Statistische Ergebnisse berichten: t-Tests, Korrelationen und Regression nach APA

Du hast die Auswertung endlich geschafft, aber im Ergebnisteil klingt alles entweder wie ein Statistikprotokoll oder wie eine vage Behauptung ohne Zahlen. Genau an dieser Stelle verlieren viele Studierende an deutschsprachigen Hochschulen Zeit: SPSS, R, jamovi oder Excel liefern Tabellen voller Werte, aber die wissenschaftliche Arbeit braucht einen lesbaren Befund. Wenn Du statistische Ergebnisse berichten willst, reicht es nicht, „signifikant“ zu schreiben und einen p-Wert anzuhängen. Du musst zeigen, welcher Test zu welcher Hypothese gehört, welche Kennwerte den Befund tragen und wie weit Deine Interpretation tatsächlich gehen darf. Besonders bei t-Tests, Korrelationen und Regressionen entstehen schnell kleine APA-Fehler, die den Text unpräzise wirken lassen.

Statistische Ergebnisse berichtest Du nach APA, indem Du Testverfahren, Kennwerte, Freiheitsgrade, Teststatistik, p-Wert, Effektstärke und eine knappe inhaltliche Interpretation zusammenführst. Der Text sollte nicht nur Zahlen wiederholen, sondern zeigen, was der Befund für Deine Forschungsfrage oder Hypothese bedeutet.

In diesem Leitfaden

• Wie berichtet man statistische Ergebnisse nach APA korrekt?
• Welche Angaben gehören in einen t-Test-Bericht nach APA?
• Wie berichtet man Korrelationen nach APA verständlich?
• Wie stellt man Regressionsergebnisse nach APA dar?
• Wie verbindet man statistische Befunde mit Hypothesen und Forschungsfragen?
• Welche Fehler machen Studierende häufig, wenn sie statistische Ergebnisse berichten?
• Wie prüft man, ob Tabellen und Ergebnistext zusammenpassen?
• Welche Checkliste hilft vor der Abgabe beim Berichten statistischer Ergebnisse?

Wie berichtet man statistische Ergebnisse nach APA korrekt?

Statistische Ergebnisse berichtest Du nach APA korrekt, wenn der Ergebnissatz das Testverfahren, die zentrale Teststatistik, den p-Wert, eine Effektgröße und die inhaltliche Richtung des Befunds enthält. Zusätzlich sollten die verwendeten Variablen und Gruppen so benannt sein, dass Leser*innen den Befund ohne Blick in die Rohdaten verstehen. APA-Berichte sind knapp, aber nicht zahlenleer.

Der Ergebnissatz als kleine Argumentation

Ein guter Ergebnissatz beantwortet drei Fragen: Was wurde getestet, was kam heraus und was bedeutet das für die untersuchte Beziehung oder den Gruppenunterschied? Der Satz ist damit keine reine Abschrift aus der Softwareausgabe. Er ordnet Zahlen in Deine Forschungslogik ein.

Teststatistik bedeutet der Kennwert, mit dem ein statistisches Verfahren den beobachteten Effekt prüft, z. B. t, r, F oder β. p-Wert bedeutet die Wahrscheinlichkeit, unter der Nullhypothese ein mindestens so extremes Ergebnis zu erhalten. Effektstärke bedeutet ein Maß dafür, wie groß ein Unterschied oder Zusammenhang ist, unabhängig davon, ob er statistisch signifikant ausfällt.

Für deutschsprachige Arbeiten solltest Du mit Deiner Hochschule oder Deiner Betreuung klären, ob Dezimalzahlen nach deutscher Konvention mit Komma oder streng nach englischsprachigem APA-Vorbild mit Punkt geschrieben werden. In vielen deutschsprachigen Abschluss- und Seminararbeiten ist „p = ,032“ üblich, während englischsprachige APA-Manuskripte „p = .032“ verwenden. Wichtiger als die Variante ist, dass Du sie durchgängig einhältst.

