Deskriptive Statistik berichten: Welche Kennwerte du in wissenschaftlichen Arbeiten brauchst

Du hast deine Umfrage ausgewertet, SPSS, R, jamovi oder Excel spuckt Tabellen aus, aber plötzlich ist unklar, was davon in den Ergebnisteil gehört: Sollst du jede Variable beschreiben, reicht der Mittelwert, brauchst du den Median, und wie kannst du deskriptive Statistik berichten, ohne dass dein Text wie eine kopierte Softwareausgabe wirkt? Genau an dieser Stelle verlieren viele Studierende Zeit. Die Daten sind da, aber die Auswahl der Kennwerte bleibt unsicher. In vielen Bachelor- und Masterarbeiten wird der deskriptive Teil entweder zu knapp gehalten oder mit Zahlen überladen, die keinen Bezug zur Forschungsfrage haben. Beides schwächt den Ergebnisteil: Leser*innen verstehen dann nicht, welche Datenbasis deine späteren Tests, Vergleiche oder Interpretationen tragen.

Deskriptive Statistik berichtest du, indem du deine Stichprobe, deine zentralen Variablen und deren Verteilungen mit passenden Kennwerten beschreibst, bevor du Hypothesen prüfst oder Gruppen vergleichst. Welche Kennwerte du nennst, hängt vom Skalenniveau, der Verteilung und deiner Forschungsfrage ab: Häufigkeiten für Kategorien, Mittelwert und Standardabweichung für annähernd symmetrische metrische Daten, Median und Quartile bei schiefen Verteilungen.

In diesem Leitfaden

• Warum musst du deskriptive Statistik berichten, bevor du Tests interpretierst?
• Welche Kennwerte berichtest du bei metrischen Variablen?
• Welche Kennwerte gehören bei kategorialen Variablen in die deskriptive Statistik Tabelle?
• Wie wählst du passende Kennwerte für deine Forschungsfrage aus?
• Wie formulierst du deskriptive Statistik im Ergebnisteil?
• Wie sieht ein schwaches und ein stärkeres Beispiel aus?
• Welche Fehler machen Studierende häufig beim deskriptive Statistik berichten?
• Wie nutzt du deskriptive Statistik in Bachelorarbeit und Masterarbeit verschiedener Fächer?
• Wie prüfst du deine deskriptive Statistik vor der Abgabe?

Warum musst du deskriptive Statistik berichten, bevor du Tests interpretierst?

Deskriptive Statistik zeigt, wie deine Daten aussehen, bevor du erklärst, prüfst oder interpretierst. Sie macht sichtbar, wie groß deine Stichprobe ist, wie Variablen verteilt sind und ob die Daten zu den geplanten Analysen passen. Ohne diesen Teil bleiben t-Tests, Korrelationen, Regressionen oder Gruppenvergleiche schwer nachvollziehbar.

Beschreibung vor Erklärung

Deskriptive Statistik ist die zusammenfassende Beschreibung vorhandener Daten durch Kennwerte, Tabellen oder Grafiken. Sie beantwortet noch nicht, ob ein Zusammenhang „signifikant“ ist, sondern zeigt zuerst, welche Werte tatsächlich beobachtet wurden.

Wenn du etwa Lernmotivation und Prüfungsleistung untersuchst, reicht es nicht, nur eine Korrelation zu berichten. Leser*innen müssen vorher wissen, wie hoch die Motivation im Durchschnitt war, wie stark sie streute und ob die Prüfungsleistung eher gleichmäßig verteilt oder stark verzerrt war. Erst dann lässt sich einschätzen, ob ein Zusammenhang inhaltlich plausibel wirkt.

Das gilt auch für kleine Seminararbeiten. Wenn du nur 38 Fragebögen ausgewertet hast, ist die Beschreibung der Datenbasis nicht Beiwerk, sondern Teil der Transparenz. Sie zeigt, ob deine Stichprobe zu deiner Forschungsfrage passt und wo Grenzen deiner Aussagekraft liegen.

