Welche Auswertungsverfahren gibt es?

Überblick: Die drei großen Verfahrensgruppen

Auswertungsverfahren lassen sich grundlegend in drei Gruppen einteilen: deskriptive und inferenzstatistische Verfahren für quantitative Daten, qualitative Verfahren für Texte, Interviews und Beobachtungen sowie Mixed-Methods-Ansätze, die beide Welten kombinieren. Welches Verfahren für Ihre Arbeit geeignet ist, hängt von Ihrer Forschungsfrage, dem Datenmaterial und dem gewählten Forschungsdesign ab.

Die Wahl des Auswertungsverfahrens ist keine nachgelagerte Entscheidung, die man nach der Datenerhebung trifft. Sie sollte bereits bei der Planung feststehen – und wird in einer gut strukturierten empirischen Arbeit schon im Methodenteil begründet. In der Methodenliteratur wird die Wahl statistischer Analyseverfahren als integraler Bestandteil des Forschungsdesigns beschrieben, nicht als isolierter Analyseschritt.

Deskriptive Statistik

Die deskriptive Statistik bildet den Ausgangspunkt nahezu jeder empirischen Auswertung. Sie fasst Rohdaten in wenigen Kennzahlen zusammen und macht sie so lesbar und interpretierbar. Wer versteht, was eine statistische Auswertung bedeutet, weiß: Ohne deskriptive Kennwerte ist kein inferenzstatistisches Ergebnis sinnvoll einzuordnen.

Zentrale Kennwerte

• Lagemaße: Mittelwert, Median, Modus
• Streuungsmaße: Standardabweichung, Varianz, Spannweite, Interquartilsabstand
• Häufigkeitsverteilungen: absolute und relative Häufigkeiten, Prozentangaben
• Zusammenhangsmaße (deskriptiv): Korrelationskoeffizient nach Pearson oder Spearman

Für experimentelle und quasi-experimentelle Designs wird in der Fachliteratur empfohlen, Mittelwerte, Standardabweichungen und Spannweiten für alle Messzeitpunkte und Gruppen zu berichten – nicht nur als Vorstufe, sondern als eigenständigen Ergebnisteil.

Deskriptive Verfahren sind in fast jeder Abschlussarbeit Pflicht – unabhängig davon, ob Sie quantitativ, qualitativ oder gemischt vorgehen. Sie dokumentieren Ihre Stichprobe und schaffen die Grundlage für alle weiteren Analyseschritte.

Inferenzstatistische Verfahren

Mit inferenzstatistischen Verfahren ziehen Sie Schlussfolgerungen von einer Stichprobe auf die Grundgesamtheit. Sie prüfen, ob beobachtete Unterschiede oder Zusammenhänge statistisch bedeutsam sind – oder ob sie zufällig entstanden sein könnten. Das zentrale Werkzeug dabei ist der p-Wert in Kombination mit einem zuvor festgelegten Signifikanzniveau (meist α = 0,05).

Mittelwertvergleiche

Mittelwertvergleiche sind besonders verbreitet in der Psychologie, Medizin und den Sozialwissenschaften. Je nach Anzahl der Gruppen und Messwiederholungen kommen unterschiedliche Tests zum Einsatz:

• t-Test für unabhängige Stichproben: Vergleich zweier Gruppen (z. B. Kontroll- vs. Experimentalgruppe)
• t-Test für abhängige Stichproben: Vergleich von Messungen an denselben Personen (z. B. Prä-Post-Design)
• Einfaktorielle ANOVA: Vergleich von drei oder mehr unabhängigen Gruppen
• Mehrfaktorielle ANOVA / ANCOVA: Mehrere unabhängige Variablen oder Kovariaten einbeziehen
• MANOVA: Mehrere abhängige Variablen gleichzeitig testen

Ob parametrische Tests wie der t-Test oder deren nicht-parametrische Alternativen (z. B. Mann-Whitney-U, Kruskal-Wallis) geeignet sind, hängt von den Voraussetzungen Ihrer Daten ab. Eine ausführliche Orientierung bietet der Beitrag zum Unterschied zwischen parametrischen und nichtparametrischen Tests.

Zusammenhangstests

• Pearson-Korrelation: Linearer Zusammenhang zwischen zwei metrischen Variablen
• Spearman-Rangkorrelation: Nicht-parametrische Alternative, auch für ordinale Daten
• Chi-Quadrat-Test: Zusammenhang zwischen zwei kategorialen Variablen (z. B. in Kreuztabellen)
• Phi, Cramers V, Kontingenzkoeffizient: Effektstärkemaße bei nominalen Daten

Wer unsicher ist, welcher Test zur eigenen Forschungsfrage passt, findet im Beitrag Welchen statistischen Test brauche ich? eine strukturierte Entscheidungshilfe.

Regressions- und Modellverfahren

Regressionsverfahren gehen über den bloßen Gruppenvergleich hinaus: Sie modellieren, wie eine oder mehrere unabhängige Variablen eine abhängige Variable erklären oder vorhersagen. Sie gehören zur quantitativen Auswertung und sind besonders gefragt, wenn Sie Zusammenhänge unter Kontrolle von Drittvariablen untersuchen möchten.

Gängige Regressionsverfahren

Darüber hinaus existieren komplexere Modellierungsverfahren wie die Faktorenanalyse (explorativ oder konfirmatorisch), die Clusteranalyse oder Strukturgleichungsmodelle (SEM). Diese kommen häufig in Masterarbeiten und Dissertationen zum Einsatz, wenn latente Konstrukte oder kausale Pfadmodelle geprüft werden sollen. Mehr zu komplexen Analyseanforderungen finden Sie auf unserer Seite zur statistischen Auswertung für Dissertationen.

