Im Ergebnisteil stellst du dar, was bei deiner Untersuchung herausgekommen ist. Hier geht es um die Ergebnisse selbst, nicht um ihre ausführliche Interpretation.
Der Ergebnisteil beantwortet die Frage:
Was zeigen die Daten?
Die Diskussion beantwortet später die Frage:
Was bedeuten diese Daten?
Diese Trennung ist wichtig. Im Ergebnisteil solltest du möglichst sachlich bleiben. Du darfst beschreiben, welche Muster, Unterschiede oder Zusammenhänge sichtbar sind. Die theoretische und praktische Deutung gehört jedoch in die Diskussion.
Der Ergebnisteil sollte nicht einfach alle möglichen Analysen enthalten. Er sollte sich an deiner Forschungsfrage und deinen Hypothesen orientieren.
Wenn du mehrere Forschungsfragen hast, kann es sinnvoll sein, den Ergebnisteil entsprechend zu gliedern.
Beispiel:
7.1 Ergebnisse zur Forschungsfrage 1
7.2 Ergebnisse zur Forschungsfrage 2
7.3 Post-hoc-AnalysenPost-hoc-Analysen sind Analysen, die nicht von Anfang an geplant waren, sondern erst nach Sichtung der Daten sinnvoll erscheinen. Sie können wichtig sein, sollten aber klar als Post-hoc-Analysen gekennzeichnet werden.
Am Anfang des Ergebnisteils stehen häufig deskriptive Ergebnisse. Deskriptiv bedeutet: Die Daten werden beschrieben. Dazu gehören zum Beispiel: • Mittelwerte, • Standardabweichungen, • Häufigkeiten, • Prozentwerte, • Verteilungen, • Grafiken, • Tabellen.
Deskriptive Ergebnisse sind total wichtig. Erinnert euch, dass die stärksten Aussagen in der Wissenschaft, faktenbasierte (d.h. empirische) Aussagen sind. Also Aussagen, die man mit Daten belegen kann. Aufgabe der deskreptiven Statistik im Ergebnisteil ist genau das zu machen. Ihr zeigt eure Daten so roh wie möglich, so dass man die für eure Forschungsfrage relevanten Trends sehen kann, damit ihr die LeserInnen von euren Ergebnissen überzeugen könnt. Das kann ein Scatterplot sein, der den Zusammenhang zwischen zwei Variablen zeigt oder auch ein Balkendiagramm was die durchschnittelen Messwerte mit Fehlerbalken für jede Experimentalgruppe zeigt.
Die deskreptive Statistik zeigt daher eure AV und UVs und ihr Verhältnis zueinander so wie es sich aus der Forschungsfrage heraus ergibt. Wichtig: die deskreptive Statistik zeigt nicht das Alter oder das Geschlecht euer Stichprobe (es sei denn eines von beiden ist auch eine AV oder UV).
Bitte versucht die zentralen Daten nach Möglichkeit grafisch darzustellen, zum Beispiel mit Balkendiagrammen, Boxplots, Streudiagrammen oder Liniendiagrammen. Wichtig ist: Beschreibe nicht alles, was du berechnet hast. Beschreibe vor allem die Muster, die für die Forschungsfrage relevant sind.
Grafiken und Tabellen sollten nicht einfach eingefügt werden. Sie müssen im Text erklärt werden.
Schwach: "Die Ergebnisse sind in Abbildung 1 dargestellt."
Besser: "Abbildung 1 zeigt, dass die mittlere Arbeitszufriedenheit in der Gruppe mit hoher Autonomie höher ausfällt als in der Gruppe mit niedriger Autonomie. Gleichzeitig ist die Streuung in der Gruppe mit hoher Autonomie größer."
Wichtig: Die Abbildungsbeschriftungen sollten dazu beitragen, dass man die Graphik auch ohne den Textkontext verstehen kann. Beispiel: "Abbildung 1 zeigt die mittlere Arbeitszufriedenheit für jede Autonomiegruppe. Der Fehlerbalten gibt eine SE an." (Hinweis: SE = Standardfehler)
Die Leserinnen und Leser sollen verstehen, warum sie die Grafik ansehen und was sie daraus mitnehmen sollen.
Ich empfehle die Daten graphisch darzustellen anstatt mit Tabellen: Grafiken lassen besser den Lesenden sehen, was vor sich geht als Tabellen. Bei Tabellen muss man sich erst die Daten vorstellen um Unterschiede/Zusammenhänge zu sehen. D.h. Trends kann man nur schwer aus Tabellen ablesen.
Nach der deskriptiven Darstellung kann man fliessend zu den inferenzstatistische Analysen überleiten, z.B. "Um festzustellen, ob der beobachtete Arbeitszufriedenheitsunterschiede zwischen der hohen und niedrigen Autonomiegruppe statistisch signfikant ist, wurde ein unabhängiger t-Test durchgeführt mit Arbeitzufriedenheit als abhängige Variable und Autonmiegruppe (niedrig vs. hoch) als unabhängige Variable."