Brücke zwischen Methode und Ergebnis

Der Methodikteil erklärt, wie du Daten erhoben und ausgewertet hast; der Ergebnisteil zeigt, was dabei herauskam. Deskriptive Statistik bildet die Brücke zwischen beiden Teilen. Wenn du deinen Analyseplan noch strukturierst, hilft dir ein klarer Ablauf wie im Beitrag zum Methodikteil schreiben als klarer Forschungsablauf.

Beispiel: Im Methodikteil steht, dass Arbeitszufriedenheit mit fünf Likert-Items gemessen wurde. Im Ergebnisteil beschreibst du dann, wie hoch der gebildete Skalenwert ausfiel, welche Streuung er hatte und ob auffällige Ausreißer vorhanden waren. So wird aus einer abstrakten Messbeschreibung eine nachvollziehbare Datengrundlage.

Was Leser*innen aus dem deskriptiven Teil lernen

Eine gute deskriptive Darstellung beantwortet drei Fragen: Wer oder was wurde untersucht? Welche Werte wurden beobachtet? Wie stabil oder unterschiedlich sind diese Werte? Diese Informationen helfen Betreuungspersonen, Prüferinnen und anderen Leserinnen, deine späteren Analysen einzuordnen.

Typische Angaben sind Stichprobengröße, Alter, Geschlecht oder andere relevante Merkmale, zentrale Variablenwerte und Streuungsmaße. Bei quantitativen Arbeiten ist dieser Teil besonders wichtig, weil er auch zeigt, ob die gewählte statistische Methode zu deinen Daten passt. Wenn du noch unsicher bist, welche Tests überhaupt infrage kommen, passt der Beitrag zur Entscheidung zwischen statistischen Tests als nächster Schritt.

Welche Kennwerte berichtest du bei metrischen Variablen?

Bei metrischen Variablen berichtest du meist Mittelwert, Standardabweichung, Minimum, Maximum und Stichprobengröße. Bei schiefen Verteilungen oder starken Ausreißern sind Median, Quartile oder Interquartilsabstand oft aussagekräftiger. Die Auswahl hängt nicht von der Softwareausgabe ab, sondern von der Verteilung und deiner Forschungsfrage.

Mittelwert und Standardabweichung

Der Mittelwert ist der rechnerische Durchschnitt aller Werte. Die Standardabweichung beschreibt, wie stark einzelne Werte im Durchschnitt um den Mittelwert streuen. Wenn Studierende nach „Mittelwert Standardabweichung berichten“ suchen, geht es meist um genau diese Kombination: zentrale Lage plus Streuung.

Eine typische Formulierung lautet: „Die Teilnehmenden berichteten eine mittlere Arbeitszufriedenheit von M = 3,82 (SD = 0,71) auf einer Skala von 1 bis 5.“ Die Abkürzungen M und SD sind in vielen Fächern üblich; wenn dein Institut deutsche Kürzel bevorzugt, kannst du „MW“ und „SD“ verwenden. Wichtig ist, dass du innerhalb der Arbeit einheitlich bleibst.

Mittelwert und Standardabweichung passen besonders gut, wenn die Variable intervallskaliert oder annähernd intervallskaliert ist und keine starke Schiefe zeigt. Bei Likert-Skalen mit mehreren Items wird diese Darstellung oft akzeptiert, während einzelne Likert-Items je nach Fach eher ordinal behandelt werden.

Median, Quartile und Spannweite

Der Median ist der Wert, der eine geordnete Datenreihe in zwei gleich große Hälften teilt. Er ist nützlich, wenn Ausreißer den Mittelwert verzerren. Die Quartile teilen die Verteilung in vier Bereiche; der Interquartilsabstand beschreibt den Bereich zwischen dem 25. und 75. Perzentil.

Ein Beispiel aus der Gesundheitswissenschaft: In einer Studie zur Wartezeit in einer Notaufnahme kann der Mittelwert stark steigen, wenn einige wenige Patient*innen extrem lange warten. Dann wäre „Median = 42 Minuten, IQR = 28–71 Minuten“ oft verständlicher als ein Durchschnitt, der durch Ausreißer nach oben gezogen wird.

Minimum und Maximum können ergänzen, sollten aber nicht allein stehen. Eine Spannweite von 5 bis 180 Minuten zeigt zwar den Extrembereich, sagt aber wenig darüber, wo die meisten Fälle liegen. Median und Quartile füllen genau diese Lücke.

