Fragebogen auswerten in 3 einfachen Schritten

In vielen natur-, wirtschafts- und sozialwissenschaftlichen Bereichen ist die Befragung das Mittel der Wahl für das Testen empirischer Hypothesen. In diesen einfachen 3 Schritten erklären wir die, wie du vorgehen kannst:

Schritt 1 Daten aufbereiten (70%)

Dieser Schritt stellt die umfangreichste Arbeit dar und macht ca. 70% der gesamten Analyse aus. Zur Datenaufbereitung zählen:

Datenbereinigung (löschen überflüssiger Variablen) Bestimmung der Skalenniveaus, labeln der Variablen und Werte Fehlende Werte löschen oder ersetzen (z.B. durch eine Mittelwertimputation) Überprüfung der Daten auf Plausibilität (stimmen die Daten?), Validität (stellen die Daten dar, was ich messen will?) und Reliabilität (Sind die Konstrukte messgenau?). In der Regel werden etablierte Messinstrumente verwendet, weshalb eine Validierung nicht notwendig ist. Soll ein eignes Messinstrument verwendet werden, müssen aufwändige Faktoranalysen (explorative, konfirmatorische) durchgeführt werden Erstellung der Konstrukte und Datentransformation (Recodierung negativ gepolter Items), dabei kann man sich in der Regel nach dem Manual der Originalstudien der Messinstrumente richten. Für viele Modelle müssen zusätzlich Dummy Variablen erstellt werden Sortieren des Datensatzes. Datenanalyse lebt von Übersichtlichkeit!

Schritt 2 Daten deskriptiv darstellen (10%)

Je nach Skalenniveau werden die Daten nun dargestellt. Für nominale Daten werden Häufigkeiten und Balkendiagramme abgebildet. Dasselbe erfolgt für ordinale Daten, nur kann hier der Median ergänzt werden. Metrische und quasi-metrische Daten werden mit allen Parametern von Verteilungen beschrieben (Mittelwert, Standardabweichung, Median…) Metrische- und quasi-metrische Daten werden mit Boxplots und Histogrammen abgebildet. Zudem werden sie auf Normalverteilung überprüft.

Schritt 3 Daten inferenzstatistisch prüfen (20%)

Dieser Schritt verursacht wohl die meisten Probleme. In Abhängigkeit der Hypothesen, des Skalenniveaus und der Verteilung der Daten muss der richtige Test auf Signifikanz gewählt werden. Zusätzlich muss daraus die Effektstärke berechnet werden. Ergänzend kann auch bayesianische Statistik erfolgen.

Hier beschreiben wir ausführlich, wie man den richtigen Test finden kann

https://www.hanseatic-statistics.de/statistische-tests/testuebersicht

Hast du Fragen oder brauchst du Hilfe? Kontaktiere uns

https://www.hanseatic-statistics.de/kostenloses-erstgepraech

Im Folgenden siehst du Beispiele für Fragebogenauswertung in SPSS und R, jedoch können wir dich auch in JAMOVI, JASP, STATA und Python unterstützen:

Fragebogen Auswertung

Hier siehst du einen Überblick, bei welchen Fragebogen Auswertungen wir dich unterstützen können:

SPSS

JASP

Fragebogen Auswertung in R

Import der Daten

Zuerst musst du die Daten importieren. Über RStudio geht es ganz leicht über Import Dataset im rechten oberen Fenster. Du hast die Möglichkeit Excel Daten direkt oder als .csv zu importieren. Auch SPSS oder STATA Datentypen sind einfach imortierbar. Alternativ kannst du das ganze auch einfach mit diesen Befehlen in der Konsole laden

Datenaufbereitung

In RStudio stellt die Datenanasicht nun eine einfache zweidimensionale Übersicht deiner Daten dar. Zeilen sind Versuchspersonen und Spalten Variablen.

Überflüssige Variablen Löschen

Datenanalyse lebt von Übersichtlichkeit. Lösche also was du nicht brauchst, z.B. Browserdaten, Time Tracker, Indexvariablen etc..

Versuchspersonen filtern

Lösche die Versuchspersonen, die den Fragebogen abgebrochen oder gar nicht ausgefüllt haben.

Variablen labeln und beschriften

In R kannst du die Spalten (Variablen) ganz einfach umbenennen. Zudem kannst du Faktoren labeln, damit deine Tabellen und Grafiken aussagekräftiger sind

Fehlende Werte löschen oder ersetzen

Was machst du mit einzelnen fehlenden Werten? Man kann hier die gesamte Versuchsperson entfernen oder fehlende Werte ersetzten, z.B. durch eine Mittelwert Imputation.

Skalenniveaus anpassen

Skalenniveaus stellen ein sehr wichtiges Thema dar. Von Ihnen hängt ab, was du mit deinen Daten machen kannst. Bestimme also, ob es nominale, ordinale oder metrische Daten sind. In R gibt es Faktoren, Geordnete Faktoren und metrische Daten. Für viele Funktionen ist das richtige Skalenniveau essenziell!

Zu den Skalenniveaus

Reliabilitätsanalyse

Üblicherweise werden Konstrukte durch mehrere Items operationalisiert. Damit dies jedoch funktioniert, solltest du einmal die Reliabilität überprüfen. Hier kannst du Cronbachs-Alpha oder McDonalds-Omega bestimmen.

Skalen erstellen

Ist deine Skala reliabel, kannst du die Items zu einem Score zusammenfassen. Dabei wird häufig der Mittelwert gewählt.

Deskriptive Statistik

Im ersten Schritt musst du deine Daten nun einmal beschrieben. Hier spielt das Skalenniveau wieder eine entscheidende Rolle, denn von diesem ist der Informationsgehalt deiner Daten abhängig. Dieser entscheidet, was du mit den Daten machen kannst. Einen Mittelwert der Variable, die das Geschlecht einer Person angibt, zu berechnen, ergibt keinen Sinn. Genau so wenig wie einfach Häufigkeiten einer Variablen anzugeben, die das Alter in Jahren misst. Am besten gehst du wie folgt vor:

Häufigkeiten für nominale und ordinale Daten
Mediane für ordinale Daten
Statistische Kennwerte und Test auf Normalverteilung für metrische Daten

Inferenzstatistik

Nun folgen die finalen Tests dein Den richtigen Test finden. Hier spielen nun deine Hypothesen und die Skalenniveaus eine entscheidende Rolle. In unserer Testübersicht kannst du dir einen Überblick verschaffen.

Zur Testübersicht

Im Hinblick auf Hypothesen durchführen

Hier kannst du dir einen Überblick über die verschiedenen Arten der Hypothesentests verschaffen, wie Signifikanzwerte, Effektstärke oder Bayes-Statistiken.

Zu den Hypothesentests

Kostenloses Erstgespräch