Was in den Text und was in die Tabelle gehört

Der Fließtext sollte die Hauptbefunde erklären. Tabellen eignen sich für mehrere Tests, Kontrollvariablen, Regressionsmodelle oder umfangreiche Korrelationsmatrizen. Wenn Du nur einen einzelnen t-Test berichtest, reicht oft ein gut formulierter Satz; bei mehreren Variablen ist eine Tabelle übersichtlicher.

Ein Ergebnistext könnte so aufgebaut sein:

1. Benenne die Hypothese oder Analyse.
2. Nenne Gruppen, Variablen oder Prädiktoren.
3. Berichte den statistischen Kennwert im APA-Format.
4. Ergänze Effektstärke und ggf. Konfidenzintervall.
5. Schreibe eine vorsichtige inhaltliche Interpretation.

Wenn Du noch unsicher bist, welches Verfahren zu Deinen Variablen passt, hilft der Artikel Entscheidung zwischen statistischen Tests, bevor Du den Ergebnisteil formulierst. Die Berichtsform hängt immer davon ab, ob Du Unterschiede, Zusammenhänge oder Vorhersagen untersuchst.

Schwache und stärkere Ergebnisformulierung

Schwache Version	Stärkere Version
„Der t-Test war signifikant, also unterscheiden sich die Gruppen.“	„Studierende mit Lernplan erzielten höhere Testwerte (M = 78,40, SD = 9,15) als Studierende ohne Lernplan (M = 70,25, SD = 10,30), t(58) = 3,18, p = ,002, d = 0,82.“
„Es gab eine Korrelation zwischen Stress und Schlaf.“	„Stress und Schlafdauer korrelierten negativ, r(96) = -,41, p < ,001; höhere Stresswerte gingen mit kürzerer Schlafdauer einher.“
„Die Regression war gut.“	„Das Modell erklärte 32 % der Varianz in der Kaufabsicht, R² = ,32, F(3,116) = 18,21, p < ,001.“

Die stärkeren Versionen nennen nicht mehr Zahlen um der Zahlen willen, sondern geben Leser*innen die Informationen, die sie zur Bewertung des Befunds brauchen.

Welche Angaben gehören in einen t-Test-Bericht nach APA?

Wenn Du einen t-Test APA berichten willst, brauchst Du die Gruppenmittelwerte, Standardabweichungen, Freiheitsgrade, den t-Wert, den p-Wert und idealerweise Cohen’s d als Effektstärke. Zusätzlich muss klar sein, ob Du einen unabhängigen t-Test, einen gepaarten t-Test oder einen Einstichproben-t-Test verwendet hast. Die Interpretation sollte den Unterschied in Richtung und Größe beschreiben, nicht nur die Signifikanz.

Unabhängiger t-Test bei zwei Gruppen

Ein unabhängiger t-Test prüft, ob sich zwei voneinander unabhängige Gruppen in einem metrischen Merkmal unterscheiden. In einer psychologischen Seminararbeit könnte die Frage lauten, ob Studierende mit hoher Prüfungsangst geringere Konzentrationswerte berichten als Studierende mit niedriger Prüfungsangst. Der Bericht muss dann beide Gruppenwerte nennen, sonst bleibt unklar, welche Gruppe höher oder niedriger liegt.

Beispiel:

„Studierende mit hoher Prüfungsangst berichteten niedrigere Konzentrationswerte (M = 3,12, SD = 0,81) als Studierende mit niedriger Prüfungsangst (M = 3,78, SD = 0,74). Der Unterschied war statistisch signifikant, t(84) = -3,91, p < ,001, d = 0,85.“

Hier erkennt man die Richtung des Unterschieds sofort. Der negative t-Wert ist kein Problem, solange die Gruppencodierung erklärt, welche Gruppe zuerst in die Berechnung einging.

