Checkliste statistische Auswertung der Thesis

Eine Tabelle mit 186 Fällen, drei Fragebögen und eine Hypothese klingen zunächst überschaubar. Kritisch wird es meist erst kurz vor der Abgabe: Ausreißer tauchen auf, eine Skala ist falsch gepolt, der geplante Test passt nicht zur Verteilung oder das Ergebnis lässt sich nicht sauber berichten. Eine Checkliste für die statistische Auswertung der Thesis verhindert genau diese Fehlerkette. Sie schafft Struktur - von der Forschungsfrage bis zum Ergebnisteil - und macht Entscheidungen für Betreuende, Gutachtende und Sie selbst nachvollziehbar.

Statistik ist dabei kein isolierter Programmschritt in SPSS, R, JASP, Jamovi, Stata oder Python. Eine fachlich korrekte Auswertung beginnt lange vor dem ersten Klick und endet erst mit einer präzisen, zurückhaltenden Interpretation. Welche Punkte Sie prüfen sollten, hängt von Fach, Design und Daten ab. Die folgende Checkliste deckt die häufigsten empirischen Thesis-Projekte ab und zeigt, wo individuelle methodische Beratung besonders sinnvoll ist.

Checkliste: Statistische Auswertung der Thesis vorbereiten

1. Forschungsfrage und Hypothesen operationalisieren

Der statistische Test folgt nicht dem, was eine Software bequem anbietet, sondern Ihrer Forschungsfrage. Formulieren Sie deshalb zunächst eindeutig, welche Variablen untersucht werden, welche Rolle sie einnehmen und welche Richtung Sie erwarten. Bei einer Gruppenfrage ist zu klären, ob Mittelwerte, Anteile oder Verteilungen verglichen werden. Bei Zusammenhangsfragen ist entscheidend, ob Sie Korrelationen, Regressionen oder ein komplexeres Modell benötigen.

Eine Hypothese wie „Stress beeinflusst Schlaf“ reicht für die Auswertung noch nicht aus. Sie müssen festlegen, wie Stress und Schlaf gemessen werden, welche Variable das Ergebnis darstellt und welche Störvariablen relevant sein könnten. Für eine medizinische Arbeit kann beispielsweise Alter, Geschlecht oder Ausgangsschwere kontrolliert werden müssen. In einer psychologischen Thesis können Messzeitpunkt, Studienbedingung oder Skalenwerte zentral sein.

Prüfen Sie außerdem, ob es explorative Analysen gibt. Diese sind wissenschaftlich legitim, müssen aber klar von vorab formulierten Hypothesentests getrennt werden. Eine nachträglich gefundene Auffälligkeit ist kein bestätigter Effekt, nur weil der p-Wert unter 0,05 liegt.

2. Studiendesign und Analyseplan abgleichen

Bevor Daten bereinigt werden, sollte ein knapper Analyseplan stehen. Darin halten Sie fest, welche Zielgruppe eingeschlossen wird, wie groß die finale Stichprobe ist, welche Endpunkte primär sind und welche Verfahren Sie einsetzen möchten. Das spart Zeit und reduziert das Risiko, Analysen nur deshalb zu wählen, weil sie gerade ein signifikantes Ergebnis liefern.

Der passende Test hängt unter anderem vom Skalenniveau, der Anzahl der Gruppen, unabhängigen oder verbundenen Messungen sowie der Zahl der Messzeitpunkte ab. Ein t-Test kann für zwei unabhängige Gruppen passend sein, bei wiederholten Messungen aber falsch angewendet werden. Eine lineare Regression eignet sich für eine metrische Zielvariable. Bei binären Endpunkten, etwa „Therapieerfolg ja oder nein“, ist häufig eine logistische Regression angemessener.

Eine Poweranalyse gehört ebenfalls in diese Phase, sofern sie vor Datenerhebung noch möglich ist. Sie beantwortet nicht, ob Ihre Daten „gut genug“ sind, sondern welche Stichprobengröße für einen erwarteten Effekt mit definierter Teststärke erforderlich wäre. Bei bereits abgeschlossenen Studien kann eine transparente Einordnung der begrenzten Fallzahl wichtiger sein als eine nachträgliche Rechtfertigung.

Datenqualität vor der statistischen Auswertung prüfen

3. Datensatz, Kodierung und Dokumentation kontrollieren

Viele schwerwiegende Fehler sind keine Statistikfehler, sondern Datenfehler. Kontrollieren Sie daher Variablennamen, Wertebereiche, Einheiten und Kodierungen. Ist 1 tatsächlich „weiblich“ und 2 „männlich“ - oder wurde dies im Datensatz umgekehrt gespeichert? Sind fehlende Werte als leer, -99, 999 oder als echte Kategorie hinterlegt? Wurde ein Dezimaltrennzeichen beim Import korrekt erkannt?

