Wie werte ich eine quantitative Umfrage aus?
In diesem Beitrag
- Der Auswertungsprozess im Überblick
- Datentypen verstehen – die Grundlage jeder Auswertung
- Datenvorbereitung: Bevor die eigentliche Analyse beginnt
- Deskriptive Statistik: Was Ihre Daten beschreiben
- Inferenzstatistik: Hypothesen prüfen und Zusammenhänge testen
- Gewichtung und Repräsentativität
- Ergebnisse darstellen und verschriftlichen
- Software-Überblick: Womit Sie auswerten können
- Häufige Fehler bei der Umfrageauswertung
Der Auswertungsprozess im Überblick
Die Auswertung einer quantitativen Umfrage folgt einem klaren Ablauf: Erst die Daten bereinigen, dann beschreiben, dann – falls Hypothesen vorliegen – statistisch testen, und schließlich die Ergebnisse verständlich darstellen. Wer diesen Prozess strukturiert angeht, vermeidet die meisten typischen Fehler.
In der Methodenliteratur wird empfohlen, Forschungsziel und Forschungsfragen bereits vor der Erhebung präzise zu formulieren und den Analyseplan darauf abzustimmen. Das klingt selbstverständlich, wird in der Praxis aber erstaunlich oft vernachlässigt – mit der Folge, dass Studierende nach der Datenerhebung nicht wissen, welche Tests überhaupt sinnvoll sind.
Die wichtigsten Schritte im Überblick:
- Forschungsfragen und Hypothesen klären
- Daten auf Vollständigkeit und Plausibilität prüfen
- Datensatz bereinigen und codieren
- Deskriptive Statistik berechnen
- Inferenzstatistische Tests durchführen (bei entsprechender Fragestellung)
- Ergebnisse darstellen und interpretieren
Die folgenden Abschnitte gehen auf jeden dieser Schritte im Detail ein.
Datentypen verstehen – die Grundlage jeder Auswertung
Welche Analysemethode Sie verwenden dürfen, hängt unmittelbar vom Skalenniveau Ihrer Variablen ab. Ein häufiger Fehler ist es, Daten zu analysieren, ohne sich dieses Zusammenhangs bewusst zu sein.
Grundsätzlich unterscheidet man drei Kategorien:
| Skalenniveau | Beispiele | Typische Auswertung |
|---|---|---|
| Nominalskaliert | Geschlecht, Studiengang, Ja/Nein-Fragen | Häufigkeiten, Modus, Chi-Quadrat-Test |
| Ordinalskaliert | Likert-Skalen, Schulnoten, Rangfolgen | Median, Häufigkeiten, Mann-Whitney-U-Test |
| Metrisch (intervall/verhältnis) | Alter, Einkommen, Testergebnisse | Mittelwert, Standardabweichung, t-Test, Regression |
Besonders bei Likert-Skalen (z.B. „1 = stimme gar nicht zu“ bis „5 = stimme voll zu“) gibt es in der Methodenliteratur eine anhaltende Diskussion: Streng genommen handelt es sich um ordinale Daten – in der Praxis werden sie in vielen Fächern, insbesondere der Psychologie und den Sozialwissenschaften, jedoch wie metrische Daten behandelt, wenn die Skala mindestens fünf Stufen umfasst. Prüfen Sie, was Ihre Hochschule und Ihr Betreuer dazu vorgeben.
Datenvorbereitung: Bevor die eigentliche Analyse beginnt
Rohdaten aus Online-Befragungen sind selten sofort auswertbar. Dieser Schritt kostet Zeit, ist aber unverzichtbar.
Was zur Datenvorbereitung gehört
- Vollständigkeit prüfen: Wie viele Teilnehmende haben den Fragebogen vollständig ausgefüllt? Wie hoch ist der Anteil fehlender Werte pro Item?
