Welche Voraussetzungen muss ich vor der Auswertung prüfen?

Warum die Voraussetzungsprüfung nicht optional ist

Bevor Sie mit der eigentlichen Auswertung beginnen, müssen Sie prüfen, ob Ihre Daten die methodischen Anforderungen des gewählten statistischen Verfahrens erfüllen. Denn statistische Tests liefern nur dann valide Ergebnisse – also korrekte p-Werte, Konfidenzintervalle und Schlussfolgerungen –, wenn ihre Voraussetzungen erfüllt sind.

Gerade in Abschlussarbeiten wird dieser Schritt häufig unterschätzt oder ganz übersprungen. Das ist ein methodischer Fehler, der im schlimmsten Fall die gesamte Interpretation Ihrer Ergebnisse in Frage stellt. Methodisch fundierte Quellen betonen, dass die systematische Prüfung von Annahmen zur Absicherung von p-Werten, Konfidenzintervallen und Schlussfolgerungen gehört – und eben nicht zur Kategorie „nice to have“.

Welche Voraussetzungen konkret relevant sind, hängt vom gewählten Verfahren ab. Die grundlegenden Kategorien sind jedoch bei den meisten parametrischen Tests ähnlich.

Die wichtigsten Kategorien statistischer Voraussetzungen

Statistische Annahmen lassen sich in zwei grundlegende Typen unterteilen: solche, die sich aus dem Studiendesign ergeben, und solche, die anhand der erhobenen Daten geprüft werden können. Diese Unterscheidung ist wichtig, weil Sie für jede Kategorie anders vorgehen müssen.

In der Fachliteratur werden statistische Annahmen im Rahmen des General Linear Model in sechs Hauptkategorien eingeteilt: Randomisierung, Unabhängigkeit, Messung, Normalität, Linearität und Varianz. Diese Systematik ist auch für Bachelorarbeiten, Masterarbeiten und Dissertationen ein hilfreicher Rahmen.

Normalverteilung prüfen

Die Normalverteilungsannahme gehört zu den bekanntesten Voraussetzungen parametrischer Tests. Dabei gilt: Geprüft wird nicht, ob Ihre Stichprobe normalverteilt ist, sondern ob die zugrundeliegende Population als normalverteilt angenommen werden kann – was anhand von Stichprobendaten beurteilt wird.

Grafische Prüfmethoden

Am gebräuchlichsten sind zwei grafische Verfahren:

• Histogramm: Gibt einen ersten visuellen Eindruck der Verteilungsform. Bei kleineren Stichproben (n < 30) ist die Beurteilung hier aber unsicher.
• Q-Q-Plot (Normal Probability Plot): Punkte, die eng an der Diagonalen liegen, sprechen für Normalverteilung. Starke Abweichungen an den Rändern (sogenannte „Heavy Tails“) sind ein Warnsignal.

Formale Tests

Ergänzend können formale Tests eingesetzt werden:

• Shapiro-Wilk-Test: Empfohlen bei n < 50, gilt als sensitiver als andere Verfahren.
• Kolmogorov-Smirnov-Test: Eher bei größeren Stichproben, in SPSS standardmäßig verfügbar.

Gut zu wissen: Viele parametrische Tests – insbesondere t-Test und ANOVA – sind bei ausreichend großen Stichproben relativ robust gegenüber leichten Abweichungen von der Normalverteilung. Das liegt am Zentralen Grenzwertsatz, der dafür sorgt, dass Stichprobenmittelwerte sich bei größeren n der Normalverteilung annähern.

Varianzhomogenität prüfen

Viele Gruppenvergleiche – etwa der t-Test für unabhängige Stichproben oder die einfaktorielle ANOVA – setzen voraus, dass die Varianzen in den verglichenen Gruppen gleich sind (Homoskedastizität). Diese Annahme wird in der Regel mit dem Levene-Test geprüft.

• Ist der Levene-Test nicht signifikant (p > .05): Varianzhomogenität kann angenommen werden.
• Ist der Levene-Test signifikant (p ≤ .05): Varianzhomogenität ist verletzt – Sie sollten eine robuste Alternative wählen (z.B. Welch-t-Test oder Welch-ANOVA).