Gepaarter t-Test bei Messwiederholung

Ein gepaarter t-Test wird verwendet, wenn dieselben Personen zweimal gemessen werden oder wenn Messwerte paarweise zusammengehören. In einer gesundheitswissenschaftlichen Bachelorarbeit zur Pflege könnte z. B. geprüft werden, ob Patient*innen nach einer Schulung zur Medikamenteneinnahme höhere Adhärenzwerte zeigen als vor der Schulung.

Beispiel:

„Die Medikamentenadhärenz fiel nach der Schulung höher aus (M = 4,10, SD = 0,62) als vor der Schulung (M = 3,54, SD = 0,71). Dieser Anstieg war statistisch signifikant, t(39) = 4,27, p < ,001, d = 0,68.“

Cohen’s d ist eine Effektstärke für Mittelwertsunterschiede und beschreibt die Größe des Unterschieds in Standardabweichungseinheiten. Gerade bei kleinen Stichproben ist d hilfreich, weil ein nicht signifikanter p-Wert nicht automatisch bedeutet, dass kein inhaltlich relevanter Unterschied besteht.

t-Test-Tabelle oder Fließtext?

Bei einem einzelnen t-Test wirkt eine Tabelle oft überdimensioniert. Wenn Du aber mehrere Gruppenvergleiche berichtest, z. B. für Motivation, Zufriedenheit und Leistung, kann eine Tabelle die Lesbarkeit erhöhen. Dann sollte der Text nur die Befunde hervorheben, die direkt zu Deinen Hypothesen gehören.

Ein häufiger Aufbau für eine Tabelle enthält Variable, Gruppe 1, Gruppe 2, t, df, p und d. Der Fließtext verweist darauf und interpretiert gezielt: „Wie Tabelle 2 zeigt, unterschied sich die Lernmotivation zwischen den Gruppen, während für die Prüfungszufriedenheit kein statistisch signifikanter Unterschied gefunden wurde.“ So wiederholst Du nicht jede Tabellenzelle, sondern führst durch den Befund.

Wenn Deine Arbeit vor dem Test noch eine Variablenlogik braucht, ist Variablenmodell mit UV und AV hilfreich. Ein t-Test-Bericht wird deutlich klarer, wenn vorher feststeht, welche Variable die Gruppenzugehörigkeit bildet und welche Variable als Ergebnis gemessen wird.

Wie berichtet man Korrelationen nach APA verständlich?

Wenn Du eine Korrelation APA berichten willst, nennst Du den Korrelationskoeffizienten, die Freiheitsgrade oder Stichprobengröße, den p-Wert und die Richtung des Zusammenhangs. Der Text sollte zusätzlich erklären, was ein positiver oder negativer Zusammenhang inhaltlich bedeutet. Korrelationen zeigen Zusammenhänge, aber keine Kausalität.

Pearson, Spearman und die Richtung des Zusammenhangs

Die Pearson-Korrelation wird häufig für metrische, annähernd normalverteilte Variablen verwendet. Die Spearman-Korrelation eignet sich eher für Rangdaten, ordinale Skalen oder deutliche Ausreißerprobleme. In beiden Fällen liegt der Koeffizient meist zwischen -1 und +1.

Korrelationskoeffizient bedeutet ein Zahlenwert, der Richtung und Stärke eines Zusammenhangs beschreibt. Ein positiver Wert zeigt: Höhere Werte in Variable A gehen mit höheren Werten in Variable B einher. Ein negativer Wert zeigt: Höhere Werte in Variable A gehen mit niedrigeren Werten in Variable B einher.

Beispiel aus der Bildungsforschung:

„Die wöchentliche Lernzeit korrelierte positiv mit der Klausurleistung, r(118) = ,36, p < ,001. Studierende mit mehr Lernzeit erzielten tendenziell höhere Klausurwerte.“

Diese Formulierung vermeidet eine kausale Überdehnung. Sie sagt nicht, dass Lernzeit allein die Leistung verursacht, sondern beschreibt den beobachteten Zusammenhang.

