Fragebogen kodieren und auswerten richtig

Ein fehlender Wert, eine vertauschte Antwortskala oder eine falsch definierte Mehrfachnennung kann die gesamte Analyse verändern. Wer einen Fragebogen kodieren und auswerten möchte, sollte deshalb nicht erst bei der Statistiksoftware beginnen. Die Qualität der Ergebnisse entscheidet sich bereits bei der Übersetzung der Antworten in einen analysierbaren Datensatz.

Für Bachelor- und Masterarbeiten, Dissertationen oder Publikationen gilt: Eine saubere Kodierung macht die Auswertung nachvollziehbar, reproduzierbar und methodisch vertretbar. Sie verhindert, dass SPSS, R, Stata oder Jamovi zwar formal korrekte Tabellen erzeugen, diese aber inhaltlich auf fehlerhaften Daten beruhen. Besonders bei knappen Abgabefristen lohnt sich ein systematisches Vorgehen statt schneller Korrekturen im Datensatz.

Was Kodierung bei Fragebögen tatsächlich bedeutet

Kodieren heißt, Antworten so zu überführen, dass sie eindeutig gespeichert, geprüft und statistisch ausgewertet werden können. Bei geschlossenen Fragen ist das oft einfach: „weiblich“, „männlich“, „divers“ und „keine Angabe“ werden etwa als numerische Kategorien hinterlegt. Bei offenen Antworten besteht die Aufgabe dagegen darin, ein transparentes Kategoriensystem zu entwickeln und jede Aussage nach festen Regeln einzuordnen.

Entscheidend ist der Unterschied zwischen Zahlen als Codes und Zahlen als Messwerte. Wenn Geschlecht mit 1, 2 und 3 codiert wird, bedeuten diese Zahlen keine Rangfolge. Der Mittelwert dieser Variable wäre daher inhaltlich wertlos. Bei einer Zustimmungsskala von 1 = „stimme gar nicht zu“ bis 5 = „stimme voll zu“ liegt dagegen eine geordnete Antwortskala vor. Ob sie für Mittelwerte, t-Tests oder Regressionen wie intervallskalierte Daten behandelt werden kann, hängt vom Messinstrument, der Anzahl der Antwortstufen und Ihrer methodischen Begründung ab.

Eine gute Kodierung beantwortet immer drei Fragen: Was misst die Variable? Welche Werte sind zulässig? Wie werden Sonderfälle behandelt? Diese Informationen gehören nicht nur in den Kopf der auswertenden Person, sondern in einen Codeplan.

Den Codeplan vor der Dateneingabe erstellen

Der Codeplan ist die Arbeitsgrundlage für die gesamte Datenaufbereitung. Er dokumentiert für jede Frage den Variablennamen, die Frageformulierung, das Skalenniveau, die Wertelabels und die Regeln für fehlende Angaben. Damit können Sie auch Wochen später noch nachvollziehen, warum eine Variable auf eine bestimmte Weise angelegt wurde.

Wählen Sie kurze, eindeutige Variablennamen. Statt „Wie zufrieden sind Sie insgesamt mit der medizinischen Versorgung?“ eignet sich beispielsweise `zuf_med_gesamt`. Vermeiden Sie Leerzeichen, Umlaute und uneinheitliche Abkürzungen. In vielen Programmen verursachen sie Fehler oder erschweren später den Codeexport.

Bei einer fünfstufigen Likert-Skala könnte der Codeplan so festlegen: 1 = stimme gar nicht zu, 2 = stimme eher nicht zu, 3 = teils/teils, 4 = stimme eher zu, 5 = stimme voll zu. Wichtig ist, dass alle Items derselben Skala dieselbe Richtung besitzen. Wenn hohe Werte einmal viel Zustimmung und an anderer Stelle viel Ablehnung bedeuten, drohen bei Skalenbildung und Interpretation schwer erkennbare Fehler.

Fehlende Werte benötigen ebenfalls feste Regeln. „Keine Angabe“, „weiß nicht“, „nicht zutreffend“ und eine versehentlich unbeantwortete Frage sind nicht automatisch dasselbe. „Nicht zutreffend“ kann beispielsweise eine relevante inhaltliche Gruppe sein, während eine leere Antwort als fehlender Wert behandelt wird. Werden alle Fälle pauschal mit 0 kodiert, ist die spätere Auswertung verfälscht - besonders dann, wenn 0 innerhalb der eigentlichen Skala gar nicht vorgesehen war.

