Wie viele Teilnehmer braucht man für die Bachelorarbeit?

Warum es keine pauschale Teilnehmerzahl gibt

Eine der häufigsten Fragen beim Einstieg in die empirische Bachelorarbeit lautet: „Reichen 50 Teilnehmende? Oder brauche ich 100?“ Die ehrliche Antwort ist: Es kommt darauf an – und zwar auf deutlich mehr Faktoren, als die meisten Studierenden zu Beginn vermuten.

Die benötigte Stichprobengröße ergibt sich nicht aus einem Richtwert pro Studiengang oder Hochschule, sondern aus dem Zusammenspiel von Forschungsfrage, gewähltem statistischen Verfahren, erwarteter Effektgröße und angestrebter statistischer Power. In der methodischen Fachliteratur wird betont, dass die Stichprobengröße nicht nur genannt, sondern begründet werden muss – denn nur so lässt sich beurteilen, wie informativ eine Studie für ihre Fragestellung tatsächlich ist.

Das bedeutet für Sie konkret: Eine Zahl von 80 Teilnehmenden kann in einem Design völlig ausreichend sein, in einem anderen hoffnungslos zu klein. Der Kontext entscheidet.

Was die benötigte Stichprobengröße beeinflusst

Vier Kerngrößen bestimmen, wie viele Teilnehmende Sie für Ihre Bachelorarbeit benötigen. Sie hängen eng zusammen und lassen sich nicht isoliert betrachten.

Effektgröße

Die Effektgröße beschreibt, wie stark ein Unterschied oder ein Zusammenhang in der Population tatsächlich ist. Kleine Effekte sind schwieriger nachzuweisen als große – und erfordern deshalb deutlich größere Stichproben. Als klassische Konventionen gelten in den Verhaltenswissenschaften die Werte nach Cohen: d = 0,20 (kleiner Effekt), d = 0,50 (mittlerer Effekt) und d = 0,80 (großer Effekt). Allerdings gilt: Diese Werte wurden als Konventionen für Situationen ohne bessere Informationsgrundlage entwickelt und sollten nicht mechanisch als universelle Naturgesetze verwendet werden.

Wo immer möglich, sollten Sie die erwartete Effektgröße aus Theorie, Vorstudien oder vergleichbaren publizierten Studien ableiten – das ist methodisch sauberer als der Rückgriff auf Daumenregeln.

Statistische Power

Die statistische Power (Teststärke) gibt an, mit welcher Wahrscheinlichkeit Ihr Test einen tatsächlich vorhandenen Effekt auch erkennt. Eine Power von 0,80 bedeutet: Bei 80 % aller Wiederholungen der Studie würde der Effekt korrekt als signifikant erkannt. Der übliche Mindestwert in der Forschung liegt bei 0,80, häufig wird in neueren Leitlinien 0,90 empfohlen.

Signifikanzniveau (Alpha)

Das Signifikanzniveau legt fest, wie viel Restrisiko für einen fälschlichen Befund Sie akzeptieren. Standardmäßig wird α = 0,05 verwendet. Ein strengeres Alpha (z.B. 0,01) erhöht die benötigte Stichprobengröße entsprechend.

Statistisches Verfahren und Studiendesign

Ob Sie einen t-Test, eine Varianzanalyse, eine Regressionsanalyse oder einen Chi-Quadrat-Test verwenden, beeinflusst die nötige Stichprobengröße erheblich. Komplexere Verfahren mit mehr Prädiktoren oder Faktoren benötigen in der Regel mehr Fälle. Auch ob Gruppen unabhängig oder abhängig sind, spielt eine Rolle.

Orientierungswerte nach Verfahren und Effektgröße

Die folgende Tabelle zeigt typische Stichprobengrößen für gängige Verfahren bei einer Power von 0,80, einem Signifikanzniveau von α = 0,05 und verschiedenen Effektgrößen. Die Werte basieren auf etablierten Powertabellen und dienen als Orientierung – keine Garantie, aber ein hilfreicher Ausgangspunkt.

Auffällig ist vor allem, wie stark die Teilnehmerzahl mit der Effektgröße variiert. Wer kleine Effekte nachweisen möchte, braucht mitunter mehr als 300 Personen – ein realistischer Rahmen für eine Bachelorarbeit? In den meisten Fällen nicht. Gerade deshalb lohnt es sich, die plausibel erwartbare Effektgröße vorab sorgfältig einzuschätzen.

