Wie wertet man Umfrageergebnisse aus?
In diesem Beitrag
Die Auswertung von Umfrageergebnissen folgt einem klaren Ablauf: Datenbasis prüfen, deskriptive Kennwerte berechnen, bei Bedarf inferenzstatistische Tests durchführen und die Ergebnisse verständlich darstellen. Klingt geradlinig – und das ist es grundsätzlich auch, wenn man die einzelnen Schritte in der richtigen Reihenfolge angeht.
Dieser Artikel zeigt Ihnen, wie dieser Ablauf konkret aussieht: von der Bereinigung Ihrer Rohdaten bis zur schriftlichen Darstellung im Ergebnisteil Ihrer Arbeit. Dabei spielt es keine große Rolle, ob Sie zehn oder tausend Teilnehmende befragt haben – die methodischen Grundprinzipien bleiben dieselben.
Vor der Auswertung: Datenbasis prüfen und bereinigen
Bevor Sie auch nur einen Mittelwert berechnen, müssen Sie Ihre Daten in einen auswertefähigen Zustand bringen. Dieser Schritt wird in der Praxis oft unterschätzt – dabei entscheidet er maßgeblich über die Qualität Ihrer Ergebnisse.
Fallklassifikation und Rücklaufquote
Klären Sie zuerst, welche Datensätze überhaupt in Ihre Auswertung eingehen. Unterscheiden Sie dabei zwischen:
- Vollständig ausgefüllten Fragebögen, die ohne Einschränkungen ausgewertet werden
- Teilweise ausgefüllten Fragebögen, die je nach Vollständigkeitsgrad eingeschlossen oder ausgeschlossen werden
- Fällen mit unbekannter Eignung, bei denen unklar ist, ob die Person zur Zielgruppe gehört
- Expliziten Ablehnungen oder Abbrüchen, die als Nonresponse dokumentiert werden
Eine pauschale Angabe wie „Rücklaufquote: 65 %“ ist ohne weitere Erläuterung wenig aussagekräftig. Methodisch belastbare Umfrageberichte legen offen, auf welcher Fallklassifikation eine Antwortquote beruht – Rücklaufquoten sind nur dann vergleichbar und nachvollziehbar, wenn die Grundgesamtheit, die Ausschlussregeln und die Behandlung unklarer Fälle transparent dokumentiert werden.
Dateneingabe und Kodierung prüfen
Gehen Sie Ihren Datensatz systematisch durch:
- Sind alle Variablen korrekt kodiert (z. B. Likert-Skala 1–5, nicht 0–4)?
- Gibt es Ausreißer oder offensichtlich fehlerhafte Eingaben?
- Sind fehlende Werte (missing values) einheitlich als solche markiert?
- Stimmen Variablennamen und -typen mit Ihrem Codebuch überein?
Deskriptive Statistik: Der erste Schritt jeder Umfrageauswertung
Die deskriptive Statistik beschreibt Ihre erhobenen Daten, ohne Verallgemeinerungen auf eine größere Population vorzunehmen. Sie ist in jeder Umfrageauswertung unverzichtbar – unabhängig davon, ob Sie anschließend noch inferenzstatistische Tests rechnen.
Skalenniveau bestimmt das Verfahren
Welche Kennwerte Sie berechnen dürfen, hängt vom Skalenniveau Ihrer Variablen ab:
| Skalenniveau | Beispiel | Geeignete Kennwerte |
|---|---|---|
| Nominal | Geschlecht, Fächergruppe | Häufigkeiten, Prozentanteile, Modus |
| Ordinal | Likert-Skala, Schulnoten | Median, Häufigkeiten, Quartile |
| Intervall / Verhältnis | Alter, Einkommen, Testscores | Mittelwert, Standardabweichung, Min./Max. |
In der Praxis werden Likert-Skalen in wissenschaftlichen Arbeiten häufig wie intervallskalierte Daten behandelt und Mittelwerte berichtet. Das ist methodisch vertretbar, sollte aber im Methodenteil kurz begründet werden.
Häufigkeiten und Prozentwerte
Für nominale und ordinale Variablen sind Häufigkeitstabellen der Ausgangspunkt. Sie zeigen, wie viele Personen eine bestimmte Antwortkategorie gewählt haben – absolut und relativ (in Prozent). Kreuztabellen ermöglichen darüber hinaus Vergleiche zwischen Gruppen, zum Beispiel zwischen verschiedenen Altersgruppen oder Studiengängen.
Mittelwert und Standardabweichung
Für metrische Variablen berechnen Sie Mittelwert (M) und Standardabweichung (SD). Der Mittelwert gibt den durchschnittlichen Antwortwert an; die Standardabweichung zeigt, wie weit die Antworten um diesen Durchschnitt streuen.