Korrelationsmatrix sinnvoll nutzen

Bei mehreren Variablen wird eine Korrelationsmatrix schnell unübersichtlich, wenn Du jeden Wert im Text wiederholst. In einer Masterarbeit im Management könnte eine Tabelle z. B. Zusammenhänge zwischen Führungsstil, Arbeitszufriedenheit, Kündigungsabsicht und organisationalem Commitment zeigen. Der Text sollte dann die stärksten oder hypothesenrelevanten Beziehungen hervorheben.

Beispiel:

„Wie Tabelle 3 zeigt, hing transformationale Führung positiv mit Arbeitszufriedenheit zusammen, r = ,48, p < ,001, und negativ mit Kündigungsabsicht, r = -,31, p = ,004. Der stärkste Zusammenhang bestand zwischen Arbeitszufriedenheit und Commitment, r = ,57, p < ,001.“

Konfidenzintervall bedeutet ein Wertebereich, der die Unsicherheit einer Schätzung ausdrückt. Wenn Deine Software ein 95-%-Konfidenzintervall für r ausgibt, kannst Du es ergänzen, besonders bei kleineren Stichproben oder zentralen Hypothesen.

Korrelation ist kein Wirkungsnachweis

Ein Korrelationsbefund wird schnell zu stark interpretiert. „Je mehr Social-Media-Nutzung, desto schlechter die psychische Gesundheit“ kann rein sprachlich schon kausal klingen, obwohl eine Querschnittskorrelation das nicht belegt. Besser ist: „Höhere Social-Media-Nutzung ging mit niedrigeren Wohlbefindenswerten einher.“

Diese Vorsicht gilt auch dann, wenn der p-Wert sehr klein ist. Ein signifikanter Zusammenhang sagt nur, dass der beobachtete Zusammenhang unter der Nullhypothese unwahrscheinlich wäre. Er sagt nicht, welche Variable die andere verursacht, ob Drittvariablen beteiligt sind oder ob die Richtung umgekehrt sein könnte.

Wenn Du vor der Auswertung noch klären musst, wie Variablen gemessen und operationalisiert werden, passt der Artikel Variablenmodell mit Messindikatoren. Gute Ergebnisberichte beginnen oft schon bei sauber definierten Variablen.

Wie stellt man Regressionsergebnisse nach APA dar?

Wenn Du Regression APA berichten willst, brauchst Du Angaben zum Gesamtmodell, zur erklärten Varianz und zu den einzelnen Prädiktoren. Typisch sind R², ggf. adjustiertes R², F-Test, Freiheitsgrade, p-Wert sowie Regressionskoeffizienten wie B, Standardfehler, β, t und p. Der Text sollte sagen, welche Prädiktoren unter Kontrolle der anderen Variablen einen Beitrag leisten.

Gesamtmodell zuerst, Prädiktoren danach

Eine Regression beantwortet eine andere Frage als eine Korrelation. Sie prüft nicht nur, ob zwei Variablen zusammenhängen, sondern wie gut eine oder mehrere unabhängige Variablen eine abhängige Variable vorhersagen. Deshalb beginnt der Ergebnisbericht mit dem Modell, bevor einzelne Prädiktoren interpretiert werden.

Beispiel aus der Psychologie:

„Das Regressionsmodell zur Vorhersage von Studienzufriedenheit war statistisch signifikant, F(3,146) = 21,34, p < ,001, und erklärte 30 % der Varianz, R² = ,30, adjustiertes R² = ,28. Soziale Unterstützung erwies sich als positiver Prädiktor der Studienzufriedenheit, β = ,42, t = 5,61, p < ,001.“

Prädiktor bedeutet eine Variable, die in einem Regressionsmodell zur Vorhersage der abhängigen Variable verwendet wird. Regressionskoeffizient bedeutet ein Kennwert, der Richtung und Stärke dieses Beitrags beschreibt.

