Auswertungsmethoden in der empirischen Forschung wählen

Stell dir zwei Abschlussarbeiten vor: dreißig Diagramme in der einen, ein einziger Mittelwert und drei Interviewzitate in der anderen. Welche ist besser ausgewertet? Das entscheidet nicht die Menge, sondern die Passung zur Forschungsfrage.

Damit sind wir bei den Auswertungsmethoden, und genau dort verlaufen sich viele. Auswertungsmethoden sind die systematischen Verfahren, mit denen du erhobene Daten aufbereitest, verdichtest und prüfst, damit sie deine Forschungsfrage beantworten. Welches Verfahren infrage kommt, entscheiden drei Dinge: deine Fragestellung, die Art deiner Daten und bei Zahlen zusätzlich das Skalenniveau. Am Ende dieses Beitrags kannst du für dein eigenes Material begründen, warum du dich für ein bestimmtes Verfahren entschieden hast.

📌 Das Wichtigste im Überblick

• Die Fragestellung bestimmt die Auswertungsmethode, nicht die Datenmenge.
• Quantitative Daten wertest du deskriptiv und inferenzstatistisch aus.
• Das Skalenniveau entscheidet, welche Kennzahl überhaupt zulässig ist.
• Qualitative Daten durchlaufen Aufzeichnung, Transkription und Kodierung.
• Ein p-Wert misst laut ASA (2016) keine Hypothesenwahrscheinlichkeit.

Was sind Auswertungsmethoden?

Auswertungsmethoden sind festgelegte, nachvollziehbare Verfahren, mit denen erhobene Daten geordnet, verdichtet und interpretiert werden. Sie setzen nach der Datenerhebung an und enden dort, wo aus Zahlen oder Texten eine begründete Antwort auf die Forschungsfrage wird.

In der Praxis begegnen dir mehrere Wörter für dieselbe Sache. Auswertungsverfahren, Analyseverfahren und Datenauswertung meinen im deutschen Sprachgebrauch dasselbe, und keiner der Begriffe ist fachlich exakter als der andere. Wichtiger als das Wort ist die Trennung von drei Schritten, die im Studium regelmäßig durcheinandergeraten.

Aufbereitung heißt, das Material überhaupt analysierbar zu machen: fehlende Werte prüfen, Antworten kodieren, Aufnahmen verschriften. Auswertung heißt, aus dem aufbereiteten Material Kennzahlen oder Kategorien zu gewinnen. Interpretation heißt, diese Ergebnisse vor dem Hintergrund der Forschungsfrage und des Forschungsstands zu deuten. Wer die Interpretation schon in die Auswertung zieht, verliert genau die Nachvollziehbarkeit, die eine empirische Arbeit ausmacht.

Auswertungsmethode wählen: drei Fragen entscheiden

Die Auswertungsmethode wählst du nicht nach Geschmack, sondern indem du drei Fragen der Reihe nach beantwortest: Was will ich herausfinden, welche Art von Daten liegt vor, und auf welchem Skalenniveau sind sie gemessen? Erst die dritte Frage grenzt das Feld so weit ein, dass am Ende ein konkretes Verfahren übrig bleibt.

Das Methodenzentrum der Ruhr-Universität Bochum formuliert es für die qualitative Seite deutlich: Nicht die Daten, sondern das Erkenntnisinteresse und die Fragestellung bestimmen die Wahl, und die Begründung gehört ins Forschungsdesign (Methodenzentrum RUB, abgerufen am 23.08.2026). Für die quantitative Seite gilt derselbe Grundsatz, dort kommt nur eine technische Hürde hinzu.

Eine Warnung vorweg: Die Reihenfolge lässt sich nicht umdrehen. Wer zuerst ein Verfahren auswählt, weil es im Seminar vorkam, und danach die Fragestellung passend zurechtbiegt, produziert eine Arbeit, die formal richtig rechnet und inhaltlich nichts beantwortet.

Quantitative Auswertungsmethoden: beschreiben und schließen

Quantitative Auswertungsmethoden teilen sich in zwei Gruppen: Die deskriptive Statistik beschreibt die vorliegenden Daten, die Inferenzstatistik schließt von der Stichprobe auf die Grundgesamtheit. Beide gehören in eine empirische Arbeit, weil die eine ohne die andere entweder folgenlos bleibt oder in der Luft hängt.

In der Praxis rechnest du fast immer zuerst deskriptiv und danach schließend. Die deskriptive Auswertung zeigt dir, wie deine Stichprobe aussieht und ob die Daten überhaupt plausibel sind. Erst danach lohnt sich die Frage, ob ein gefundener Unterschied auch außerhalb deiner Stichprobe Bestand haben könnte. Wie sich beide Bereiche im Detail unterscheiden, zeigen wir dir im Beitrag zu deskriptiver Statistik und Inferenzstatistik.