Fragebogen kodieren und auswerten: die Daten zuerst prüfen

Nach der Eingabe oder dem Import beginnt die Datenbereinigung. Dieser Schritt wird häufig unterschätzt, obwohl er vor jeder Hypothesenprüfung stehen sollte. Prüfen Sie zunächst, ob die Anzahl der Fälle mit Ihrer Erhebung übereinstimmt und ob jede Person nur einmal im Datensatz vorkommt. Danach helfen Häufigkeitstabellen, unzulässige Werte, Tippfehler und unerwartete Antwortmuster sichtbar zu machen.

Ein Alter von 222 Jahren, die Codierung 6 auf einer fünfstufigen Skala oder ein negativer BMI sind klare Warnsignale. Schwieriger sind plausible, aber dennoch problematische Werte. Wenn bei einer Filterfrage nur Personen mit chronischer Erkrankung Folgefragen beantworten sollten, müssen alle anderen dort korrekt als „nicht zutreffend“ und nicht als inhaltliche Nullwerte erscheinen.

Auch doppelte Einträge, sehr kurze Bearbeitungszeiten oder stereotype Antwortmuster verdienen einen Blick. Wer bei 40 Items immer dieselbe Kategorie auswählt, muss nicht automatisch ausgeschlossen werden. Vielleicht ist die Person tatsächlich sehr zufrieden oder sehr kritisch. Ein Ausschluss braucht vorab definierte, sachlich begründete Kriterien und sollte im Methodenteil transparent beschrieben werden.

Die Dokumentation gehört unmittelbar zur Bereinigung. Halten Sie fest, welche Fälle ausgeschlossen, welche Werte korrigiert und welche Variablen umcodiert wurden. In R, Python oder Stata ist ein nachvollziehbares Skript besonders wertvoll, weil jeder Schritt wiederholbar bleibt. In SPSS sollten Sie Transformationen möglichst über Syntax statt ausschließlich per Mausklick ausführen. Das schützt vor unbemerkten Änderungen und erleichtert Rückfragen von Betreuenden oder Co-Autoren.

Negativ gepolte Items korrekt umkodieren

Viele validierte Skalen enthalten negativ formulierte Aussagen, etwa: „Ich fühle mich bei der Arbeit häufig überfordert.“ Soll ein hoher Skalenwert später für hohe Arbeitszufriedenheit stehen, muss dieses Item vor der Skalenbildung umgepolt werden.

Bei einer Skala von 1 bis 5 lautet die Umkodierung: 1 wird zu 5, 2 zu 4, 3 bleibt 3, 4 wird zu 2 und 5 wird zu 1. Die Regel lässt sich auch als Formel schreiben: neuer Wert = 6 - alter Wert. Bei einer Skala von 0 bis 10 wäre es entsprechend 10 - alter Wert.

Der häufigste Fehler besteht darin, das Item zwar umzucodieren, aber anschließend versehentlich die ursprüngliche Variable in den Skalenwert einzubeziehen. Arbeiten Sie deshalb mit klar benannten neuen Variablen, etwa `stress_03_r`, und prüfen Sie ihre Verteilung nach der Umkodierung erneut.

Von Einzelitems zur auswertbaren Skala

Mehrere Items werden oft zu einem Summen- oder Mittelwertscore zusammengefasst. Das ist sinnvoll, wenn sie tatsächlich dasselbe Konstrukt erfassen sollen, beispielsweise Depressivität, wahrgenommene Belastung oder Kundenbindung. Die Entscheidung darf jedoch nicht allein darauf beruhen, dass die Fragen thematisch ähnlich klingen.

Prüfen Sie zunächst die Vorgaben des verwendeten Instruments. Viele etablierte Fragebögen enthalten verbindliche Auswertungsregeln, Cut-off-Werte oder Subskalen. Davon ohne Begründung abzuweichen, kann die Vergleichbarkeit mit vorhandener Forschung einschränken. Bei selbst entwickelten Items sind zusätzlich Faktorenstruktur, Itemkennwerte und Reliabilität relevant.