Vergleich konkreter Kennwertkombinationen

Die folgende Tabelle zeigt, wie sich eine schwache und eine stärkere deskriptive Darstellung unterscheiden. Die Beispiele sind bewusst konkret, weil viele Probleme nicht an der Statistik selbst liegen, sondern an unvollständigen oder unpassenden Angaben.

Studentische Version	Stärkere Version
„Die Motivation war hoch.“	„Die Lernmotivation lag im Mittel bei M = 4,10 (SD = 0,62) auf einer Skala von 1 bis 5.“
„Das Alter wurde berechnet.“	„Das Durchschnittsalter der Teilnehmenden betrug 22,8 Jahre (SD = 3,1; Min = 18; Max = 41).“
„Die Wartezeit war unterschiedlich.“	„Die Wartezeit war rechtsschief verteilt; der Median lag bei 42 Minuten (IQR = 28–71).“
„Die Werte sehen normal aus.“	„Histogramm und Schiefe deuteten auf eine annähernd symmetrische Verteilung hin; daher wurden M und SD berichtet.“

Stichprobengröße nicht vergessen

Das N gibt an, wie viele Fälle in eine Auswertung eingegangen sind. Es wirkt banal, fehlt aber häufig in Tabellen. Besonders bei fehlenden Werten kann N je nach Variable variieren.

Wenn 120 Personen an deiner Befragung teilgenommen haben, aber nur 104 die Skala zur Prüfungsangst vollständig beantwortet haben, muss die Tabelle das zeigen. Sonst nehmen Leser*innen an, alle Analysen basierten auf derselben Fallzahl. Bei quantitativen Arbeiten ist diese Transparenz Teil sauberer Ergebnisdarstellung, nicht nur eine formale Kleinigkeit.

Welche Kennwerte gehören bei kategorialen Variablen in die deskriptive Statistik Tabelle?

Bei kategorialen Variablen berichtest du absolute Häufigkeiten und Prozentwerte. Für nominale Merkmale wie Studienfach, Geschlecht, Berufsgruppe oder Behandlungsform sind Mittelwerte nicht sinnvoll. Eine deskriptive Statistik Tabelle sollte deshalb klar zwischen kategorialen und metrischen Variablen unterscheiden.

Häufigkeiten und Prozentwerte

Absolute Häufigkeit bedeutet, wie viele Fälle in eine Kategorie fallen. Relative Häufigkeit gibt den Anteil an, meist als Prozentwert. Wenn du z. B. Studiengänge beschreibst, wäre „Wirtschaftswissenschaften: n = 42; 35,0 %“ deutlich informativer als nur „viele Studierende kamen aus Wirtschaftswissenschaften“.

Bei Prozentwerten solltest du angeben, worauf sie sich beziehen. Beziehen sich die Prozentwerte auf alle eingeladenen Personen, auf alle begonnenen Fragebögen oder auf alle gültigen Antworten? In wissenschaftlichen Arbeiten ist meist die gültige Fallzahl pro Variable relevant, sofern du fehlende Werte separat behandelst.

Für dich als Schreibende*r heißt das: Nicht jede Softwaretabelle gehört ungefiltert in die Arbeit. Du wählst die Kategorien, die für die Stichprobe oder Forschungsfrage relevant sind, und fasst sie lesbar zusammen.

Beispiel einer deskriptiven Statistik Tabelle

Eine Tabelle sollte so aufgebaut sein, dass Leser*innen sie ohne Softwarekenntnisse verstehen. Für gemischte Stichprobenmerkmale kann eine Tabelle metrische und kategoriale Variablen kombinieren, solange die Spalten klar benannt sind.

Variable	Kennwert	Ergebnis
Alter	M (SD)	23,4 (3,8)
Studiensemester	Median (IQR)	4 (2–6)
Geschlecht: weiblich	n (%)	68 (56,7 %)
Geschlecht: männlich	n (%)	49 (40,8 %)
Geschlecht: divers / keine Angabe	n (%)	3 (2,5 %)

Diese Tabelle zeigt nicht nur Werte, sondern auch die Logik der Auswahl. Alter wird als metrische Variable mit Mittelwert und Standardabweichung dargestellt. Studiensemester kann schief verteilt sein, deshalb ist der Median plausibel. Geschlecht wird als Häufigkeit und Prozentwert berichtet.

