Ausreißer werden nicht gelöscht, sondern erklärt. Prüfe zuerst, ob der Wert ein Erfassungsfehler ist — dann darfst du ihn korrigieren oder entfernen. Ist er echt, bleibt er grundsätzlich im Datensatz; du dokumentierst ihn, wählst ein robustes Verfahren und zeigst mit einer Sensitivitätsanalyse, ob er dein Ergebnis überhaupt verändert.
Was gilt überhaupt als Ausreißer?
Ein Ausreißer ist ein Wert, der so weit von der übrigen Verteilung entfernt liegt, dass er unter demselben Erzeugungsmechanismus unwahrscheinlich erscheint. Das ist eine statistische Beschreibung, keine inhaltliche Bewertung — und genau darin liegt die Falle: „Ausreißer“ heißt nicht „falsch“.
Es lohnt sich, drei Sorten zu unterscheiden. Erfassungs- und Eingabefehler entstehen beim Tippen, Kodieren oder Exportieren: ein Alter von 220 Jahren, ein Wert 99 auf einer fünfstufigen Skala, ein Komma an der falschen Stelle. Verfahrensfehler entstehen, wenn eine Person die Instruktion nicht befolgt hat, das Item missverstanden oder den Bogen in achtzig Sekunden durchgeklickt hat. Echte Extremwerte gehören zur Population: Es gibt Menschen mit sehr hohem Einkommen, sehr langer Studiendauer oder sehr hoher Belastung. Nur bei den ersten beiden Sorten ist Entfernen ohne Weiteres zulässig.
Diese Dreiteilung ist mehr als eine Begriffsklärung — sie ist die Reihenfolge, in der du arbeitest. Zuerst suchst du Fehler, dann prüfst du das Verhalten der Person, und erst danach stellst du die inhaltliche Frage, ob ein Wert trotz seiner Größe zur untersuchten Population gehört. Wer diese Reihenfolge umdreht und mit der statistischen Auffälligkeit beginnt, endet fast zwangsläufig beim Löschen.
Woran erkenne ich einen Ausreißer?
Drei Verfahren, die du in dieser Reihenfolge einsetzt.
Der Boxplot. Die verbreitetste Konvention markiert Werte als auffällig, die mehr als das Anderthalbfache des Interquartilsabstands unterhalb des ersten oder oberhalb des dritten Quartils liegen. Der Vorteil dieser Regel: Sie beruht auf Quartilen und wird von den Extremwerten selbst nicht verzerrt, anders als jede Regel auf Mittelwertbasis. Der Boxplot pro Gruppe ist das erste, was du dir ansiehst.
Standardisierte Werte. Rechne die Variable in z-Werte um. Als Faustgrenze gilt in der Methodenliteratur ein Betrag von etwa 3 bis 3,3; bei kleinen Stichproben ist die Regel unzuverlässig, weil einzelne Extremwerte die Standardabweichung, mit der sie gemessen werden, selbst aufblähen. Wende sie deshalb nie allein an.
Multivariate Auffälligkeit. Manche Fälle sind in keiner einzelnen Variable auffällig, aber in ihrer Kombination — jemand mit sehr geringer Lernzeit und sehr guter Note zum Beispiel. Für Regressions- und Faktorenmodelle prüfst du das über Distanzmaße und Einflusskennwerte; die zugehörigen Modelldiagnosen behandelt der Beitrag zur Interpretation der Regressionsanalyse.
Wichtig ist die Reihenfolge gegenüber anderen Prüfschritten: Sieh dir Ausreißer vor der Verteilungsprüfung an. Sehr häufig ist eine vermeintlich schiefe Verteilung schlicht das Werk von zwei Extremwerten — ein Unterschied, den der Q-Q-Plot sichtbar macht, wie im Beitrag zur Prüfung der Normalverteilung beschrieben.
Ist auffällig dasselbe wie einflussreich?
Nein, und diese Unterscheidung erspart dir in Modellanalysen die meiste Arbeit. Ein Wert kann weit von den übrigen entfernt liegen und trotzdem nichts am Ergebnis ändern; umgekehrt kann ein Fall, der in keinem Boxplot auffällt, eine Regressionsgerade merklich drehen.
Deshalb kennt die Modelldiagnostik drei getrennte Fragen. Die erste lautet: Ist der Wert der abhängigen Variable ungewöhnlich? Das zeigen die standardisierten Residuen. Die zweite lautet: Ist die Kombination der Prädiktorwerte ungewöhnlich? Das zeigt die Hebelwirkung, im Englischen leverage. Und die dritte, praktisch wichtigste, lautet: Verändert sich das Modell, wenn ich genau diesen Fall entferne? Diese Frage beantworten Einflusskennwerte, allen voran die Cook-Distanz, die jede gängige Statistiksoftware auf Wunsch als zusätzliche Variable in den Datensatz schreibt.
