Ein Prä-Post-Design ist das häufigste empirische Design in deutschen Abschlussarbeiten, das nicht bloß ein Querschnitt ist: Du misst dieselben Personen zweimal, vorher und nachher, und dazwischen liegt etwas — ein Training, eine Intervention, ein Semester, eine Kampagne. Die Erhebung ist meist gut geplant. Die Auswertung dagegen scheitert regelmäßig an einer einzigen Weggabelung, die in den meisten Methodenlehrbüchern nur beiläufig vorkommt. Dieser Beitrag arbeitet sie systematisch ab.
Die Vorfrage: verbundene oder unabhängige Messungen?
Alles hängt daran, ob jede Beobachtung im zweiten Datensatz einer bestimmten Beobachtung im ersten zugeordnet werden kann. Hast du 40 Personen zweimal befragt und kannst Zeile für Zeile sagen, welcher Nachher-Wert zu welchem Vorher-Wert gehört, sind deine Stichproben verbunden (abhängig, gepaart). Hast du dagegen im März 40 Personen und im Juli 40 andere Personen befragt, sind es zwei unabhängige Stichproben — auch dann, wenn beide aus derselben Grundgesamtheit stammen.
Der Unterschied ist keine Formalie. Verbundene Daten sind statistisch erheblich effizienter, weil die interindividuelle Streuung herausgerechnet wird: Du testest nicht, ob zwei Gruppen verschieden sind, sondern ob die Differenzen systematisch von null abweichen. Derselbe inhaltliche Effekt wird mit gepaarten Daten oft bei einem Bruchteil der Fallzahl signifikant. Wer verbundene Daten fälschlich als unabhängig auswertet, verschenkt genau diesen Vorteil — und rechnet zugleich einen Test, dessen Unabhängigkeitsannahme verletzt ist.
Voraussetzung dafür ist, dass du beim Erheben an eine Zuordnung gedacht hast. Ein anonymer Selbstgenerierungscode (etwa die ersten beiden Buchstaben des Vornamens der Mutter plus Geburtstag) leistet das, ohne die Anonymität zu brechen; die datenschutzrechtliche Seite dieser Codes gehört in dein Kapitel zur Forschungsethik. Fehlt der Code, bleibt nur die Auswertung als unabhängige Stichproben — und ein ehrlicher Absatz in den Limitationen.
Fall 1: Eine Gruppe, zwei Messzeitpunkte
Hier ist die Sache vergleichsweise einfach. Das Standardverfahren ist der t-Test für abhängige Stichproben (gepaarter t-Test). Er bildet für jede Person die Differenz aus Nachher- und Vorher-Wert und prüft, ob der Mittelwert dieser Differenzen von null abweicht.
Die entscheidende Voraussetzung wird fast immer falsch geprüft: Normalverteilt sein müssen die Differenzen, nicht die Rohwerte. Bilde also zuerst eine neue Variable Differenz = Post − Prä und prüfe deren Verteilung. Rohwerte, die selbst schief verteilt sind, können völlig unproblematische Differenzen erzeugen — und umgekehrt.
Ist die Differenzverteilung deutlich schief oder hast du nur ordinale Daten, ist der Wilcoxon-Vorzeichen-Rang-Test das nichtparametrische Gegenstück. Er arbeitet mit den Rängen der Absolutdifferenzen und ihren Vorzeichen; Fälle ohne Veränderung fallen dabei aus der Rechnung heraus, was die effektive Fallzahl senkt — ein Punkt, den du berichten solltest. Bei rein binären Vorher-Nachher-Merkmalen (bestanden/nicht bestanden, ja/nein) ist keiner von beiden richtig: Dort gehört der McNemar-Test hin, das gepaarte Gegenstück zum Chi-Quadrat-Test.
Als Effektstärke berichtest du bei gepaarten Daten Cohens dz, also die mittlere Differenz geteilt durch die Standardabweichung der Differenzen. Sie ist nicht mit dem d aus einem Gruppenvergleich vergleichbar und darf nicht mit ihm in eine Tabelle geschrieben werden, ohne dass die Art des d benannt wird. Welche Kennzahl zu welchem Test gehört und welche Grenzwerte üblich sind, steht im Beitrag zu Effektstärken.
Fall 2: Zwei Gruppen, zwei Messzeitpunkte — drei mögliche Strategien
Sobald eine Kontroll- oder Vergleichsgruppe dazukommt, gibt es drei verbreitete Auswertungswege. Sie liefern unterschiedliche Antworten, und nur einer ist im Regelfall der beste.
- Nur die Nachher-Werte vergleichen. Ein einfacher t-Test für unabhängige Stichproben auf den Post-Werten. Zulässig, aber ineffizient: Die Information aus der Vormessung bleibt ungenutzt.
