Den Test findest du in vier Fragen: Skalenniveau der abhängigen Variable, Anzahl der Gruppen oder Messzeitpunkte, abhängige oder unabhängige Stichproben, Unterschied oder Zusammenhang. In der Psychologie beginnt die eigentliche Arbeit aber erst danach — bei der Effektstärke, der dokumentierten Voraussetzungsprüfung, der Abgrenzung von Mediation und Moderation und der Berichtszeile, die den APA-7-Konventionen standhält.
Genau diese fachspezifische Schicht behandelt dieser Beitrag: was dein psychologischer Prüfungsausschuss zusätzlich zum richtigen Verfahren erwartet, und wie du es hinschreibst.
Warum reicht ein allgemeiner Testentscheidungsbaum für Psychologie nicht aus?
Weil die Psychologie zusätzliche Konventionen hat, die dein Prüfungsausschuss kennt und erwartet. In der BWL genügt oft ein signifikanter Unterschied. In der Psychologie prüfen Gutachterinnen und Gutachter zusätzlich: Hast du eine Effektstärke berichtet? Hast du die Voraussetzungen dokumentiert statt nur behauptet? Hast du bei mehreren Tests für Alphafehler-Kumulierung korrigiert? Steht das Ergebnis in korrekter APA-7-Notation im Fließtext?
Die Fachgesellschaftsstandards der DGPs verlangen inzwischen auch, dass du Konfidenzintervalle angibst und nicht ausschließlich p-Werte interpretierst. Der allgemeine Entscheidungsbaum dazu, welchen statistischen Test du für deine Daten brauchst, ist eine gute Grundlage — dieser Beitrag setzt darauf auf und macht ihn fachspezifisch.
Welcher Test passt zu einem Vergleich von zwei unabhängigen Gruppen?
Typische psychologische Fragestellung: Unterscheiden sich Studierende mit und ohne Achtsamkeitstraining in der selbstberichteten Stressbelastung?
- t-Test für unabhängige Stichproben, wenn die abhängige Variable intervallskaliert ist (ein Summenscore der PSS-10 zum Beispiel) und die Residuen in beiden Gruppen annähernd normalverteilt sind.
- Welch-Test, wenn die Varianzen ungleich sind — der Levene-Test wird signifikant. In der psychologischen Praxis wird der Welch-Test zunehmend als Standardeinstellung empfohlen, weil er bei Varianzhomogenität kaum Power verliert.
- Mann-Whitney-U-Test, wenn die abhängige Variable ordinal ist (ein Einzelitem auf einer fünfstufigen Likert-Skala) oder die Verteilung stark schief ist und die Stichprobe klein.
Berichtszeile: t(58) = 2.41, p = .019, d = 0.63, 95 % CI [0.10, 1.15].
Welcher Test passt zu einem Vergleich von drei oder mehr unabhängigen Gruppen?
Beispiel: Unterscheiden sich drei Bindungsstile in der Emotionsregulationsfähigkeit?
Hier ist die einfaktorielle ANOVA das Standardverfahren. Wird sie signifikant, sagt sie nur, dass mindestens ein Gruppenpaar sich unterscheidet — welches, klärst du über Post-hoc-Tests (Tukey HSD bei gleichen Gruppengrößen, Games-Howell bei ungleichen Varianzen). Die nichtparametrische Alternative ist der Kruskal-Wallis-Test mit paarweisen Dunn-Tests.
Wichtig: Führe nicht drei einzelne t-Tests statt einer ANOVA durch. Genau dafür gibt es Korrekturverfahren, und welches wann angemessen ist, erklärt der Vergleich von Bonferroni, Holm und Benjamini-Hochberg beim multiplen Testen.
Berichtszeile: F(2, 87) = 5.34, p = .006, η²p = .11.
Welcher Test passt zu Messwiederholung oder Prä-Post-Designs?
Das ist das häufigste Design in psychologischen Interventionsstudien — und die häufigste Fehlerquelle.
- Ein Messzeitpunktpaar, eine Gruppe: gepaarter t-Test, nichtparametrisch der Wilcoxon-Vorzeichen-Rang-Test.
