2. Standortanalyse

Finde hier heraus, welche Bausteine der statistischen Datenanalyse Du überhaupt brauchst. Ziel ist bei jedem Baustein zu verstehen, wozu er verwendet wird und in Deinem Kontext zu entscheiden, ob Du ihn benötigst. Natürlich kann sich das auch später noch einmal ändern. Du kannst jederzeit hierher zurückkommen und Deine Standortanalyse anpassen.

Lade Dir hier die Checkliste zur Standortanalyse herunter und markiere, was Du benötigst und was nicht:

Entscheide Dich für eine Statistiksoftware, zum Beispiel R, SPSS, DATAtab oder auch eine andere Software. Und lerne diese Software kenne. 

Du brauchst nicht alles können, aber Du musst Dir die Grundkenntnisse aneignen:

• Wie ist die Benutzeroberfläche aufgebaut?
• Wie werden Daten in der Software geöffnet?
• Wie werden die Daten bearbeitet?
• Wie werden Analysen duchgeführt?
• Wie werden Abbildungen erstellt?
• Wie werden Ergebnisse, Tabellen und Abbildungen gespeichert?

Nutze dafür ein gutes anwendungsorientiertes Buch oder einen Kurs. Wenn Du noch keine eigenen Daten hast, arbeite mit Beispieldaten. 

Wenn Du Dich frühzeitig mit der Software beschäftigst, sparst Du viel Zeit bei der späteren Datenauswertung.

Sobald Du Deine Daten mit der Statistiksoftware geöffnet hast, startest Du mit dem Datencheck. Er dient nicht dazu, Deine Fragestellungen zu untersuchen, sondern soll alleine sicherstellen, dass Deine Daten in Ordnung sind und Du mit Deinen eigenen Analysen loslegen kannst.

Ziel ist es zum Beispiel herauszufinden, dass es keine ungewöhnlichen Fälle wie zum Beispiel Tippfehler in Deinen Daten gibt, dass es nicht ungewöhnlich viele fehlende Werte gibt, die vielleicht auf eine Fehlprogrammierung Deines Fragebogens hindeuten können und so weiter. Es geht also noch gar nicht ums Inhaltliche, sondern erstmal ums Technische. 

Wenn Du den Datencheck gemacht hast, weißt Du, dass mit Deinen Daten alles in Ordnung ist. Du vermeidest damit, viele Dinge doppelt tun zu müssen, falls Dir später erst Unstimmigkeiten in den Daten auffallen.

Zum Datencheck werden einfache deskriptive Methoden verwendet. Für kategoriale Varialben lässt Du Dir die Häufigkeiten in den Kategorien berechnen, für metrische Daten reichen meist Minimum und Maximum aus, um die Daten grob auf auffällige Werte zu prüfen.

Mit der Stichprobenbeschreibung beschreibst Du – wer hätte es gedacht – Deine Stichprobe. Dazu nutzt Du deskriptive Methoden. Für kategoriale Daten berechnest Du die absoluten und relativen Häufigkeiten, für metrische Daten gibst Du Lage- und Streumaße an, z.B. Mittelwert und Standardabweichung. 

Die Stichprobenbeschreibung steht am Anfang Deines Ergebnisteils. Mit der Stichprobenbeschreibung zeigst Du Deinen Leser*innen, auf welchen Daten Du gearbeitet hast. Das ist wichtig, damit sie die im Anschluss präsentierten Ergebnisse richtig einordnen können. 

Welche Merkmale Du für die Stichrobenbeschreibung verwendest, entscheidest Du selbst. Das hängt stark von Deinem Fachgebiet und Deiner Fragestellung ab. Wenn man mit Personen arbeitet wird meist zumindest Geschlecht und Alter berichtet. Es kann aber sein, dass außerdem der sozioökonomische Status, die Berufserfahrung oder das Bundesland relevant sind. Umgekehrt kann es auch sein, dass Geschlecht nicht relevant ist, weil sich Deine Fragestellung sowieso nur auf Frauen bezieht. Wenn Du als Untersuchungsobjekt Unternehmen hast, könnte die Unternehmensgröße gemessen als Anzahl der Mitarbeiter und die Branche für die Stichprobenbeschreibung in Frage kommen. Es hängt sehr stark von Deiner Fragestellung ab.