Bei Fragebögen müssen invertierte Items vor der Skalenbildung korrekt umgepolt sein. Erst danach dürfen Summen- oder Mittelwerte gebildet werden. Dokumentieren Sie jede Berechnung nachvollziehbar: Welche Items fließen in eine Skala ein? Wie wurden fehlende Antworten behandelt? Welche Version des Datensatzes wurde ausgewertet? Diese Dokumentation ist bei Rückfragen oft wertvoller als eine nachträgliche Erinnerung.

4. Ein- und Ausschlusskriterien konsequent anwenden

Definieren Sie Ausschlüsse nicht erst nach Sichtung der Ergebnisse. Typische Gründe sind fehlende Einwilligung, unplausible Angaben, ein nicht erfülltes Alterskriterium, ein Abbruch der Befragung oder eine fehlende zentrale Outcome-Variable. Bei experimentellen Studien können auch Manipulationschecks und technische Ausschlüsse relevant sein.

Erstellen Sie eine transparente Fallübersicht. Sie sollte zeigen, wie viele Personen ursprünglich vorlagen, wie viele ausgeschlossen wurden und aus welchem Grund. Gerade in klinischen, medizinischen und sozialwissenschaftlichen Arbeiten erhöht diese Transparenz die Glaubwürdigkeit erheblich.

5. Fehlende Werte und Ausreißer fachlich bewerten

Fehlende Werte sind nicht automatisch ein Grund, ganze Fälle zu löschen. Entscheidend ist, wie viele Werte fehlen, in welchen Variablen sie fehlen und ob ein systematisches Muster erkennbar ist. Eine vollständige Fallanalyse kann bei wenigen zufällig fehlenden Werten vertretbar sein. Bei umfangreicheren oder systematischen Ausfällen können andere Verfahren notwendig sein, etwa eine multiple Imputation. Die Wahl muss zum Design und zur Fragestellung passen.

Auch Ausreißer dürfen nicht mechanisch entfernt werden. Prüfen Sie zuerst, ob ein Eingabefehler, ein Messfehler oder ein plausibler Extremwert vorliegt. Ein sehr hoher Umsatz in einer BWL-Stichprobe oder ein extrem langer Klinikaufenthalt kann inhaltlich real sein. Werden Ausreißer ausgeschlossen oder Werte transformiert, begründen und dokumentieren Sie dies. Bei Unsicherheit kann eine Sensitivitätsanalyse zeigen, ob das Kernergebnis mit und ohne diese Fälle stabil bleibt.

Die richtige Analyse durchführen und absichern

6. Deskriptive Statistik vollständig berichten

Deskriptive Ergebnisse sind keine Pflichtübung vor den „eigentlichen“ Tests. Sie zeigen, wer untersucht wurde und wie die Daten aussehen. Berichten Sie bei metrischen Variablen je nach Verteilung Mittelwert und Standardabweichung oder Median und Interquartilsabstand. Für kategoriale Merkmale sind absolute und relative Häufigkeiten sinnvoll.

Tabellen sollten eine Frage beantworten, nicht jede Spalte aus dem Rohdatensatz abbilden. Eine gute Baseline-Tabelle für eine medizinische oder psychologische Thesis enthält die relevanten Stichprobenmerkmale, nicht wahllos alle erhobenen Angaben. Achten Sie auf konsistente Dezimalstellen, verständliche Variablenbezeichnungen und korrekte Einheiten.

7. Voraussetzungen des gewählten Verfahrens prüfen

Parametrische Tests verlangen nicht immer perfekt normalverteilte Rohdaten. Relevant ist vielmehr, welche Voraussetzungen für das konkrete Modell gelten und wie stark mögliche Abweichungen bei Ihrer Stichprobengröße ins Gewicht fallen. Prüfen Sie beispielsweise Verteilung, Varianzhomogenität, Unabhängigkeit der Beobachtungen, Linearität und bei Regressionen auch Multikollinearität sowie die Verteilung der Residuen.

Ein einzelner Signifikanztest auf Normalverteilung entscheidet diese Frage nicht zuverlässig. Kombinieren Sie Kennwerte, Histogramme, Q-Q-Plots und fachliche Einschätzung. Bei deutlichen Verletzungen kommen je nach Situation Transformationen, robuste Verfahren, nichtparametrische Tests oder ein anderes Modell infrage. Nichtparametrisch bedeutet jedoch nicht automatisch besser: Der Test muss weiterhin zur Hypothese, zum Design und zur Art der Daten passen.

