Fragebogen auswerten leicht gemacht: SPSS, R & Excel

Eine saubere Fragebogenauswertung beginnt nicht bei der Analyse, sondern bei der Datenvorbereitung. Bevor Sie auch nur einen einzigen statistischen Test durchführen, müssen drei Schritte erledigt sein: fehlende Werte behandeln, Ausreißer identifizieren und Duplikate entfernen. Ohne dieses Fundament wackeln alle nachfolgenden Ergebnisse. Ein falscher Klick bei der Datenbereinigung oder die falsche Methode, und Ihre Ergebnisse können komplett verzerrt oder sogar wertlos sein.

Bei der Stichprobengröße gilt als Faustregel für die meisten Abschlussarbeiten: Peilen Sie mindestens 100 Teilnehmende an. Für einfache Gruppenvergleiche mit einem T-Test reichen 30 Personen pro Gruppe, bei Korrelationsanalysen sollten es deutlich mehr sein. Diese Zahlen sind keine willkürlichen Grenzen, sondern ergeben sich aus der statistischen Power, die Sie brauchen, um tatsächlich vorhandene Effekte auch als signifikant nachweisen zu können.

Bei der Auswertung von Likert-Skalen stellt sich regelmäßig die Frage: Mittelwert oder Median? Die Antwort hängt von der Anzahl der Antwortstufen und der Verteilung Ihrer Daten ab. Bei fünf oder mehr Stufen ist der Mittelwert in der Regel vertretbar. Bei schiefen Verteilungen liefert der Median das ehrlichere Bild. Entscheidend ist, dass Sie Ihre Wahl im Methodenteil kurz begründen. Bevor Sie mehrere Fragen zu einem Konstrukt zusammenfassen, prüfen Sie die interne Konsistenz mit Cronbachs Alpha. Ein Wert von 0,7 oder höher gilt als akzeptabel. Liegt der Wert darunter, sollten Sie einzelne Items überprüfen und gegebenenfalls ausschließen. Werte über 0,9 sind exzellent, können aber auch darauf hindeuten, dass zwei Fragen im Grunde dasselbe messen und eine davon redundant ist.

Die Wahl des falschen Tests gehört zu den schwerwiegendsten Fehlern in empirischen Arbeiten. Aus unserer Erfahrung lässt sich die Testauswahl in vier Schritten systematisch lösen. Fragen Sie sich zunächst: Will ich Gruppen vergleichen oder Zusammenhänge untersuchen? Klären Sie dann, ob Ihre Variablen kategorial oder metrisch sind. Prüfen Sie im dritten Schritt die Normalverteilung Ihrer Daten, zum Beispiel mit dem Shapiro-Wilk-Test. Erst danach wählen Sie den passenden Test. Bei Unsicherheit ist ein nichtparametrischer Test oft die sicherere Wahl, weil er weniger Voraussetzungen an die Datenverteilung stellt.

Ebenso häufig unterschätzt wird der Unterschied zwischen statistischer Signifikanz und praktischer Relevanz. Ein Ergebnis kann hochsignifikant sein und trotzdem in der Praxis kaum eine Rolle spielen. Ich empfehle, neben dem p-Wert immer auch die Effektstärke zu berichten, etwa Cohens d bei Gruppenvergleichen oder r bei Korrelationen. Gutachter bewerten diese Differenzierung positiv, weil sie zeigt, dass Sie nicht nur rechnen, sondern die Ergebnisse auch einordnen können. Und vergessen Sie nicht: Korrelation bedeutet nicht Kausalität. Nur weil zwei Variablen zusammenhängen, heißt das nicht, dass die eine die andere verursacht.