Was standardisierte und unstandardisierte Koeffizienten leisten

Der unstandardisierte Koeffizient B zeigt, um wie viele Einheiten sich die abhängige Variable verändert, wenn der Prädiktor um eine Einheit steigt. Der standardisierte Koeffizient β erleichtert den Vergleich mehrerer Prädiktoren, weil er auf Standardabweichungen bezogen ist. In vielen studentischen Arbeiten ist es sinnvoll, beide in der Tabelle zu berichten und im Text vor allem β zu interpretieren.

Beispiel aus dem Management:

„Arbeitsautonomie sagte die Innovationsbereitschaft positiv vorher, B = 0,38, SE = 0,09, β = ,34, p < ,001. Arbeitsbelastung zeigte dagegen keinen statistisch signifikanten Beitrag, B = -0,07, SE = 0,08, β = -,08, p = ,381.“

Hier ist klar: Ein Prädiktor trägt zur Vorhersage bei, der andere nicht. Der Text bleibt bei der Modelllogik und behauptet nicht automatisch eine Ursache-Wirkungs-Beziehung.

Vergleich: unübersichtlich vs. auswertungsnah

Problematische Darstellung	Auswertungsnahe Darstellung
„Die Regression zeigt, dass alle Variablen relevant sind.“	„Das Modell war signifikant, F(4,135) = 12,09, p < ,001, R² = ,26; zwei von vier Prädiktoren waren statistisch signifikant.“
„Alter hatte keinen Einfluss.“	„Alter war im Modell kein signifikanter Prädiktor der Gesundheitskompetenz, β = ,05, p = ,612.“
„Motivation ist der wichtigste Faktor.“	„Motivation zeigte den größten standardisierten Koeffizienten im Modell, β = ,46, p < ,001.“
„Das Modell erklärt fast alles.“	„Das Modell erklärte 41 % der Varianz der Kaufabsicht, R² = ,41.“

Die rechte Spalte bleibt näher an dem, was die Statistik tatsächlich hergibt. Gerade bei Bachelor- und Masterarbeiten wirkt diese Präzision professioneller als große Formulierungen.

Wie verbindet man statistische Befunde mit Hypothesen und Forschungsfragen?

Statistische Befunde werden verständlich, wenn jeder Ergebnisabschnitt sichtbar auf eine Hypothese oder Forschungsfrage antwortet. Dafür brauchst Du vor der Ergebnisformulierung eine klare Zuordnung: Hypothese, Variable, Testverfahren, Kennwert und Interpretation. Ohne diese Verbindung wirkt der Ergebnisteil wie eine lose Sammlung von Softwareausgaben.

Von der Hypothese zum Ergebnissatz

Viele Probleme im Ergebnisteil entstehen nicht beim Schreiben, sondern schon vor der Analyse. Wenn eine Hypothese unscharf ist, wird auch der Ergebnisbericht unscharf. Eine Hypothese wie „Motivation verbessert Leistung“ sagt noch nicht, welche Motivation gemeint ist, wie Leistung gemessen wird und welche Gruppe oder Variable geprüft wird.

Ein klarerer Aufbau wäre:

1. Formuliere die Hypothese mit messbaren Variablen.
2. Ordne jeder Variable einen Messwert oder Skalenwert zu.
3. Wähle den passenden Test für Unterschied, Zusammenhang oder Vorhersage.
4. Lege fest, welcher Kennwert die Hypothese beantwortet.
5. Schreibe den Ergebnissatz erst nach dieser Zuordnung.

Beispiel: „H1: Intrinsische Lernmotivation hängt positiv mit der Klausurleistung zusammen.“ Dazu passt eine Korrelation, wenn beide Variablen metrisch vorliegen. Der Ergebnistext berichtet dann nicht allgemein über Motivation, sondern über den Zusammenhang zwischen Skalenwert und Klausurpunkten.

