Welche Voraussetzungen muss man in der Masterarbeit prüfen?

Warum die Prüfung von Voraussetzungen so wichtig ist

Statistische Tests sind kein Selbstzweck – sie liefern nur dann valide Ergebnisse, wenn bestimmte Bedingungen erfüllt sind. In einer Masterarbeit reicht es nicht aus, einen t-Test oder eine Regression durchzuführen und das Ergebnis zu berichten. Wer die Voraussetzungen nicht prüft, riskiert fehlerhafte Schlussfolgerungen – und das fällt erfahrenen Gutachtenden sofort auf.

Die Faustregel lautet: Jedes statistische Verfahren setzt bestimmte Eigenschaften der Daten voraus. Sind diese Eigenschaften nicht gegeben, können Testergebnisse verzerrt, ineffizient oder schlicht falsch sein. Internationale Reporting-Standards halten explizit fest, dass die Daten die Annahmen des verwendeten statistischen Tests erfüllen und dies im Bericht nachvollziehbar gemacht werden muss.

Voraussetzungstests gehören also nicht in eine Schublade, die man im Anhang versteckt. Sie sind ein sichtbarer Bestandteil einer methodisch sauberen Auswertung.

Allgemeine Voraussetzungen: Was fast immer gilt

Unabhängig vom gewählten Verfahren gibt es einige Grundannahmen, die in nahezu jeder quantitativen Masterarbeit relevant sind.

Skalenniveau der Variablen

Jedes statistische Verfahren setzt ein bestimmtes Messniveau voraus. Für parametrische Tests wie t-Test, ANOVA oder lineare Regression werden metrische (intervall- oder ratioskalierte) abhängige Variablen erwartet. Ordinale Daten – etwa Likert-Skalen mit wenigen Stufen – erfordern eine bewusste Entscheidung: Behandeln Sie die Daten als quasi-metrisch, oder wechseln Sie zu einem nichtparametrischen Verfahren?

Diese Entscheidung sollten Sie im Methodenteil Ihrer Masterarbeit explizit begründen.

Stichprobenumfang

Viele Verfahren reagieren empfindlich auf kleine Stichproben. Parametrische Tests sind robuster, je mehr Beobachtungen vorliegen. Die Stichprobengröße sollte bereits in der Planungsphase per Poweranalyse festgelegt werden, um sicherzustellen, dass die Studie überhaupt in der Lage ist, einen relevanten Effekt zu entdecken.

Unabhängigkeit der Beobachtungen

Eine der am häufigsten übersehenen Voraussetzungen: Die einzelnen Messwerte in Ihrem Datensatz sollten voneinander unabhängig sein. Das bedeutet, dass die Antwort einer Person keinen systematischen Einfluss auf die Antwort einer anderen Person haben darf. Bei wiederholten Messungen, verschachtelten Daten oder Klumpenstichproben ist diese Annahme verletzt – und es sind andere Verfahren (z. B. Mixed Models oder Messwiederholungs-ANOVA) erforderlich.

Umgang mit fehlenden Werten und Ausreißern

Bevor Sie überhaupt Voraussetzungen testen, sollten Sie Ihren Datensatz auf fehlende Werte und extreme Beobachtungen prüfen. Wie wurden fehlende Werte behandelt – listenweiser Ausschluss, paarweiser Ausschluss oder Imputation? Wie gehen Sie mit Ausreißern um? Internationale Leitlinien verlangen, dass solche Vorverarbeitungsschritte der Rohdaten transparent offengelegt werden, einschließlich etwaiger Transformationen oder Kategorisierungen.

Voraussetzungen der linearen Regression

Die lineare Regression ist eines der meistgenutzten Verfahren in Masterarbeiten – und auch eines der voraussetzungsreichsten. Wer hier nicht systematisch diagnostiziert, liefert Ergebnisse, deren Gültigkeit zweifelhaft ist.

Die vier klassischen Annahmen

Methodenliteratur und universitäre Leitfäden beschreiben übereinstimmend vier zentrale Annahmen, die für valide Regressionsschätzungen erfüllt sein müssen:

• Linearität: Die Beziehung zwischen Prädiktor(en) und Kriterium ist linear und additiv. Das bedeutet auch, dass der Effekt eines Prädiktors nicht von den Werten eines anderen abhängt – sofern keine Interaktion explizit modelliert wird.
• Unabhängigkeit der Residuen: Die Fehlerterme sind nicht systematisch miteinander korreliert. Besonders bei Längsschnittdaten oder Messwiederholungen ist diese Annahme häufig verletzt.
• Homoskedastizität: Die Varianz der Residuen ist über alle Ausprägungen der Prädiktoren konstant. Grafisch lässt sich das anhand eines Residuen-vs.-Vorhersagen-Plots prüfen.
• Normalverteilung der Residuen: Die Fehler sind annähernd normalverteilt. Wichtig: Hier geht es um die Residuen, nicht um die Rohvariablen.

