Datenanalyse für die Journal Submission

Ein Manuskript kann inhaltlich relevant und sprachlich sauber sein - und trotzdem bereits im Peer Review an der Statistik scheitern. Bei der Datenanalyse für die Journal Submission zählt nicht nur, ob ein p-Wert unter 0,05 liegt. Entscheidend ist, ob Forschungsfrage, Studiendesign, Analyseweg, Ergebnisdarstellung und Schlussfolgerungen methodisch konsistent zusammenpassen.

Gerade kurz vor der Einreichung steigt der Druck: Co-Autoren erwarten Ergebnisse, die Redaktion hat formale Vorgaben und Reviewer prüfen jeden methodischen Bruch. Eine nachträgliche Prüfung der Auswertung ist deshalb keine Kür, sondern eine gezielte Qualitätskontrolle. Sie schützt vor vermeidbaren Desk Rejections, langwierigen Revisionen und Aussagen, die durch die Daten nicht gedeckt sind.

Was bei einer Journal Submission statistisch geprüft wird

Reviewer lesen den Methodenteil nicht als Formalität. Sie prüfen, ob die gewählte Analyse die Forschungsfrage tatsächlich beantwortet. Eine Gruppenstudie mit wiederholten Messungen verlangt beispielsweise einen anderen Ansatz als eine Querschnittsstudie mit mehreren Prädiktoren. Wer hier nur auf den Namen eines Tests vertraut, übersieht oft entscheidende Voraussetzungen.

Besonders kritisch werden vier Bereiche bewertet: die Datenqualität, die Passung des statistischen Modells, der Umgang mit Unsicherheit und die Transparenz des Reportings. Eine hohe Fallzahl ersetzt keine sauber definierte Zielpopulation. Ein signifikantes Ergebnis ersetzt keine Effektgröße. Und eine komplexe Regression wird nicht überzeugender, wenn unklar bleibt, wie fehlende Werte, Ausreißer oder multiple Tests behandelt wurden.

Auch die Reihenfolge der Entscheidungen ist relevant. Wurde der primäre Endpunkt vor der Analyse festgelegt? Sind explorative Analysen klar als solche gekennzeichnet? Wurden Kovariaten fachlich begründet oder erst nach Sichtung der Ergebnisse ausgewählt? Diese Fragen entscheiden darüber, ob Ergebnisse als belastbar oder als zufallsanfällig wahrgenommen werden.

Datenanalyse für die Journal Submission beginnt vor dem Ergebnisabschnitt

Die häufigste Schwachstelle liegt nicht in der Tabelle, sondern im Übergang von Datensatz zu Analyseplan. Vor dem finalen Rechnen sollte klar dokumentiert sein, welche Personen eingeschlossen wurden, welche Variablen welche Rolle haben und wie aus Rohdaten die analysierte Stichprobe entstanden ist. Das gilt in Medizin und Pharma ebenso wie in Psychologie, BWL oder Sportwissenschaft.

Bei klinischen oder beobachtenden Studien gehören dazu Ein- und Ausschlusskriterien, Drop-outs, Zeitpunkte der Messung und die Behandlung fehlender Daten. In Umfragen sind Codierungen, Skalenbildung, invertierte Items und Plausibilitätsregeln besonders fehleranfällig. Eine einzige falsch umcodierte Variable kann die Richtung eines Effekts verändern. Deshalb sollte die Datenaufbereitung nachvollziehbar sein - idealerweise über dokumentierte Syntax oder reproduzierbaren Code in R, Python, SPSS, Stata oder einer anderen verwendeten Software.

Reproduzierbarkeit heißt dabei nicht, dass jede Zeile Code im Manuskript stehen muss. Sie bedeutet, dass ein kompetenter Dritter den Weg von der Rohdatei zu den berichteten Kennzahlen verstehen und prüfen kann. Manuelle Zwischenschritte in Excel, unversionierte Dateien oder nachträglich überschriebene Datensätze machen genau das unnötig schwer.

Die Testwahl muss zur Frage passen

Ein t-Test ist nicht automatisch korrekt, nur weil zwei Gruppen verglichen werden. Es kommt darauf an, ob die Beobachtungen unabhängig sind, wie die Zielvariable verteilt ist, ob Varianzen vergleichbar sind und ob weitere Einflussfaktoren berücksichtigt werden müssen. Bei wiederholten Messungen derselben Personen sind Abhängigkeiten vorhanden. Bei hierarchischen Daten, etwa Patienten innerhalb von Zentren oder Schüler innerhalb von Klassen, kann eine einfache Standardanalyse Standardfehler unterschätzen.

Das passende Modell hängt außerdem vom Skalenniveau ab. Dichotome Outcomes, Zähldaten, ordinal skalierte Antworten und kontinuierliche Zielvariablen verlangen unterschiedliche Modellierungsstrategien. Nicht jede Abweichung von einer Normalverteilung macht eine Analyse unzulässig. Umgekehrt löst ein nichtparametrischer Test nicht jedes Datenproblem. Die fachliche Frage, die Stichprobenstruktur und die Interpretierbarkeit müssen gemeinsam betrachtet werden.

Bei mehreren Hypothesen braucht es eine bewusste Entscheidung zum multiplen Testen. Eine Korrektur ist nicht in jeder explorativen Auswertung zwingend, aber ein unkommentiertes Durchtesten zahlreicher Variablen ist für Reviewer ein Warnsignal. Transparenz ist hier überzeugender als eine künstlich vereinfachte Ergebnisgeschichte.