Kategorien zusammenfassen oder getrennt zeigen

Manchmal sind Kategorien so klein, dass einzelne Prozentwerte wenig aussagen. Wenn nur eine Person in einer Kategorie liegt, kann eine Zusammenfassung sinnvoll sein, sofern sie inhaltlich vertretbar ist. Du darfst Kategorien aber nicht nur deshalb zusammenlegen, damit das Ergebnis „ordentlicher“ aussieht.

Ein Beispiel aus der Pflegewissenschaft: In einer Befragung zur Medikamentenadhärenz nach Entlassung in die häusliche Pflege könnten Versorgungsformen wie „alleinlebend“, „mit Angehörigen“ und „mit ambulantem Pflegedienst“ relevant sein. Diese Kategorien sollten nicht vorschnell zusammengefasst werden, weil sie unterschiedliche Versorgungssituationen abbilden. Anders wäre es bei sehr seltenen administrativen Unterkategorien, die für die Forschungsfrage keine Rolle spielen.

Wie wählst du passende Kennwerte für deine Forschungsfrage aus?

Du wählst Kennwerte aus, indem du zuerst Skalenniveau, Verteilung und Zweck der Variable klärst. Eine Variable zur Stichprobenbeschreibung braucht andere Angaben als eine Hauptvariable deiner Hypothese. Die Suchfrage „welche Kennwerte berichten“ lässt sich deshalb nur beantworten, wenn klar ist, was die Variable in deiner Arbeit leisten soll.

Schrittfolge für die Auswahl

Nutze nicht zuerst die längste Softwaretabelle, sondern eine kleine Entscheidungslogik. So vermeidest du, dass dein Ergebnisteil zu einer Sammlung zufälliger Zahlen wird.

1. Bestimme das Skalenniveau jeder Variable: nominal, ordinal oder metrisch.
2. Markiere, ob die Variable nur die Stichprobe beschreibt oder Teil deiner Forschungsfrage ist.
3. Prüfe Verteilung, Ausreißer und fehlende Werte.
4. Wähle Lage- und Streuungsmaße passend zur Variable.
5. Entscheide, ob eine Tabelle, ein kurzer Satz oder eine Grafik am lesbarsten ist.
6. Streiche Kennwerte, die keine inhaltliche Funktion haben.

Diese Reihenfolge spart Zeit, weil du nicht jede Zahl interpretieren musst, die dein Programm erzeugt. Sie schützt auch vor dem häufigen Fehler, Mittelwerte für Kategorien zu berechnen.

Verbindung zur Variablenlogik

Wenn du mit Hypothesen arbeitest, muss klar sein, welche Variablen welche Rolle spielen. Eine saubere Definition von unabhängigen, abhängigen und Kontrollvariablen hilft dir bereits vor der Auswertung. Der Beitrag zum Variablenmodell mit UV und AV zeigt, wie du diese Rollen trennst.

Beispiel aus der Psychologie: Du untersuchst, ob Prüfungsangst die Prokrastination vor Klausuren vorhersagt. Dann sind Prüfungsangst und Prokrastination zentrale metrische Skalen, für die M, SD, N und eventuell Reliabilität interessant sein können. Alter und Studiensemester beschreiben zusätzlich die Stichprobe, gehören aber nicht mit derselben Ausführlichkeit in die Interpretation.

Nicht jede Variable braucht gleich viel Raum

Hauptvariablen verdienen mehr Aufmerksamkeit als Kontroll- oder Hintergrundvariablen. Wenn deine Forschungsfrage die Beziehung zwischen Teamklima und Kündigungsabsicht in Unternehmen untersucht, sollten diese beiden Skalen ausführlicher beschrieben werden als etwa die Beschäftigungsdauer, sofern diese nur als Kontrollvariable dient.

In einer Managementarbeit könnte der Ergebnisteil zum Beispiel berichten: „Das wahrgenommene Teamklima lag im Mittel bei M = 3,76 (SD = 0,68), während die Kündigungsabsicht niedriger ausgeprägt war (M = 2,14; SD = 0,91).“ Danach kann ein Satz zur Stichprobe folgen, ohne jede demografische Variable einzeln zu kommentieren.

