Ihr Leitfaden zu qualitativen und quantitativen Datenanalysemethoden

Was kommt uns als erstes in den Sinn, wenn wir Daten sehen? Der erste Instinkt ist, Muster, Verbindungen und Beziehungen zu finden. Wir sehen uns die Daten an, um einen Sinn in ihnen zu finden.

Auch in der Forschung besteht der nächste Schritt darin, aus den gesammelten Daten Erkenntnisse zu gewinnen. Wenn zum Beispiel eine Bekleidungsmarke versucht, die neuesten Trends bei jungen Frauen zu ermitteln, wird die Marke zunächst junge Frauen ansprechen und ihnen Fragen stellen, die für das Forschungsziel relevant sind. Nach dem Sammeln dieser Informationen wird die Marke diese Daten analysieren, um Muster zu erkennen – zum Beispiel könnte sie herausfinden, dass die meisten jungen Frauen sich eine größere Vielfalt an Jeans wünschen.

Datenanalyse ist die Art und Weise, wie Forscher von einer Masse von Daten zu aussagekräftigen Erkenntnissen gelangen. Es gibt viele verschiedene Methoden der Datenanalyse, je nach Art der Untersuchung. Hier sind einige Methoden, die Sie zur Analyse quantitativer und qualitativer Daten verwenden können.

Schlechte Daten lassen sich nur schwer analysieren. Stellen Sie sicher, dass Sie mit unserem Blog „4 Datenerfassungstechniken“ hochwertige Daten sammeln: Which One’s Right for You?“.

Analysieren quantitativer Daten

Datenvorbereitung

Die erste Phase der Datenanalyse ist die Datenvorbereitung, bei der es darum geht, Rohdaten in etwas Sinnvolles und Lesbares umzuwandeln. Sie umfasst vier Schritte:

Schritt 1: Datenvalidierung

Der Zweck der Datenvalidierung besteht darin, so weit wie möglich herauszufinden, ob die Datenerhebung gemäß den vorgegebenen Standards und ohne jegliche Verzerrung durchgeführt wurde. Es handelt sich um einen vierstufigen Prozess, der Folgendes umfasst…

• Betrug, um festzustellen, ob jeder Befragte tatsächlich befragt wurde oder nicht.
• Screening, um sicherzustellen, dass die Befragten gemäß den Forschungskriterien ausgewählt wurden.
• Verfahren, um zu überprüfen, ob das Datenerhebungsverfahren ordnungsgemäß eingehalten wurde.
• Vollständigkeit, um sicherzustellen, dass der Interviewer dem Befragten alle Fragen gestellt hat und nicht nur einige wenige erforderliche.

Dazu müssten die Forscher eine Zufallsstichprobe der ausgefüllten Umfragen auswählen und die gesammelten Daten validieren. (Beachten Sie, dass dies bei Umfragen mit vielen Antworten zeitaufwändig sein kann.) Stellen Sie sich beispielsweise eine Umfrage mit 200 Befragten vor, die auf zwei Städte verteilt sind. Der Forscher kann eine Stichprobe von 20 zufällig ausgewählten Befragten aus jeder Stadt ziehen. Danach kann der Forscher sie per E-Mail oder Telefon kontaktieren und ihre Antworten auf eine bestimmte Reihe von Fragen überprüfen.

Sehen Sie sich 18 Datenvalidierungen an, die verhindern, dass schlechte Daten überhaupt erst in Ihren Datensatz gelangen.

Schritt 2: Datenbearbeitung

Typischerweise enthalten große Datensätze Fehler. Zum Beispiel können die Befragten Felder falsch ausfüllen oder versehentlich auslassen. Um sicherzustellen, dass keine solchen Fehler vorliegen, sollte der Forscher grundlegende Datenprüfungen durchführen, nach Ausreißern suchen und die Rohdaten bearbeiten, um alle Datenpunkte zu identifizieren und zu entfernen, die die Genauigkeit der Ergebnisse beeinträchtigen könnten.