- Die Differenzwerte vergleichen. Für jede Person Post − Prä bilden und diese Differenzen zwischen den Gruppen testen. Intuitiv, weit verbreitet und meist besser als Variante 1 — aber empfindlich gegenüber Unterschieden im Ausgangsniveau.
- Kovarianzanalyse (ANCOVA) mit dem Prä-Wert als Kovariate. Die abhängige Variable ist der Post-Wert, der Prä-Wert wird als Kovariate ins Modell aufgenommen, die Gruppenzugehörigkeit als Faktor. Technisch ist das eine Regression mit zwei Prädiktoren, und die Koeffizienten liest du entsprechend.
Vickers und Altman haben diese Alternativen 2001 im BMJ (323, 1123–1124) gegenübergestellt. Ihr Ergebnis: Bei randomisierter Gruppenzuweisung liefert die ANCOVA die präziseste Schätzung und die höchste Teststärke, weil sie sowohl die Ausgangsunterschiede kontrolliert als auch die Korrelation zwischen den beiden Messzeitpunkten ausnutzt. Der Nutzen wächst mit dieser Korrelation — und die ist bei psychometrischen Skalen typischerweise hoch. Es lohnt sich deshalb, die Korrelation zwischen Prä- und Post-Wert vorab zu berechnen und zu berichten: Sie ist zugleich ein Retest-Indiz für die Stabilität deines Instruments.
Eine Einschränkung, die für studentische Arbeiten wichtiger ist als für klinische Studien: Dieses Argument setzt eine zufällige Zuweisung zu den Gruppen voraus. Wenn deine Gruppen sich schon vorher systematisch unterscheiden — etwa weil sich Freiwillige für das Training gemeldet haben —, adressieren Differenzwerte und ANCOVA verschiedene inhaltliche Fragen und können in unterschiedliche Richtungen zeigen. In diesem Fall gehört die Wahl begründet in den Methodenteil, und die Interpretation muss vorsichtiger ausfallen: Was du misst, ist der Unterschied zwischen selbstselegierten Gruppen, nicht die Wirkung der Intervention.
Der Fehler, der in Abschlussarbeiten am häufigsten vorkommt
Er sieht so aus: Die Autorin rechnet in der Interventionsgruppe einen gepaarten t-Test (signifikant, p = .008), rechnet denselben Test in der Kontrollgruppe (nicht signifikant, p = .21) und schließt daraus, die Intervention habe gewirkt.
Dieser Schluss ist nicht zulässig. Bland und Altman haben ihn 2011 in Trials (12, 264) ausdrücklich als irreführend beschrieben: Zwei getrennte Tests innerhalb der Gruppen sagen nichts darüber aus, ob sich die Gruppen voneinander unterscheiden. Der Unterschied zwischen „signifikant“ und „nicht signifikant“ ist selbst kein statistischer Nachweis eines Unterschieds; zwei Effekte können nahezu gleich groß sein und trotzdem auf verschiedenen Seiten der Fünf-Prozent-Grenze landen, allein weil die Gruppen unterschiedlich groß sind.
Die korrekte Vorgehensweise ist immer ein direkter Vergleich zwischen den Gruppen: die Interaktion Zeit × Gruppe, der Test der Differenzwerte oder die ANCOVA. Die Within-Group-Tests darfst du zusätzlich deskriptiv berichten — aber nie als Beleg für einen Gruppenunterschied.
Regression zur Mitte: warum die schwächste Gruppe immer am meisten „profitiert“
Extreme Messwerte enthalten neben dem wahren Wert einen Messfehleranteil. Bei einer zweiten Messung fällt dieser Fehleranteil im Mittel kleiner aus, und die Werte rücken näher an den Gesamtmittelwert heran. Das passiert ohne jede Intervention und allein deshalb, weil kein Instrument perfekt reliabel misst — die Kehrseite jeder Reliabilitätsprüfung.
Praktisch heißt das: Wenn du die Teilnehmenden mit den schlechtesten Ausgangswerten auswählst oder nachträglich als Subgruppe betrachtest, wirst du fast immer eine „Verbesserung“ finden. Zwei Konsequenzen für deine Arbeit — erstens: keine Gruppenbildung anhand extremer Prä-Werte ohne Kontrollgruppe. Zweitens: Steht dir keine Kontrollgruppe zur Verfügung, gehört ein Satz zur Regression zur Mitte in die Limitationen, und zwar bevor die Gutachterin ihn schreibt.
Was du berichtest
Gepaarter t-Test: t(39) = 3.12, p = .003, dz = 0.49, dazu die Mittelwerte und Standardabweichungen beider Messzeitpunkte und das Konfidenzintervall der mittleren Differenz. Wilcoxon: z = −2.71, p = .007, r = .43, plus die Mediane. ANCOVA: die adjustierten Mittelwerte beider Gruppen, F(1, 76) = 6.44, p = .013, partielles η² = .078 — und der Hinweis, dass der Prä-Wert als Kovariate aufgenommen wurde.