Wie formulierst du deskriptive Statistik im Ergebnisteil?

Du formulierst deskriptive Statistik knapp, präzise und mit Bezug zur Variable. Gute Sätze nennen den Kennwert, die Skala oder Einheit und bei Bedarf die Streuung. Der Text sollte Tabellen nicht doppeln, sondern die wichtigsten Muster hervorheben.

Text und Tabelle aufteilen

Wenn eine deskriptive Statistik Tabelle mehrere Variablen enthält, muss der Fließtext nicht jede Zahl wiederholen. Er kann stattdessen die zentralen Muster zusammenfassen und auf die Tabelle verweisen. Eine passende Formulierung lautet: „Tabelle 2 zeigt die deskriptiven Kennwerte der zentralen Untersuchungsvariablen.“

Danach kannst du auffällige Werte gezielt nennen: „Die Prüfungsangst lag im mittleren Bereich der Skala, während die Lernmotivation vergleichsweise hoch ausfiel.“ Solche Sätze sind keine Interpretation im Sinne einer Hypothesenprüfung, sondern eine lesbare Beschreibung der Datenlage.

Achte darauf, dass du keine Kausalität andeutest. „Studierende mit hoher Motivation erzielten bessere Noten“ ist bereits ein Vergleich oder Zusammenhang und gehört nur dann hierher, wenn du ihn deskriptiv sauber belegst. Für reine Beschreibung reicht: „Die mittlere Lernmotivation betrug …“

Formulierungsbausteine für häufige Fälle

Für metrische Variablen kannst du einfache Satzmuster verwenden. Wichtig ist, dass Skala und Richtung klar bleiben, besonders bei Fragebogenskalen.

• „Die Skala zur Arbeitszufriedenheit reichte von 1 = sehr niedrig bis 5 = sehr hoch; der Mittelwert betrug M = 3,82 (SD = 0,71).“
• „Die Verteilung der Wartezeit war rechtsschief; daher wird der Median berichtet (Md = 42 Minuten, IQR = 28–71).“
• „Von den 126 gültigen Fällen gaben 74 Personen (58,7 %) an, bereits Berufserfahrung im untersuchten Bereich zu haben.“
• „Für die Variable Nutzungsdauer lagen 9 fehlende Werte vor; die deskriptiven Kennwerte basieren daher auf n = 117.“

Solche Sätze wirken nüchtern und nachvollziehbar. Sie vermeiden sowohl Überinterpretation als auch Tabellenabschrift.

Dezimalstellen und Einheiten

Berichte Zahlen mit so vielen Dezimalstellen, wie für dein Fach üblich und inhaltlich sinnvoll ist. Bei psychologischen Skalen sind zwei Dezimalstellen häufig genug. Bei Alter in Jahren reicht oft eine Dezimalstelle oder sogar eine ganze Zahl, je nach Messung.

Einheiten gehören immer dazu, wenn sie nicht aus der Variable selbst hervorgehen. „M = 42“ ist bei Wartezeit unklar; „M = 42 Minuten“ ist verständlich. Bei Prozentwerten solltest du einheitlich runden, z. B. auf eine Nachkommastelle. Vermeide Rundungschaos wie 35 %, 40,83 % und 2,5 % in derselben Tabelle.

Wie sieht ein schwaches und ein stärkeres Beispiel aus?

Ein stärkeres Beispiel nennt passende Kennwerte, erklärt bei Bedarf die Skala und trennt Beschreibung von Interpretation. Ein schwaches Beispiel bleibt vage, verwendet falsche Kennwerte oder lässt offen, auf welchen Daten die Aussage beruht. Der Unterschied liegt meist nicht in komplizierter Statistik, sondern in präziser Auswahl und Formulierung.

Direkter Vergleich im Ergebnisteil

Viele studentische Texte klingen zunächst plausibel, sind aber für Leser*innen nicht prüfbar. Die folgende Gegenüberstellung zeigt eine typische Überarbeitung.