Hypothese annehmen, ablehnen oder vorsichtiger formulieren?

In vielen deutschsprachigen Arbeiten schreiben Studierende: „Die Hypothese wurde bewiesen.“ Das ist zu stark. Quantitative Tests liefern Evidenz für oder gegen eine Hypothese innerhalb einer Stichprobe und eines Auswertungsmodells, aber keinen endgültigen Beweis.

Besser sind Formulierungen wie:

• „Die Hypothese wurde durch die Daten unterstützt.“
• „Die Ergebnisse sprechen für den angenommenen positiven Zusammenhang.“
• „Für die Hypothese fand sich keine statistische Unterstützung.“
• „Die erwartete Richtung zeigte sich deskriptiv, erreichte jedoch keine statistische Signifikanz.“

Wenn Du mehrere Hypothesen hast, kann eine kleine Ergebnisübersicht helfen. Sie sollte aber nicht die Statistik ersetzen. Schreibe nicht nur „H1 bestätigt“, sondern gib den Befund dazu an.

Ergebnis und Diskussion nicht vermischen

Im Ergebnisteil beschreibst Du, was die Analyse zeigt. In der Diskussion erklärst Du, wie der Befund im Verhältnis zu Literatur, Theorie und Limitationen einzuordnen ist. Ein Satz wie „Das liegt vermutlich daran, dass heutige Studierende stärker digital abgelenkt sind“ gehört nicht in den reinen Ergebnisbericht, wenn Du diese Erklärung nicht getestet hast.

Eine saubere Grenze lautet: Ergebnis = statistischer Befund plus unmittelbare Interpretation der Richtung. Diskussion = theoretische Einordnung, Vergleich mit Forschung, mögliche Gründe und Grenzen. Wenn Dir diese Trennung schwerfällt, kann der Artikel Methodikteil schreiben als klarer Forschungsablauf helfen, weil Methode, Ergebnis und Diskussion aufeinander aufbauen.

Welche Fehler machen Studierende häufig, wenn sie statistische Ergebnisse berichten?

Studierende machen beim Berichten statistischer Ergebnisse häufig Fehler, weil sie Softwareausgaben direkt übernehmen oder die Zahlen ohne Forschungslogik aneinanderreihen. Typisch sind fehlende Effektstärken, unklare Variablennamen, kausale Überdehnungen und Tabellen ohne erklärenden Text. Diese Fehler lassen sich meist durch eine klare Berichtsschablone vermeiden.

Fehler mit realistischen Beispielen

1. Nur Signifikanz berichten
   Beispiel: „Der Unterschied ist signifikant, p = ,021.“
   Korrektur: Ergänze Gruppenwerte, Teststatistik und Effektstärke: „Gruppe A erzielte höhere Werte als Gruppe B, t(62) = 2,37, p = ,021, d = 0,60.“

2. Variablen im Ergebnistext anders benennen als im Methodikteil
   Beispiel: Im Methodikteil heißt die Skala „akademische Selbstwirksamkeit“, im Ergebnistext steht plötzlich „Motivation“.
   Korrektur: Nutze dieselben Begriffe oder erkläre die Beziehung: „Akademische Selbstwirksamkeit, erfasst über die Selbstwirksamkeitsskala, korrelierte positiv mit Lernzeit.“

3. Korrelation kausal formulieren
   Beispiel: „Schlafmangel führt zu schlechteren Klausurnoten, r = -,29.“
   Korrektur: Schreibe: „Kürzere Schlafdauer ging mit niedrigeren Klausurwerten einher, r = ,29“ oder „Schlafdauer korrelierte positiv mit Klausurwerten.“

4. Regression als Liste einzelner p-Werte darstellen
   Beispiel: „Motivation signifikant, Alter nicht signifikant, Geschlecht nicht signifikant.“
   Korrektur: Beginne mit dem Gesamtmodell und berichte dann die Prädiktoren: „Das Modell erklärte 24 % der Varianz; Motivation war der einzige signifikante Prädiktor.“

