8 Schritte zum Ergebnisteil deiner Thesis

Der Ergebnisteil entscheidet nicht darüber, ob Ihre Hypothesen bestätigt werden. Er entscheidet darüber, ob Ihre Untersuchung nachvollziehbar, methodisch sauber und fachlich belastbar wirkt. Mit diesen 8 Schritten zum Ergebnisteil vermeiden Sie den häufigsten Fehler in empirischen Arbeiten: Analyse, Interpretation und Diskussion werden vermischt. Ein überzeugender Ergebnisteil berichtet präzise, was Ihre Daten zeigen - nicht, was Sie sich davon versprochen haben.

Gerade unter Zeitdruck ist die Versuchung groß, Tabellen aus SPSS, R, JASP oder Excel einfach zu übernehmen. Das genügt selten den Anforderungen einer Bachelorarbeit, Masterarbeit, Dissertation oder Publikation. Prüfende erwarten eine nachvollziehbare Auswahl von Kennwerten, passende Testverfahren und eine Darstellung, die Ihre Forschungsfragen konsequent beantwortet.

Was gehört in den Ergebnisteil - und was nicht?

Der Ergebnisteil ist die dokumentierte Antwort auf Ihre Forschungsfragen. Er enthält deskriptive Statistiken, Ergebnisse der Datenprüfung und die inferenzstatistischen Analysen, mit denen Hypothesen oder Fragestellungen untersucht werden. Dazu gehören je nach Studiendesign etwa Mittelwerte, Standardabweichungen, Häufigkeiten, Korrelationen, Regressionskoeffizienten, Konfidenzintervalle, Teststatistiken und p-Werte.

Nicht in diesen Abschnitt gehören ausführliche methodische Begründungen, eine inhaltliche Deutung oder Spekulationen über Ursachen. Die Erklärung, warum ein Ergebnis relevant, überraschend oder widersprüchlich ist, folgt im Diskussionsteil. Kleine Übergangssätze sind erlaubt, etwa dass eine Hypothese unterstützt wurde. Die fachliche Einordnung sollte jedoch warten.

Die 8 Schritte zum Ergebnisteil

1. Forschungsfragen und Hypothesen in eine Analyse-Reihenfolge bringen

Öffnen Sie nicht zuerst Ihr Statistikprogramm, sondern Ihren Theorie- und Methodenteil. Jede Analyse im Ergebnisteil muss eine klar formulierte Forschungsfrage, Hypothese oder explorative Fragestellung beantworten. Legen Sie deshalb eine Reihenfolge fest: zunächst Stichprobe und Datenqualität, danach deskriptive Ergebnisse, anschließend die Hypothesentests.

Diese Reihenfolge verhindert, dass der Text wie ein Protokoll sämtlicher geklickter Auswertungen wirkt. Wenn Sie mehrere Hypothesen haben, verwenden Sie dieselbe Nummerierung wie zuvor in der Arbeit. Lesende erkennen dann ohne Suchaufwand, welches Ergebnis zu welcher Annahme gehört.

2. Die Datenbasis transparent beschreiben

Bevor Sie Zusammenhänge oder Gruppenunterschiede berichten, muss klar sein, auf welcher Datenbasis die Analyse beruht. Nennen Sie die tatsächlich analysierte Stichprobengröße, nicht nur die ursprünglich geplante Anzahl. Wurden Fälle ausgeschlossen, fehlende Werte behandelt oder Ausreißer geprüft, berichten Sie dies knapp und nachvollziehbar.

Wie ausführlich dieser Teil ausfällt, hängt vom Fach und der Datenlage ab. Bei einer klinischen Studie können Drop-outs und Ausschlussgründe zentral sein. Bei einer kleinen Onlinebefragung ist vor allem relevant, wie viele vollständige Datensätze in die Analyse eingingen. Entscheidend ist: Die Fallzahl unter jeder Analyse muss nachvollziehbar sein, besonders wenn sie wegen Missing Values variiert.