In SPSS wird beim t-Test für unabhängige Stichproben der Levene-Test automatisch ausgegeben, ebenso die korrigierte Welch-Statistik. Sie müssen also nur wissen, welche Zeile der Ausgabe Sie abhängig vom Testergebnis interpretieren sollen.

Unabhängigkeit der Beobachtungen

Die Unabhängigkeit der Messungen ist eine der kritischsten Voraussetzungen – und gleichzeitig eine, die sich nicht durch einen Test belegen lässt. Sie ergibt sich aus dem Erhebungsdesign und muss konzeptuell begründet werden.

Sind Beobachtungen voneinander abhängig (z.B. durch Mehrfachmessungen, Clusterstichproben oder Paardaten), ist das kein Fehler – aber dann brauchen Sie andere Verfahren (z.B. t-Test für abhängige Stichproben, Mehrebenenmodelle). Die Fachliteratur weist ausdrücklich darauf hin, dass fehlende Unabhängigkeit beim t-Test die Ergebnisse vollständig invalidieren kann – stärker als fast jede andere Verletzung.

Fragen, die Sie sich an dieser Stelle stellen sollten:

• Wurde jede Versuchsperson nur einmal gemessen?
• Gibt es Cluster in der Stichprobe (z.B. Schulklassen, Teams)?
• Handelt es sich um ein Längsschnittdesign mit Wiederholungsmessungen?

Messniveau und Skalierung

Parametrische Verfahren setzen in aller Regel metrisch skalierte Variablen voraus (Intervall- oder Verhältnisskala). Ob Ihre Variablen dieses Kriterium erfüllen, lässt sich nicht statistisch testen – es ergibt sich aus Ihrer Operationalisierung.

Typische Stolperfallen:

• Likert-Skalen: Einzelne Items sind ordinal, Summenwerte oder Mittelwerte aus mehreren Items werden in der Praxis oft als quasi-metrisch behandelt – das ist vertretbar, sollte aber begründet werden.
• Dichotome Variablen: Diese sind nominalskaliert. Verwenden Sie für Gruppenvergleiche mit dichotomen Prädiktoren geeignete Verfahren (z.B. Chi-Quadrat-Test, logistische Regression).
• Rangskalen: Erfordern nichtparametrische Alternativen (Mann-Whitney-U, Spearman-Korrelation).

Besonderheiten bei Regressionsanalysen

Für lineare und logistische Regressionsmodelle gelten erweiterte Voraussetzungen, die über die Grundannahmen von t-Test und ANOVA hinausgehen. Wer eine statistische Auswertung für eine empirische Abschlussarbeit plant, in der eine Regression eine zentrale Rolle spielt, sollte diese Punkte systematisch durcharbeiten.

Linearität

Die lineare Regression setzt voraus, dass der Zusammenhang zwischen Prädiktoren und Kriteriumsvariable linear ist. Prüfen Sie dies über Streudiagramme (Prädiktor gegen Kriterium) und Residuenplots (vorhergesagte Werte gegen Residuen). Nicht-lineare Muster im Residuenplot sind ein Hinweis auf verletzte Linearitätsannahme.

Homoskedastizität der Residuen

Die Residuen sollten über alle Ausprägungen des vorhergesagten Werts hinweg eine gleichmäßige Streuung aufweisen. Trichterförmige Muster im Residuenplot deuten auf Heteroskedastizität hin.

Ausreißer und einflussreiche Beobachtungen

Einzelne Fälle können Regressionskoeffizienten erheblich verzerren. Relevante Diagnostiken:

• Standardisierte Residuen: Werte > ±2,5 gelten als auffällig.
• Cook’s D: Maß für den Einfluss eines Falls auf das Gesamtmodell. Werte > 1 gelten als kritisch.
• Leverage-Werte: Hohe Hebelwerte zeigen Fälle mit extremen Prädiktorwerten an.

Multikollinearität

Bei multiplen Regressionen dürfen die Prädiktoren nicht zu stark miteinander korrelieren. Prüfen Sie den Variance Inflation Factor (VIF): Werte über 10 (konservativ: über 5) sind problematisch.