Überlege Dir: welche Informationen charakterisieren Deine Stichprobe?

Deskriptive Verfahren braucht jede*r. Das hast Du oben schon gesehen, denn bereits beim Datencheck und der Stichprobenbeschreibung setzt Du deskriptive Verfahren ein. Aber auch im weiteren Verlauf Deiner Datenanalyse, also dann, wenn Du Dich an die Untersuchung Deiner Fragestellungen machst, benötigst Du deskriptive Methoden.

Zu den deskriptiven Methoden gehört die Zusammenfassung Deiner Daten in Zahlen. Zum Beispiel in Form von Häufigkeitstabellen bei kategorialen Variablen, oder in Form von Lage- und Streumaßen (Mittelwert, Median, Standardabweichung, Interquartilsbereich) bei metrischen Variablen. Und auch Abbildungen, die oft gerade diese Zahlen visualisieren, zählen zu den deskriptiven Methoden, z.B. Balkendiagramme, Mittelwertdiagramme oder Boxplots.

Mit deskriptiven Methoden kann man nicht nur Variablen einzeln für sich untersuchen, sondern auch die Kombination von (meist zwei) Variablen. So kannst Du zwei kategoriale Variablen kombinieren und in einer Kreuztabelle beschreiben, indem Du dort die Häufigkeiten der Kategorienkombinationen abliest.

Du verwendest die deskriptiven Methoden, um die in Deinen Fragestellungen formulierten Zusammenhänge oder Unterschiede in Zahlen und Abbildungen zu beschreiben. Hier ist es erstmal egal, ob Du dafür bereits Hypothesen formuliert hattest oder nicht. So oder so untersuchst Du diese Zusammenhänge und Unterschiede mittels deskriptiver Methoden.

Deskriptive Methoden werden häufig auch für Voranalysen für komplexere Modelle eingesetzt, beispielsweise indem alle paarweisen Korrelationen (deskriptiv) berechnet werden, bevor ein Regressionsmodell aus diesen Variablen aufgestellt wird.

Viele statistische Methoden – vor allem die Signifikanztests und die komplexeren Modelle – stellen Voraussetzungen an die Daten. Wenn Du diese Methoden verwendest, musst Du die dazu gehörigen Voraussetzungen prüfen und ausgehend davon entscheiden, ob Du die entsprechende Methode einsetzen darfst oder nicht. 

Handelt es sich um metrische Variablen beziehen sich diese Voraussetzungen häufig auf die Verteilung der Daten. Die Variable selbst oder die Residuen sollen dann normalverteilt sein oder die Streuung soll in den Gruppen ähnlich sein oder es darf keine Ausreißer geben oder… Aber auch bei kategorialen Daten gibt es teils Voraussetzungen, die erfüllt sein müssen. Zum Beispiel wird dort oft gefordert, dass die so genannte Zellbesetzung – das ist die Anzahl der Beobachtungen in einer Kombination von Kategorien – nicht zu schwach sein darf. 

Die Liste der möglichen Voraussetzungen ist sehr lang und Du braucht nicht alle zu kennen. An dieser Stelle mach Dir nur bewusst, dass die meisten Methoden solche Voraussetzungen haben. Sobald Du dann an Deine Analyse gehst, musst Du wissen, was die Voraussetzungen der Methode, die Du einsetzen möchtest, sind und musst die zur Prüfung dieser Voraussetzungen passenden Methoden kennen und umsetzen können.

Wenn Du Deine Daten mit Fragebögen erhoben hast, dann wirst Du, bevor Du Deine Daten für Deine Fragestellungen auf Zusammenhänge und Unterschiede untersuchen darfst, erst einmal prüfen, wie gut der Fragebogen bei Dir funktioniert hat. Du schaust Dir also die Gütekriterien dieses Messinstruments bei Deinen Daten an.