- Drei oder mehr Messzeitpunkte, eine Gruppe: ANOVA mit Messwiederholung, mit Greenhouse-Geisser-Korrektur, wenn der Mauchly-Test auf verletzte Sphärizität hinweist. Nichtparametrisch: Friedman-Test.
- Zwei Gruppen, zwei Messzeitpunkte: Hier liegt der klassische Fehler. Viele rechnen zwei getrennte Prä-Post-t-Tests und schließen daraus auf einen Interventionseffekt. Methodisch korrekt ist eine gemischte ANOVA mit dem Interaktionsterm Zeit × Gruppe oder — meist besser — eine ANCOVA mit dem Prä-Wert als Kovariate.
Warum die ANCOVA in vielen Fällen die stärkere Wahl ist und wann sie es nicht ist, arbeitet der Beitrag zur Auswertung von Prä-Post-Daten mit gepaartem t-Test, Wilcoxon und ANCOVA im Detail auf.
Welcher Test passt zu Zusammenhängen zwischen zwei Variablen?
Beispiel: Hängt Neurotizismus mit Prokrastination zusammen?
- Pearson-Korrelation bei zwei intervallskalierten, annähernd normalverteilten Variablen mit linearem Zusammenhang.
- Spearman-Rangkorrelation bei ordinalen Daten, Ausreißern oder monotonen, aber nicht linearen Zusammenhängen.
- Punktbiseriale Korrelation, wenn eine Variable dichotom ist — rechnerisch identisch mit Pearson.
- Chi-Quadrat-Unabhängigkeitstest, wenn beide Variablen kategorial sind, etwa Bindungsstil × Therapieabbruch ja/nein. Effektstärke: Cramérs V.
Berichtszeile: r(118) = .42, p < .001, 95 % CI [.26, .56].
Welcher Test passt, wenn mehrere Prädiktoren gleichzeitig wirken?
Sobald du fragst „Welche Variablen sagen X vorher, wenn man die anderen kontrolliert?“, brauchst du ein Regressionsmodell.
- Multiple lineare Regression bei metrischer abhängiger Variable. Prüfe Multikollinearität über VIF-Werte (Faustregel VIF < 5), Linearität und Homoskedastizität über Residuenplots und Unabhängigkeit der Residuen über Durbin-Watson.
- Hierarchische Regression, wenn du theoriegeleitet blockweise vorgehst — etwa Block 1 mit Alter und Geschlecht, Block 2 mit den Persönlichkeitsvariablen. Du berichtest dann den Zuwachs ΔR² pro Block, was theoretisch deutlich aussagekräftiger ist als ein einzelnes Gesamtmodell.
- Binär-logistische Regression bei dichotomer abhängiger Variable, etwa „Therapie abgebrochen ja/nein“. Du berichtest Odds Ratios mit Konfidenzintervall statt Beta-Gewichten.
Wie unterscheide ich Mediation von Moderation?
Diese Verwechslung kostet in psychologischen Arbeiten regelmäßig Punkte. Eine Mediation erklärt, warum ein Effekt zustande kommt: Stress wirkt auf Schlafqualität, weil er Grübeln erhöht. Eine Moderation erklärt, für wen oder wann ein Effekt gilt: Der Zusammenhang zwischen Stress und Schlafqualität ist bei Personen mit hoher Selbstwirksamkeit schwächer.
Beides rechnest du typischerweise mit dem PROCESS-Makro von Hayes für SPSS oder R — Mediation als Modell 4, einfache Moderation als Modell 1, moderierte Mediation als Modell 7 oder 14. Für Mediationen berichtest du den indirekten Effekt mit Bootstrap-Konfidenzintervall (5.000 Resamples), nicht den überholten Sobel-Test. Die begriffliche Abgrenzung mit Beispielen findest du im Beitrag Mediation oder Moderation — die dritte Variable richtig einordnen.
Wie prüfe ich die Voraussetzungen, ohne mich zu verrennen?
Ein häufiger Denkfehler: Studierende testen die Rohdaten auf Normalverteilung und wechseln bei Signifikanz reflexhaft zum nichtparametrischen Verfahren. Zwei Präzisierungen dazu.
