Beispiel für den Ergebnisteil einer quantitativen Studie
Ein Beispiel für den Ergebnisteil einer quantitativen Studie ist besonders dann hilfreich, wenn die Analyse bereits abgeschlossen ist, aber aus SPSS, R, JASP oder Jamovi noch kein wissenschaftlich überzeugender Text geworden ist. Genau hier verlieren viele Arbeiten unnötig an Qualität: Kennwerte werden unvollständig berichtet, Hypothesen mit Interpretationen vermischt oder Tabellen wiederholen den Fließtext. Ein guter Ergebnisteil schafft dagegen Transparenz. Er zeigt präzise, was die Daten ergeben haben - nachvollziehbar für Prüfer, Betreuer und Fachleser.
Was der Ergebnisteil leisten muss
Der Ergebnisteil beantwortet die Forschungsfragen anhand der erhobenen Daten. Er enthält keine ausführliche theoretische Einordnung und keine Spekulation darüber, warum ein Effekt aufgetreten sein könnte. Diese Einordnung gehört in die Diskussion.
Stellen Sie sich den Ergebnisteil als belastbares Protokoll Ihrer Analyse vor: Welche Stichprobe wurde tatsächlich ausgewertet? Wie sehen die relevanten Kennwerte aus? Welcher Test wurde gerechnet? Wie groß ist der Effekt und mit welcher Unsicherheit ist er behaftet? Wer diese Fragen klar beantwortet, erfüllt bereits einen großen Teil der formalen Erwartungen an eine quantitative Abschlussarbeit.
Die genaue Reihenfolge hängt von Forschungsfrage, Design und Fachgebiet ab. In einer psychologischen Studie sind Reliabilitäten und Effektstärken häufig unverzichtbar. In medizinischen Arbeiten können Konfidenzintervalle, klinische Relevanz und der Umgang mit fehlenden Werten stärker im Vordergrund stehen. Die Grundlogik bleibt jedoch gleich: erst Datenbasis und Deskription, dann Hypothesentests.
Beispiel: Ergebnisteil einer quantitativen Studie
Das folgende Beispiel bezieht sich auf eine fiktive Querschnittsstudie mit 184 Studierenden. Untersucht wurde die Frage, ob eine längere tägliche Nutzung sozialer Medien mit einer schlechteren Schlafqualität zusammenhängt. Die Schlafqualität wurde mit einem standardisierten Summenscore erfasst, bei dem höhere Werte eine schlechtere Schlafqualität anzeigen.
Stichprobe und Datenaufbereitung berichten
Beginnen Sie nur mit Informationen, die für die Auswertung relevant sind. Die vollständige Rekrutierung und die Einschlusskriterien wurden bereits im Methodenteil beschrieben. Im Ergebnisteil genügt es, transparent zu machen, welche Fälle tatsächlich in die Analysen eingegangen sind.
> Von den ursprünglich 196 erhobenen Datensätzen wurden zwölf Fälle aufgrund unvollständiger Angaben zur Schlafqualität ausgeschlossen. Die Analysestichprobe umfasste somit N = 184 Studierende. Das mittlere Alter betrug 23,4 Jahre (SD = 3,1); 68,5 % der Teilnehmenden identifizierten sich als weiblich.
Dieser Absatz ist kurz, aber aussagekräftig. Falls Daten ausgeschlossen, transformiert oder imputiert wurden, nennen Sie die Entscheidung und den Umfang. Schreiben Sie nicht nur „Ausreißer wurden entfernt“. Wissenschaftlich nachvollziehbar wird der Schritt erst, wenn das festgelegte Kriterium und die Anzahl der betroffenen Fälle genannt werden.
Deskriptive Kennwerte darstellen
Bevor Hypothesen getestet werden, erhalten Leser einen Überblick über die Verteilung der zentralen Variablen. Bei intervallskalierten, annähernd normalverteilten Daten sind Mittelwert und Standardabweichung üblich. Bei deutlich schiefen Verteilungen oder ordinalen Skalen können Median und Interquartilsabstand die passendere Wahl sein.
| Variable | n | M | SD | Minimum | Maximum |
| --- | ---: | ---: | ---: | ---: | ---: |
| Tägliche Nutzung sozialer Medien in Stunden | 184 | 3,12 | 1,08 | 0,50 | 6,80 |
| Schlafqualität, Summenscore | 184 | 6,41 | 2,78 | 1,00 | 15,00 |
Im Fließtext muss nicht jede Tabellenzelle wiederholt werden. Ein sinnvoller Bezug reicht aus:
> Die Teilnehmenden nutzten soziale Medien durchschnittlich 3,12 Stunden pro Tag (SD = 1,08). Der mittlere Summenscore der Schlafqualität lag bei 6,41 (SD = 2,78).
Die Tabelle liefert den vollständigen Überblick, der Text hebt die für die Forschungsfrage zentralen Werte hervor. Diese Arbeitsteilung macht den Ergebnisteil lesbar und verhindert unnötige Wiederholungen.
Hypothese mit Teststatistik, Effekt und Unsicherheit berichten
Für die Hypothese wurde eine Pearson-Korrelation berechnet. Ein vollständiger Bericht nennt nicht nur den p-Wert, sondern mindestens Stichprobengröße, Korrelationskoeffizient und Richtung des Zusammenhangs. Ein Konfidenzintervall ergänzt, wie präzise der geschätzte Effekt ist.