Es kann auch sein, dass die Untersuchung der Güte des Fragebogens das Hauptanliegen Deiner Arbeit ist. Dann führst Du eine Validierungsstudie durch, wo Du sehr ausführlich die Güte (Objektivität, Reliabilität und Validität) untersuchen wirst. 

Handelt es sich bei Dir nicht um eine Validierungsstudien, sondern Du willst den Fragebogen einfach nur verwenden, dann setzt Du eine abgespecktere Version der Fragebogenanalyse ein. Je nach bisherigem Entwicklungsstand des Messinstruments und nach Deinem Studiendesign, Stichprobgengröße und Art der Fragen können das unterschiedliche Methoden sein, zum Beispiel:

• interne Konsistenz als Maß für die Reliabilität von aus Items zusammengefassten Skalen (z.B. Cronbachs Alpha)
• Item-Schwierigkeit und Trennschärfe für jedes Item
• Inter-Rater- oder Intra-Rater-Reliabilität bei Beurteilungen
• Explorative oder konfirmatorische Faktorenanalyse zur Untersuchung der Faktor-Item-Struktur

In manchen Studien sollen Strukturen in den Daten entdeckt werden. Das sind dann ausschließlich explorative Verfahren. Du hast hier vorab keine Hypothesen formuliert und es geht auch nicht um einzelne Zusammenhänge oder Effekte, sondern es geht darum, eine Struktur in den Daten herauszufinden, die bisher unbekannt ist.

Es könnte sein, dass Du Deine Untersuchungsobjekte in Gruppen einteilen willst und dazu die erhobenen Merkmale vewenden möchtest. Dann führst Du eine Clusteranalyse durch. Oder es könnte sein, dass Du viele Variablen erhoben hast und diese zu weniger Variablen – so genannten Faktoren – reduzieren willst. Dann führst Du eine Explorative Faktorenanalyse durch.

Diese Struktur entdeckenden Verfahren stehen manchmal zu Beginn einer Datenauswertung mit dem Ziel, mit den dort gefundenen Strukturen anschließend weiter zu arbeiten und dort dann eventuell auch Hypothesen zu untersuchen. Es kann beispielsweise sein, dass Du mit einer Clusteranalyse basierend auf Daten zum Kaufverhalten die Kunden in verschiedene Kauftypen einteilen möchtest (Struktur entdeckend) und dann im Anschluss diese Kauftypen anhand von anderen Kriterien vergleichst und nachweisen möchtest, dass sie sich hinsichtlich z.B. der Demographie signifikant unterscheiden (Hypothesen prüfend).

Vielleicht hast Du schon eine Struktur vorgegeben und sollst diese Struktur nun an Deinen Daten untersuchen, also herausfinden, ob diese Struktur auch mit Deinen Daten bestätigt werden kann. Dann benötigst Du Struktur prüfende Verfahren.

Dazu gehört zum Beispiel die Konfirmatorische Faktorenanalyse, mit der Du untersuchst, ob eine vorab festgelegte Faktor-Item-Struktur auch auf Deinen Daten nachweisbar ist. Diese Faktor-Item-Struktur sollte in dem Fall sowohl theoretisch als auch bereits in anderen Studien empirisch belegt sein.

Wenn Du mit Deinem Thema noch an einem frühen Forschungsstand bist, Du zwar eine Fragestellung und einen (großen) Datensatz hast, aber vorab keine Hypothesen formulieren konntest, dann möchtest Du Deine Analyse dazu nutzen, um Hypothesen zu generieren. 

Das bedeutet, dass Du Deinen Datensatz bezogen auf Deine Fragestellung explorativ untersuchst und so interessante Zusammenhänge und Unterschiede aufdecken möchtest. Aus diesen Ergebnissen ergeben sich dann Hypothesen, die man mit einer Folgestudie, die extra zur Untersuchung dieser Hypothesen geplant wird, auf Signifikanz testen kann.