5. Deskriptive Werte und Inferenzstatistik trennen, obwohl sie zusammengehören
   Beispiel: Erst stehen Mittelwerte in einer Tabelle, fünf Seiten später der t-Test ohne Bezug.
   Korrektur: Führe beides zusammen: „Die Interventionsgruppe zeigte höhere Mittelwerte; der Gruppenunterschied war statistisch signifikant.“

Warum diese Fehler die Bewertung beeinflussen

Fehler im Ergebnisbericht wirken oft kleiner, als sie sind. Ein fehlendes d zerstört nicht die gesamte Analyse, aber es erschwert die Einschätzung der Befundgröße. Eine kausale Formulierung bei einer Korrelation kann dagegen den wissenschaftlichen Anspruch der Arbeit beschädigen, weil sie mehr behauptet, als das Design erlaubt.

Gerade bei quantitativen Arbeiten erwarten Prüfer*innen, dass die Statistik nach APA darstellen nicht nur formal korrekt ist, sondern zur Forschungsfrage passt. Wenn Du beispielsweise eine Querschnittsbefragung unter Pflegekräften auswertest, darfst Du Zusammenhänge zwischen Arbeitsbelastung und Erschöpfung berichten, aber keine Wirkung der Belastung beweisen, sofern Dein Design das nicht hergibt.

Wie prüft man, ob Tabellen und Ergebnistext zusammenpassen?

Tabellen und Ergebnistext passen zusammen, wenn sie dieselben Variablen, dieselben Kennwerte und dieselbe Interpretationsrichtung zeigen. Der Text sollte Tabellen nicht vollständig abschreiben, sondern die Befunde auswählen, die Deine Forschungsfrage beantworten. Jede Tabelle braucht eine klare Funktion: Übersicht, Vergleich, Zusammenhang oder Modellbericht.

Tabellen als Entlastung des Fließtexts

Eine Tabelle ist dann sinnvoll, wenn mehrere Werte parallel verglichen werden müssen. Bei deskriptiven Kennwerten, mehreren t-Tests, Korrelationsmatrizen oder Regressionen verhindert sie, dass der Text zu zahlenlastig wird. Der Fließtext kann dann leserfreundlich bleiben.

Für deskriptive Grundlagen lohnt sich ein Blick auf Deskriptive Statistik als klare Kennwertübersicht. Mittelwert, Standardabweichung, Minimum, Maximum und Stichprobengröße bilden oft die Basis, bevor t-Test, Korrelation oder Regression folgen.

Ein gutes Verhältnis lautet: Die Tabelle enthält die vollständigen Zahlen, der Text erklärt den Befund. Schreibe also nicht: „Tabelle 4 zeigt die Regressionsergebnisse“, ohne die Kernaussage zu nennen. Besser: „Tabelle 4 zeigt, dass Arbeitszufriedenheit auch unter Kontrolle von Alter und Beschäftigungsdauer ein negativer Prädiktor der Kündigungsabsicht war.“

Formatfragen nach APA

APA-Tabellen sind sparsam gestaltet. Sie verwenden klare Spaltenüberschriften, keine überflüssigen Linien und konsistente Dezimalstellen. In deutschsprachigen Arbeiten können Tabellenbeschriftungen je nach Vorgabe der Hochschule leicht angepasst werden, aber die Grundidee bleibt: lesbar, einheitlich, nicht überladen.

Typische Spalten für eine Regression sind: Prädiktor, B, SE, β, t, p. Für eine Korrelationsmatrix brauchst Du Variablennamen, Mittelwerte, Standardabweichungen und Korrelationswerte. Für t-Tests sind Gruppenmittelwerte und Standardabweichungen genauso wichtig wie t, df, p und d.