Bei Verletzungen dieser Annahmen können Prognosen, Konfidenzintervalle und inhaltliche Schlussfolgerungen ineffizient, verzerrt oder irreführend werden. Die Prüfung ist also kein formaler Akt, sondern inhaltlich notwendig.

Multikollinearität prüfen

Wenn mehrere Prädiktoren stark miteinander korrelieren, werden die Regressionskoeffizienten instabil und schwer interpretierbar. Das Standardmaß zur Diagnose ist der Variance Inflation Factor (VIF): Ein VIF-Wert über 10 (bzw. eine Toleranz unter 0,1) gilt als Schwellenwert, der weitere Prüfung und ggf. eine Modellkorrektur nahelegt.

Ausreißer und einflussreiche Beobachtungen

Über die klassischen Annahmen hinaus sollten Sie systematisch auf einflussreiche Datenpunkte prüfen. Dabei sind drei Konzepte zu unterscheiden:

• Ausreißer haben große Residuen – ihre tatsächlichen Werte weichen stark von den modellbasierten Vorhersagen ab.
• Hebelwerte (Leverage) bezeichnen Beobachtungen mit extremen Prädiktorwerten, die das Modell stark beeinflussen können.
• Einflussreiche Fälle (z. B. gemessen durch Cook’s Distance) verändern bei ihrem Ausschluss die Koeffizientenschätzungen erheblich.

Diagnostische Grafiken als Pflicht

Statistische Tests allein reichen für die Regressionsdiagnostik nicht aus. Empfohlen werden visuelle Prüfungen: ein Plot der beobachteten gegen die vorhergesagten Werte (zur Prüfung der Linearität) sowie ein Plot der Residuen gegen die vorhergesagten Werte (zur Prüfung der Homoskedastizität). Systematische Muster in diesen Grafiken sind ein klares Signal für Annahmeverletzungen.

Voraussetzungen bei Gruppenvergleichen (t-Test, ANOVA)

t-Test und einfaktorielle ANOVA gehören zu den häufigsten Verfahren in Masterarbeiten der Psychologie, Medizin und Sozialwissenschaften. Auch hier sind klare Voraussetzungen zu prüfen.

Normalverteilung

Parametrische Gruppenvergleiche setzen voraus, dass die abhängige Variable in den Gruppen annähernd normalverteilt ist. Für die Prüfung stehen zwei Wege zur Verfügung:

• Visuell: Histogramm, Q-Q-Plot (Quantil-Quantil-Diagramm)
• Inferenzstatistisch: Shapiro-Wilk-Test (besonders bei kleinen Stichproben empfohlen) oder Kolmogorov-Smirnov-Test

Bei größeren Stichproben (n > 30) gilt der t-Test aufgrund des Zentralen Grenzwertsatzes als robust gegenüber moderaten Abweichungen von der Normalverteilung. Das entbindet aber nicht von der Pflicht zur Prüfung und Dokumentation.

Varianzhomogenität

Beim Vergleich von zwei oder mehr Gruppen sollten die Varianzen der abhängigen Variable in den Gruppen ähnlich sein. Der Levene-Test ist das Standardverfahren zur Prüfung. Ist er signifikant, empfiehlt sich für den t-Test die Welch-Korrektur, für die ANOVA der Welch-F-Test oder Brown-Forsythe.

Unabhängigkeit der Messungen

Beim unabhängigen t-Test müssen die Beobachtungen zwischen den Gruppen unabhängig sein. Bei verbundenen Stichproben (z. B. Prä-Post-Design, Zwillinge, gematchte Paare) ist der Einsatz des t-Tests für abhängige Stichproben zwingend erforderlich.

Wann nichtparametrische Verfahren die bessere Wahl sind

Sind die Voraussetzungen für parametrische Tests nicht erfüllbar – etwa weil die Stichprobe klein ist, die Verteilung stark schief oder das Skalenniveau nur ordinal – sollten Sie auf nichtparametrische Alternativen ausweichen. Internationale Leitlinien halten fest, dass schiefe Daten mit nichtparametrischen Tests analysiert werden sollen.

