Stichprobengröße berechnen
Stichprobengröße berechnen: Wie viele Teilnehmer braucht Ihre Studie?
Die häufigste Frage vor jeder empirischen Erhebung lautet: Wie viele Teilnehmer brauche ich? Die Antwort ist nicht „so viele wie möglich” und auch nicht „mindestens 30″. Die richtige Stichprobengröße hängt von Ihrer Forschungsfrage, dem statistischen Verfahren und der erwarteten Effektstärke ab. Wer hier falsch plant, riskiert entweder eine Studie, die zu wenig Power hat, um echte Effekte zu finden – oder eine unnötig aufwändige Erhebung, die Zeit und Ressourcen verschwendet.
Dieser Beitrag erklärt, wie Sie die passende Stichprobengröße für Ihre Abschlussarbeit berechnen – verständlich, mit konkreten Beispielen und ohne unnötige Formeln.
Warum die Stichprobengröße so entscheidend ist
Stellen Sie sich vor, Sie untersuchen in Ihrer Bachelorarbeit, ob ein neues Lernprogramm die Prüfungsnoten verbessert. Sie vergleichen zwei Gruppen: eine mit dem Programm, eine ohne. Wenn Sie nur 10 Personen pro Gruppe befragen, ist die Wahrscheinlichkeit hoch, dass Sie keinen signifikanten Unterschied finden – selbst wenn das Programm tatsächlich wirkt. Der Grund: Bei kleinen Stichproben schwanken die Ergebnisse so stark, dass der statistische Test den echten Effekt nicht vom Zufall unterscheiden kann.
Dieses Problem heißt mangelnde statistische Power. Power ist die Wahrscheinlichkeit, einen tatsächlich vorhandenen Effekt auch als signifikant zu erkennen. Der wissenschaftliche Standard liegt bei mindestens 80 % – das bedeutet: In 8 von 10 Fällen würde Ihre Studie den Effekt finden, wenn er existiert.
Umgekehrt gilt: Eine zu große Stichprobe verschwendet Ressourcen und kann trivial kleine Effekte als „signifikant” ausweisen, die praktisch keine Bedeutung haben. Die Stichprobenplanung ist also ein Balanceakt zwischen Aufwand und Aussagekraft.
Die vier Zutaten der Stichprobenberechnung
Jede Stichprobenberechnung braucht vier Angaben. Wenn Sie drei davon festlegen, ergibt sich die vierte automatisch.
Signifikanzniveau (α): Die Wahrscheinlichkeit, die Nullhypothese fälschlicherweise abzulehnen (Fehler 1. Art). Standard ist α = .05, also 5 %.
Statistische Power (1 – β): Die Wahrscheinlichkeit, einen vorhandenen Effekt zu erkennen. Standard ist .80 (80 %), ambitioniert ist .90 (90 %).
Effektstärke: Wie groß ist der Effekt, den Sie erwarten? Das ist der kniffligste Punkt, weil Sie den Effekt vor der Erhebung noch nicht kennen. Hier helfen Pilotdaten, Ergebnisse aus vergleichbaren Studien oder die Konventionen nach Cohen: klein (d = 0.2), mittel (d = 0.5) und groß (d = 0.8) für Mittelwertvergleiche.
Stichprobengröße (n): Die gesuchte Größe. Sie wird aus den drei anderen Parametern berechnet.
Konkrete Beispiele: So viele Teilnehmer brauchen Sie
Die benötigte Stichprobengröße variiert je nach Verfahren und erwarteter Effektstärke erheblich. Die folgenden Zahlen gelten für α = .05 und Power = .80.
t-Test für unabhängige Stichproben (zwei Gruppen): Bei einem großen Effekt (d = 0.8) brauchen Sie etwa 26 Personen pro Gruppe, also 52 insgesamt. Bei einem mittleren Effekt (d = 0.5) sind es rund 64 pro Gruppe (128 insgesamt). Bei einem kleinen Effekt (d = 0.2) steigt die Zahl auf etwa 394 pro Gruppe – also fast 800 Personen insgesamt.