Wenn eine Tabelle Sternchen für Signifikanzniveaus nutzt, müssen sie erklärt werden. Verlasse Dich aber nicht nur auf Sternchen. Ein genauer p-Wert ist meistens informativer als nur „p < ,05“, sofern er nicht extrem klein ist.

Abgleich vor der Abgabe

Prüfe vor der Abgabe jeden Ergebnisabschnitt gegen die Tabelle. Stimmen Freiheitsgrade, Stichprobengrößen und p-Werte? Wird im Text dieselbe Gruppe als höher beschrieben, die auch in der Tabelle den höheren Mittelwert hat? Stimmen Hypothesennummern, Variablennamen und Tabellenverweise?

Dieser Abgleich klingt banal, verhindert aber viele Korrekturkommentare. Besonders gefährlich sind Copy-and-paste-Fehler: Ein alter p-Wert bleibt im Text stehen, obwohl die Tabelle aktualisiert wurde. Oder eine Variable wird umcodiert, aber die Interpretation der Richtung wird nicht angepasst. Solche Fehler sind für Prüfer*innen leicht sichtbar.

Welche Checkliste hilft vor der Abgabe beim Berichten statistischer Ergebnisse?

Eine gute Checkliste prüft, ob Deine Ergebnisdarstellung statistisch vollständig, sprachlich präzise und mit Deiner Forschungsfrage verbunden ist. Sie sollte t-Test-, Korrelations- und Regressionsberichte nicht isoliert betrachten, sondern auf Konsistenz zwischen Hypothesen, Tabellen und Text achten. Nutze sie, bevor Du den Ergebnisteil in die Endfassung übernimmst.

Before you move on: Checkliste zum Berichten statistischer Ergebnisse

• Jede Analyse ist einer Forschungsfrage oder Hypothese zugeordnet.
• Das verwendete Testverfahren wird korrekt benannt.
• Gruppen, Variablen oder Prädiktoren heißen im Ergebnistext genauso wie im Methodikteil.
• Mittelwerte und Standardabweichungen werden bei Gruppenvergleichen berichtet.
• t-Wert, Freiheitsgrade, p-Wert und Effektstärke stehen beim t-Test im Text oder in der Tabelle.
• Korrelationsberichte enthalten Richtung, Stärke und p-Wert des Zusammenhangs.
• Regressionsberichte nennen Gesamtmodell, erklärte Varianz und einzelne Prädiktoren.
• Nicht signifikante Befunde werden sachlich berichtet und nicht ignoriert.
• Korrelationen werden nicht kausal formuliert.
• Tabellen und Fließtext enthalten dieselben Zahlen und dieselbe Interpretationsrichtung.
• Dezimaltrennzeichen, Kursivsetzung statistischer Symbole und Rundung sind einheitlich.
• Die Diskussion enthält Erklärungen und Einordnung; der Ergebnisteil bleibt bei den Befunden.

Letzter Qualitätsblick auf den Ergebnisteil

Lies den Ergebnisteil einmal ohne Tabellen. Verstehst Du, welche Hypothesen unterstützt wurden und welche nicht? Lies ihn danach nur mit Tabellen. Findest Du jeden im Text erwähnten Wert wieder? Wenn beide Lesarten zusammenpassen, ist Deine Ergebnisdarstellung meist klar genug.

Danach lohnt ein Blick auf den Übergang zur Diskussion. Dort darfst Du aus den Befunden Konsequenzen ziehen, aber nur in der Reichweite Deines Designs. Eine Bachelor- oder Masterarbeit gewinnt nicht dadurch, dass Ergebnisse größer gemacht werden, sondern dadurch, dass sie präzise und nachvollziehbar berichtet werden.

Empfohlene interne Links

(Systemmetadaten — diesen Abschnitt nicht entfernen)

• Entscheidung zwischen statistischen Tests
• Variablenmodell mit UV und AV
• Variablenmodell mit Messindikatoren
• Deskriptive Statistik als klare Kennwertübersicht