Schwache studentische Version	Stärkere Überarbeitung
„Die Teilnehmenden waren relativ jung und die Motivation war ziemlich hoch. Außerdem gab es Unterschiede bei der Lernzeit.“	„Das Durchschnittsalter der Teilnehmenden betrug 22,6 Jahre (SD = 2,9; n = 118). Die Lernmotivation lag auf einer Skala von 1 bis 5 im oberen Bereich (M = 4,08; SD = 0,64). Die wöchentliche Lernzeit war rechtsschief verteilt; der Median betrug 7 Stunden (IQR = 4–11).“

Die stärkere Version ist nicht länger, weil sie mehr Wörter macht, sondern weil sie mehr prüfbare Informationen enthält. Sie nennt Stichprobengröße, Skala, Lage und Streuung. Außerdem behandelt sie Lernzeit anders als Motivation, weil die Verteilung anders ist.

Warum die stärkere Version funktioniert

Der überarbeitete Text erfüllt drei Aufgaben. Erstens macht er die Stichprobe greifbar. Zweitens beschreibt er die zentrale Variable Lernmotivation mit Mittelwert und Standardabweichung. Drittens vermeidet er beim schief verteilten Merkmal Lernzeit einen irreführenden Mittelwert.

Diese Logik kannst du auf viele Themen übertragen. In einer Bildungswissenschaftsarbeit zu digitalem Feedback im Unterricht könntest du Nutzungsdauer, Zufriedenheit mit dem Feedback und Klassenstufe jeweils unterschiedlich berichten. Nutzungsdauer könnte schief verteilt sein, Zufriedenheit als Skalenwert mit M und SD erscheinen, Klassenstufe als Häufigkeit.

Verbindung zur Forschungsfrage

Deskriptive Statistik ist am stärksten, wenn sie zu deiner Forschungsfrage passt. Wenn deine Forschungsfrage unklar ist, bleibt auch die Auswahl der Kennwerte wackelig. Für die Eingrenzung hilft der Beitrag Vom breiten Thema zur fokussierten Forschungsfrage, weil er zeigt, wie du Variablen und Ziel der Untersuchung sauber formulierst.

Sobald Forschungsfrage und Variablen feststehen, kannst du die Deskriptivstatistik darauf ausrichten. Du beschreibst nicht „alles, was da ist“, sondern genau das, was Leser*innen brauchen, um deine Analyse zu verstehen.

Welche Fehler machen Studierende häufig beim deskriptive Statistik berichten?

Häufige Fehler entstehen, wenn Studierende Softwareausgaben ungeprüft übernehmen, Skalenniveaus verwechseln oder Zahlen ohne Bezug zur Forschungsfrage sammeln. Auch fehlende Angaben zu N, Skala und Einheiten machen deskriptive Ergebnisse schwer lesbar. Diese Fehler lassen sich meist durch eine klare Auswahlregel vermeiden.

Typische Fehler mit Korrektur

1. Mittelwert für eine nominale Variable verwenden
   Beispiel: „Das durchschnittliche Geschlecht betrug 1,42.“
   Korrektur: Geschlecht ist kategorial; berichte n und %, z. B. „68 Personen (56,7 %) gaben weiblich an, 49 Personen (40,8 %) männlich, 3 Personen (2,5 %) divers oder keine Angabe.“

2. Standardabweichung ohne Mittelwert berichten
   Beispiel: „Die Standardabweichung der Zufriedenheit lag bei 0,71.“
   Korrektur: Streuung braucht einen Bezugspunkt; schreibe „Die Zufriedenheit lag bei M = 3,82 (SD = 0,71) auf einer Skala von 1 bis 5.“

3. Skalenrichtung nicht erklären
   Beispiel: „Der Stresswert betrug M = 2,1.“
   Korrektur: Leser*innen müssen wissen, ob hohe Werte mehr oder weniger Stress bedeuten: „Auf der Skala von 1 = kein Stress bis 5 = sehr hoher Stress lag der Mittelwert bei M = 2,10 (SD = 0,88).“

4. Fehlende Werte verschweigen
   Beispiel: „Die Lernzeit betrug M = 8,4 Stunden“, obwohl 21 Personen die Frage nicht beantwortet haben.
   Korrektur: „Für die Lernzeit lagen 21 fehlende Werte vor; die Auswertung basiert auf n = 97.“

5. Deskriptive und inferenzstatistische Aussagen vermischen
   Beispiel: „Frauen waren motivierter, deshalb ist das Geschlecht ein Einflussfaktor.“
   Korrektur: Deskriptiv kannst du Gruppenmittelwerte berichten; eine Aussage über Einfluss oder Unterschied braucht einen passenden Test und gehört in den inferenzstatistischen Abschnitt.