Praktisch heißt das: Sortiere den Datensatz nach dem Einflusskennwert und sieh dir die obersten Fälle einzeln an, statt alle statistisch auffälligen Werte gleich zu behandeln. In den meisten studentischen Datensätzen sind das drei bis fünf Fälle — eine Menge, die du in zwanzig Minuten manuell durchgehen kannst.
Ist der Wert ein Fehler oder ein Befund?
Diese Frage entscheidet alles Weitere, und sie wird nicht statistisch, sondern durch Rückgriff auf den Rohdatensatz beantwortet. Gehe den Fall einzeln durch: Passt der Wert überhaupt in den möglichen Wertebereich? Was hat dieselbe Person bei den übrigen Items geantwortet? Wie lange hat sie für den Bogen gebraucht? Gibt es ein Antwortmuster, das auf Durchklicken hindeutet — durchgehend dieselbe Stufe, ein Zickzack, widersprüchliche Kontrollfragen?
Damit du das überhaupt prüfen kannst, brauchst du saubere Rohdaten und eine nachvollziehbare Kodierung; der Beitrag zum Codebuch für deinen Datensatz zeigt, wie du diese Grundlage anlegst. Halte den Rohdatensatz unangetastet und arbeite in einer Kopie — jede Bereinigung muss rückgängig zu machen sein.
Darf ich Ausreißer einfach löschen?
Nein, und der Grund ist nicht Pedanterie. Werte zu entfernen, weil sie das Ergebnis stören, ist eine Form des selektiven Berichtens: Du veränderst das Ergebnis in eine Richtung, die dir gefällt, und der Leser kann das nicht sehen. Erlaubt ist das Entfernen nur mit einer vorab formulierten, inhaltlichen Regel — etwa „Fälle mit einer Bearbeitungszeit unter der Hälfte der Median-Bearbeitungszeit werden ausgeschlossen“ — und diese Regel gilt für alle Fälle gleichermaßen, unabhängig davon, in welche Richtung sie das Ergebnis verschiebt.
Welche fünf Wege habe ich?
- Belassen und berichten. Der Standardweg bei echten Extremwerten. Du benennst sie, zeigst sie im Boxplot und interpretierst das Ergebnis mit ihnen.
- Korrigieren. Nur bei belegbaren Erfassungsfehlern und nur, wenn der richtige Wert aus dem Originalbogen hervorgeht.
- Ausschließen nach Regel. Zulässig bei Verfahrensfehlern und bei technisch unmöglichen Werten. Die Regel steht im Methodenteil, die Zahl der ausgeschlossenen Fälle im Ergebnisteil.
- Winsorisieren oder trimmen. Beim Winsorisieren ersetzt du Extremwerte durch den Wert an einer festgelegten Perzentilgrenze, beim Trimmen entfernst du einen festen Prozentsatz an beiden Rändern. Beide Verfahren sind etabliert, müssen aber angekündigt und begründet werden.
- Robust rechnen. Statt die Daten anzupassen, passt du das Verfahren an: Median statt Mittelwert, rangbasierte Tests, Bootstrap-Konfidenzintervalle. Das ist oft der eleganteste Weg, weil du nichts wegwirfst.
Was in keinem dieser fünf Wege vorkommt: den Wert durch den Mittelwert ersetzen. Das ist kein Ausreißerumgang, sondern eine Imputation — und sie unterschätzt die Streuung systematisch. Die Logik dahinter erklärt der Beitrag zu fehlenden Werten in der Abschlussarbeit.
Was ist eine Sensitivitätsanalyse, und warum rettet sie deine Arbeit?
Du rechnest deine Hauptanalyse zweimal: einmal mit allen Fällen, einmal ohne die auffälligen. Dann vergleichst du die Ergebnisse. Es gibt genau zwei mögliche Ausgänge, und beide sind gute Nachrichten.
Fall eins: Das Ergebnis bleibt inhaltlich gleich. Dann ist die ganze Diskussion erledigt. Du berichtest die Analyse mit allen Fällen und ergänzt einen Satz, dass ein Ausschluss der auffälligen Werte zu keiner substanziellen Änderung führt. Das ist der stärkste Satz, den du zu diesem Thema schreiben kannst.
Fall zwei: Das Ergebnis ändert sich. Dann ist genau das dein Befund. Du berichtest beide Varianten, beschreibst, welche Fälle den Unterschied machen, und diskutierst, was das inhaltlich bedeutet. Ein Ergebnis, das von drei Personen abhängt, ist eine wichtige Erkenntnis über die Belastbarkeit deiner Daten — und keine Schwäche, solange du sie benennst.
Was du nicht tust: eine der beiden Varianten aussuchen und die andere verschweigen.
Wie dokumentiere ich das im Text?