8. Effektgrößen und Unsicherheit einordnen

Ein p-Wert beantwortet nur, ob die Daten unter einem bestimmten Nullmodell ungewöhnlich wären. Er sagt nicht, ob ein Effekt praktisch relevant ist. Berichten Sie daher passende Effektgrößen, etwa Cohen's d bei Mittelwertvergleichen, Pearson- oder Spearman-Korrelationen bei Zusammenhängen, Eta-Quadrat bei Varianzanalysen oder Odds Ratios bei logistischen Modellen.

Konfidenzintervalle ergänzen diese Werte, weil sie die Unsicherheit der Schätzung sichtbar machen. Ein statistisch signifikantes Ergebnis mit sehr kleinem Effekt kann bei großer Stichprobe wissenschaftlich wenig bedeutsam sein. Umgekehrt kann eine kleine Stichprobe einen relevanten Effekt übersehen. Eine gute Interpretation verbindet Statistik, fachlichen Kontext und die Grenzen Ihrer Untersuchung.

Ergebnisse verständlich und prüfungssicher reporten

9. Ergebnisse vom Diskussionsteil trennen

Im Ergebnisteil berichten Sie sachlich, was die Analysen ergeben haben. Dazu gehören Testverfahren, Teststatistik, Freiheitsgrade, p-Wert, Effektgröße und Konfidenzintervall, sofern passend. Die Diskussion klärt anschließend, was das Ergebnis für Ihre Forschungsfrage bedeutet, welche Erklärungen möglich sind und welche Einschränkungen bestehen.

Schreiben Sie nicht „Die Nullhypothese wurde bewiesen“ und vermeiden Sie Kausalbehauptungen bei rein korrelativen Designs. Wenn ein Zusammenhang zwischen körperlicher Aktivität und Wohlbefinden vorliegt, belegt das nicht automatisch, dass Aktivität das Wohlbefinden verursacht. Diese sprachliche Präzision schützt vor überzogenen Schlussfolgerungen.

10. Reproduzierbarkeit und Abgabeunterlagen sichern

Zum Schluss sollten Rohdaten, bereinigter Datensatz, Syntax oder Code, Output-Dateien und Tabellen in einer klaren Ordnerstruktur vorliegen. Speichern Sie Versionen mit nachvollziehbaren Namen und halten Sie Entscheidungen in einem Analyseprotokoll fest. Wer in R, Python, SPSS oder Stata arbeitet, sollte die Syntax beziehungsweise den Code unbedingt sichern. Ein Klickpfad allein lässt sich später kaum verlässlich rekonstruieren.

Prüfen Sie vor der Abgabe außerdem, ob Zahlen im Text mit Tabellen und Abbildungen übereinstimmen, ob die Stichprobengröße überall identisch angegeben ist und ob alle Hypothesen beantwortet werden. Besonders häufig entstehen Widersprüche, wenn Analysen nach einer letzten Datenbereinigung erneut gerechnet wurden, Tabellen aber aus einer älteren Output-Datei stammen.

Wann professionelle Statistikberatung sinnvoll ist

Diese Checkliste ersetzt keine methodische Prüfung, wenn das Design komplex ist oder die Abgabe nahe rückt. Das gilt besonders für Mehrebenenmodelle, Mediationen und Moderationen, wiederholte Messungen, Survival-Analysen, Fragebogenvalidierungen, Machine-Learning-Ansätze oder klinische Endpunkte. Auch bei kleinen Stichproben, vielen fehlenden Werten oder widersprüchlichen Vorgaben von Betreuung und Lehrstuhl lohnt sich eine frühe Einschätzung.

Bei Easy Statistik arbeiten promovierte Statistiker individuell an Ihrer Fragestellung, Ihrem Datensatz und den formalen Anforderungen Ihrer Thesis. Sie erhalten keine pauschale KI-Antwort, sondern eine nachvollziehbare Einschätzung der geeigneten Methode, Unterstützung bei der Auswertung und bei Bedarf Hilfe beim verständlichen Reporting. Diskretion, eine klare Dokumentation und akademischer Standard stehen dabei im Mittelpunkt.

Wenn Sie bei einem Punkt dieser Checkliste zögern, warten Sie nicht bis zur letzten Woche vor der Abgabe. Schildern Sie Ihre Forschungsfrage, Ihr Design und den aktuellen Stand über das Kontaktformular. Eine fachliche Ersteinschätzung kann aus einer unübersichtlichen Datenlage einen klaren, belastbaren nächsten Schritt machen.