Stichprobenfehler
In diesem Beitrag
Was versteht man unter Stichprobenfehler?
Der Stichprobenfehler (englisch: Sampling Error) bezeichnet die Abweichung zwischen einem aus einer Stichprobe berechneten Schätzwert und dem tatsächlichen Wert in der Grundgesamtheit. Er entsteht zwangsläufig, weil bei einer Stichprobenerhebung nicht alle Elemente einer Population untersucht werden, sondern nur ein Teil davon.
Formal lässt sich der Stichprobenfehler für einen Mittelwert wie folgt beschreiben: Der geschätzte Stichprobenmittelwert weicht vom wahren Populationsmittelwert ab. Diese Abweichung hängt maßgeblich von der Streuung in der Population sowie vom Stichprobenumfang ab. Ein gebräuchliches Maß dafür ist der Standardfehler des Mittelwerts:
Standardfehler des Mittelwerts
Dabei steht für die Standardabweichung der Population und für den Stichprobenumfang. Je größer die Stichprobe, desto kleiner der Standardfehler – und damit der zu erwartende Stichprobenfehler.
Wichtig: Der Stichprobenfehler ist kein Messfehler und auch kein Zeichen schlechter Forschungsarbeit. Er ist ein statistisch unvermeidliches Phänomen, das bei jeder Stichprobenerhebung auftritt.
Warum ist der Stichprobenfehler für statistische Analysen wichtig?
Der Stichprobenfehler ist eine zentrale Größe in der Inferenzstatistik. Er bestimmt, wie zuverlässig Schlussfolgerungen von einer Stichprobe auf die Grundgesamtheit übertragen werden können. Wer den Stichprobenfehler ignoriert, riskiert falsche oder übermäßig sichere Aussagen über eine Population.
In der Praxis ist der Stichprobenfehler aus mehreren Gründen relevant:
- Konfidenzintervalle bauen direkt auf dem Standardfehler auf. Je größer der Stichprobenfehler, desto breiter das Intervall – und desto weniger präzise die Schätzung.
- Signifikanztests berücksichtigen den Stichprobenfehler, um zu beurteilen, ob ein beobachteter Effekt überzufällig ist.
- Stichprobenplanung: Wer im Vorfeld einer Studie den gewünschten maximalen Fehler kennt, kann daraus den notwendigen Stichprobenumfang berechnen.
Praxisbeispiel zu Stichprobenfehler
Eine Forscherin möchte das durchschnittliche monatliche Einkommen von Freelancerinnen in Deutschland schätzen. Da eine Vollerhebung nicht möglich ist, zieht sie eine Zufallsstichprobe. Sie erhebt zwei unterschiedlich große Stichproben und vergleicht die Ergebnisse:
| Stichprobenumfang (n) | Standardabweichung (σ) | Standardfehler (SE) |
|---|---|---|
| 50 | 1.200 € | ≈ 169,71 € |
| 200 | 1.200 € | ≈ 84,85 € |
| 800 | 1.200 € | ≈ 42,43 € |
Mit einer Stichprobe von nur 50 Personen beträgt der Standardfehler fast 170 €. Das bedeutet: Die Schätzung des Mittelwerts kann allein durch den Zufall der Stichprobenziehung um diesen Betrag vom wahren Wert abweichen. Mit 800 Personen sinkt dieser Fehler auf rund 42 €. Die Schätzung wird deutlich präziser – nicht weil die Methode besser geworden ist, sondern weil mehr Informationen aus der Population vorliegen.
Dieses Beispiel verdeutlicht: Ein bewusster Umgang mit dem Stichprobenfehler ist essenziell für die Planung und Interpretation empirischer Studien.