Als Methoden verwendest Du explorative, das heißt deskriptive Methoden, die Du benutzt um Unterschiede (z.B. Lageunterschied mit Mittelwerten und Standardabweichungen) und Zusammenhänge (z.B. Korrelationen) zu berechnen. Zusätzlich kannst Du sie mit passenden Abbildungen grafisch darstellen. Auch Effektstärkemaße, die Dir die Unterschiede und Zusammenhänge helfen in Größenordnungen einzuteilen, sind hier passend.

Wenn Du vorab Hypothesen formuliert hast, wirst Du in Deiner Datenanalyse das Ziel verfolgen, diese Hypothesen auf Signifikanz zu prüfen. Dazu benötigst Du Signifikanztests bzw. komplexere statistische Modelle. Je nachdem, um welches Studiendesign es sich bei Dir handelt, welches Messniveau die Variablen haben und wie genau die Hypothese formuliert ist, wählst Du die passende Methode aus. 

Hier musst Du außerdem darauf achten, dass die meisten Signifikanztests Voraussetzungen an die Daten stellen, z.B. bezogen auf die Verteilung. Du musst also auch noch diese Voraussetzungen prüfen und darfst die Methode nur einsetzen, wenn die Voraussetzungen erfüllt sind (oder Du einen guten Grund findest, warum Du es trotzdem darfst, da gibt es einige…).

Wenn Du mit dem Rechnen durch bist, wirst Du natürlich Deine Ergebnisse berichten, sonst kann ja niemand etwas damit anfangen.

Es gibt ein paar allgemeine Regeln, an die Du Dich halten solltest, zum Beispiel dass Du im Ergebnisteil neutral und konsistenz schreiben solltest und dass Deine Ergebnisdarstellung für die Leser*innen nachvollziehbar, transparent, schlüssig und verständlich sein soll.

Außerdem gibt es noch Formalien dazu, wie zum Beispiel die Zahlen und Buchstaben des Ergebnissen von statstischen Tests berichtet werden, wie viele Nachkommastellen man verwendet oder wie Tabellen und Abbildungen aufgebaut sein sollen. Dazu findet man disziplinübergreifend viele Richtlinien und Beispiele in den APA Styles. Aber es kann auch sein, dass Du von Deiner Hochschule ein Regelwerk dazu an die Hand bekommst.

Neben dem reinen Berichten der Ergebnisse musst Du sie natürlich auch noch interpretieren. Das heißt, Du beantwortest basierend auf dem, was Du mit Rechnen herausgefunden hast, nun Deine Forschungsfrage(n), erklärst, was das in Deinem Zusammenhang bedeutet und setzt die Ergebnisse in den größeren Rahmen.

Vermutlich wird während der Durchführung Deiner Datenerhebung und -analyse nicht alles glatt gelaufen sein und Du wirst Dir mehrmals gedacht haben, dass Du das beim nächsten Mal aber anders machst (ich kenn das). Und genau das sind die Punkte, die Du nun diskutierst.

Das kann sein, dass das schon die Art der Datenerhebung betrifft (z.B. hättest Du mit einer besser gestreuten Umfrage eher repräsentative Daten erreicht) oder auch die Verwendung der Messinstrumente (vielleicht hast Du gemerkt, dass der Fragebogen doch nicht so gut geeignet war). Aber es kann auch sein, dass es die statistischen Methoden betrifft. Zum Beispiel kannst Du diskutieren, warum Du auf eine andere Analysemethode als zuvor geplant wechseln musstest, was das für Auswirkungen auf die Ergebnisse hat und wie man das in einer Folgestudie vermeiden könnte.

Zusätzlich wirst Du die Ergebnisse an sich diskutieren. Einerseits natürlich inhaltlich (da kann ich nicht viel zu beitragen, da ich nicht von Deinem Fach bin), andererseits aber auch, was methodisch einen Einfluss auf die Ergebnisse gehabt haben könnte. Zum Beispiel kann es sein, dass Du aufgrund einer zu kleinen Stichprobe die gewünschten Effekte nicht als signifikant nachweisen konntest. Oder Du vermutest nun Störvariablen, die Du nicht erhoben hattest und deshalb deren Einfluss in Deinen Analysen nicht kontrollieren konntest.