Quantitative Forschung in der Bachelorarbeit: Design, Stichprobe und Auswertung

Quantitative Forschung in der Bachelorarbeit bedeutet, eine Fragestellung mit standardisiert erhobenen, zahlenbasierten Daten zu prüfen — meist über Fragebögen, Experimente oder die Sekundäranalyse bestehender Datensätze — und die Ergebnisse mit statistischen Verfahren auszuwerten. Anders als die qualitative Forschung zielt sie nicht auf ein vertieftes Verständnis einzelner Fälle, sondern auf verallgemeinerbare, überprüfbare Zusammenhänge zwischen Variablen. Drei Bausteine entscheiden über die Qualität einer quantitativen Bachelorarbeit: ein zur Fragestellung passendes Forschungsdesign, eine ausreichend große und repräsentative Stichprobe sowie eine Auswertung, die statistisch korrekt und nachvollziehbar dokumentiert ist.

Was quantitative Forschung von qualitativer unterscheidet

Der zentrale Unterschied liegt im Erkenntnisziel: Quantitative Forschung testet vorab formulierte Hypothesen an einer möglichst großen Stichprobe und strebt statistische Generalisierbarkeit an, während qualitative Forschung einzelne Fälle in ihrer Tiefe und Bedeutung versteht, ohne notwendigerweise verallgemeinern zu wollen. Die Seite behandelt beide Ansätze ausführlich — für die qualitative Seite lohnt sich der Blick in die Beiträge zur qualitativen Inhaltsanalyse nach Mayring und zur qualitativen Inhaltsanalyse nach Kuckartz, sowie in die Gütekriterien qualitativer Forschung, die zeigen, wie Validität und Reliabilität dort anders definiert werden als im quantitativen Paradigma.

In der Praxis ist die Wahl zwischen beiden Ansätzen keine reine Geschmacksfrage, sondern folgt der Fragestellung: „Wie verbreitet ist X?“ oder „Welchen Einfluss hat X auf Y?“ verlangt nach quantitativen Daten, während „Wie erleben Betroffene X?“ oder „Warum handeln Akteure auf diese Weise?“ eher qualitativ zu beantworten ist. Manche Fragestellungen profitieren zudem von einer Kombination beider Ansätze innerhalb eines Mixed-Methods-Designs, etwa wenn quantitative Befunde anschließend durch qualitative Interviews vertieft und erklärt werden sollen.

Forschungsdesign: Die Grundtypen quantitativer Studien

Bevor die Datenerhebung beginnt, muss das grundlegende Design feststehen — es bestimmt, welche Aussagen die Studie am Ende überhaupt treffen kann:

Für eine ausführliche Erklärung, wann welcher Designtyp sinnvoll ist und wie er sich von den übrigen abgrenzt — inklusive qualitativer und Mixed-Methods-Designs —, lohnt sich der vertiefende Beitrag Forschungsdesign der Bachelorarbeit.

Von der Fragestellung zur Hypothese

Quantitative Forschung beginnt in aller Regel mit einer oder mehreren präzise formulierten Hypothesen, die aus der Fragestellung und dem theoretischen Rahmen abgeleitet werden — etwa: „Je höher die wahrgenommene Arbeitsbelastung, desto niedriger die Studienzufriedenheit.“ Diese Hypothese muss so formuliert sein, dass sie durch die Daten falsifizierbar ist: Es muss ein Ergebnis denkbar sein, das die Hypothese widerlegt. Vage Formulierungen wie „Es gibt einen Zusammenhang zwischen X und Y“ sind zwar häufig ein erster Entwurf, sollten aber vor der Datenerhebung in eine gerichtete, überprüfbare Form gebracht werden — inklusive der Nullhypothese, die im Signifikanztest tatsächlich geprüft wird.

Wichtig ist außerdem, Hypothesen vor der Datenerhebung festzulegen und nicht nachträglich an die gefundenen Ergebnisse anzupassen — ein Vorgehen, das in der Methodenliteratur als „HARKing“ (Hypothesizing After the Results are Known) kritisiert wird und die Aussagekraft der Signifikanztests untergräbt.