Effektgrößen, Konfidenzintervalle und klinische Relevanz

Journals erwarten zunehmend mehr als Signifikanztests. Ein p-Wert beschreibt, wie gut die beobachteten Daten mit einer Nullhypothese vereinbar sind. Er sagt nicht, ob ein Effekt groß, präzise oder praktisch relevant ist. Deshalb gehören Effektgrößen und Konfidenzintervalle in eine einreichungsreife Analyse.

Je nach Design können das Mittelwertdifferenzen, Cohen's d, Odds Ratios, Regressionskoeffizienten, Korrelationskoeffizienten oder Risikodifferenzen sein. Wichtig ist nicht, möglichst viele Kennzahlen zu berichten, sondern die Kennzahlen zu wählen, die für die fachliche Entscheidung verständlich sind. Ein Odds Ratio von 1,20 kann bei großen Datenmengen signifikant werden, aber klinisch oder wirtschaftlich kaum Bedeutung haben. Ein breites Konfidenzintervall kann dagegen zeigen, dass die Schätzung noch zu unpräzise ist - auch wenn der p-Wert attraktiv aussieht.

Die Diskussion muss diese Unsicherheit aufgreifen. Formulierungen wie „beweist“ oder „verursacht“ sind bei nicht-experimentellen Daten in der Regel zu stark. Wer Assoziationen als Kausalität verkauft, liefert Reviewern einen klaren Angriffspunkt. Eine präzise, angemessen zurückhaltende Interpretation wirkt wissenschaftlich stärker als eine überzogene Schlussfolgerung.

Reporting: Tabellen und Texte müssen dieselbe Geschichte erzählen

Viele Revisionen entstehen, weil Zahlen im Fließtext nicht zu Tabellen, Abbildungen oder Supplementen passen. Vor der Einreichung sollten deshalb alle Fallzahlen, Prozentwerte, Dezimalstellen, Referenzkategorien und p-Werte systematisch abgeglichen werden. Besonders bei Subgruppenanalysen schleichen sich leicht abweichende Nenner ein.

Ein guter Ergebnisabschnitt führt Leser nachvollziehbar durch die Analyse. Zuerst wird die analysierte Stichprobe beschrieben, danach folgen die primären Resultate und erst anschließend sekundäre oder explorative Befunde. Tabellen sollen nicht den Text wiederholen. Sie liefern die vollständigen Kennzahlen, während der Text die für die Forschungsfrage relevanten Befunde einordnet.

Berichtsstandards wie CONSORT für randomisierte Studien, STROBE für Beobachtungsstudien, PRISMA für systematische Reviews oder STARD für diagnostische Studien helfen, typische Lücken zu vermeiden. Sie ersetzen keine statistische Beratung, schaffen aber eine verlässliche Prüflogik. Welcher Standard gilt, hängt vom Studiendesign und häufig auch von den Vorgaben des Zieljournals ab.

Sensitivitätsanalysen: Wann sie wirklich nötig sind

Sensitivitätsanalysen sind sinnvoll, wenn zentrale Annahmen der Hauptanalyse plausibel infrage stehen. Das kann der Umgang mit Missing Data sein, die Definition eines Cut-offs, der Ausschluss extremer Werte oder die Auswahl von Kovariaten. Sie zeigen, ob die Kernaussage unter vertretbaren Alternativen bestehen bleibt.

Sie sind jedoch kein Pflichtprogramm für jede Studie. Wer ohne fachlichen Grund zahlreiche Varianten rechnet und nur die günstigste berichtet, verschlechtert die Glaubwürdigkeit. Besser ist eine vorab begründete Hauptanalyse mit wenigen, klar erläuterten Sensitivitätsprüfungen.

Die finale Qualitätsprüfung vor der Einreichung

Vor dem Upload sollte die Auswertung nicht nur gelesen, sondern gezielt auditiert werden. Prüfen Sie, ob Forschungsfrage und Endpunkte über das gesamte Manuskript identisch benannt sind. Kontrollieren Sie, ob alle berichteten Analysen im Methodenteil beschrieben werden und ob jede zentrale Methode ein Ergebnis erzeugt. Achten Sie zudem darauf, dass Ausschlüsse, fehlende Werte und Abweichungen vom ursprünglichen Plan offen dargestellt sind.

Bei komplexen Datensätzen oder anspruchsvollen Modellen ist eine unabhängige Prüfung besonders wertvoll. Sie kann Rechenfehler, ungeeignete Modellannahmen und missverständliche Interpretationen aufdecken, bevor Reviewer sie finden. Gerade bei Dissertationen und Publikationen mit engen Fristen schafft eine externe methodische Einschätzung Sicherheit, ohne die wissenschaftliche Verantwortung der Autoren zu ersetzen.

Easy Statistik unterstützt Forschende mit promovierten Statistikern bei der Prüfung, Auswertung und verständlichen Aufbereitung von Daten für wissenschaftliche Publikationen. Die Beratung erfolgt individuell, diskret und mit Blick auf das konkrete Studiendesign, das Zieljournal und die Anforderungen an ein nachvollziehbares Reporting.

Wenn Ihr Manuskript kurz vor der Einreichung steht, sollte Statistik keine offene Baustelle bleiben. Nutzen Sie das Kontaktformular, um eine individuelle Statistikberatung anzufordern und die Datenanalyse vor der Journal Submission fachlich prüfen zu lassen.