Warum diese Fehler in Arbeiten auffallen

Betreuungspersonen erkennen solche Fehler schnell, weil sie die Logik der Auswertung betreffen. Ein falscher Kennwert zeigt nicht nur ein Darstellungsproblem, sondern oft ein unklar verstandenes Skalenniveau. Gerade in der deskriptive Statistik Bachelorarbeit fällt das auf, weil hier häufig der erste größere quantitative Ergebnisteil geschrieben wird.

Die gute Nachricht: Du musst dafür keine fortgeschrittenen Modelle beherrschen. Du brauchst eine saubere Zuordnung von Variable, Kennwert und Aussage. Wenn diese drei Teile zusammenpassen, wirkt der Ergebnisteil sofort geordneter.

Wie nutzt du deskriptive Statistik in Bachelorarbeit und Masterarbeit verschiedener Fächer?

Deskriptive Statistik nutzt du in Bachelor- und Masterarbeiten, um fachspezifische Daten nachvollziehbar zu beschreiben. Die Grundlogik bleibt gleich, aber die relevanten Variablen unterscheiden sich je nach Disziplin. Psychologie, Pflegewissenschaft, Bildungsforschung und Management setzen deshalb andere Schwerpunkte.

Sozialwissenschaften und Psychologie

In einer psychologischen Arbeit zu Prüfungsangst unter Studierenden könnten zentrale Variablen Prüfungsangst, Lernmotivation, Prokrastination und Notendurchschnitt sein. Prüfungsangst und Motivation werden oft über Skalen gemessen, sodass M, SD, N und Skalenbereich relevant sind.

Eine mögliche Darstellung wäre: „Die Prüfungsangst lag im mittleren Bereich (M = 3,12; SD = 0,84), während die Lernmotivation höher ausfiel (M = 4,01; SD = 0,57).“ Wenn du später eine Korrelation zwischen beiden Variablen prüfst, wissen Leser*innen vorher, wie die Variablen verteilt waren.

Bei sozialwissenschaftlichen Umfragen kommen zusätzlich kategoriale Merkmale hinzu, etwa Bildungsstatus, Erwerbstätigkeit oder politische Selbsteinordnung. Diese sollten über Häufigkeiten und Prozentwerte beschrieben werden, nicht über Mittelwerte, sofern keine echte Skala vorliegt.

Gesundheitswissenschaft und Pflege

In einer pflegewissenschaftlichen Arbeit zur Medikamentenadhärenz älterer Patient*innen nach Entlassung in die häusliche Versorgung wären Alter, Anzahl der Medikamente, Unterstützungsform und Adhärenzscore relevant. Alter kann mit M und SD beschrieben werden, die Anzahl der Medikamente bei schiefer Verteilung eher mit Median und IQR.

Die Unterstützungsform wäre kategorial: allein, Angehörige, ambulanter Pflegedienst oder Kombinationen. Hier brauchst du n und %. Der Adhärenzscore wiederum kann als Skalenwert dargestellt werden, sofern seine Bildung im Methodikteil erklärt wurde.

So sieht man bereits im deskriptiven Teil, ob die Stichprobe eher gering oder stark belastet ist. Das ist keine klinische Schlussfolgerung, aber eine klare Beschreibung der Datenbasis.

Bildung, Wirtschaft und Management

In einer bildungswissenschaftlichen Arbeit zu Feedback-Apps im Unterricht könnten Variablen wie Nutzungshäufigkeit, wahrgenommene Nützlichkeit und Klassenstufe relevant sein. Nutzungshäufigkeit kann je nach Messung kategorial oder metrisch sein. Klassenstufe wird meist als Kategorie oder ordinale Angabe beschrieben.