Mittelwert und Standardabweichung
Wie Sie Mittelwert und Standardabweichung korrekt im Text angeben, zeigt unser Beitrag zur APA-konformen Darstellung dieser Kennwerte.
Variationskoeffizient und Designeffekt
Bei größeren oder komplexer angelegten Umfragen empfiehlt sich zusätzlich der Blick auf den Variationskoeffizienten (CV), der die Standardabweichung ins Verhältnis zum Mittelwert setzt. Er hilft einzuschätzen, wie homogen oder heterogen die Antworten einer Gruppe sind. Neben Mittelwert und Standardabweichung liefern Variationskoeffizient und Designeffekt wichtige Zusatzinformationen über die Präzision von Umfrageschätzungen – besonders dann, wenn keine einfache Zufallsstichprobe vorliegt.
Inferenzstatistik: Von der Stichprobe zur Population
Wenn Sie nicht nur Ihre Stichprobe beschreiben, sondern Aussagen über eine größere Grundgesamtheit treffen wollen, kommen inferenzstatistische Methoden ins Spiel. Dabei schließen Sie von den beobachteten Stichprobenwerten auf Populationsparameter – mit einer bestimmbaren Unsicherheit.
Hypothesentests und Signifikanzniveau
Bei Gruppenvergleichen (z. B. „Unterscheiden sich Frauen und Männer in ihrer Zufriedenheit?“) setzen Sie einen geeigneten Hypothesentest ein:
- t-Test: Vergleich von zwei Gruppen bei metrischen Daten
- ANOVA: Vergleich von drei oder mehr Gruppen
- Chi-Quadrat-Test: Zusammenhänge zwischen nominalen Variablen
- Korrelation / Regression: Zusammenhänge zwischen metrischen Variablen
Ob ein Ergebnis statistisch signifikant ist, wird am p-Wert abgelesen. Was ein Signifikanzniveau von 0,05 konkret bedeutet und wann Sie es unterschreiten sollten, erklärt unser Beitrag zum Signifikanzniveau in der empirischen Forschung.
Standardfehler und Konfidenzintervalle
Jede Schätzung aus einer Stichprobe ist mit Unsicherheit behaftet. Der Standardfehler (SE) quantifiziert, wie stark der Stichprobenmittelwert vom wahren Populationsmittelwert abweichen könnte. Konfidenzintervalle geben einen Bereich an, in dem der wahre Wert mit einer bestimmten Wahrscheinlichkeit liegt – typischerweise mit 95 % Sicherheit.
Gerade bei Umfragen ist es wichtig, nicht nur Punktschätzungen zu berichten: Deskriptive Statistik umfasst nicht nur den Schätzwert selbst, sondern auch Präzisionsmaße wie Standardfehler oder Intervallschätzungen, um die Verlässlichkeit der Ergebnisse einschätzen zu können.
Gewichtung bei komplexen Stichprobendesigns
Wenn Ihre Umfrage keine einfache Zufallsstichprobe darstellt – etwa weil bestimmte Gruppen bewusst über- oder unterrepräsentiert wurden –, müssen Sie Designgewichte berücksichtigen. Ohne Gewichtung können Anteile und Mittelwerte die wahren Populationsverhältnisse verzerren. Designgewichte beruhen auf dem Kehrwert der Auswahlwahrscheinlichkeit und werden häufig für Nonresponse und Poststratifizierung angepasst.
Für die meisten Bachelorarbeiten mit einer Convenience-Stichprobe ist eine formale Gewichtung nicht nötig – aber Sie sollten diese Einschränkung im Methodenteil transparent benennen. Wie das gelingt, zeigt unser Beitrag zum Schreiben des Methodenteils in empirischen Arbeiten.
Ergebnisse visualisieren und darstellen
Gut gewählte Grafiken machen Umfrageergebnisse auf einen Blick verständlich. Dabei gilt: Die Darstellungsform folgt dem Datenniveau und dem Erkenntnisziel.
Welche Grafik passt zu welchem Datentyp?
| Datentyp / Fragestellung | Empfohlene Darstellung |
|---|---|
| Nominale / ordinale Häufigkeiten | Balkendiagramm, Kreisdiagramm (max. 5 Kategorien) |
| Likert-Skala-Ergebnisse | Gestapeltes Balkendiagramm, Divergenz-Balken |
| Metrische Verteilung | Histogramm, Boxplot |
| Gruppenvergleiche | Gruppierten Balkendiagramm, Fehlerbalken |
| Zusammenhänge zwischen zwei metrischen Variablen | Streudiagramm (Scatterplot) |
Jede Abbildung braucht eine Unterschrift mit Nummerierung (z. B. „Abbildung 3: Verteilung der Zufriedenheitswerte, n = 124″) sowie eine Quellenangabe, wenn die Daten nicht von Ihnen selbst erhoben wurden. Wie Sie Statistiken im Allgemeinen überzeugend präsentieren, erfahren Sie in unserem Beitrag zur Präsentation statistischer Ergebnisse.