Deskriptive Statistik: die eigenen Daten beschreiben

Die deskriptive Statistik fasst deine Daten in wenigen Kennzahlen zusammen, ohne über die Stichprobe hinauszugehen. Dazu gehören Häufigkeiten und Anteile, Lagemaße wie arithmetisches Mittel, Median und Modus, Streuungsmaße wie Spannweite, Standardabweichung und Varianz sowie Zusammenhangsmaße wie der Korrelationskoeffizient. Ein Korrelationskoeffizient liegt zwischen -1 und +1, wobei 0 keinen linearen Zusammenhang anzeigt.

Der häufigste Denkfehler an dieser Stelle: Eine Korrelation belegt keine Ursache. Dass zwei Merkmale gemeinsam steigen, kann an einem dritten, gar nicht erhobenen Merkmal liegen. Für Kausalaussagen brauchst du ein Untersuchungsdesign, das andere Erklärungen ausschließt, nicht einen höheren Korrelationswert.

Inferenzstatistik: von der Stichprobe auf die Grundgesamtheit schließen

Die Inferenzstatistik prüft mit Signifikanztests, ob ein in der Stichprobe gefundener Unterschied oder Zusammenhang auch in der Grundgesamtheit plausibel ist. Das übliche Werkzeug ist der Hypothesentest: Du stellst der Nullhypothese eine Alternativhypothese gegenüber und berechnest, wie gut die Daten zur Nullhypothese passen.

An dieser Stelle steht in vielen Ratgebern eine falsche Aussage. Die American Statistical Association hat 2016 sechs Grundsätze zum p-Wert veröffentlicht, und zwei davon räumen mit dem verbreiteten Missverständnis auf: Ein p-Wert misst weder die Wahrscheinlichkeit, dass die untersuchte Hypothese wahr ist, noch die Größe oder Bedeutsamkeit eines Effekts (American Statistical Association, 2016). Ein p-Wert zeigt nur, wie unvereinbar die Daten mit einem angenommenen Modell sind. Ein Test kann die Nullhypothese verwerfen, beweisen kann er sie nie.

Welches statistische Verfahren passt zu welchem Skalenniveau?

Das Skalenniveau entscheidet, welche Kennzahl und welcher Test bei deinen Daten überhaupt zulässig sind. Nominale Daten erlauben nur Häufigkeiten, ordinale zusätzlich Rangaussagen und den Median, metrische Daten erst das arithmetische Mittel und die darauf aufbauenden Verfahren.

Die folgende Übersicht ist bewusst knapp gehalten und deckt die Fälle ab, die in studentischen Arbeiten fast immer vorkommen. Was genau hinter den drei Stufen steckt, erklären wir im Beitrag zum Skalenniveau.

Diese Zuordnung ist keine Formalie. Ein arithmetisches Mittel über nominale Daten zu berechnen, etwa den durchschnittlichen Studiengang, ergibt eine Zahl ohne Bedeutung, und genau solche Zahlen fallen im Kolloquium sofort auf.

⚠️ Achtung

Likert-Skalen sind streng genommen ordinal, weil die Abstände zwischen „stimme zu“ und „stimme eher zu“ nicht messbar gleich sind. Ob man daraus trotzdem Mittelwerte bilden darf, ist in der Methodenliteratur bis heute umstritten. Auf der sicheren Seite bist du, wenn du zusätzlich Median und Häufigkeitsverteilung berichtest und im Methodenteil begründest, warum du so vorgehst.

Qualitative Auswertungsmethoden: vom Interview zur Kategorie

Qualitative Auswertungsmethoden verdichten Text-, Ton- oder Bildmaterial über ein Kategoriensystem zu einer Antwort auf die Forschungsfrage. Anders als bei Zahlen liegt das Material zunächst gar nicht in auswertbarer Form vor, deshalb steht am Anfang immer ein Aufbereitungsschritt.

Der Ablauf ist über die verschiedenen Verfahren hinweg erstaunlich ähnlich, auch wenn sich die Schulen in ihrer Begründung deutlich unterscheiden. Drei Schritte durchläuft praktisch jede qualitative Auswertung.

Die drei Schritte jeder qualitativen Auswertung

1. Aufzeichnung. Interviews, Gruppendiskussionen oder Beobachtungen werden aufgenommen oder protokolliert, mit dokumentierter Einwilligung der befragten Personen.
2. Transkription. Die Aufnahme wird verschriftet, nach vorher festgelegten Regeln. Ob Dialekt, Sprechpausen und Füllwörter mitgeschrieben werden, hängt vom Verfahren ab und wird im Methodenteil begründet, nicht spontan entschieden.
3. Kodierung. Das Transkript wird Abschnitt für Abschnitt Kategorien zugeordnet. Die Kategorien entstehen entweder induktiv aus dem Material oder werden deduktiv aus Theorie und Leitfaden abgeleitet.

Verbreitete qualitative Verfahren im Überblick

Die qualitative Inhaltsanalyse ist im deutschsprachigen Raum das mit Abstand häufigste Verfahren in studentischen Arbeiten. Philipp Mayring hat sie seit der Erstauflage von 1982 systematisch ausgearbeitet und unterscheidet dabei die induktive Kategorienbildung von der deduktiven Kategorienanwendung, also der Strukturierung anhand eines vorab erstellten Kodierleitfadens. Udo Kuckartz hat später eine eigene, stärker softwaregestützte Variante vorgelegt.