> Zwischen der täglichen Nutzungsdauer sozialer Medien und einer schlechteren Schlafqualität zeigte sich ein positiver, statistisch signifikanter Zusammenhang, r(182) = ,31, p < ,001, 95%-KI [,17; ,43]. Eine längere Nutzungsdauer ging somit mit höheren Werten im Schlafqualitäts-Score einher. Die Hypothese wurde unterstützt.
Diese Formulierung trennt Ergebnis und Schlussfolgerung sauber. „Positiv“ beschreibt hier die statistische Richtung, nicht eine günstige Wirkung. Da höhere Werte eine schlechtere Schlafqualität bedeuten, wird der Zusammenhang im zweiten Satz inhaltlich korrekt übersetzt.
Wenn die Forschungsfrage auf Vorhersage gerichtet ist, kann zusätzlich eine lineare Regression passen:
> Die tägliche Nutzungsdauer sagte die Schlafqualität statistisch signifikant vorher, B = 0,68, SE = 0,15, β = ,32, t(182) = 4,48, p < ,001. Das Modell erklärte 10,2 % der Varianz der Schlafqualität, R² = ,102, F(1, 182) = 20,06, p < ,001.
Korrelation und Regression dürfen nicht vorschnell kausal formuliert werden. Bei einer Querschnittsstudie ist „vorhersagen“ ein statistischer Begriff, kein Beleg dafür, dass soziale Medien Schlafprobleme verursachen. Für eine kausale Aussage wären Design, zeitliche Reihenfolge und Kontrolle von Störvariablen entscheidend.
So schreiben Sie Ergebnisse statt Diskussion
Der häufigste Fehler ist nicht die falsche Statistik, sondern der falsche Ort für eine Aussage. Der Satz „Die Nutzung sozialer Medien verschlechtert den Schlaf, weil blaues Licht die Melatoninproduktion hemmt“ gehört nicht in den Ergebnisteil. Er enthält eine Erklärung und eine Kausalbehauptung. Beides wird erst in der Diskussion kritisch mit Literatur und Studiendesign abgewogen.
Im Ergebnisteil bleiben Sie bei dem, was Ihre Daten hergeben. Formulierungen wie „es zeigte sich“, „die Analyse ergab“ oder „die Hypothese wurde nicht unterstützt“ sind präzise. Bei einem nicht signifikanten Ergebnis schreiben Sie nicht, es gebe „keinen Effekt“. Korrekt wäre: „Es zeigte sich kein statistisch signifikanter Zusammenhang, r(182) = ,08, p = ,281.“ Ob ein kleiner Effekt praktisch relevant sein könnte, hängt unter anderem von Stichprobengröße, Konfidenzintervall und fachlichem Kontext ab.
Vier typische Fehler im quantitativen Ergebnisteil
Erstens werden p-Werte oft isoliert berichtet. Ein p-Wert sagt nicht, wie groß oder fachlich bedeutsam ein Effekt ist. Ergänzen Sie deshalb Effektstärken wie r, Cohen's d, η² oder R² sowie, soweit passend, Konfidenzintervalle.
Zweitens fehlen Freiheitsgrade oder die Teststatistik. Ein Satz wie „Der Unterschied war signifikant“ lässt offen, welcher Test gerechnet wurde und wie das Ergebnis zustande kam. Berichten Sie beispielsweise t(82) = 2,41, p = ,018, d = 0,53.
Drittens werden Tabellen uneinheitlich formatiert. Dezimalstellen, Variablennamen und Abkürzungen sollten im gesamten Dokument konsistent bleiben. Tabellen benötigen außerdem eine verständliche Überschrift und bei Abkürzungen eine Anmerkung.
Viertens wird die Hypothese nur implizit beantwortet. Nach jeder zentralen Analyse sollte eindeutig erkennbar sein, ob die Hypothese unterstützt wurde, nicht unterstützt wurde oder - bei explorativen Analysen - ob kein vorab formulierter Hypothesentest vorlag.
Wenn Output und Bericht nicht zusammenpassen
Nicht jeder Output lässt sich direkt in einen Ergebnisteil übertragen. Besonders bei multiplen Regressionen, Varianzanalysen mit Messwiederholung, gemischten Modellen, Survival-Analysen oder multiplen Tests sind die richtigen Kennwerte und Formulierungen anspruchsvoller. Auch Voraussetzungen wie Normalverteilung, Varianzhomogenität, Multikollinearität oder fehlende Werte können beeinflussen, welcher Test vertretbar ist.
Hier lohnt sich eine methodische Prüfung vor dem Schreiben. Easy Statistik unterstützt Studierende und Forschende mit individueller Statistikberatung, nachvollziehbaren Auswertungen und fachlich sauberem Reporting durch promovierte Statistiker. Für eine diskrete Ersteinschätzung können Sie Ihr Anliegen über das Kontaktformular schildern.
Ein überzeugender Ergebnisteil muss nicht künstlich kompliziert wirken. Wenn Forschungsfrage, Analyse und Bericht präzise zusammenpassen, wird aus einem Software-Output ein Ergebnis, das Ihre Arbeit fachlich trägt und sicher vertreten lässt.