Umfrageergebnisse schriftlich aufbereiten
Die schriftliche Darstellung von Umfrageergebnissen folgt einem klaren Aufbau. Zunächst beschreiben Sie die Stichprobe (Größe, soziodemografische Merkmale), dann die Ergebnisse zu jeder Forschungsfrage oder Hypothese – jeweils mit den relevanten Kennwerten.
Was in den Ergebnisteil gehört
- Stichprobenbeschreibung: n, Rücklaufquote, Ausschlüsse und deren Begründung
- Deskriptive Kennwerte: Häufigkeiten, Mittelwerte, Standardabweichungen – je nach Skalenniveau
- Inferenzstatistische Befunde: Teststatistik, Freiheitsgrade, p-Wert, Effektstärke
- Verweise auf Tabellen und Abbildungen: Jede Tabelle und Grafik wird im Text explizit erwähnt
Im Ergebnisteil berichten Sie nur, was die Daten zeigen – die Interpretation (warum das so ist und was das bedeutet) gehört in die Diskussion. Welche Konventionen dabei für die Reihenfolge gelten, erklärt unser Artikel zur Frage, was in einer empirischen Arbeit zuerst kommt.
Sprachliche Darstellung von Kennwerten
In wissenschaftlichen Texten werden statistische Kennwerte in standardisierter Form berichtet. Im APA-Format sieht das beispielsweise so aus:
Die Zufriedenheit mit dem Studium war im Mittel moderat ausgeprägt (M = 3.42, SD = 0.87, n = 118). Der t-Test zeigte einen signifikanten Unterschied zwischen den Gruppen, t(116) = 2.34, p = .021, d = 0.43.
Achten Sie auf kursiv gesetzte Statistiksymbole (M, SD, p, n) und auf konsistente Dezimaltrennzeichen (im Deutschen ein Komma, im APA-Format ein Punkt). Ausführliche Hinweise zur sprachlichen Darstellung finden Sie in unserem Beitrag zum Aufschreiben statistischer Ergebnisse.
Wer eine vollständige quantitative Umfrage auswertet und dabei tiefer in die methodischen Details einsteigen möchte, findet eine systematische Schritt-für-Schritt-Anleitung in unserem Beitrag zur Auswertung quantitativer Umfragen. Für die Gesamtbegleitung von der Auswertung bis zur Verschriftlichung bietet unsere Seite zur Interpretation und Verschriftlichung statistischer Ergebnisse einen umfassenden Überblick über alle relevanten Schritte.
Typische Fehler bei der Umfrageauswertung
Aus der methodischen Begleitung von Abschlussarbeiten lassen sich einige Fehler benennen, die immer wieder auftauchen:
Fehler 1: Zu wenig Aufmerksamkeit für fehlende Werte
Fehlende Werte verändern Mittelwerte und Gruppenvergleiche, wenn sie nicht korrekt behandelt werden. Prüfen Sie bei jeder Variablen, wie viele Werte fehlen und ob ein systematisches Muster dahintersteht. Bei einem listenweisen Ausschluss über mehrere Variablen hinweg kann die effektive Fallzahl deutlich schrumpfen.
Fehler 2: Signifikanz wird mit Relevanz gleichgesetzt
Ein p-Wert unter 0,05 bedeutet, dass ein Ergebnis statistisch signifikant ist – nicht, dass es inhaltlich bedeutsam ist. Berichten Sie deshalb immer Effektstärken, und interpretieren Sie diese im Diskussionsteil im Kontext Ihrer Forschungsfrage.
Fehler 3: Rücklaufquote ohne Kontextualisierung
Eine Rücklaufquote von 40 % kann je nach Erhebungskontext sehr gut oder besorgniserregend sein. Kontextualisieren Sie die Quote: Wie haben Sie rekrutiert? Welche Maßnahmen haben Sie ergriffen, um die Teilnahme zu erhöhen? Welche Einschränkungen ergeben sich für die Generalisierbarkeit?
Fehler 4: Stichprobeneigenschaften werden nicht berichtet
Die Stichprobenbeschreibung gehört in jeden Ergebnisteil. Ohne Angaben zu Alter, Geschlecht, Bildungsstand oder anderen relevanten Merkmalen können Lesende die Übertragbarkeit Ihrer Befunde nicht einschätzen. Was einen vollständigen Ergebnisbericht ausmacht, haben wir in einem separaten Beitrag zusammengefasst.
Fehler 5: Grafiken ersetzen den Text
Tabellen und Abbildungen veranschaulichen – sie ersetzen keine Textbeschreibung. Jede Grafik sollte im Fließtext referenziert und in ihrer zentralen Aussage kommentiert werden. Mehr dazu, wie Sie statistische Ergebnisse im Text beschreiben, finden Sie in unserem entsprechenden Ratgeber.