Erstens gilt die Normalverteilungsannahme bei t-Test, ANOVA und Regression für die Residuen beziehungsweise die Verteilung innerhalb der Gruppen, nicht für die Gesamtverteilung der abhängigen Variable. Zweitens wird der Shapiro-Wilk-Test bei großen Stichproben fast immer signifikant, ohne dass eine praktisch relevante Abweichung vorliegt — deshalb schaust du zusätzlich auf das Q-Q-Diagramm sowie auf Schiefe und Kurtosis. Ab etwa 30 Personen pro Gruppe ist der t-Test dank des zentralen Grenzwertsatzes robust. Wie du die Prüfung sauber dokumentierst und was gilt, wenn die Annahme wirklich verletzt ist, beschreibt die Anleitung zum Prüfen der Normalverteilung mit Shapiro-Wilk und Q-Q-Plot.
Welche Effektstärke gehört zu welchem Test?
In der Psychologie ist die Effektstärke keine Kür, sondern Pflicht. Merke dir diese Zuordnung:
- t-Test: Cohens d (klein 0.20, mittel 0.50, groß 0.80) oder Hedges‘ g bei kleinen Stichproben
- ANOVA: partielles Eta-Quadrat η²p (klein .01, mittel .06, groß .14)
- Korrelation: r selbst ist die Effektstärke (klein .10, mittel .30, groß .50)
- Regression: R² für das Gesamtmodell, Cohens f² für einzelne Prädiktoren
- Chi-Quadrat: Cramérs V oder Phi bei Vierfeldertafeln
- Mann-Whitney: r = Z / √N
Interpretiere die Konventionen nach Cohen vorsichtig und ordne sie in dein Forschungsfeld ein. Ein d von 0.30 kann in der Grundlagenforschung klein und in der Psychotherapieforschung praktisch bedeutsam sein.
Ergebnisteil schreiben statt Testauswahl grübeln
Wenn der Test steht, beginnt die eigentliche Arbeit: Zahlen in Sätze übersetzen, Tabellen APA-konform aufbauen, den Bezug zur Hypothese sauber ziehen. Tesify hilft dir, deine Abschlussarbeit Kapitel für Kapitel zu strukturieren, deine Literatur zusammenzuhalten und Ergebnisformulierungen zu finden, die fachlich tragen.
Wie sieht eine korrekte APA-7-Berichtszeile aus?
Statistische Symbole werden kursiv gesetzt (t, F, p, M, SD, r, d), griechische Buchstaben nicht. p-Werte werden mit drei Nachkommastellen und ohne führende Null angegeben, weil p nicht größer als 1 werden kann: p = .032, nicht 0.032. Sehr kleine Werte schreibst du als p < .001. Mittelwerte gibst du mit zwei Nachkommastellen an.
Vollständiges Beispiel im Fließtext: „Die Interventionsgruppe (M = 18.42, SD = 4.11) berichtete signifikant geringere Stresswerte als die Kontrollgruppe (M = 22.07, SD = 4.63), t(78) = 3.72, p < .001, d = 0.83, 95 % CI [0.37, 1.29]. Der Effekt entspricht nach den Konventionen von Cohen einem großen Effekt.“
Was mache ich, wenn kein Test signifikant wird?
Ein nicht signifikantes Ergebnis ist kein gescheitertes Projekt und beeinflusst deine Note nicht negativ, solange die Methodik sauber ist. Du beschreibst den Befund neutral, berichtest die Effektstärke mit Konfidenzintervall trotzdem und diskutierst in der Limitationssektion mögliche Gründe: zu geringe Teststärke bei kleiner Stichprobe, Deckeneffekte im Instrument, zu kurze Interventionsdauer, hohe Varianz in der Kontrollgruppe.
Was du nicht tust: nachträglich Hypothesen an die Daten anpassen, Ausreißer entfernen, bis das Ergebnis passt, oder Analysen so lange variieren, bis irgendwo ein Stern erscheint. Diese Praktiken sind unter dem Begriff HARKing beziehungsweise p-Hacking beschrieben und gelten in der Psychologie als wissenschaftliches Fehlverhalten.
Häufige Fragen zur Testauswahl in der Psychologie
Darf ich Likert-Skalen als intervallskaliert behandeln?
