Was sind die zwei Hauptarten der statistischen Analyse?
In diesem Beitrag
Die zwei Hauptarten im Überblick
Die zwei Hauptarten der statistischen Analyse sind die deskriptive Statistik und die Inferenzstatistik (auch: schließende Statistik). Beide Ansätze verfolgen unterschiedliche Ziele und kommen in unterschiedlichen Phasen einer Studie zum Einsatz – ergänzen sich aber in der Praxis.
Der GAISE-Report der American Statistical Association beschreibt statistisches Arbeiten als einen Prozess aus vier Komponenten: Fragen formulieren, Daten sammeln, Daten analysieren und Ergebnisse interpretieren. In der Analysephase stehen dabei genau diese zwei Arten im Mittelpunkt – je nachdem, ob man die vorliegenden Daten beschreiben oder über sie hinaus verallgemeinern möchte.
Deskriptive Statistik: Daten beschreiben und zusammenfassen
Die deskriptive Statistik hat eine klare Aufgabe: Sie fasst die vorliegenden Daten zusammen und macht sie überschaubar. Es geht nicht darum, Schlussfolgerungen über eine größere Grundgesamtheit zu ziehen – sondern ausschließlich darum, das zu beschreiben, was in der Stichprobe tatsächlich vorliegt.
Typische Kennzahlen und Methoden
In der deskriptiven Analyse arbeiten Sie mit Maßen der zentralen Tendenz und der Streuung. Dazu gehören:
- Lagemaße: Mittelwert, Median, Modus
- Streuungsmaße: Standardabweichung, Varianz, Spannweite, Interquartilsabstand
- Häufigkeiten und Prozentangaben bei kategorialen Variablen
- Grafische Darstellungen: Histogramme, Boxplots, Balkendiagramme, Streudiagramme
Ein konkretes Beispiel: Der GAISE-Report beschreibt eine Normalverteilung mit einem Mittelwert von 450 und einer Standardabweichung von 100 als deskriptive Beschreibung der Verteilung und Streuung von Testergebnissen. Diese beiden Kennzahlen allein liefern bereits ein vollständiges Bild der Datenverteilung – ohne dass eine einzige Hypothese getestet werden müsste.
Arithmetischer Mittelwert
Wann ist deskriptive Statistik ausreichend?
Für rein beschreibende Forschungsfragen – etwa „Wie alt sind die Befragten im Durchschnitt?“ oder „Wie verteilen sich die Noten in diesem Kurs?“ – ist die deskriptive Statistik vollständig ausreichend. Auch in der statistischen Auswertung einer Bachelorarbeit bildet die Deskription immer den ersten Schritt, bevor weiterführende Analysen folgen.
Inferenzstatistik: Von der Stichprobe auf die Population schließen
Die Inferenzstatistik geht einen entscheidenden Schritt weiter: Sie verwendet Daten aus einer Stichprobe, um Aussagen über eine größere Grundgesamtheit (Population) zu treffen. Dabei wird Unsicherheit nicht ignoriert, sondern explizit quantifiziert.
Schätzen und Testen als zwei Grundformen
Die Penn State University ordnet inferenzstatistische Methoden in zwei grundlegende Formen ein: Parameter schätzen und Hypothesen über Parameterwerte testen. Diese Unterscheidung ist zentral für das Verständnis der Inferenzstatistik.
- Parameterschätzung: Auf Basis der Stichprobendaten wird ein Populationsparameter geschätzt – etwa mit einem Konfidenzintervall. Ein Beispiel: Bei einer Wahlumfrage mit 42 % Zustimmung und einer Fehlermarge von ±3 % auf einem 95-%-Konfidenzniveau liegt der wahre Populationswert mit hoher Wahrscheinlichkeit zwischen 39 % und 45 %.
- Hypothesentests: Hier wird geprüft, ob genügend Evidenz gegen eine Nullhypothese vorliegt. Die Nullhypothese beschreibt den Status quo (kein Unterschied, kein Effekt), während die Alternativhypothese die eigentliche Forschungsvermutung formuliert.
Nullhypothese und Alternativhypothese
Jeder klassische Hypothesentest basiert auf zwei konkurrierenden Annahmen:
Struktur des Hypothesentests
Die Nullhypothese () wird angenommen, bis ausreichend Evidenz dagegen spricht. Die Alternativhypothese () ist die Forschungshypothese, die Forschende stützen möchten. Das Ziel eines Tests ist es, auf Basis der Stichprobendaten zu entscheiden, ob verworfen werden kann.