Immer dazu gehört die Fallzahl pro Messzeitpunkt und pro Gruppe, denn sie ändert sich fast immer. Formatvorlagen für die Ergebnistabellen und passende Beispielsätze findest du im Leitfaden zum Ergebnisteil; für den Fall, dass am Ende nichts signifikant wird, gibt es einen eigenen Beitrag dazu, was du bei nicht signifikanten Ergebnissen schreiben kannst und was nicht.
Dropout zwischen den Messzeitpunkten
Fast jede Prä-Post-Erhebung verliert Personen. Der gepaarte Test verwendet nur vollständige Paare, sodass jede unvollständige Person komplett herausfällt — bei 15 Prozent Ausfall verlierst du 15 Prozent deiner Fallzahl, und zwar nicht zufällig, sondern vermutlich systematisch: Wer abbricht, unterscheidet sich oft genau in dem Merkmal, das du misst.
Berichte deshalb drei Zahlen: wie viele Personen an t1 teilgenommen haben, wie viele an t2, und wie viele vollständige Paare übrig blieben. Vergleiche anschließend die Prä-Werte der Verbliebenen mit denen der Ausgeschiedenen — ein einziger t-Test, der deine Arbeit deutlich glaubwürdiger macht. Ob und wie du fehlende Werte ersetzen darfst, richtet sich nach dem Ausfallmechanismus; die Systematik dazu steht unter fehlende Werte.
Häufige Fragen
Muss ich für ein Prä-Post-Design eine Kontrollgruppe haben?
Nein, aber ohne Kontrollgruppe kannst du keine Wirkungsaussage treffen. Ein Ein-Gruppen-Design zeigt eine Veränderung über die Zeit; ob sie auf die Intervention, auf Reifung, auf Regression zur Mitte oder auf äußere Ereignisse zurückgeht, bleibt offen.
Kann ich statt ANCOVA eine zweifaktorielle Varianzanalyse mit Messwiederholung rechnen?
Ja. Der Interaktionsterm Zeit × Gruppe beantwortet dieselbe Frage und ist bei zwei Messzeitpunkten rechnerisch äquivalent zum Test der Differenzwerte. Bei drei und mehr Messzeitpunkten ist die Messwiederholungs-Varianzanalyse ohnehin das Mittel der Wahl.
Wie viele Personen brauche ich für einen gepaarten t-Test?
Für einen mittleren Effekt (dz = 0.5) bei 80 Prozent Teststärke liegt der Bedarf bei etwa 34 vollständigen Paaren. Wegen des Dropouts solltest du entsprechend mehr Personen einplanen — die Kalkulation gehört vor die Erhebung, nicht danach.
Darf ich die Prä-Werte als Kovariate nehmen, wenn die Gruppen nicht randomisiert sind?
Technisch ja, inhaltlich nur mit Begründung. Bei nicht äquivalenten Gruppen adjustiert die ANCOVA auf ein Ausgangsniveau, das keine der Gruppen tatsächlich hat. Nenne das Problem, berichte zusätzlich die Rohmittelwerte und formuliere die Schlussfolgerung entsprechend zurückhaltend.
Was mache ich, wenn die Differenzen deutlich schief verteilt sind?
Wilcoxon rechnen und den Median der Differenzen berichten. Alternativ beide Verfahren rechnen und im Text vermerken, dass sie zum selben Schluss führen — das ist eine Sensitivitätsanalyse und stärkt deine Argumentation.
Zählt die Veränderung in Prozent als Ergebnis?
Als Veranschaulichung ja, als Test nein. Prozentuale Veränderungen sind stark vom Ausgangswert abhängig und verzerren den Vergleich zwischen Personen mit unterschiedlichem Startniveau.
Fazit
Die Auswertung eines Prä-Post-Designs entscheidet sich an drei Fragen, und alle drei lassen sich vor der ersten Rechnung beantworten: Sind die Messungen zuordenbar? Gibt es eine Vergleichsgruppe? Und wenn ja — vergleichst du Post-Werte, Differenzen oder adjustierst du auf die Baseline? Wer diese drei Entscheidungen im Methodenteil begründet, statt sie stillschweigend zu treffen, hat den größten Teil der methodischen Kritik bereits vorweggenommen. Der Rest ist Sorgfalt beim Berichten: Fallzahlen pro Messzeitpunkt, Effektstärke mit ihrem korrekten Index, und kein Wirkungsschluss aus zwei getrennten Within-Group-Tests.
Wenn du deinen Methoden- und Ergebnisteil gerade schreibst und die Begründungen dafür sauber formulieren willst, kannst du deine Arbeit mit Tesify strukturieren und ausformulieren.