Die Poweranalyse: So berechnen Sie die Stichprobengröße systematisch

Die methodisch sauberste Antwort auf die Frage nach der richtigen Stichprobengröße liefert die a-priori-Poweranalyse. Dabei legen Sie vorab fest, welche Effektgröße Sie erwarten, welche Power Sie anstreben und welches Signifikanzniveau Sie verwenden – und berechnen daraus die benötigte Fallzahl.

G*Power: Das Standardtool für Bachelorarbeiten

Das frei verfügbare Programm G*Power ist in den Sozial-, Verhaltens- und Biowissenschaften das meistgenutzte Tool für Poweranalysen. Es deckt alle gängigen Testfamilien ab: t-, F-, χ²-, z- und exakte Tests, jeweils mit verschiedenen Analysearten wie a-priori-, post-hoc- und Sensitivitätsanalysen.

Für Ihre Bachelorarbeit ist die a-priori-Analyse der richtige Einstieg. So gehen Sie vor:

1. Wählen Sie in G*Power die passende Testfamilie (z.B. t-Tests → Means: Difference between two independent means).
2. Wählen Sie als Analysetyp: A priori: Compute required sample size.
3. Geben Sie Effektgröße (z.B. d = 0,50), Alpha (z.B. 0,05), Power (z.B. 0,80) und ggf. die Anzahl der Gruppen ein.
4. G*Power gibt die erforderliche Gesamtstichprobe und Verteilung auf Gruppen aus.

Das Ergebnis ist Ihre begründete Zielgröße für die Datenerhebung. Wenn Sie anschließend weniger Rückmeldungen erhalten als geplant, können Sie mit einer Sensitivitätsanalyse rückwirkend prüfen, welche Effektgrößen Ihr Design bei der tatsächlichen Stichprobengröße noch zuverlässig erkennen kann.

Was Sie vor der Poweranalyse klären sollten

Eine Poweranalyse liefert nur dann sinnvolle Ergebnisse, wenn die Eingabeparameter methodisch begründet sind. Folgende Fragen helfen dabei:

• Welche kleinste Effektgröße wäre für Ihre Fragestellung inhaltlich noch relevant?
• Gibt es Vorstudien oder Metaanalysen, aus denen Sie eine plausible Effektgröße ableiten können?
• Welches statistische Verfahren planen Sie einzusetzen – und ist Ihr Hypothesentest ein- oder zweiseitig?
• Welche Ressourcen (Zeit, Zugang zur Zielgruppe) stehen Ihnen realistisch zur Verfügung?

Diese Überlegungen sollten Sie idealerweise führen, bevor Sie mit der Datenerhebung beginnen – nicht erst, wenn die Fragebögen schon verteilt sind. Der Methodenteil der Bachelorarbeit ist der richtige Ort, um diese Entscheidungen transparent zu dokumentieren.

Praktische Empfehlungen für Ihre Bachelorarbeit

Die Theorie ist klar – aber wie sieht es in der Praxis aus? Folgende Hinweise helfen Ihnen, realistische Entscheidungen zu treffen.

Wenn eine vollständige Poweranalyse nicht möglich ist

Nicht jede Bachelorarbeit lässt eine exakte a-priori-Poweranalyse zu – etwa wenn die Effektgröße für ein sehr spezifisches Thema nicht aus der Literatur ableitbar ist. In diesem Fall sind laut methodischer Literatur mehrere Ansätze akzeptabel:

• Ressourcenbasierte Begründung: Sie erheben so viele Fälle, wie in Ihrer Situation realistisch möglich sind, und begründen das transparent.
• Heuristiken: Fachspezifische Faustregeln (z.B. mindestens 10 Fälle pro Prädiktor in der Regression) können als Orientierung dienen, sollten aber als solche kenntlich gemacht werden.
• Sensitivitätsanalyse im Nachgang: Sie berechnen nach der Erhebung, welche Effektgrößen Ihre tatsächliche Stichprobe noch aufdecken kann – und diskutieren das als Limitation.

Wichtig ist die Ehrlichkeit: Es ist methodisch legitim, offen zu benennen, dass die Stichprobengröße durch praktische Einschränkungen bestimmt wurde – sofern Sie das im Methodenteil nachvollziehbar darstellen.