Ein Fehler könnten beispielsweise Felder sein, die von den Befragten leer gelassen wurden. Bei der Bearbeitung der Daten ist darauf zu achten, dass alle leeren Felder entfernt oder ausgefüllt werden. (Hier sind 4 Methoden zum Umgang mit fehlenden Daten.)

Schritt 3: Datenkodierung

Dies ist einer der wichtigsten Schritte bei der Datenaufbereitung. Er bezieht sich auf das Gruppieren und Zuordnen von Werten zu den Antworten aus der Umfrage.

Wenn ein Forscher beispielsweise 1.000 Personen befragt hat und nun das Durchschnittsalter der Befragten ermitteln möchte, erstellt er Altersgruppen und kategorisiert das Alter jedes Befragten entsprechend diesen Codes. (Bei Befragten im Alter von 13 bis 15 Jahren wird das Alter beispielsweise als 0 kodiert, bei 16 bis 18 Jahren als 1, bei 18 bis 20 Jahren als 2 usw.)

Dann kann sich der Forscher bei der Analyse mit vereinfachten Altersgruppen befassen, anstatt mit einer riesigen Bandbreite individueller Altersangaben.

Methoden der quantitativen Datenanalyse

Nach diesen Schritten sind die Daten bereit für die Analyse. Die beiden am häufigsten verwendeten quantitativen Datenanalysemethoden sind die deskriptive Statistik und die inferentielle Statistik.

Deskriptive Statistik

Typischerweise ist die deskriptive Statistik (auch bekannt als beschreibende Analyse) die erste Stufe der Analyse. Sie hilft Forschern, die Daten zusammenzufassen und Muster zu finden. Einige häufig verwendete deskriptive Statistiken sind:

• Mittelwert: numerischer Durchschnitt einer Reihe von Werten.
• Median: Mittelwert einer Reihe von numerischen Werten.
• Modus: häufigster Wert in einer Reihe von Werten.
• Prozentsatz: wird verwendet, um auszudrücken, wie sich ein Wert oder eine Gruppe von Befragten innerhalb der Daten zu einer größeren Gruppe von Befragten verhält.
• Häufigkeit: die Häufigkeit, mit der ein Wert gefunden wird.
• Bereich: der höchste und der niedrigste Wert in einer Gruppe von Werten.

Deskriptive Statistiken liefern absolute Zahlen. Sie erklären jedoch nicht die Gründe oder Überlegungen, die hinter diesen Zahlen stehen. Bevor Sie eine deskriptive Statistik anwenden, sollten Sie überlegen, welche Statistik sich am besten für Ihre Forschungsfrage eignet und was Sie zeigen möchten. Ein Prozentsatz ist zum Beispiel eine gute Möglichkeit, die Geschlechterverteilung der Befragten darzustellen.

Deskriptive Statistiken sind am hilfreichsten, wenn sich die Untersuchung auf die Stichprobe beschränkt und nicht auf eine größere Population verallgemeinert werden muss. Wenn man zum Beispiel den Prozentsatz der geimpften Kinder in zwei verschiedenen Dörfern vergleicht, reicht die deskriptive Statistik aus.

Da die deskriptive Analyse meist für die Analyse einer einzelnen Variable verwendet wird, wird sie oft als univariate Analyse bezeichnet.

Analyse qualitativer Daten

Die Analyse qualitativer Daten funktioniert ein wenig anders als die quantitativer Daten, vor allem weil qualitative Daten aus Wörtern, Beobachtungen, Bildern und sogar Symbolen bestehen. Die Ableitung einer absoluten Bedeutung aus solchen Daten ist nahezu unmöglich; daher werden sie meist für die explorative Forschung verwendet. Während in der quantitativen Forschung eine klare Unterscheidung zwischen der Phase der Datenvorbereitung und der Datenanalyse besteht, beginnt die Analyse in der qualitativen Forschung oft, sobald die Daten vorliegen.

