Ergebnisinterpretation
In diesem Beitrag
Was versteht man unter Ergebnisinterpretation?
Die Ergebnisinterpretation bezeichnet den Prozess, statistische Kennwerte, Testergebnisse und Ausgaben einer Analyse inhaltlich zu deuten und im Kontext der eigenen Forschungsfrage zu bewerten. Sie geht damit weit über das bloße Ablesen von Zahlen hinaus: Erst durch die Interpretation wird aus einem statistischen Output eine wissenschaftlich verwertbare Aussage.
Zur Ergebnisinterpretation gehören typischerweise folgende Schritte:
- Statistische Signifikanz bewerten: Ist der p-Wert kleiner als das festgelegte Signifikanzniveau (z. B. α = .05)?
- Effektgröße einschätzen: Wie groß und praktisch relevant ist der gefundene Effekt?
- Richtung und Stärke von Zusammenhängen beschreiben: Zeigt ein Koeffizient einen positiven oder negativen Zusammenhang? Wie stark ist er?
- Konfidenzintervalle berücksichtigen: In welchem Bereich liegt der wahre Populationsparameter mit hoher Wahrscheinlichkeit?
- Befunde in den Forschungskontext einbetten: Was bedeutet das Ergebnis für die Hypothese, die Theorie und die Praxis?
Warum ist Ergebnisinterpretation für statistische Analysen wichtig?
Statistische Software liefert Zahlen – was diese Zahlen bedeuten, musst du selbst entscheiden. Eine korrekte Ergebnisinterpretation ist deshalb eine der wichtigsten Kompetenzen im wissenschaftlichen Arbeiten. Nur wer seine Befunde richtig einordnet, kann belastbare Schlussfolgerungen ziehen und angemessene Handlungsempfehlungen ableiten.
Besonders im Hochschulkontext – bei Bachelorarbeiten, Masterarbeiten oder Dissertationen – wird die Ergebnisinterpretation in der Diskussion einer Arbeit erwartet. Gutachterinnen und Gutachter achten nicht nur darauf, ob eine Analyse korrekt durchgeführt wurde, sondern vor allem darauf, ob die Befunde verstanden und sinnvoll gedeutet werden.
Praxisbeispiel zu Ergebnisinterpretation
Eine Studierende untersucht in ihrer Masterarbeit, ob ein neues Lernprogramm die Prüfungsleistungen von Studierenden verbessert. Sie führt einen unabhängigen t-Test durch und erhält folgende Ausgabe:
| Kennwert | Wert |
|---|---|
| Mittlere Punktzahl – Lernprogramm | 74,3 |
| Mittlere Punktzahl – Kontrollgruppe | 70,1 |
| t-Wert | 2,14 |
| p-Wert | .034 |
| Cohens d | 0,38 |
Eine fehlerhafte Interpretation würde lauten: „Der Unterschied ist signifikant, also ist das Lernprogramm wirksam.“
Eine fachlich korrekte Ergebnisinterpretation lautet hingegen: „Der t-Test zeigt einen statistisch signifikanten Unterschied zwischen den Gruppen (t = 2,14; p = .034). Die Effektgröße nach Cohen (d = 0,38) ist als klein bis mittel einzustufen. Das Lernprogramm geht also mit einer statistisch bedeutsamen, aber inhaltlich eher moderaten Verbesserung der Prüfungsleistungen einher. Angesichts der Stichprobengröße und der Effektgröße sollten die Befunde mit Vorsicht interpretiert werden. Weitere Studien sind nötig, um die praktische Relevanz zu bestätigen.“
Dieses Beispiel zeigt: Eine gute Ergebnisinterpretation nennt konkrete Kennwerte, bewertet deren Bedeutung und leitet begründete Schlussfolgerungen ab – ohne zu übertreiben oder zu untertreiben.