Stichprobe: Größe und Auswahlverfahren

Die Stichprobenplanung entscheidet maßgeblich darüber, ob die späteren statistischen Tests überhaupt aussagekräftige Ergebnisse liefern können. Zentrale Fragen sind: Wie groß muss die Stichprobe für den gewählten Test mindestens sein (Poweranalyse), welches Auswahlverfahren (Zufallsstichprobe, Quotenstichprobe, Gelegenheitsstichprobe) passt zur Grundgesamtheit, und wie wird nichtrepräsentative Verzerrung minimiert? Diese Fragen werden im Detail im Beitrag Stichprobe bestimmen behandelt, der Berechnungsverfahren und Richtwerte für unterschiedliche Studientypen liefert — an dieser Stelle sei nur betont, dass die Stichprobenplanung vor der Datenerhebung abgeschlossen sein muss, nicht danach nachträglich gerechtfertigt werden sollte.

Datenerhebung: Fragebogen als häufigstes Instrument

Der Fragebogen ist in studentischen quantitativen Arbeiten das mit Abstand häufigste Erhebungsinstrument, da er sich mit überschaubarem Aufwand an eine größere Stichprobe ausspielen lässt. Aufbau, Skalenniveau (nominal, ordinal, intervall) und Auswertungslogik eines Fragebogens sind ein eigenes Thema mit vielen Fallstricken — von der Itemformulierung bis zur Wahl der Antwortskala. Der Beitrag Fragebogen erstellen erklärt diesen Prozess Schritt für Schritt, inklusive der Frage, welches Skalenniveau welche statistischen Verfahren überhaupt zulässt — eine Entscheidung, die schon beim Entwurf des Fragebogens getroffen werden muss, nicht erst bei der Auswertung.

Auswertung: Von Rohdaten zu statistischen Ergebnissen

Die Auswertungsphase gliedert sich in der Regel in drei Schritte: Datenbereinigung (fehlende Werte, Ausreißer, Plausibilitätsprüfung), deskriptive Statistik (Mittelwerte, Standardabweichungen, Häufigkeitsverteilungen) und schließlich die inferenzstatistischen Tests, die zur Fragestellung passen. Welcher Test angemessen ist, hängt vom Skalenniveau der Variablen und der Anzahl der zu vergleichenden Gruppen ab:

• Zusammenhang zwischen zwei metrischen Variablen: Korrelation nach Pearson oder Spearman
• Unterschied zwischen zwei Gruppen: t-Test für unabhängige oder abhängige Stichproben
• Unterschied zwischen mehr als zwei Gruppen: einfaktorielle oder mehrfaktorielle Varianzanalyse (ANOVA)
• Vorhersage einer Variable durch mehrere andere: lineare oder logistische Regression

Statistiksoftware wie SPSS, R oder Jamovi übernimmt die Berechnung — entscheidend für die Bewertung ist, dass du die Wahl des Verfahrens begründen und die Ergebnisse korrekt interpretieren kannst, statt nur eine Ausgabetabelle unkommentiert einzufügen. Wer die einzelnen Erhebungsmethoden — Umfrage, Experiment, standardisierte Beobachtung, Inhaltsanalyse und Sekundärdatenanalyse — noch einmal im Zusammenhang nachlesen möchte, findet einen kompakten Überblick im Leitfaden Quantitative Forschung Methoden 2026.

Software-Wahl für die Auswertung

Für Bachelorarbeiten stehen mehrere Statistikprogramme zur Verfügung, die sich in Kosten, Lernkurve und Funktionsumfang unterscheiden:

Für die meisten Bachelorarbeiten mit Standardverfahren (t-Test, Korrelation, einfache Regression) reichen Jamovi oder SPSS vollkommen aus. R lohnt sich vor allem dann, wenn die Analyse komplexer ist oder du ohnehin vorhast, dich in eine Programmiersprache für Statistik einzuarbeiten.