Normalverteilung der Residuen

Nicht die abhängige Variable selbst muss normalverteilt sein, sondern die Residuen des Modells. Das ist ein häufiges Missverständnis. Prüfen Sie dies über einen Q-Q-Plot der Residuen.

Methodische Konsensempfehlungen aus der Forschungspraxis zeigen, dass bei Regressionsmodellen Linearität, Varianzstruktur, Ausreißer und Modellpassung systematisch geprüft werden sollten – und nicht nur die Normalverteilung der Residuen allein.

Besonderheiten beim Chi-Quadrat-Test

Der Chi-Quadrat-Test hat eigene, spezifische Voraussetzungen, die sich von denen parametrischer Tests unterscheiden. Besonders wichtig ist die Mindeststichprobengröße pro Zelle der Kontingenztabelle. Als Faustregel gilt:

• Alle erwarteten Zellhäufigkeiten sollten größer als 1 sein.
• Höchstens 20 % der Zellen dürfen eine erwartete Häufigkeit kleiner als 5 aufweisen.

Diese Schwellenwerte entsprechen dem, was in methodischen Checklisten für die Beurteilung wissenschaftlicher Studien als Mindeststandard angegeben wird. Sind diese Kriterien verletzt, sollten Sie auf den Exakten Fisher-Test ausweichen – besonders bei 2×2-Tabellen oder kleinen Stichproben.

Einen ausführlichen Überblick über Durchführung und Interpretation finden Sie im Beitrag zum Chi-Quadrat-Test.

Was tun bei Verletzungen?

Eine verletzte Voraussetzung bedeutet nicht automatisch, dass Ihre Auswertung ungültig ist. Es kommt darauf an, welche Voraussetzung betroffen ist und wie stark die Verletzung ausfällt. Nicht jede Verletzung ist gleich schwerwiegend.

Mögliche Reaktionen je nach Art der Verletzung:

• Normalverteilung leicht verletzt, n groß: Parametrische Tests in der Regel trotzdem vertretbar (Robustheit durch CLT).
• Normalverteilung stark verletzt, n klein: Nichtparametrisches Pendant wählen (z.B. Mann-Whitney-U statt t-Test).
• Varianzhomogenität verletzt: Welch-Korrektur verwenden.
• Ausreißer vorhanden: Prüfen, ob es sich um Datenfehler handelt; robuste Schätzverfahren erwägen; Sensitivitätsanalyse mit und ohne Ausreißer durchführen.
• Multikollinearität: Prädiktoren entfernen, zusammenfassen oder Ridge-Regression einsetzen.
• Unabhängigkeit verletzt: Verfahren grundsätzlich wechseln (Mehrebenenmodell, Messwiederholungs-ANOVA).

Wichtig: Dokumentieren Sie in Ihrer Arbeit, welche Voraussetzungen Sie geprüft haben, wie Sie vorgegangen sind und – wenn Verletzungen aufgetreten sind – wie Sie damit umgegangen sind. Das ist methodisch sauber und von Betreuenden erwartet.

Wenn Sie sich fragen, welches Verfahren zu Ihrer Forschungsfrage passt, hilft der Beitrag zu statistischen Verfahren und Forschungsfragen weiter – denn die Voraussetzungen, die Sie prüfen müssen, ergeben sich direkt aus dem gewählten Verfahren.

Checkliste: Voraussetzungen vor der Auswertung

Die folgende Checkliste fasst zusammen, was Sie vor dem Start Ihrer Auswertung systematisch durcharbeiten sollten. Gehen Sie die Punkte für jedes Ihrer geplanten Verfahren durch.

Wenn Sie noch am Anfang Ihrer Auswertung stehen und zunächst einen strukturierten Einstieg suchen, gibt der Beitrag „Daten erhoben – wie beginnt man mit der Auswertung?“ einen guten Überblick über den gesamten Prozess – von der Dateneingabe bis zur ersten Analyse.

Wer einen vollständigen Überblick über alle Schritte der professionellen statistischen Auswertung sucht, findet dort auch Hinweise darauf, wie Voraussetzungsprüfung in den Gesamtprozess eingebettet wird.