Voraussetzungen parametrischer Verfahren – insbesondere Normalverteilung und metrisches Skalenniveau – nicht erfüllt sind. Sie arbeiten häufig mit Rängen, Vorzeichen oder Medianen statt mit Mittelwerten.
- Mann-Whitney-U-Test / Wilcoxon-Rangsummentest: Nichtparametrische Alternative zum Zweistichproben-t-Test
- Wilcoxon-Vorzeichen-Rang-Test: Nichtparametrische Alternative zum gepaarten t-Test
- Kruskal-Wallis-Test: Nichtparametrische Alternative zur einfaktoriellen ANOVA
- Spearman-Korrelation: Nichtparametrische Alternative zu Pearson’s r
- Fisher’s Exact Test: Nichtparametrische Alternative zum Chi-Quadrat-Test bei kleinen Zellhäufigkeiten
Nichtparametrische Tests sind weniger restriktiv in ihren Annahmen und können auch bei ordinalen oder nicht normalverteilten Daten sinnvoll eingesetzt werden. Der Preis dafür ist in der Regel eine etwas geringere statistische Power im Vergleich zu den parametrischen Entsprechungen.
Multivariate Verfahren
Multivariate Verfahren analysieren mehrere Variablen gleichzeitig. Sie sind methodisch anspruchsvoller, bieten aber ein differenzierteres Bild der Datenstruktur.
MANOVA
Die MANOVA (Multivariate Analysis of Variance) ist die Erweiterung der ANOVA für den Fall, dass mehrere abhängige Variablen gleichzeitig untersucht werden. Sie prüft, ob Gruppen sich hinsichtlich eines Vektors von Outcomes unterscheiden – und kontrolliert dabei das Risiko kumulierter Alpha-Fehler.
Faktorenanalyse
Die Faktorenanalyse wird eingesetzt, um hinter einer Vielzahl von Variablen latente Strukturen (Faktoren) zu entdecken. In der Psychologie ist sie besonders verbreitet, etwa bei der Entwicklung und Überprüfung von Fragebögen. Man unterscheidet zwischen der explorativen Faktorenanalyse (EFA) und der konfirmatorischen Faktorenanalyse (CFA).
Clusteranalyse
Die Clusteranalyse gruppiert Beobachtungen anhand ihrer Ähnlichkeit, ohne dass vorab Gruppen definiert werden. Sie ist ein exploratives Verfahren und wird eingesetzt, wenn man Typen oder Segmente in den Daten identifizieren möchte – etwa in der Marktforschung oder der Bildungsforschung.
Wie wählt man die richtige Methode?
Die Wahl der statistischen Methode ist keine beliebige Entscheidung – sie folgt aus Ihrer Forschungsfrage, Ihrem Studiendesign und den Eigenschaften Ihrer Daten. Folgende Fragen helfen bei der Orientierung:
Entscheidungshilfe: Welche Methode passt?
- Wie viele abhängige und unabhängige Variablen hat meine Forschungsfrage?
- Welches Skalenniveau haben meine Variablen (nominal, ordinal, metrisch)?
- Sind meine Daten normalverteilt? (Kolmogorov-Smirnov- oder Shapiro-Wilk-Test)
- Habe ich unabhängige Gruppen oder verbundene Messungen (Prä-Post)?
- Möchte ich Unterschiede prüfen, Zusammenhänge beschreiben oder Vorhersagen treffen?
- Wie groß ist meine Stichprobe?
Für die statistische Auswertung empirischer Abschlussarbeiten hat sich bewährt, die Methoden bereits in der Planungsphase festzulegen – idealerweise im Methodenteil der Arbeit begründet. Das schützt vor späteren Problemen und zeigt methodische Kompetenz.
Wer unsicher ist, ob die gewählte Methode zur Forschungsfrage passt, findet in der Literatur häufig Entscheidungstabellen, die Datensituationen konkreten Tests zuordnen. Diese Tabellen sind jedoch als Leitlinien zu verstehen, nicht als starre Regeln – denn in der Praxis gibt es oft mehrere vertretbare Analysewege.
Parametrisch oder nichtparametrisch?
Eine der häufigsten Entscheidungen in der Praxis: Soll ein parametrischer oder ein nichtparametrischer Test eingesetzt werden? Als Faustregel gilt: Wenn die Voraussetzungen für parametrische Tests (insbesondere Normalverteilung und metrisches Niveau) erfüllt sind, sind parametrische Tests vorzuziehen – sie haben in der Regel eine höhere statistische Power.
Bei ordinalen Daten, kleinen Stichproben oder deutlichen Ausreißern sollten nichtparametrische Alternativen in Betracht gezogen werden. Eine detaillierte Auseinandersetzung mit der Frage, wann ein statistischer Test als signifikant gilt und welche Rolle die Teststärke dabei spielt, ist für jede empirische Arbeit relevant.
Gruppenvergleich oder Zusammenhangsanalyse?
Viele Forschungsfragen lassen sich grundsätzlich als Gruppenvergleich oder als Zusammenhangsanalyse formulieren. Welches Rahmenkonzept passt, hängt von der inhaltlichen Fragestellung ab. Wer beispielsweise untersucht, ob zwei Variablen gemeinsam variieren, arbeitet mit einer Korrelation. Wer prüft, ob eine Gruppe höhere Werte zeigt als eine andere, wählt einen Gruppenvergleich.
Für Bachelorarbeiten empfiehlt sich, das methodische Vorgehen im Abschnitt zur statistischen Auswertung der Bachelorarbeit klar zu dokumentieren: Welche Tests wurden warum gewählt, welche Voraussetzungen wurden geprüft und wie wurden Verletzungen behandelt.
Was bedeutet das für komplexere Arbeiten?
In Masterarbeiten und Dissertationen kommen häufig mehrere Methoden kombiniert zum Einsatz – zum Beispiel zunächst deskriptive Analysen, dann Korrelationsanalysen und schließlich eine multiple Regression zur Vorhersage. Die statistische Auswertung einer Masterarbeit setzt entsprechend ein breiteres methodisches Fundament voraus.
Wer tiefer in die verschiedenen Analysetypen einsteigen möchte, findet in unserem Beitrag zu den vier grundlegenden Analysearten eine hilfreiche Systematisierung – besonders wenn es darum geht, beschreibende, explorative, schlussfolgernde und prädiktive Analysen voneinander abzugrenzen.