Zeitplanung für die empirische Phase

Eine quantitative Bachelorarbeit unterscheidet sich von einer reinen Literaturarbeit vor allem durch die zusätzliche Feldphase — Fragebogenentwicklung, Rekrutierung der Stichprobe, Datenerhebung und -bereinigung nehmen typischerweise vier bis acht Wochen in Anspruch, bevor überhaupt mit der eigentlichen statistischen Auswertung begonnen werden kann. Plane deshalb einen Zeitpuffer für eine niedrigere Rücklaufquote als erwartet ein, insbesondere bei Online-Fragebögen, die häufig unter zehn bis zwanzig Prozent Rücklauf erzielen. Wer diese Phase zu knapp plant, gerät im letzten Drittel der Bearbeitungszeit häufig unter Druck, weil für Auswertung und Schreiben dann kaum noch Zeit bleibt.

Signifikanz und Effektstärke richtig berichten

Ein häufiger Fehler in studentischen Arbeiten ist, sich ausschließlich auf den p-Wert zu konzentrieren und die Effektstärke zu vernachlässigen. Ein statistisch signifikantes Ergebnis (p < .05) sagt nur, dass ein Effekt wahrscheinlich nicht zufällig ist — nicht, wie groß oder praktisch relevant er ist. Berichte deshalb neben dem p-Wert immer auch ein Effektstärkemaß (etwa Cohen's d bei Gruppenvergleichen oder r² bei Regressionen) und ordne es anhand gängiger Konventionsgrenzen ein. Diese Doppelnennung — statistische Signifikanz und praktische Bedeutsamkeit — unterscheidet eine methodisch reife Auswertung von einer rein mechanischen Anwendung statistischer Tests.

Gütekriterien quantitativer Forschung

Anders als in der qualitativen Forschung, wo Gütekriterien wie Glaubwürdigkeit oder Bestätigbarkeit im Vordergrund stehen, wird quantitative Forschung klassisch an drei Kriterien gemessen: Objektivität (Unabhängigkeit der Ergebnisse von der durchführenden Person), Reliabilität (Zuverlässigkeit und Wiederholbarkeit der Messung, etwa über Cronbachs Alpha bei Skalen) und Validität (Misst das Instrument tatsächlich das, was es messen soll?). Alle drei Kriterien sollten bereits bei der Entwicklung des Erhebungsinstruments mitgedacht werden, nicht erst rückblickend in der Diskussion der Ergebnisse thematisiert werden. Ein Vergleich mit den entsprechenden Gütekriterien qualitativer Forschung zeigt, wie unterschiedlich beide Forschungsparadigmen wissenschaftliche Qualität definieren.

Ergebnisse darstellen und interpretieren

Quantitative Ergebnisse werden typischerweise in Tabellen und Diagrammen dargestellt — Balkendiagramme für Gruppenvergleiche, Streudiagramme für Korrelationen, Liniendiagramme für Verläufe über Zeit. Jede Abbildung sollte im Fließtext kurz erläutert werden, statt sie unkommentiert stehen zu lassen: Was zeigt die Abbildung, und was bedeutet das für die Hypothese? In der Diskussion werden die statistischen Ergebnisse anschließend in den theoretischen Rahmen zurückgebunden — stützen sie die Ausgangshypothese, widersprechen sie ihr, oder liefern sie ein differenzierteres Bild als erwartet? Diese Rückbindung an die Theorie unterscheidet eine reife Diskussion von einer bloßen Wiederholung der Zahlen aus dem Ergebnisteil.

Typische Fehler in quantitativen Bachelorarbeiten

• Zu kleine Stichprobe für den gewählten Test: Ohne vorherige Poweranalyse bleiben selbst reale Effekte oft statistisch nicht nachweisbar.
• Falsches Skalenniveau für den gewählten Test: Ein t-Test auf ordinalskalierten Daten anzuwenden verletzt dessen Voraussetzungen.
• Kausale Sprache bei korrelativen Daten: Eine Querschnittstudie kann Zusammenhänge, aber keine Kausalität belegen — Formulierungen wie „X führt zu Y“ sind dann unzulässig.
• Fehlende Dokumentation der Datenbereinigung: Prüfende erwarten nachvollziehbare Angaben, wie mit fehlenden Werten und Ausreißern umgegangen wurde.
• Multiples Testen ohne Korrektur: Wer viele Zusammenhänge gleichzeitig testet, ohne das Signifikanzniveau anzupassen (z. B. Bonferroni-Korrektur), erhöht die Wahrscheinlichkeit falsch-positiver Ergebnisse deutlich.
• Verletzte Testvoraussetzungen ignoriert: Parametrische Tests wie t-Test oder ANOVA setzen unter anderem Normalverteilung voraus — wird diese Annahme nicht geprüft und verletzt, sind die Ergebnisse unter Umständen nicht valide.