Nichtparametrische Tests sind kein „Notfallplan“, sondern ein vollwertiges methodisches Werkzeug. Wählen Sie das Verfahren bewusst und begründen Sie die Wahl im Methodenteil.

Voraussetzungen dokumentieren und berichten

Dass Voraussetzungen geprüft wurden, reicht nicht – sie müssen auch berichtet werden. Das gilt für den Ergebnisteil ebenso wie für den Methodenteil. Transparent zu berichten bedeutet konkret:

• Welche Voraussetzungen wurden mit welchem Verfahren geprüft?
• Was waren die Ergebnisse (z. B. Shapiro-Wilk: W = .97, p = .43)?
• Waren die Voraussetzungen erfüllt – und wenn nicht, welche Konsequenzen wurden daraus gezogen?
• Wie wurden Ausreißer behandelt, und wurde eine Sensitivitätsanalyse durchgeführt?

Voraussetzungen sollten nicht als Formalität begriffen werden, die man im Anhang ablegt. Sie sind Teil der methodischen Argumentation und begründen, warum das gewählte Verfahren für Ihre Daten geeignet ist. Wer das überzeugend darstellt, stärkt die wissenschaftliche Qualität der gesamten Arbeit.

Häufige Fehler bei der Voraussetzungsprüfung

In der Praxis begegnen einem bei Masterarbeiten immer wieder dieselben Schwachstellen. Kennen Sie diese, können Sie sie vermeiden – oder rechtzeitig korrigieren.

Voraussetzungen gar nicht oder nur oberflächlich prüfen

Der häufigste Fehler: Die Prüfung wird ausgelassen oder auf einen einzelnen Shapiro-Wilk-Test reduziert. Das ist methodisch unzureichend. Besonders bei der Regression reicht ein Normalitätstest allein nicht aus – Linearität, Homoskedastizität, Unabhängigkeit und Multikollinearität müssen jeweils separat adressiert werden.

p-Wert des Normalitätstests falsch interpretieren

Ein nicht-signifikantes Ergebnis im Shapiro-Wilk-Test bedeutet nicht, dass die Daten normalverteilt sind – es bedeutet nur, dass kein signifikanter Nachweis gegen die Normalverteilung vorliegt. Gerade bei kleinen Stichproben ist der Test wenig trennscharf. Deshalb sollte immer auch eine grafische Prüfung (Q-Q-Plot, Histogramm) erfolgen.

Voraussetzungen prüfen, aber nichts daraus ableiten

Manche Studierende dokumentieren Voraussetzungsverletzungen sorgfältig – und wählen dennoch unverändert das ursprünglich geplante Verfahren. Das ist ein Widerspruch, der Gutachtenden auffällt. Jede festgestellte Verletzung muss eine methodische Konsequenz haben: Verfahrenswechsel, Datentransformation, Verwendung robuster Methoden oder zumindest eine kritische Einordnung der Ergebnisse.

Modellspezifikation vernachlässigen

Neben den klassischen Annahmen ist die korrekte Spezifikation des Modells entscheidend: Sind alle relevanten Prädiktoren enthalten? Werden irrelevante Variablen ausgeschlossen? Ist die funktionale Form (linear vs. kurvilinear) angemessen? Diese Fragen berühren nicht nur die Annahmen, sondern die inhaltliche Validität Ihres Modells.

Einen umfassenden Überblick über weitere typische Stolperfallen bietet der Beitrag zu den häufigen Statistikfehlern in Masterarbeiten.

Fazit: Voraussetzungen als Teil der wissenschaftlichen Argumentation

Die Prüfung statistischer Voraussetzungen ist kein bürokratischer Pflichtpunkt – sie ist ein integraler Bestandteil methodisch sauberer Forschung. Wer Voraussetzungen systematisch prüft, dokumentiert und aus den Ergebnissen methodische Konsequenzen zieht, zeigt wissenschaftliche Reife.

Dabei gilt: Nicht jedes Verfahren hat dieselben Anforderungen. Entscheidend ist, dass Sie das gewählte Verfahren, seine Anforderungen und die Eigenschaften Ihrer Daten aufeinander abstimmen – und diesen Prozess nachvollziehbar darstellen.

Einen strukturierten Überblick über geeignete Verfahren für Ihre konkrete Fragestellung finden Sie im Beitrag zu den statistischen Methoden für die Masterarbeit. Wenn Sie unsicher sind, ob Ihre Auswertungsplanung methodisch tragfähig ist, bietet die Statistik-Hilfe für Masterarbeiten von QuantExpert eine fachkundige methodische Begleitung – von der Voraussetzungsprüfung bis zur Ergebnisinterpretation.