Einfaktorielle ANOVA (drei Gruppen): Bei einem mittleren Effekt (f = 0.25, entspricht η² ≈ .06) brauchen Sie rund 53 Personen pro Gruppe, also 159 insgesamt. Bei einem großen Effekt (f = 0.40) reichen etwa 22 pro Gruppe.
Korrelation: Um eine mittlere Korrelation (r = .30) signifikant nachzuweisen, brauchen Sie mindestens 85 Personen. Für eine kleine Korrelation (r = .10) sind es über 780.
Multiple Regression: Als Faustregel gilt: mindestens 15 bis 20 Fälle pro Prädiktor. Bei 4 Prädiktoren also mindestens 60 bis 80 Personen. Für eine präzise Berechnung verwenden Sie eine Poweranalyse mit der erwarteten Effektstärke f².
Chi-Quadrat-Test: Abhängig von der Anzahl der Zellen und der erwarteten Verteilung. Für einen 2×2-Test mit mittlerem Effekt (w = 0.3) brauchen Sie etwa 88 Personen.
Diese Zahlen zeigen: Die Faustregel „30 Teilnehmer reichen” ist in den meisten Fällen falsch. Für kleine Effekte brauchen Sie deutlich mehr, für große Effekte eventuell weniger.
Effektstärke schätzen: Der schwierigste Schritt
Die Stichprobenberechnung steht und fällt mit der Effektstärke. Aber woher wissen Sie vor der Studie, wie groß der Effekt sein wird?
Option 1 – Literaturrecherche: Suchen Sie nach Studien, die eine ähnliche Fragestellung untersucht haben. Wenn drei Studien zum Einfluss von Tutoring auf Noten Effektstärken von d = 0.4, d = 0.6 und d = 0.5 berichten, können Sie mit d = 0.5 als Schätzung arbeiten. Achtung: Publizierte Effektstärken sind tendenziell überschätzt (Publication Bias). Rechnen Sie etwas konservativer.
Option 2 – Pilotdaten: Wenn Sie selbst eine kleine Voruntersuchung durchgeführt haben, können Sie die beobachtete Effektstärke als Schätzung verwenden. Bedenken Sie aber, dass Pilotdaten bei kleinen Stichproben stark schwanken.
Option 3 – Cohens Konventionen: Wenn weder Literatur noch Pilotdaten verfügbar sind, verwenden Sie Cohens Richtwerte (klein, mittel, groß). Das ist die schwächste Option, aber besser als gar keine Begründung. Viele Betreuer akzeptieren einen mittleren Effekt als Ausgangspunkt für sozialwissenschaftliche Fragestellungen.
Option 4 – Kleinster relevanter Effekt: Fragen Sie sich: Was wäre der kleinste Effekt, der praktisch noch relevant wäre? Wenn eine Intervention den Notendurchschnitt um weniger als 0,3 Punkte verbessert, ist das vielleicht den Aufwand nicht wert. Planen Sie Ihre Stichprobe so, dass Sie diesen Mindesteffekt erkennen können.
Kostenlose Tools zur Stichprobenberechnung
Sie müssen die Stichprobengröße nicht von Hand berechnen. Es gibt kostenlose Tools, die das in Sekunden erledigen.
G*Power: Das Standardtool für Poweranalysen in der akademischen Forschung. Verfügbar für Windows und Mac, kostenlos von der Heinrich-Heine-Universität Düsseldorf. G*Power deckt nahezu alle gängigen Verfahren ab: t-Tests, ANOVA, Regression, Korrelation, Chi-Quadrat und viele mehr. Sie geben Effektstärke, Alpha und Power ein und erhalten die benötigte Stichprobengröße. Umgekehrt können Sie auch berechnen, welche Power Ihre vorhandene Stichprobe hat (Post-hoc-Analyse).
Online-Rechner: Für einfache Szenarien (z.B. t-Test, zwei Gruppen) gibt es Online-Rechner, die ohne Installation funktionieren. Diese sind allerdings auf Standardverfahren beschränkt.
