Stichprobenumfang
In diesem Beitrag
Was versteht man unter Stichprobenumfang?
Der Stichprobenumfang (auch: Stichprobengröße) bezeichnet die Anzahl der Beobachtungseinheiten, die in einer Stichprobe enthalten sind. Er wird üblicherweise mit dem Buchstaben n angegeben. Die Beobachtungseinheiten können je nach Forschungskontext Personen, Objekte, Messungen oder Ereignisse sein.
Der Stichprobenumfang ist eine zentrale Größe bei der Planung jeder empirischen Studie. Er beeinflusst direkt, wie präzise die aus der Stichprobe gewonnenen Schätzungen auf die zugrunde liegende Grundgesamtheit übertragbar sind.
Formel: Standardfehler des Mittelwerts
Der Standardfehler des Mittelwerts zeigt das Prinzip anschaulich: Je größer n, desto kleiner der Standardfehler – und damit die Unsicherheit der Schätzung.
Warum ist der Stichprobenumfang für statistische Analysen wichtig?
Der Stichprobenumfang hat weitreichende Konsequenzen für die Qualität und Aussagekraft statistischer Analysen. Die wichtigsten Aspekte im Überblick:
- Statistische Power: Ein zu kleines n führt dazu, dass echte Effekte nicht als statistisch signifikant erkannt werden. Man spricht dann von einer geringen Teststärke (Power). Faustregel: Eine Power von mindestens 0,80 wird in der Forschung angestrebt.
- Konfidenzintervalle: Mit wachsendem n werden Konfidenzintervalle enger – die Schätzungen werden präziser.
- Repräsentativität: Ein zu kleines n erhöht das Risiko, dass die Stichprobe die Grundgesamtheit verzerrt widerspiegelt.
- Effektgröße: Kleine Effekte lassen sich nur mit ausreichend großem n zuverlässig nachweisen.
Die Berechnung des notwendigen Stichprobenumfangs erfolgt im Rahmen einer a priori Poweranalyse – also vor der Datenerhebung. Hierbei werden die erwartete Effektgröße, das Signifikanzniveau (meist α = 0,05) und die gewünschte Power (meist 1 − β = 0,80) festgelegt. Gängige Software hierfür ist beispielsweise G*Power.
Praxisbeispiel zu Stichprobenumfang
Eine Psychologiestudentin möchte in ihrer Bachelorarbeit untersuchen, ob ein kognitives Training die Konzentrationsleistung verbessert. Sie plant einen Zwei-Gruppen-Vergleich (Trainingsgruppe vs. Kontrollgruppe) und möchte eine a priori Poweranalyse durchführen.
Sie legt folgende Parameter fest:
| Parameter | Wert | Erläuterung |
|---|---|---|
| Effektgröße (d) | 0,50 | Mittlerer Effekt nach Cohen |
| Signifikanzniveau (α) | 0,05 | Übliches Niveau in der Psychologie |
| Power (1 − β) | 0,80 | 80 % Wahrscheinlichkeit, Effekt zu finden |
| Benötigtes n pro Gruppe | 64 | Ergebnis der Poweranalyse (G*Power) |
Das Ergebnis: Sie benötigt mindestens 64 Personen pro Gruppe, also insgesamt 128 Teilnehmende. Würde sie stattdessen nur 20 Personen pro Gruppe befragen, läge die Power bei unter 0,40 – sie würde den Effekt also in mehr als 60 % der Fälle übersehen, selbst wenn er tatsächlich vorhanden ist.
Dieses Beispiel zeigt: Der Stichprobenumfang ist keine beliebige Zahl, sondern eine begründete, methodische Entscheidung, die vor Beginn der Datenerhebung getroffen werden sollte.