3. Deskriptive Statistiken passend auswählen

Deskriptive Statistiken zeigen zunächst, wie Ihre Daten aussehen. Bei metrischen, annähernd symmetrisch verteilten Variablen sind Mittelwert und Standardabweichung häufig sinnvoll. Bei stark schiefen Verteilungen, ordinalen Skalen oder kleinen Stichproben können Median und Interquartilsabstand die angemessenere Wahl sein. Für kategoriale Merkmale berichten Sie absolute und relative Häufigkeiten.

Eine gute Deskription ist nicht bloß Pflichtprogramm. Sie gibt den Rahmen für alle folgenden Tests und kann Unstimmigkeiten früh sichtbar machen. Wenn etwa eine Skala theoretisch von 1 bis 5 reicht, Ihr Maximum aber bei 15 liegt, liegt möglicherweise ein Kodierungsfehler vor. Solche Probleme gehören vor der Hypothesenprüfung gelöst, nicht sprachlich kaschiert.

4. Voraussetzungen prüfen und die Testwahl absichern

Statistische Verfahren haben Voraussetzungen. Dazu zählen je nach Test unter anderem Unabhängigkeit der Beobachtungen, Verteilungsannahmen, Varianzhomogenität, Linearität oder das Skalenniveau der Variablen. Sie müssen nicht jede Prüfstatistik seitenlang dokumentieren. Sie sollten aber zeigen, dass die gewählte Analyse zu Ihren Daten passt.

Wichtig ist die fachliche Abwägung: Ein signifikanter Shapiro-Wilk-Test bei einer großen Stichprobe bedeutet nicht automatisch, dass eine parametrische Analyse unzulässig ist. Umgekehrt ersetzt ein unauffälliger Test keine grafische Prüfung und keine inhaltliche Plausibilität. Falls Voraussetzungen klar verletzt sind, kann ein robustes oder nichtparametrisches Verfahren erforderlich sein. Diese Entscheidung sollte methodisch begründet und im Ergebnisbericht konsistent umgesetzt werden.

5. Hypothesen mit vollständigen Kennwerten berichten

Ein p-Wert allein ist kein vollständiges Ergebnis. Er zeigt lediglich, wie gut die beobachteten Daten unter einer bestimmten Nullhypothese vereinbar wären. Für eine wissenschaftlich überzeugende Berichterstattung benötigen Sie zusätzlich die Richtung und Größe des Effekts sowie möglichst ein Konfidenzintervall.

Bei einem t-Test können das beispielsweise Gruppenmittelwerte, Standardabweichungen, t-Wert, Freiheitsgrade, p-Wert, Cohen's d und ein 95%-Konfidenzintervall sein. Bei einer Korrelation berichten Sie mindestens Korrelationskoeffizient, p-Wert, Konfidenzintervall und Stichprobengröße. Bei Regressionsanalysen sind Regressionskoeffizienten, Standardfehler, Modellgüte und die Unsicherheit der Schätzungen relevant.

Formulieren Sie klar und zurückhaltend: „Zwischen Stress und Schlafqualität zeigte sich ein negativer Zusammenhang, r(118) = -,32, p < ,001, 95%-KI [-,47; -,15].“ Ob dieser Zusammenhang praktisch bedeutsam, kausal erklärbar oder für die Versorgung relevant ist, gehört anschließend in die Diskussion.

6. Tabellen und Abbildungen als Argumentationshilfe einsetzen

Tabellen sind kein Ablageort für Software-Output. Jede Tabelle sollte eine Frage beantworten, die im Fließtext nicht ebenso klar darstellbar wäre. Deskriptive Kennwerte mehrerer Gruppen, Korrelationsmatrizen oder Regressionsmodelle lassen sich meist gut tabellarisch aufbereiten. Eine Abbildung lohnt sich, wenn sie Verteilungen, Verläufe, Interaktionen oder Gruppenunterschiede schneller erfassbar macht.

