In 5 Schritten zur eigenen Statistik – auch ohne Statistiker zu sein

Als das anwendungsorientierteste Gebiet der Mathematik erhielt die Statistik Einzug in die Sozial- und Wirtschaftswissenschaften. Entsprechend werden also auch Nicht-Statisiker mit der Durchführung und Auswertung statistischer Auswertungen konfrontiert – diese Anleitung soll Ihnen den Einstieg vereinfachen, ohne sich zu sehr in Theorie zu ergehen.

Die folgenden 5 Schritte umspannen die statistische Versuchsplanung (Entwicklung der Leitfrage), die Erfassung und Erhebung der Daten, die statistischen Datenanalyse sowie die statistische Auswertung. Gerade die letzten Schritte unterscheiden sich je nach verwendeter Software nur geringfügig.

Schritt 1 – Entwicklung der Leitfrage

In der Regel wird Ihnen ein grober Rahmen für die Auswertung durch die Themenstellung vorgegeben, diesen gilt es zu konkretisieren. Bei den meisten Statistik-Auswertungen läuft es auf die Frage hinaus, ob zwischen zwei oder mehreren Merkmalen ein Zusammenhang besteht – je nach untersuchten Merkmalen ist eine Annahme über einen gerichteten proportionalen Zusammenhang möglich.

Beispiel: Sie sollen im Fachbereich Marketing die Effizienz neuer Kommunikationsmittel analysieren – die sich ergebende Leitfrage ist dann „Besteht ein Zusammenhang zwischen gewähltem Kommunikationsmittel und dem Absatz?“

Schritt 2 – Erfassung der Daten

Sofern Sie eine Meta-Studie durchführen, sich also auf bereits durchgeführte Analysen berufen und keine zusätzliche Auswertung vornehmen, kann dieser Schritt übersprungen werden.

Sobald die zu untersuchenden Merkmale festgelegt sind, ist über die Optionen der Erfassung zu entscheiden – in der Statistik unterscheiden wir zwischen 3 Messniveaus, die in Kürze vorgestellt werden.

• Nominalskala – hierunter fallen alle Merkmale, die keine Rangordnung zulassen, typischerweise demographische Merkmale wie Geschlecht und Wohnort.
• Ordinalskala – ordinal skalierte Merkmale sind jene, die eine Rangordnung ermöglichen, jedoch keine Berechnungen zulassen. Klassisches Beispiel ist die Stärke der Übereinstimmung mit vorgegebenen Aussagen.
• Kardinalskala – kardinal skalierte Merkmale sind solche, die quantitative Werte messen, wie Einkommen, Alter und Umsatz.

Die Skalierung der Merkmale wirkt sich direkt auf die Auswertung aus – zwischen nominal skalierten Merkmalen kann man zwar einen Zusammenhang bestimmen, allerdings sind die Möglichkeiten der Interpretation eingeschränkt. Ordinal skalierte Merkmale lassen eine proportionale Aussage über den Zusammenhang zu, allerdings sind konkrete Prognosen nicht möglich.

Schritt 3 – Erhebung der statistischen Daten

Nun wird es praktisch – nachdem Sie die Messniveaus der Merkmale festgelegt haben, erheben Sie die Daten. Ihnen stehen dabei zwei Arten von Quellen zur Verfügung – eine eigenständige Erhebung mittels Umfrage und bereits durchgeführte Pre-Studies.

Sofern es zu Ihrer Leitfrage bereits Analysen gibt, können Sie auf diesen aufbauen. Ist die Vorgabe eine Meta-Studie, so bleibt es bei der Auswertung und dem Vergleich der Pre-Studies. Für eine eigene Auswertung führen Sie zusätzlich eine Umfrage durch – je nach Studienart gibt es dabei bestimmte Kriterien zu beachten. Am Ende der Befragung steht Ihnen ein Datensatz zur Auswertung zur Verfügung.

Schritt 4 – Analyse der Daten

Der nachfolgende Schritt stellt den größten Unterschied zwischen einer reinen Tabellenkalkulation wie Excel und statistischer Software wie SPSS, R und STATA dar – letztere implementieren bereits die Routinen zur Berechnung, während diese bei Excel und seinen Alternativen teilweise komplett selbstständig durchgeführt werden müssen.
Je nach Skalierung der Daten werden die passenden Korrelationsmaße berechnet:

• nominal und kardinal → Varianzanalyse, Diskriminanzanalyse
• kardinal und kardinal → Regressionsanalyse, Korrelationsanalyse
• ordinal und ordinal → Rangkorrelationsanalyse
• nominal und ordinal → Kontingenzanalyse

Schritt 5 – Statistische Auswertung

Nach der Durchführung erfolgt als letzter logischer Schritt die statistische Auswertung der ermittelten Werte. Gerade mit diesem Schritt sind die meisten Anwender überfordert und greifen auf professionelle Hilfe wie Novustat zurück. Wichtig ist zum einen das Korrelationsmaß, das die Stärke des Zusammenhangs der untersuchten Merkmale angibt, wobei folgende Faustregel gilt:

• 0 bis 0.2 → der Zusammenhang ist schwach
• 0.2 bis 0.4 → der Zusammenhang ist eher schwach
• 0.4 bis 0.6 → der Zusammenhang ist von mittlerer Stärke
• 0.6 bis 0.8 → der Zusammenhang ist eher stark
• 0.8 bis 1.0 → der Zusammenhang ist stark

Neben dem Korrelationsmaß ist die Signifikanz (auch p-Wert genannt) für Sie von Bedeutung – nur wenn dieser Wert unter 5% liegt kann auch angenommen werden, dass ein Zusammenhang besteht.

Den Abschluss Ihrer statistischen Analyse bildet die kontextbezogene Interpretation und Beantwortung der Leitfrage, beispielsweise „Das gewählte Kommunikationsmittel beeinflusst den Absatz nur marginal.“

Autor/in: Bettina Weiss
Veröffentlicht am 31. August 2015

Tags: Bachelor, Lerntechniken, Master, Studium