In einer Managementarbeit zu Homeoffice und Arbeitszufriedenheit könnten Homeoffice-Tage pro Woche, Teamklima, Arbeitszufriedenheit und Kündigungsabsicht beschrieben werden. Homeoffice-Tage sind begrenzt und eventuell schief verteilt; Teamklima und Zufriedenheit werden häufig als Skalen mit M und SD berichtet.

Diese Beispiele zeigen: Nicht das Fach bestimmt mechanisch den Kennwert. Die Messung bestimmt den Kennwert. Das Fach bestimmt eher, welche Variablen für Leser*innen interessant sind.

Wie prüfst du deine deskriptive Statistik vor der Abgabe?

Du prüfst deine deskriptive Statistik, indem du jede Zahl auf Variable, Kennwert, Fallzahl, Skala und Aussagefunktion kontrollierst. Tabellen und Fließtext müssen dieselben Werte verwenden und dürfen sich nicht widersprechen. Eine letzte Checkliste verhindert typische Fehler vor der Abgabe.

Kontrolle von Tabelle und Text

Vergleiche jede Zahl im Fließtext mit der entsprechenden Tabelle. Häufig entstehen Fehler, wenn Tabellen nachträglich aktualisiert werden, der Text aber alte Werte enthält. Besonders Mittelwerte, N und Prozentwerte müssen zusammenpassen.

Prüfe außerdem, ob Tabellenüberschriften und Anmerkungen verständlich sind. Wenn du Abkürzungen wie M, SD, Md oder IQR verwendest, sollten sie entweder im Text eingeführt oder in einer Tabellennotiz erklärt werden. Das gilt besonders, wenn deine Fakultät keine einheitlichen Statistikabkürzungen vorgibt.

Eine gute Tabelle braucht nicht viele Spalten. Sie braucht passende Spalten. Für Hauptvariablen reichen oft Variable, N, M, SD, Min und Max; bei schiefen Daten N, Median und IQR; bei Kategorien n und %.

Bevor du weiterarbeitest: Checkliste zum deskriptive Statistik berichten

• Jede berichtete Variable ist klar benannt und passt zur Forschungsfrage oder Stichprobenbeschreibung.
• Für jede Variable ist das Skalenniveau geklärt.
• Kategoriale Variablen werden mit n und % berichtet.
• Metrische, annähernd symmetrische Variablen werden mit M und SD berichtet.
• Schiefe Verteilungen oder starke Ausreißer werden mit Median und IQR beschrieben.
• Die Fallzahl N ist in Tabellen oder Text klar angegeben.
• Fehlende Werte werden nicht verschwiegen.
• Skalenrichtung und Skalenbereich sind bei Fragebogenskalen verständlich.
• Einheiten wie Jahre, Minuten, Punkte oder Stunden stehen bei den Kennwerten.
• Text und Tabellen enthalten dieselben Zahlen.
• Deskriptive Aussagen werden nicht als Kausal- oder Signifikanzbefunde formuliert.
• Rundung und Dezimalstellen sind innerhalb der Arbeit einheitlich.

Letzter Plausibilitätscheck

Lies deinen deskriptiven Ergebnisteil einmal ohne Softwaretabelle daneben. Wenn du die Stichprobe, die Hauptvariablen und die auffälligen Verteilungen allein aus dem Text und den Tabellen verstehst, ist die Darstellung wahrscheinlich tragfähig. Wenn du ständig in Rohdaten oder Ausgabefenster zurückspringen musst, fehlen Angaben oder die Tabelle ist zu unübersichtlich.

Der letzte Check sollte auch die Reihenfolge betreffen. Erst Stichprobe, dann Hauptvariablen, dann gegebenenfalls Gruppen oder Vorbedingungen für Tests. So entsteht ein Ergebnisteil, der Leser*innen Schritt für Schritt durch die Daten führt, ohne schon die Diskussion vorwegzunehmen.

Empfohlene interne Links

(Build-System-Metadaten — diesen Abschnitt nicht entfernen)

• Methodikteil schreiben als klarer Forschungsablauf
• Entscheidung zwischen statistischen Tests
• Variablenmodell mit UV und AV
• Vom breiten Thema zur fokussierten Forschungsfrage