- Ausreißer und implausible Werte identifizieren: Extrem schnelle Bearbeitungszeiten, monotone Antwortmuster oder widersprüchliche Angaben können auf unengagierte Teilnehmende hinweisen.
- Umkehrcodierung: Bei negativ formulierten Items in Likert-Skalen müssen die Antwortwerte gespiegelt werden, bevor Summenscores gebildet werden.
- Variablen benennen und labeln: Klare Variablennamen und Wertelabels erleichtern spätere Analysen erheblich.
- Fehlende Werte kennzeichnen: Definieren Sie, wie Sie mit Missing Data umgehen – listenweiser oder paarweiser Ausschluss, oder Imputation?
Modus und Messinstrument dokumentieren
Gerade bei Online-Befragungen ist es wichtig, den Erhebungsmodus zu dokumentieren. Antwortverteilungen spiegeln nicht nur inhaltliche Einstellungen wider – sie können auch durch den Darstellungsmodus, das Skalenlayout oder die Nutzung auf mobilen Geräten beeinflusst werden. Fachlich wird empfohlen, vor der Auswertung Fragebogenmodus, mögliche Mode Effects und Änderungen gegenüber Vorversionen zu dokumentieren, damit Ergebnisse nicht überinterpretiert werden.
Praktisch bedeutet das: Notieren Sie im Methodenteil, ob die Befragung am PC oder mobil stattfand, ob es ein adaptives oder ein fixes Layout gab, und ob es sich um eine erstmalige Erhebung oder eine Replikation handelt.
Deskriptive Statistik: Was Ihre Daten beschreiben
Die deskriptive Statistik bildet das Fundament jeder Umfrageauswertung. Hier beschreiben Sie, was Ihre Daten zeigen – ohne bereits Schlüsse auf eine Grundgesamtheit zu ziehen.
Häufigkeiten und Verteilungen
Für nominale und ordinale Variablen berechnen Sie zunächst absolute und relative Häufigkeiten. Wie viele Teilnehmende haben Option A gewählt? Welchen Anteil macht das aus? Häufigkeitstabellen und Balkendiagramme sind hier das Mittel der Wahl.
Lagemaße und Streuungsmaße
Für metrische Variablen (und in der Praxis oft auch für Likert-Skalen) berechnen Sie:
- Mittelwert (): Durchschnittlicher Antwortwert
- Standardabweichung (SD): Streuung der Antworten um den Mittelwert
- Minimum und Maximum: Grenzen des Antwortspektrums
- Median: Der mittlere Wert – besonders bei schiefen Verteilungen aussagekräftiger als der Mittelwert
Mittelwert – Grundformel
Wie Sie Mittelwert und Standardabweichung korrekt im Text angeben, erfahren Sie in unserem Beitrag Wie gibt man Mittelwert und Standardabweichung in einem Text an?
Stichprobenbeschreibung nicht vergessen
Vor allen inhaltlichen Ergebnissen steht die Beschreibung der Stichprobe: Alter, Geschlecht, Studiengang oder andere relevante demografische Merkmale. Diese Angaben gehören in Ihren Ergebnisteil und ermöglichen es der Leserschaft, die Generalisierbarkeit Ihrer Befunde einzuschätzen.
Inferenzstatistik: Hypothesen prüfen und Zusammenhänge testen
Wenn Sie nicht nur beschreiben, sondern Hypothesen testen wollen – etwa ob sich zwei Gruppen in ihrer Zufriedenheit unterscheiden oder ob ein Zusammenhang zwischen zwei Variablen besteht – kommen inferenzstatistische Verfahren zum Einsatz.