Ein regelmäßig unterschätztes Risiko liegt zudem in der Wahl der Auswahlmethode für die Stichprobe: Eine reine Gelegenheitsstichprobe (etwa ausschließlich Kommiliton:innen) begrenzt die Generalisierbarkeit der Ergebnisse erheblich und sollte in der Diskussion explizit als Limitation benannt werden, statt stillschweigend übergangen zu werden. Ebenso häufig unterschätzt wird die Notwendigkeit, den gesamten Auswertungsweg — von der Rohdatendatei bis zum finalen Testergebnis — so zu dokumentieren, dass er im Prinzip von einer anderen Person nachvollzogen werden könnte; das ist der praktische Kern des Objektivitätskriteriums.

Checkliste: Quantitative Bachelorarbeit auf einen Blick

• Forschungsdesign passt zur Fragestellung (Quer-/Längsschnitt, experimentell/quasi-experimentell)
• Stichprobengröße vorab per Poweranalyse bestimmt, nicht nachträglich gerechtfertigt
• Erhebungsinstrument (meist Fragebogen) mit passendem Skalenniveau entwickelt
• Statistisches Verfahren zum Skalenniveau und zur Fragestellung passend gewählt
• Signifikanz UND Effektstärke berichtet, keine kausalen Aussagen aus korrelativen Daten
• Datenbereinigung und Umgang mit fehlenden Werten transparent dokumentiert

Bei der Formulierung der Ergebnisse und der methodischen Absicherung hilft ein Tool wie Tesify punktuell, gängige Formulierungsfehler und inkonsistente Zitierweisen in der Methodik frühzeitig zu erkennen.

FAQ

Ab welcher Stichprobengröße gilt eine quantitative Bachelorarbeit als aussagekräftig?

Es gibt keine pauschale Mindestgröße — sie ergibt sich aus einer Poweranalyse, die von erwarteter Effektstärke, gewünschter statistischer Power und Signifikanzniveau abhängt. Details dazu liefert der Beitrag Stichprobe bestimmen.

Kann ich quantitative und qualitative Methoden in einer Bachelorarbeit kombinieren?

Ja, das nennt sich Mixed-Methods-Design und ist bei entsprechender Fragestellung sinnvoll — es erfordert aber einen höheren methodischen und zeitlichen Aufwand, da beide Datentypen sauber erhoben und integriert ausgewertet werden müssen.

Welche Software eignet sich für Studierende ohne Statistik-Vorkenntnisse?

Jamovi und JASP bieten eine SPSS-ähnliche Oberfläche, sind kostenlos und für viele gängige Bachelorarbeit-Analysen ausreichend, ohne dass Programmierkenntnisse nötig sind.

Muss ich meine Hypothesen vor der Datenerhebung präregistrieren?

Für die meisten Bachelorarbeiten ist eine formale Präregistrierung nicht verpflichtend, gilt aber als methodisch vorbildlich und sollte zumindest informell — etwa im Exposé — vor der Datenerhebung dokumentiert werden.

Was tue ich, wenn meine Ergebnisse nicht signifikant sind?

Ein nicht signifikantes Ergebnis ist kein Scheitern, sondern ein valides Forschungsergebnis — es bedeutet, dass die Daten die Hypothese nicht stützen konnten. Diskutiere mögliche Gründe (Stichprobengröße, Messinstrument, tatsächlich fehlender Effekt) sachlich, statt das Ergebnis zu beschönigen oder die Analyse nachträglich so anzupassen, dass ein signifikantes Ergebnis erzwungen wird.

Wie viele Variablen sollte meine quantitative Bachelorarbeit maximal untersuchen?

Eine überschaubare Anzahl von zwei bis vier zentralen Variablen mit klarer Hypothesenstruktur ist für den Rahmen einer Bachelorarbeit meist angemessener als ein breites Set an Variablen, das die Auswertung unübersichtlich macht und die Interpretierbarkeit der Ergebnisse erschwert.