Inferenzstatistik prüft, ob ein beobachteter Unterschied oder Zusammenhang statistisch belastbar ist. Dazu gehören zum Beispiel t-Tests, ANOVAs, Regressionen, Korrelationen oder Chi-Quadrat-Tests. Beim Berichten solltest du angeben: • welches Verfahren verwendet wurde, • welche abhängige Variable untersucht wurde, • welche unabhängigen Variablen oder Prädiktoren verwendet wurden, • ob Annahmen geprüft wurden, • welche zentralen Ergebnisse gefunden wurden, • ob Effekte signifikant waren, • wie groß die Effekte waren.
Wichtig: Ein p-Wert zeigt, ob ein Ergebnis statistisch signifikant ist. Er sagt aber nicht automatisch, ob der Effekt groß oder praktisch bedeutsam ist. Deshalb sollten Effektstärken berichtet und interpretiert werden.
Die Logik statistischer Tests lässt sich gut mit Karl Poppers Idee der Falsifikation erklären: Wir können eine allgemeine Aussage nie endgültig beweisen, aber wir können sie widerlegen. Zum Beispiel können wir nie sicher beweisen, dass alle Schwäne weiß sind, weil wir dafür alle Schwäne zu jeder Zeit und an jedem Ort untersuchen müssten. Finden wir aber einen einzigen schwarzen Schwan, ist die Aussage „Alle Schwäne sind weiß“ widerlegt.
Ähnlich funktioniert ein statistischer Test. Wir beginnen mit der Nullhypothese. Sie besagt meistens, dass es keinen Effekt, keinen Unterschied oder keinen Zusammenhang gibt. Dann prüfen wir, ob unsere Daten so stark von dieser Annahme abweichen, dass sie unter der Nullhypothese sehr unwahrscheinlich wären. Der p-Wert gibt an, wie wahrscheinlich ein Ergebnis mindestens so extrem wie das beobachtete wäre, wenn die Nullhypothese stimmt.
Ist der p-Wert kleiner oder gleich dem festgelegten Signifikanzniveau Alpha, also p ≤ α, verwerfen wir die Nullhypothese. In der Psychologie wird häufig α = .05 gewählt; entsprechend gilt ein Ergebnis meist dann als signifikant, wenn p ≤ .05 ist. Dann sprechen die Daten ausreichend stark gegen die Annahme „kein Effekt“ und wir interpretieren das Ergebnis zugunsten der Alternativhypothese: Es gibt vermutlich einen Effekt, Unterschied oder Zusammenhang.
Ist der p-Wert dagegen nicht signifikant, dürfen wir die Nullhypothese nicht verwerfen. Das bedeutet aber nicht, dass die Nullhypothese bewiesen oder angenommen wird. Wir haben dann lediglich nicht genug Evidenz gefunden, um sie abzulehnen. Ein nicht-signifikantes Ergebnis heißt also nicht: „Es gibt keinen Effekt“, sondern nur: „Wir konnten mit diesen Daten keinen ausreichenden Hinweis auf einen Effekt zeigen.“
Ein häufiger Fehler besteht darin, nicht signifikante Ergebnisse falsch zu interpretieren. Nicht signifikant bedeutet nicht automatisch: Es gibt keinen Effekt. Es bedeutet zunächst: In dieser Studie konnte kein statistisch belastbarer Effekt nachgewiesen werden.
Das ist ein wichtiger Unterschied. Vielleicht gibt es tatsächlich keinen Effekt. Vielleicht war aber auch die Stichprobe zu klein, die Messung zu ungenau oder die Streuung zu groß.
Besser: Der Unterschied zwischen den Gruppen war statistisch nicht signifikant. Damit liefert die vorliegende Analyse keine ausreichende Evidenz für einen Gruppenunterschied.
Schlechter: Es gibt keinen Unterschied zwischen den Gruppen.
Im Ergebnisteil darfst du Ergebnisse kurz auf die Hypothesenauswertung und auf die Forschungsfrage beziehen. Du solltest aber noch keine ausführliche theoretische Interpretation schreiben.
Passend: Diese Ergebnisse sprechen dafür, dass Arbeitsautonomie in dieser Stichprobe mit Arbeitszufriedenheit zusammenhängt.
Zu stark für den Ergebnisteil: Diese Ergebnisse zeigen, dass Autonomie ein zentraler psychologischer Mechanismus moderner Arbeit ist und Organisationen daher mehr Autonomie ermöglichen sollten. Die zweite Aussage gehört eher in die Diskussion, weil sie theoretisch und praktisch interpretiert.
Eine gute Reihenfolge kann so aussehen:
• Sind die Ergebnisse nach Forschungsfragen oder Hypothesen geordnet? • Werden zentrale Daten deskriptiv dargestellt? • Werden Grafiken und Tabellen im Text erklärt? • Sind statistische Verfahren korrekt benannt? • Sind abhängige und unabhängige Variablen klar erkennbar? • Werden Annahmeprüfungen berichtet? • Werden p-Werte und Effektstärken sinnvoll dargestellt? • Werden nicht signifikante Ergebnisse korrekt interpretiert? • Bleibt die ausführliche Deutung für die Diskussion? • Wird klar, welche Ergebnisse zentral für die Forschungsfrage sind?
Der Ergebnisteil zeigt, was die Daten sagen. Die Diskussion erklärt, was diese Daten bedeuten.