Statistische Power und Fehlerarten
Ein zentrales Konzept der Inferenzstatistik ist die statistische Power: Sie beschreibt die Wahrscheinlichkeit, einen echten Effekt in der Population tatsächlich zu entdecken. Laut einer auf NCBI publizierten Analyse hilft statistische Analyse Forschenden, die Wahrscheinlichkeit einzuschätzen, ob beobachtete Befunde echte Populationseffekte oder bloß Zufall widerspiegeln. Eine zu geringe Power erhöht das Risiko falsch-negativer Befunde – ein häufig unterschätztes Problem in empirischen Abschlussarbeiten.
Deskriptiv vs. inferenzstatistisch: Die wichtigsten Unterschiede
| Merkmal | Deskriptive Statistik | Inferenzstatistik |
|---|---|---|
| Ziel | Daten zusammenfassen und beschreiben | Schlüsse auf die Grundgesamtheit ziehen |
| Bezug | Nur die vorliegende Stichprobe | Stichprobe → Population |
| Unsicherheit | Nicht quantifiziert | Explizit modelliert (p-Wert, KI) |
| Typische Methoden | Mittelwert, Standardabweichung, Häufigkeiten, Grafiken | t-Test, ANOVA, Regression, Chi-Quadrat-Test |
| Forschungsfrage | „Wie sehen die Daten aus?“ | „Gilt dieser Befund auch generell?“ |
| Voraussetzungen | Keine Verteilungsannahmen nötig | Variablenniveau, Verteilung, Stichprobengröße |
Wann verwenden Sie welche Hauptart?
Die Wahl hängt direkt von Ihrer Forschungsfrage ab. Beide Hauptarten haben ihren festen Platz – die Entscheidung ist keine Frage des Könnens, sondern des Erkenntnisziels.
Deskriptive Analyse wählen, wenn …
- Sie Ihre Stichprobe zunächst charakterisieren möchten (z. B. Altersverteilung, Geschlechterverteilung, Mittelwerte der Skalen)
- Ihre Forschungsfrage rein beschreibend ist und keine Verallgemeinerung angestrebt wird
- Sie explorative Grafiken zur Dateninspektion erstellen wollen, bevor Sie hypothesenbasiert arbeiten
Inferenzstatistik wählen, wenn …
- Sie Hypothesen über Zusammenhänge, Unterschiede oder Effekte testen möchten
- Ihre Ergebnisse auf eine größere Grundgesamtheit verallgemeinerbar sein sollen
- Sie prüfen, ob ein beobachteter Unterschied statistisch bedeutsam oder zufallsbedingt ist
- Sie Populationsparameter schätzen und Konfidenzintervalle angeben möchten
Die Auswahl des konkreten Tests innerhalb der Inferenzstatistik richtet sich dabei nach Studiendesign, Variablentypen, Verteilungsannahmen und Forschungsfrage. Variablen werden dafür in nominal, ordinal, intervallskaliert und ratioskaliert klassifiziert – ein Schritt, der vor jeder Analyse stehen sollte. Eine detaillierte Übersicht der verfügbaren Verfahren bietet der Artikel zu den gängigen Analysemethoden in der empirischen Forschung.
Deskription und Inferenz als Einheit
In der Praxis empirischer Forschung – ob Bachelorarbeit, Masterarbeit oder Dissertation – werden beide Hauptarten selten isoliert verwendet. Sie bilden eine methodische Einheit: Die deskriptive Analyse kommt zuerst und schafft das Fundament; die Inferenzstatistik baut darauf auf und beantwortet die eigentlichen Forschungshypothesen.
Wer beispielsweise eine statistische Auswertung für die Masterarbeit plant, folgt typischerweise dieser Abfolge:
- Dateneingabe und Datenbereinigung
- Deskriptive Analyse der Stichprobe (Kennwerte, Häufigkeiten, Grafiken)
- Überprüfung der Voraussetzungen für inferenzstatistische Tests (Normalverteilung, Varianzhomogenität etc.)
- Hypothesentests und/oder Parameterschätzung
- Ergebnisinterpretation und Einordnung
Wie Sie die Ergebnisse dieser Schritte anschließend sinnvoll einordnen und darstellen, erläutert der Beitrag zur Interpretation statistischer Analyseergebnisse ausführlich.
Die Unterscheidung zwischen beschreibender und schließender Statistik ist keine abstrakte Taxonomie – sie hat direkte Konsequenzen für Ihre Methodenwahl, Ihre Stichprobenplanung und die Aussagekraft Ihrer Ergebnisse. Wer beide Hauptarten sicher anwenden kann, hat das methodische Fundament für jede empirische Arbeit gelegt. Professionelle Unterstützung bei der Planung und Durchführung beider Analyseschritte finden Sie bei der statistischen Auswertung für empirische Abschlussarbeiten.