Die Wahl des richtigen Tests
Die Entscheidung hängt von drei Faktoren ab: dem Skalenniveau der Variablen, der Anzahl der Gruppen und der Frage, ob die Voraussetzungen parametrischer Tests erfüllt sind (v.a. Normalverteilung der Residuen).
| Fragestellung | Geeigneter Test | Voraussetzung |
|---|---|---|
| Mittelwertvergleich, 2 Gruppen | t-Test für unabhängige Stichproben | Normalverteilung, metrische AV |
| Mittelwertvergleich, 3+ Gruppen | Einfaktorielle ANOVA | Normalverteilung, Varianzhomogenität |
| Zusammenhang zweier metrischer Variablen | Pearson-Korrelation | Normalverteilung, linearer Zusammenhang |
| Zusammenhang zweier ordinaler Variablen | Spearman-Rangkorrelation | Mindest-Ordinalskalierung |
| Häufigkeitsvergleich nominaler Variablen | Chi-Quadrat-Test | Erwartete Zellhäufigkeiten ≥ 5 |
| Einfluss mehrerer Variablen auf eine AV | Multiple Regression | Metrische AV, Linearität, keine Multikollinearität |
Signifikanz allein reicht nicht
Ein häufiger Fehler: Studierende berichten den p-Wert und halten die Analyse damit für abgeschlossen. Dabei ist statistische Signifikanz nur ein Teil des Bildes. Zusätzlich sollten Sie immer eine Effektstärke angeben – etwa Cohens d beim t-Test oder η² bei der ANOVA. Erst die Kombination aus Signifikanz und Effektstärke erlaubt eine inhaltlich sinnvolle Interpretation.
Cohens d – Effektstärke für den t-Test
Wie Sie auch nicht-signifikante Ergebnisse korrekt einordnen und darstellen, erklärt unser Beitrag Wie beschreibt man nicht-signifikante Ergebnisse?
Gewichtung und Repräsentativität
Nicht jede Stichprobe spiegelt die Grundgesamtheit gleichmäßig wider. Wenn bestimmte Gruppen unter- oder überrepräsentiert sind – etwa weil jüngere Personen häufiger an Online-Befragungen teilnehmen – kann eine Gewichtung die Verzerrung korrigieren.
In der professionellen Umfrageforschung kommen dafür verschiedene Verfahren zum Einsatz. Verglichen werden unter anderem Raking, Matching und Propensity Weighting sowie Kombinationen daraus. Studien mit simulierten Stichproben zeigen, dass die Wahl des Gewichtungsverfahrens die Repräsentativität der Ergebnisse messbar beeinflusst – und dass auch die Frage, ob nur demografische oder zusätzlich inhaltliche Merkmale in die Gewichtung eingehen, einen Unterschied macht.
Für Abschlussarbeiten gilt: Vollständige Gewichtung ist selten nötig, solange Sie Ihre Stichprobe transparent beschreiben und die Grenzen der Generalisierbarkeit im Diskussionsteil offen kommunizieren. Wenn Ihre Stichprobe stark verzerrt ist (z.B. 80 % weiblich in einer geschlechtlich gemischten Zielgruppe), sollten Sie das jedoch thematisieren – und ggf. eine einfache demografische Gewichtung erwägen.
Ergebnisse darstellen und verschriftlichen
Nach der Berechnung folgt die Darstellung. Dieser Schritt entscheidet maßgeblich darüber, wie Ihre Arbeit wahrgenommen wird – inhaltlich starke Analysen können durch eine schlechte Darstellung erheblich an Wirkung verlieren.
Tabellen und Abbildungen gezielt einsetzen
Tabellen eignen sich für genaue Zahlenwerte, Abbildungen für die Veranschaulichung von Verteilungen und Trends. Wichtig: Jede Tabelle und jede Abbildung braucht eine präzise Beschriftung und muss im Text erwähnt und inhaltlich kommentiert werden – nie einfach „sprechen lassen“.
Hinweise zur korrekten Formatierung finden Sie in unserem Beitrag Wie erstellt man APA-konforme Tabellen?