Qualitative Auswertungsverfahren

Quantitative Daten sind nicht alles. Wenn Ihre Forschungsfrage auf Bedeutungen, Erfahrungen oder Deutungsmuster abzielt – etwa bei Interviewstudien, Beobachtungen oder der Auswertung offener Fragebogenantworten – kommen qualitative Auswertungsverfahren zum Einsatz.

Qualitative Inhaltsanalyse nach Mayring

Das im deutschsprachigen Raum am häufigsten eingesetzte qualitative Verfahren ist die qualitative Inhaltsanalyse. Sie ist regelgeleitet, nachvollziehbar und dokumentiert – und damit besonders gut für wissenschaftliche Abschlussarbeiten geeignet.

Der Ablauf umfasst mehrere strukturierte Schritte: Festlegung der Analyseeinheiten, Entwicklung eines Kategoriensystems, Codierung des Materials und anschließende Auswertung der Kategorien. Dabei wird zwischen deduktivem Vorgehen (Kategorien aus Theorie ableiten) und induktivem Vorgehen (Kategorien aus dem Material heraus entwickeln) unterschieden. In der Methodenliteratur wird für deduktive Kategorienbildung ein systematischer Ablauf von Forschungsfrage über Kodierleitfaden und Probecodierung bis zur finalen Materialbearbeitung empfohlen.

Weitere qualitative Verfahren

• Grounded Theory: Theorieentwicklung aus dem empirischen Material heraus, zirkulärer Forschungsprozess
• Phänomenologische Analyse (IPA): Fokus auf subjektives Erleben einzelner Personen
• Diskursanalyse: Analyse von Sprache, Macht und gesellschaftlichen Deutungsrahmen
• Dokumentarische Methode: Rekonstruktion impliziter Orientierungen und kollektiver Wissensstrukturen
• Narrationsanalyse: Auswertung biographischer Erzählungen und Handlungslogiken

Welches qualitative Verfahren am besten zur eigenen Fragestellung passt, hängt stark vom erkenntnistheoretischen Rahmen und dem Untersuchungsgegenstand ab. Einen guten Einstieg bietet der Beitrag Was bedeutet qualitative Auswertung?.

Mixed-Methods-Auswertung

Mixed-Methods-Designs erheben und analysieren sowohl quantitative als auch qualitative Daten – und verbinden diese zu einem integrierten Gesamtbild. Das klingt nach doppeltem Aufwand, ist aber in vielen Forschungsfragen die methodisch sauberste Lösung: Skalen-Daten zeigen das „Wie viel“, Interviews erklären das „Warum“.

Entscheidend ist dabei, dass beide Datenarten nicht nur parallel nebeneinander ausgewertet, sondern aktiv miteinander verknüpft werden. In der Forschungsliteratur wird Mixed Methods als Ansatz beschrieben, bei dem qualitative und quantitative Daten durch einen transformierenden Integrationsprozess zusammengeführt werden – etwa indem Interviewcodes in auswertbare Häufigkeiten überführt oder quantitative Muster durch qualitative Fallbeispiele interpretiert werden.

Typische Mixed-Methods-Strategien

• Triangulation: Befunde aus qualitativer und quantitativer Analyse werden gegenseitig geprüft und verglichen
• Erklärend-sequenziell: Quantitative Ergebnisse werden zunächst erhoben, dann durch qualitative Daten vertieft erklärt
• Explorativ-sequenziell: Qualitative Exploration liefert die Basis für die Entwicklung von Skalen oder Hypothesen
• Eingebettet (embedded): Eine Methode ist der anderen untergeordnet und ergänzt sie punktuell

Die Integration beider Methoden muss methodisch begründet und im Methodenteil der Arbeit explizit dargelegt werden. Beide Datenarten folgen unterschiedlichen Annahmen und Interpretationslogiken – das verlangt eine bewusste und dokumentierte Entscheidung.

Welches Verfahren passt zu meiner Arbeit?

Die Entscheidung für ein Auswertungsverfahren folgt einer klaren Logik: Forschungsfrage und Hypothesen kommen zuerst, dann das Design, dann die Methode der Datenerhebung – und daraus ergibt sich das passende Auswertungsverfahren fast von selbst. Wer diesen Ablauf versteht, trifft selten eine falsche Wahl.

Für eine strukturierte Entscheidung empfiehlt sich außerdem ein Blick auf den Beitrag Welches statistische Verfahren passt zu meiner Forschungsfrage?, der verschiedene Konstellationen systematisch durchgeht.

Bachelorarbeiten kommen in den meisten Fällen mit deskriptiver Statistik, einem oder zwei inferenzstatistischen Tests und ggf. einer einfachen Regressionsanalyse aus – das ist vollkommen ausreichend und methodisch solide. Komplexere Verfahren wie Strukturgleichungsmodelle oder aufwendige Mixed-Methods-Designs sind eher für Masterarbeiten und Dissertationen vorgesehen.

Eine Übersicht über alle relevanten Schritte von der Hypothesenformulierung bis zur Ergebnisdarstellung bietet unsere Seite zur statistischen Auswertung für empirische Abschlussarbeiten. Wenn Sie konkrete Unterstützung bei der Wahl und Durchführung Ihrer Analyse suchen, begleiten unsere Statistikerinnen und Statistiker Sie durch den gesamten Prozess – von der Verfahrenswahl bis zur Interpretation der Ergebnisse.

Wenn Sie den Aufwand realistisch einschätzen möchten, finden Sie auf unserer Seite zu den Kosten einer statistischen Auswertung eine strukturierte Orientierung zu Preisen, Leistungsumfang und Einflussfaktoren.