Daneben stehen Verfahren mit anderer Logik. Die Grounded Theory nach Glaser und Strauss zielt auf Theoriebildung aus dem Material heraus und wechselt dafür laufend zwischen Erheben und Auswerten. Sequenzanalytische und hermeneutische Verfahren arbeiten sich sehr genau an einzelnen Textstellen ab und eignen sich für kleine Fallzahlen. Welches Verfahren passt, lässt sich nicht pauschal beantworten, sondern folgt der Fragestellung.

Unser Literaturtipp: Mayring, Philipp (2010). Qualitative Inhaltsanalyse. Grundlagen und Techniken. 12. Auflage. Weinheim und Basel: Beltz. Eine englischsprachige Kurzfassung desselben Autors von 2014 steht frei zugänglich im Social Science Open Access Repository.

Die Auswertungsmethode in der Abschlussarbeit beschreiben

Die Beschreibung der Auswertungsmethode gehört in den Methodenteil und beantwortet vier Fragen: Welches Verfahren hast du gewählt, warum passt es zur Fragestellung, wie bist du konkret vorgegangen, und welche Software hast du eingesetzt? Vier bis sechs Absätze reichen dafür in aller Regel aus.

Entscheidend ist die Begründung, nicht die Beschreibung. Ein Satz wie „Die Daten wurden mit SPSS ausgewertet“ sagt nichts über eine methodische Entscheidung. Besser ist: „Da die abhängige Variable ordinal skaliert ist, wurde statt des t-Tests ein rangbasiertes Verfahren gewählt.“ Solche Sätze zeigen, dass du die Grenzen deines Materials kennst.

Schreibe den Methodenteil außerdem so, dass eine andere Person deine Auswertung wiederholen könnte. Genau darauf zielen die Gütekriterien Objektivität, Reliabilität und Validität, und genau daran scheitern Arbeiten, in denen viel gerechnet und wenig dokumentiert wurde.

Typische Fehler bei der Auswertung

Die häufigsten Abzüge in empirischen Arbeiten entstehen nicht durch falsche Formeln, sondern durch vier wiederkehrende Denkfehler. Alle vier lassen sich vermeiden, wenn du sie kennst, bevor du mit dem Rechnen anfängst.

Fehler 1: die Methode vor der Fragestellung festlegen

Wer die Auswertungsmethode wählt, bevor die Forschungsfrage steht, baut die Arbeit von hinten auf. Das Ergebnis ist meist eine Sammlung korrekt berechneter Kennzahlen, die zusammen keine Aussage ergeben. Lege deine Hypothesen fest, bevor du die erste Zeile in die Auswertungssoftware tippst.

Fehler 2: Kennzahlen berechnen, die das Skalenniveau nicht hergibt

Ein Mittelwert über Schulnoten, Rangplätze oder Antwortkategorien wirkt harmlos und ist trotzdem angreifbar. Prüfe für jede Variable einzeln, auf welchem Skalenniveau sie gemessen wurde, und notiere das Ergebnis, bevor du auswertest. Der Aufwand kostet zwanzig Minuten und erspart eine unangenehme Nachfrage im Kolloquium.

Fehler 3: Signifikanz mit Bedeutsamkeit verwechseln

Ein signifikantes Ergebnis heißt nicht, dass der gefundene Effekt groß oder praktisch relevant ist. Bei sehr großen Stichproben wird auch ein winziger Unterschied signifikant. Berichte deshalb neben dem p-Wert immer eine Effektstärke und ordne ein, was der Unterschied inhaltlich bedeutet.

Fehler 4: die Auswertung erst nach der Erhebung planen

Wer den Fragebogen fertig verschickt und sich danach überlegt, wie ausgewertet wird, entdeckt oft, dass eine entscheidende Frage im falschen Format gestellt wurde. Eine offene Frage lässt sich nicht nachträglich in eine Skala verwandeln. Plane die Auswertung deshalb schon, während du den Fragebogen erstellst.

Fazit

Die passende Auswertungsmethode findest du nicht in einer Liste, sondern über deine Fragestellung, deine Datenart und dein Skalenniveau. Wer diese drei Punkte vor der Erhebung klärt, spart sich am Ende die unangenehme Erkenntnis, dass die schönsten Daten die falsche Frage beantworten.

Nicht die Daten entscheiden über die Methode. Die Frage entscheidet über beides.

Wie es weitergeht

• Du willst wissen, wie sich die beiden Statistikarten unterscheiden? Deskriptive Statistik und Inferenzstatistik
• Du bist dir beim Messniveau deiner Variablen unsicher? Skalenniveau bestimmen
• Du suchst den Überblick über den ganzen Ablauf? Empirische Forschung

Die Auswertung schon beim Erstellen mitdenken?

Mit empirio.ai, einem Online-Umfrage-Tool aus Deutschland, siehst du Häufigkeiten, Kreuztabellen und Filter in einem Dashboard, das sich mit jeder neuen Antwort aktualisiert.

Umfrage erstellen und direkt auswerten