Der Text darf Tabellen nicht wiederholen. Nennen Sie stattdessen das zentrale Muster und verweisen Sie auf die Darstellung. Achten Sie auf einheitliche Dezimalstellen, verständliche Variablenbezeichnungen, Tabellenanmerkungen und den Zitationsstil Ihrer Hochschule oder Zeitschrift. Rohoutput mit kryptischen Spaltennamen, Sternchen ohne Legende und überflüssigen Nachkommastellen wirkt vermeidbar unfertig.

7. Signifikanz und Effektstärke sauber trennen

Ein statistisch signifikantes Ergebnis ist nicht automatisch groß oder praktisch relevant. Bei großen Stichproben können sehr kleine Effekte signifikant werden. Bei kleinen Stichproben können durchaus relevante Effekte das vorab festgelegte Signifikanzniveau verfehlen. Deshalb sollten Sie Signifikanz, Effektstärke und Präzision immer gemeinsam betrachten.

Vermeiden Sie außerdem die Formulierung, eine Hypothese sei „bewiesen“. Daten können eine Hypothese stützen, nicht stützen oder Hinweise auf einen Zusammenhang liefern. Besonders bei nicht signifikanten Befunden ist diese Sprachdisziplin wichtig: „Es ergab sich kein statistisch signifikanter Unterschied“ ist korrekt. „Es gibt keinen Unterschied“ wäre oft zu weitgehend, weil die Teststärke und die Breite des Konfidenzintervalls eine Rolle spielen.

8. Den Ergebnisteil mit einem Reporting-Check prüfen

Lesen Sie den Abschnitt am Ende nicht nur als Autor oder Autorin, sondern aus Sicht einer prüfenden Person. Ist jeder Test aus der Fragestellung ableitbar? Passt die Fallzahl? Sind Teststatistik, Freiheitsgrade, p-Werte, Effektstärken und Konfidenzintervalle vollständig? Stimmen Text, Tabellen und Abbildungen exakt überein?

Prüfen Sie auch die formale Einheitlichkeit. Verwenden Sie durchgehend dieselbe Schreibweise für Dezimaltrennzeichen, Signifikanzniveaus und statistische Symbole. Runden Sie erst am Ende, nicht während der Berechnung. Gerade bei mehreren Modellen, Subgruppen oder Messzeitpunkten schützt ein strukturierter Check davor, unbemerkt unterschiedliche Analysestichproben oder widersprüchliche Kennwerte zu berichten.

Typische Fehler, die Ergebnisse angreifbar machen

Besonders häufig werden Ergebnisse bereits im Ergebnisteil diskutiert, irrelevante Analysen nachträglich ergänzt oder p-Werte ohne Effektstärken angegeben. Ebenso problematisch sind selektiv berichtete Ergebnisse: Wenn Sie mehrere Hypothesen oder Modelle geprüft haben, darf der Text nicht nur die günstigen Befunde zeigen. Transparenz ist wissenschaftlich überzeugender als eine künstlich glatte Ergebnisgeschichte.

Ein weiterer kritischer Punkt ist die automatische Übernahme von KI-generierten Interpretationen oder Software-Textbausteinen. Diese können Kennwerte verwechseln, Voraussetzungen übergehen oder Aussagen über Kausalität erzeugen, die Ihr Design nicht trägt. Für Abschlussarbeiten und Publikationen zählt ein überprüfbares Reporting, das zu Ihren tatsächlichen Daten und Ihrem Analyseplan passt.

Wenn Sie bei Testwahl, Output oder Formulierungen unsicher sind, kann eine individuelle Statistikberatung den Ergebnisteil gezielt absichern. Bei Easy Statistik prüfen promovierte Statistiker Ihre Auswertung, erläutern die Kennwerte verständlich und unterstützen diskret bei Reporting, Tabellen und Methodik. Fordern Sie dafür über das Kontaktformular eine Statistikberatung an - ein klar berichtetes Ergebnis schafft die Sicherheit, die Ihre Forschung verdient.