Typische Größenordnungen nach Fachgebiet

Als grobe Orientierung – ohne Anspruch auf Allgemeingültigkeit – haben sich in verschiedenen Fächern folgende Größenordnungen etabliert:

• Psychologie: Häufig 80–200 Teilnehmende, abhängig von Design und Hypothesen.
• Wirtschafts- und Sozialwissenschaften: Bei Fragebogenstudien oft 100–200 Fälle; bei qualitativen Anteilen deutlich weniger.
• Medizin / Gesundheitswissenschaften: Stark variierend; bei klinischen Fragestellungen oft höher, bei explorativen Designs niedriger.
• Erziehungswissenschaften: Schulklassen als natürliche Einheiten; Gruppengrößen von 50–150 sind häufig.

Diese Werte sind keine Vorgaben, sondern spiegeln wider, was in der Praxis häufig vorkommt. Entscheidend bleibt stets die Begründung im Einzelfall. Einen guten Überblick über den Zusammenhang zwischen Stichprobengröße, Hypothesen und statistischem Verfahren bietet auch der Beitrag zum Wählen des statistischen Verfahrens für die Bachelorarbeit.

Rücklaufquote bei Fragebogenerhebungen einkalkulieren

Wenn Sie einen Fragebogen einsetzen, planen Sie mit Schwund. Nicht alle angeschriebenen Personen füllen den Fragebogen aus, und nicht alle eingegangenen Bögen sind vollständig verwertbar. Als Richtwert gilt: Rechnen Sie mit einer Rücklaufquote von 30–50 % und kalkulieren Sie entsprechend mehr Personen an, als Sie eigentlich benötigen.

Konkret: Wenn Ihre Poweranalyse eine Nettostichprobe von 100 auswertbaren Fällen ergibt und Sie mit 40 % Rücklauf rechnen, sollten Sie mindestens 250 Personen ansprechen. Mehr dazu, wie Sie die erhobenen Daten anschließend auswerten, erfahren Sie im Beitrag zum Auswerten von Fragebögen für die Bachelorarbeit.

Stichprobengröße im Methodenteil begründen

Die Frage nach der Teilnehmerzahl ist nicht nur eine statistische – sie ist auch eine Frage der wissenschaftlichen Transparenz. Eine Stichprobengröße, die ohne jede Begründung im Methodenteil steht, wirft bei Prüfenden Fragen auf.

Was eine gute Begründung enthält

Eine methodisch überzeugende Stichprobenbegründung in der Bachelorarbeit umfasst idealerweise:

• Das gewählte statistische Verfahren und die Anzahl der Gruppen oder Prädiktoren
• Die angenommene Effektgröße – mit kurzer Begründung (Literaturwert, Konvention, eigene Einschätzung)
• Das festgelegte Signifikanzniveau (in der Regel α = 0,05)
• Die angestrebte statistische Power (mindestens 0,80)
• Das Ergebnis der Poweranalyse – z.B. durchgeführt mit G*Power
• Ggf. eine Angabe zur geplanten Rekrutierungsstrategie und zum erwarteten Schwund

Wer diese Punkte transparent darlegt, zeigt methodisches Bewusstsein – auch wenn die finale Stichprobe aus praktischen Gründen kleiner ausfällt als ursprünglich angepeilt. Wenn Sie unsicher sind, ob Ihre Begründung methodisch trägt, finden Sie auf unserer Seite zur Statistik-Hilfe für Bachelorarbeiten Informationen dazu, wie eine fachkundige Begleitung aussehen kann.

Was tun, wenn die Stichprobe zu klein ausgefallen ist?

Es passiert: Trotz sorgfältiger Planung liegen am Ende weniger Fälle vor als erhofft. Das ist kein Grund zur Panik, aber es erfordert eine ehrliche Diskussion.

• Führen Sie eine Sensitivitätsanalyse durch: Welche Effektgrößen kann Ihre Stichprobe bei gegebener Power noch aufdecken?
• Benennen Sie die eingeschränkte statistische Power als Limitation Ihrer Arbeit.
• Interpretieren Sie nicht-signifikante Ergebnisse mit Vorsicht: Ein p-Wert über 0,05 ist bei kleiner Stichprobe kein Beweis für die Nullhypothese.
• Erläutern Sie, welche Schlussfolgerungen Ihre Daten trotzdem erlauben – etwa auf deskriptiver Ebene oder als explorative Grundlage für Folgestudien.

Wie Sie Signifikanz in der Bachelorarbeit korrekt interpretieren und dabei typische Missverständnisse vermeiden, erläutert ein gesonderter Beitrag. Und welche statistischen Fehler in diesem Zusammenhang besonders häufig auftreten, zeigt der Artikel zu häufigen Statistikfehlern in Bachelorarbeiten.