Cronbachs Alpha wird häufig als schneller Reliabilitätsindikator genutzt. Ein hoher Wert ist jedoch kein automatischer Qualitätsnachweis. Sehr ähnliche oder redundant formulierte Items können Alpha erhöhen, ohne die Messung besser zu machen. Umgekehrt kann eine kurze Skala mit wenigen heterogenen Facetten ein niedrigeres Alpha aufweisen, obwohl sie theoretisch sinnvoll aufgebaut ist. Je nach Forschungsziel können McDonalds Omega, explorative oder konfirmatorische Faktorenanalysen die passendere Ergänzung sein.

Auch der Umgang mit fehlenden Itemantworten muss vor der Scorebildung festgelegt werden. Ein Mittelwert über beantwortete Items kann vertretbar sein, wenn nur wenige Werte fehlen und eine Mindestzahl beantworteter Items vorliegt. Bei umfangreichen Lücken ist eine Skalenbildung meist nicht sinnvoll. Welche Regel angemessen ist, hängt vom Instrument, der Fehlerrate und Ihrem Analyseplan ab.

Die passende Auswertung folgt der Forschungsfrage

Deskriptive Statistiken stehen am Anfang: Häufigkeiten bei kategorialen Variablen sowie Mittelwerte, Standardabweichungen, Mediane und Spannweiten bei metrischen oder ordinalen Daten. Sie zeigen, wie Ihre Stichprobe zusammengesetzt ist und ob Verteilungen auffällig schief, begrenzt oder ausreißeranfällig sind.

Erst danach kommt die Hypothesenprüfung. Möchten Sie zwei unabhängige Gruppen vergleichen, kann ein t-Test passen. Bei mehr als zwei Gruppen kommt häufig eine Varianzanalyse infrage. Für Zusammenhänge zwischen Variablen eignen sich je nach Skalenniveau und Verteilung Pearson- oder Spearman-Korrelationen. Wenn mehrere Einflussfaktoren gleichzeitig berücksichtigt werden sollen, sind lineare oder logistische Regressionsmodelle oft die bessere Wahl.

Die Methode richtet sich nicht nach dem Programm, das Sie bereits kennen, sondern nach Forschungsfrage, Stichprobe, Messniveau und Datenstruktur. Kleine Stichproben, deutliche Ausreißer, abhängige Messungen oder verschachtelte Daten können die Standardanalyse ungeeignet machen. Dann sind nichtparametrische Verfahren, gemischte Modelle, Bootstrapping oder eine präzisere Modellierung erforderlich.

Berichten Sie Ergebnisse nicht nur mit p-Werten. Effektstärken und Konfidenzintervalle zeigen, wie groß und wie präzise ein beobachteter Effekt ist. Ein statistisch signifikanter Unterschied kann bei großer Stichprobe praktisch belanglos sein. Umgekehrt kann ein relevanter Effekt bei kleiner Stichprobe unsicher geschätzt sein. Diese Einordnung ist für eine überzeugende Diskussion wichtiger als eine bloße Signifikanzmarkierung.

Typische Fehler vermeiden, bevor sie Zeit kosten

Die meisten Probleme entstehen nicht durch komplizierte Statistik, sondern durch fehlende Entscheidungen am Anfang. Dazu gehören uneinheitliche Codierungen, nicht deklarierte Missing Values, fehlende Umkodierungen, eine Skalenbildung ohne Prüfung und Analysen, die erst nach Sichtung der Ergebnisse ausgewählt werden.

Planen Sie deshalb Kodierung, Ausschlusskriterien und Hauptanalysen möglichst vor der Datenauswertung. Das bedeutet nicht, dass Sie keine explorativen Analysen durchführen dürfen. Trennen Sie dann aber klar zwischen vorab geplanten Hypothesentests und nachträglichen Beobachtungen. Wissenschaftliche Nachvollziehbarkeit entsteht durch transparente Entscheidungen, nicht durch ein möglichst spektakuläres Ergebnis.

Wenn Fragebogenlogik, Skalenregeln oder Analyseverfahren unklar sind, kann eine methodische Prüfung vor der finalen Auswertung viel Arbeit sparen. Easy Statistik unterstützt Forschungsprojekte diskret und individuell - von der Datenstruktur über die Analyse bis zur verständlichen Ergebnisinterpretation. Fordern Sie dafür über das Kontaktformular eine Statistikberatung an und klären Sie Ihr Vorgehen, bevor aus einer kleinen Kodierungsfrage ein Problem im Ergebniskapitel wird.