Ein Einzelitem ist streng genommen ordinal und wird über Median und nichtparametrische Verfahren ausgewertet. Ein Summen- oder Mittelwertscore aus mehreren Items derselben validierten Skala wird in der psychologischen Forschungspraxis dagegen üblicherweise als quasi-intervallskaliert behandelt und mit t-Test, ANOVA oder Regression ausgewertet. Begründe diese Entscheidung im Methodenkapitel in einem Satz.
Ab welcher Stichprobengröße darf ich parametrisch rechnen?
Es gibt keine harte Grenze, aber ab etwa 30 Personen pro Gruppe sind t-Test und ANOVA gegenüber moderaten Verletzungen der Normalverteilungsannahme robust. Entscheidender als die reine Zahl ist, ob die Verteilung stark schief oder mehrgipflig ist und ob extreme Ausreißer vorliegen.
Brauche ich für eine Bachelorarbeit in Psychologie eine Poweranalyse?
In den meisten psychologischen Instituten ja, zumindest als a-priori-Berechnung mit G*Power im Methodenkapitel. Du gibst Testfamilie, angenommene Effektstärke aus der Literatur, Alpha-Niveau und angestrebte Power an und leitest daraus die benötigte Fallzahl ab. Eine Post-hoc-Power auf Basis des gefundenen Effekts ist statistisch wenig informativ und wird zunehmend abgelehnt.
Was mache ich bei fehlenden Werten im Datensatz?
Berichte zuerst, wie viele Werte pro Variable fehlen und ob ein Muster erkennbar ist. Bei wenigen zufällig verteilten Ausfällen ist listenweiser Ausschluss vertretbar. Bei systematischen Ausfällen oder mehr als etwa fünf Prozent ist multiple Imputation die methodisch bessere Lösung. Dokumentiere die Entscheidung, statt sie stillschweigend über die Voreinstellung der Software laufen zu lassen.
Welche Software soll ich für eine Psychologie-Abschlussarbeit nutzen?
SPSS ist an psychologischen Instituten weiterhin Standard und meist über die Hochschullizenz verfügbar. JASP ist kostenlos, gibt Ergebnisse direkt in APA-Tabellenform aus und beherrscht auch bayesianische Verfahren. R bietet die größte Flexibilität, kostet aber Einarbeitungszeit. Für Mediationen und Moderationen brauchst du zusätzlich das PROCESS-Makro.
Muss ich Konfidenzintervalle berichten?
Ja. APA 7 und die Standards der Fachgesellschaften verlangen Konfidenzintervalle für zentrale Effekte, weil sie die Präzision der Schätzung sichtbar machen. Ein Ergebnis mit d = 0.50 und einem Intervall von [0.05, 0.95] ist etwas völlig anderes als dasselbe d mit dem Intervall [0.42, 0.58].
Wie viele Hypothesen sollte eine Psychologie-Bachelorarbeit haben?
Zwei bis vier gerichtete Hypothesen sind für eine Bachelorarbeit angemessen, in Masterarbeiten oft ein Hypothesenset innerhalb eines Modells. Wichtiger als die Anzahl ist, dass jede Hypothese theoretisch hergeleitet ist, einem Test eindeutig zugeordnet werden kann und im Ergebnisteil in derselben Reihenfolge wieder auftaucht.
Woran erkenne ich, ob ich eine Kovariate aufnehmen sollte?
Eine Kovariate gehört ins Modell, wenn sie theoretisch mit der abhängigen Variable zusammenhängt, aber nicht durch die Intervention beeinflusst wird — etwa Alter, Geschlecht oder der Prä-Wert. Nimm keine Kovariaten auf, nur weil sie das Ergebnis signifikant machen; das ist eine datengesteuerte Entscheidung, die du nicht begründen kannst.
Die Entscheidung in vier Fragen
Wenn du beim Schreiben des Auswertungsabschnitts unsicher wirst, gehe die vier Ausgangsfragen noch einmal durch: Skalenniveau der abhängigen Variable, Anzahl der Gruppen oder Messzeitpunkte, abhängige oder unabhängige Stichproben, Unterschied oder Zusammenhang. Notiere die Antworten in einem Satz pro Hypothese — und du hast gleichzeitig den ersten Absatz deines Auswertungsabschnitts geschrieben. Passende Themenzuschnitte und Beispielarbeiten für dein Fach findest du im Überblick zur Bachelorarbeit Psychologie mit Themen, Aufbau und Beispielen.