Datenvorbereitung und grundlegende Datenanalyse

Analyse und Vorbereitung erfolgen parallel und umfassen die folgenden Schritte:

1. Sich mit den Daten vertraut machen: Da die meisten qualitativen Daten nur aus Worten bestehen, sollte der Forscher die Daten zunächst mehrmals lesen, um sich mit ihnen vertraut zu machen und nach grundlegenden Beobachtungen oder Mustern zu suchen. Dazu gehört auch das Transkribieren der Daten.
2. Überprüfen der Forschungsziele: Hier überdenkt der Forscher das Forschungsziel und identifiziert die Fragen, die durch die gesammelten Daten beantwortet werden können.
3. Entwicklung eines Rahmens: Hier identifiziert der Forscher allgemeine Ideen, Konzepte, Verhaltensweisen oder Ausdrücke und ordnet ihnen Codes zu. So werden beispielsweise Alter, Geschlecht, sozioökonomischer Status und sogar Konzepte wie die positive oder negative Antwort auf eine Frage kodiert. Die Kodierung ist hilfreich, um die Daten zu strukturieren und zu benennen.
4. Erkennen von Mustern und Zusammenhängen: Sobald die Daten kodiert sind, kann die Forschung damit beginnen, Themen zu identifizieren, nach den häufigsten Antworten auf Fragen zu suchen, Daten oder Muster zu identifizieren, die Forschungsfragen beantworten können, und Bereiche zu finden, die weiter erforscht werden können.

Methoden der qualitativen Datenanalyse

Es gibt verschiedene Methoden, um qualitative Daten zu analysieren. Die am häufigsten verwendeten Methoden der Datenanalyse sind:

• Inhaltsanalyse: Dies ist eine der häufigsten Methoden zur Analyse von qualitativen Daten. Sie wird verwendet, um dokumentierte Informationen in Form von Texten, Medien oder sogar physischen Gegenständen zu analysieren. Wann man diese Methode einsetzt, hängt von der Forschungsfrage ab. Die Inhaltsanalyse wird in der Regel verwendet, um die Antworten von Befragten zu analysieren.
• Narrative Analyse: Diese Methode wird verwendet, um Inhalte aus verschiedenen Quellen zu analysieren, wie z. B. Interviews mit Befragten, Beobachtungen aus dem Feld oder Umfragen. Sie konzentriert sich darauf, die Geschichten und Erfahrungen, die Menschen miteinander teilen, zu nutzen, um die Forschungsfragen zu beantworten.
• Diskursanalyse: Wie die narrative Analyse wird auch die Diskursanalyse zur Analyse von Interaktionen mit Menschen eingesetzt. Sie konzentriert sich jedoch auf die Analyse des sozialen Kontextes, in dem die Kommunikation zwischen dem Forscher und dem Befragten stattfand. Die Diskursanalyse befasst sich auch mit dem alltäglichen Umfeld des Befragten und nutzt diese Informationen bei der Analyse.
• Grounded Theory: Dies bezieht sich auf die Verwendung qualitativer Daten, um zu erklären, warum ein bestimmtes Phänomen aufgetreten ist. Dies geschieht durch die Untersuchung einer Vielzahl ähnlicher Fälle in verschiedenen Umgebungen und die Verwendung der Daten zur Ableitung kausaler Erklärungen. Die Forscher können die Erklärungen ändern oder neue erstellen, wenn sie weitere Fälle untersuchen, bis sie zu einer Erklärung gelangen, die auf alle Fälle passt.

Diese Methoden werden am häufigsten verwendet. Es gibt jedoch auch andere Methoden der Datenanalyse, wie z. B. die Gesprächsanalyse.

Die Datenanalyse ist vielleicht die wichtigste Komponente der Forschung. Eine schwache Analyse führt zu ungenauen Ergebnissen, die nicht nur die Authentizität der Forschung beeinträchtigen, sondern auch die Ergebnisse unbrauchbar machen. Es ist unerlässlich, die Methoden der Datenanalyse sorgfältig auszuwählen, um sicherzustellen, dass die Ergebnisse aufschlussreich und umsetzbar sind.

Header photo by Brittany Colette on Unsplash