Den Ergebnisteil strukturieren
Bewährt hat sich folgende Reihenfolge im Ergebnisteil:
- Stichprobenbeschreibung (Demografie, Rücklaufquote)
- Prüfung der Voraussetzungen (z.B. Normalverteilung, Reliabilität von Skalen)
- Deskriptive Ergebnisse zu den zentralen Variablen
- Ergebnisse der Hypothesentests mit Signifikanz und Effektstärke
Eine ausführliche Anleitung zum Verfassen des Ergebnisteils finden Sie unter Wie schreibe ich den Ergebnisteil? Wie Sie Ergebnisse anschließend in der Diskussion einordnen, erklärt unser Beitrag Wie diskutiert man statistische Ergebnisse im Diskussionsteil?
Korrekte Formulierungen im Text
Statistische Ergebnisse werden nach festen Konventionen berichtet. Ein t-Test-Ergebnis sieht im APA-Format beispielsweise so aus:
„Es zeigte sich ein signifikanter Unterschied zwischen den Gruppen, t(48) = 2.34, p = .023, d = 0.66.“
Welche Abkürzungen dabei verwendet werden und was sie bedeuten, erläutert unser Beitrag zu statistischen Abkürzungen. Eine umfassende Orientierung zur Interpretation und Verschriftlichung statistischer Ergebnisse bietet unsere zentrale Übersichtsseite zu diesem Thema.
Software-Überblick: Womit Sie auswerten können
Für die Auswertung quantitativer Umfragen stehen verschiedene Programme zur Verfügung. Die Wahl hängt von Ihren Vorkenntnissen, den Anforderungen Ihrer Hochschule und der Komplexität Ihrer Analyse ab.
| Software | Stärken | Geeignet für |
|---|---|---|
| SPSS | Intuitive Menüführung, weit verbreitet an Hochschulen | Deskriptivstatistik, t-Tests, ANOVA, Regression |
| Jamovi | Kostenlos, modernes Interface, SPSS-ähnlich | Einsteiger, alle gängigen Tests |
| R | Kostenlos, sehr flexibel, reproduzierbar | Fortgeschrittene Analysen, komplexe Modelle |
| Excel | Überall verfügbar | Einfache Häufigkeiten, Grundstatistik |
| Stata | Stark in der Ökonometrie und Panelanalyse | Wirtschaftswissenschaften, Sozialforschung |
Für die meisten Bachelor- und Masterarbeiten mit quantitativer Umfrage sind SPSS oder Jamovi völlig ausreichend. Wer reproduzierbare Analysen anstrebt oder mit größeren Datensätzen arbeitet, ist mit R gut bedient.
Häufige Fehler bei der Umfrageauswertung
Abschließend die häufigsten Stolpersteine – und wie Sie sie vermeiden:
- Datentypen ignorieren: Parametrische Tests auf rein ordinale Daten anwenden, ohne die Voraussetzungen zu prüfen.
- Fehlende Werte übersehen: Ohne Analyse des Missing-Data-Musters kann eine systematische Verzerrung unbemerkt bleiben.
- Nur p-Werte berichten: Effektstärken fehlen, obwohl sie für die inhaltliche Interpretation mindestens genauso wichtig sind.
- Ergebnisse nicht kommentieren: Tabellen und Abbildungen werden eingefügt, aber nicht im Text interpretiert.
- Stichprobenbeschreibung vergessen: Ohne Demografie kann die Leserin oder der Leser die Übertragbarkeit der Ergebnisse nicht einschätzen.
- Signifikanz mit Relevanz gleichsetzen: Ein hoch signifikantes Ergebnis bei kleiner Effektstärke hat in der Praxis oft wenig Bedeutung.
Wenn Sie unsicher sind, welche Analyseschritte für Ihre konkrete Fragestellung sinnvoll sind, oder wenn Sie Unterstützung bei der Interpretation Ihrer Ergebnisse benötigen, finden Sie auf unserer Seite zur methodischen Begleitung bei Interpretation und Verschriftlichung weitere Informationen zu unseren Leistungen.