R (pwr-Paket): Wenn Sie bereits mit R arbeiten, bietet das Paket „pwr” flexible Poweranalysen für alle gängigen Tests. Ein Einzeiler wie pwr.t.test(d = 0.5, power = 0.80, sig.level = 0.05, type = “two.sample”) liefert sofort die Antwort.
Stichprobenberechnung im Methodenteil berichten
Betreuer erwarten zunehmend, dass Sie Ihre Stichprobengröße im Methodenteil begründen. Eine gute Formulierung sieht so aus:
„Die erforderliche Stichprobengröße wurde a priori mit G*Power 3.1 berechnet. Für einen t-Test für unabhängige Stichproben mit einem erwarteten mittleren Effekt (d = 0.5, basierend auf den Befunden von Müller et al., 2023), einem Signifikanzniveau von α = .05 und einer angestrebten Power von .80 ergab sich eine Mindeststichprobe von n = 128 (64 pro Gruppe). Um mögliche Ausfälle zu kompensieren, wurde die Zielstichprobe auf n = 150 festgelegt.”
Diese drei Sätze zeigen dem Betreuer: Sie haben die Fallzahl begründet, nicht geraten.
Typische Fehler bei der Stichprobenplanung
Post-hoc-Power berichten. Manche Studierende berechnen die Power erst nach der Datenerhebung – und berichten dann, ihre Studie habe eine Power von 35 % gehabt. Das ist methodisch sinnlos: Die Post-hoc-Power hängt direkt vom p-Wert ab und liefert keine zusätzliche Information. Poweranalysen gehören vor die Erhebung.
Stichprobengröße ohne Effektstärke „begründen”. Formulierungen wie „Die Stichprobe von 80 Personen wurde als ausreichend angesehen” ohne weitere Erklärung reichen nicht. Geben Sie immer an, welche Effektstärke Sie erwarten, woher die Schätzung stammt und welches Tool Sie verwendet haben.
Drop-out nicht einkalkulieren. Wenn Sie 128 Personen brauchen, sollten Sie 140 bis 150 rekrutieren. In Online-Befragungen brechen typischerweise 10 bis 20 % der Teilnehmer vorzeitig ab. Bei Längsschnittstudien kann der Ausfall noch höher liegen.
Stichprobe für das falschse Verfahren berechnen. Wenn Sie eine Regression mit vier Prädiktoren planen, hilft Ihnen die Stichprobenberechnung für einen t-Test nichts. Berechnen Sie die Power für das Verfahren, das Sie tatsächlich einsetzen werden.
Wenn die Stichprobe trotzdem zu klein ist
Manchmal lässt sich die optimale Stichprobengröße nicht erreichen – weil die Zielgruppe zu speziell ist, die Zeit zu knapp oder das Budget zu klein. In diesem Fall sollten Sie drei Dinge tun.
Erstens: transparent kommunizieren. Schreiben Sie im Methodenteil, dass die Stichprobe kleiner ist als optimal und welche Konsequenzen das für die Aussagekraft hat.
Zweitens: Effektstärken berichten. Auch wenn ein Test nicht signifikant wird, zeigt die Effektstärke, ob ein praktisch relevanter Effekt vorhanden sein könnte, der mit mehr Teilnehmern signifikant geworden wäre.
Drittens: Konfidenzintervalle angeben. Breite Konfidenzintervalle machen die Unsicherheit sichtbar und helfen dem Leser, die Ergebnisse einzuordnen.
Von der Planung zur Auswertung
Eine saubere Stichprobenplanung ist der erste Schritt zu belastbaren Ergebnissen. Der zweite ist die korrekte Auswertung. Wenn Sie sich bei der Berechnung Ihrer Stichprobengröße unsicher sind oder die anschließende SPSS-Auswertung in erfahrene Hände geben möchten, unterstützen wir Sie gerne – von der Fallzahlplanung bis zum fertigen Ergebniskapitel.