Die Regel gehört in den Methodenteil, das Resultat in den Ergebnisteil. Ein vollständiger Absatz sieht so aus:
„Vor der Auswertung wurde der Datensatz auf auffällige Werte geprüft. Als Kriterium diente die Boxplot-Regel auf Basis des Interquartilsabstands, ergänzt um eine Sichtprüfung der Bearbeitungszeiten. Vier Fälle mit einer Bearbeitungszeit unter drei Minuten wurden gemäß der vorab festgelegten Regel ausgeschlossen. Sechs weitere Werte lagen außerhalb des Whisker-Bereichs, waren jedoch inhaltlich plausibel und verblieben im Datensatz. Eine Sensitivitätsanalyse ohne diese sechs Fälle führte zu keiner Änderung der Signifikanzentscheidungen.“
Die konkreten Kennwerte und der Boxplot gehören in die Ergebnisdarstellung beziehungsweise in den Anhang; wie du das aufbaust, zeigt der Beitrag zum Ergebnisteil der Bachelorarbeit.
Häufige Fragen zu Ausreißern
Wie viele Ausreißer sind normal?
Bei annähernd normalverteilten Daten markiert die Boxplot-Regel selbst dann einen kleinen Prozentsatz der Fälle als auffällig, wenn nichts falsch ist. Ein paar markierte Werte in einer Stichprobe von zweihundert sind unauffällig. Alarmierend ist es erst, wenn ein großer Teil der Fälle markiert wird — dann liegt meist ein Verteilungs- und kein Ausreißerproblem vor.
Muss ich Ausreißer pro Gruppe oder über die Gesamtstichprobe prüfen?
Pro Gruppe. Über die Gesamtstichprobe geprüft, erscheint bei einem echten Gruppenunterschied ein Teil der einen Gruppe systematisch als auffällig — obwohl er genau den Effekt abbildet, den du untersuchst.
Was mache ich, wenn der Ausreißer meine Hypothese trägt?
Dann ist die Sensitivitätsanalyse zwingend, und ihr Ergebnis gehört ungeschönt in die Diskussion. Ein signifikanter Effekt, der ohne zwei Fälle verschwindet, ist ein Ergebnis unter Vorbehalt — nenne ihn so und begründe, warum du die Fälle behalten hast.
Sind Ausreißer bei kleinen Stichproben gefährlicher?
Deutlich. Bei n = 30 verschiebt ein einzelner Extremwert den Mittelwert spürbar und die Standardabweichung noch stärker; bei n = 400 fällt derselbe Wert kaum ins Gewicht. Bei kleinen Stichproben sind deshalb robuste Verfahren fast immer die bessere Wahl als jede Bereinigungsregel.
Gilt das auch für qualitative Daten?
Der Begriff passt dort nicht. Ein abweichender Fall ist in qualitativen Designs kein Störfaktor, sondern häufig der aufschlussreichste Fall überhaupt. Er wird nicht ausgeschlossen, sondern als abweichender Fall ausgewiesen und interpretiert.
Wie gehe ich mit Ausreißern bei Likert-Items um?
Bei einem einzelnen Item mit fünf oder sieben Stufen kann es definitionsgemäß keine Extremwerte geben. Auffällig sind dort nicht einzelne Werte, sondern Antwortmuster — durchgehend dieselbe Stufe oder widersprüchliche Antworten auf inhaltlich gekoppelte Items.
Muss ich ausgeschlossene Fälle in der Stichprobenbeschreibung erwähnen?
Ja. Die Beschreibung nennt die Zahl der ursprünglich erhobenen Fälle, die Zahl und den Grund der Ausschlüsse und die Zahl der ausgewerteten Fälle. Diese Kette muss aufgehen; wie du die Auswertungsschritte davor sauber aufsetzt, beschreibt die Anleitung zur Umfrageauswertung.
Darf ich Ausreißer erst nach dem ersten Testlauf identifizieren?
Du darfst sie zu jedem Zeitpunkt finden — aber die Regel, nach der du entscheidest, muss unabhängig vom Testergebnis sein. Formuliere sie schriftlich, bevor du das erste Mal auf „Berechnen“ klickst.
Was, wenn meine Betreuung verlangt, dass ich Ausreißer entferne?
Frage nach dem Kriterium und halte es schriftlich fest. Dann rechnest du beide Varianten und berichtest die Sensitivitätsanalyse. Damit erfüllst du die Vorgabe und bleibst transparent.
Fazit
Ausreißer sind ein Dokumentationsproblem, kein Rechenproblem. Sieh dir Boxplots pro Gruppe an, ergänze standardisierte Werte, prüfe bei Modellen zusätzlich die Einflusskennwerte und geh die auffälligen Fälle im Rohdatensatz einzeln durch, um Fehler von echten Extremwerten zu trennen. Formuliere deine Ausschlussregel, bevor du testest, halte sie für alle Fälle gleich ein und rechne die Hauptanalyse mit und ohne die auffälligen Werte. Was du am Ende berichtest, ist nicht die schönere Variante, sondern die vollständige.
Schreib die Regel auf, bevor du rechnest. Mit Tesify hältst du Methodenentscheidungen, Kennwerte und Limitationen in einem Dokument zusammen und siehst sofort, welche Begründung im Text noch fehlt. Starte deine Abschlussarbeit mit Tesify und dokumentiere deine Datenbereinigung, während sie noch läuft.