SPSS-Grundlagen für die Bachelorarbeit

Warum SPSS, und wo Alternativen sinnvoll sind

SPSS (Statistical Package for the Social Sciences) ist seit den 1960er-Jahren im akademischen Einsatz und an den meisten deutschen Universitäten über Campus-Lizenzen verfügbar. Seine Bedienung über Menüs und Dialoge macht den Einstieg einfacher als bei R oder Stata, deren Stärke in der Skriptsteuerung liegt. Für die meisten quantitativen Bachelorarbeiten reicht SPSS aus; fortgeschrittene Methoden wie Mehrebenenanalyse, Strukturgleichungsmodelle oder umfangreiche Datenaufbereitung ziehen den Übergang nach R nach sich.

Jamovi ist eine kostenfreie Alternative, die SPSS-ähnlich bedienbar ist, aber technisch auf R aufsetzt. Für Hausarbeiten, kleine Bachelorarbeiten und Lehrveranstaltungen ist Jamovi inzwischen ein ernsthafter Kandidat — besonders dort, wo die Hochschule keine SPSS-Lizenz bereitstellt oder die Studierenden zu Hause weiterarbeiten wollen. Die Analysen sind in Jamovi oft schneller eingerichtet, die Output-Qualität ist mit SPSS vergleichbar, und die Ergebnisse lassen sich zwischen beiden Programmen ohne nennenswerte Unterschiede übertragen.

R und Python kommen für Abschlussarbeiten zum Einsatz, wenn Datenmengen groß, Auswertungen spezialisiert oder Anwenderinnen mit dem Skripting vertraut sind. Für einen ersten Einstieg ist die Lernkurve zu steil. Dieser Artikel konzentriert sich deshalb auf SPSS mit Nebenbemerkungen zu Jamovi.

Der Datenfluss in SPSS

Datenansicht und Variablenansicht

SPSS zeigt den Datensatz in zwei Ansichten, die über Tabs am unteren Fenster-Rand umgeschaltet werden. Die Datenansicht ist eine Tabelle mit Zeilen für die einzelnen Fälle (eine Zeile pro Befragter) und Spalten für die Variablen (eine Spalte pro Frage). Die Variablenansicht enthält für jede Variable eine Zeile mit ihren Eigenschaften: Name, Typ, Dezimalstellen, Label (ausführlicher Text), Wertelabel, fehlende Werte, Spaltenbreite, Ausrichtung und — besonders wichtig — das Skalenniveau.

Das Skalenniveau ist die einzige Eigenschaft, die die möglichen Analysen maßgeblich beeinflusst. SPSS kennt drei Stufen: nominal (Kategorien ohne Ordnung, z. B. Geschlecht, Berufsgruppe), ordinal (geordnete Kategorien ohne gleiche Abstände, z. B. Schulabschluss, Likert-Skala), metrisch/skala (Zahlen mit gleichen Abständen, z. B. Alter, Einkommen). Wer eine Variable falsch als nominal kennzeichnet, obwohl sie ordinal ist, bekommt in Dialogen die falschen Analyseoptionen angeboten.

Die Zuweisung des Skalenniveaus ist nicht nur eine SPSS-Voreinstellung, sondern eine methodische Entscheidung. Eine Likert-Skala zum Beispiel gilt streng genommen als ordinal, wird in der Praxis aber häufig wie eine metrische Variable behandelt (Mittelwertbildung, t-Test). Diese pragmatische Konvention ist in der methodischen Diskussion umstritten — in Abschlussarbeiten wird sie akzeptiert, wenn sie transparent benannt wird.

Wertelabels und fehlende Werte

Zwei Felder in der Variablenansicht sparen später viel Zeit. Erstens die Wertelabels: Sie weisen den numerischen Werten einer Variable einen verständlichen Text zu. Eine Variable »Geschlecht« mit den Werten 1 und 2 wird über Wertelabels mit »weiblich« und »männlich« verknüpft. In der Ausgabe erscheinen dann die Labels, nicht die Zahlen — Tabellen werden lesbar.

Zweitens die fehlenden Werte: Manche Online-Tools tragen bei unbeantworteten Fragen leere Zellen ein; andere tragen numerische Platzhalter wie 99 oder −99 ein. SPSS muss wissen, welche Werte als »fehlend« interpretiert werden sollen, um sie aus der Auswertung korrekt auszuschließen. Im Feld »Fehlend« werden die Platzhalter definiert; die Alternative sind system-definierte fehlende Werte (leere Zellen), die SPSS automatisch als fehlend behandelt.

Die ersten Analysen

Der Einstieg jeder quantitativen Auswertung sind deskriptive Statistiken. Über »Analysieren → Deskriptive Statistiken → Häufigkeiten« erzeugt SPSS Häufigkeitstabellen für jede ausgewählte Variable — absolute Zahlen, Prozentwerte, kumulierte Prozente. Für metrische Variablen sind Mittelwert, Median, Standardabweichung und Spannweite relevant, erreichbar über »Deskriptive Statistiken → Deskriptiv«.

Der zweite Schritt sind bivariate Analysen — Zusammenhänge zwischen zwei Variablen. Für zwei nominale/ordinale Variablen wird eine Kreuztabelle erstellt (»Deskriptiv → Kreuztabellen«), oft mit Chi-Quadrat-Test. Für eine nominale und eine metrische Variable ist der Mittelwertvergleich per t-Test (zwei Gruppen) oder ANOVA (mehr als zwei Gruppen) typisch. Für zwei metrische Variablen kommen Korrelationen in Frage (Pearson für lineare Zusammenhänge, Spearman für ordinale).

Der dritte Schritt — in Bachelorarbeiten oft ausreichend — sind einfache multivariate Analysen. Die lineare Regression mit einer abhängigen Variable und mehreren Prädiktoren ist das Standardwerkzeug. Jeder Prädiktor bekommt einen Koeffizienten mit Signifikanz-Angabe; die Modellgüte wird über R² ausgedrückt. Wer sich an diese Drei-Stufen-Logik (deskriptiv, bivariat, multivariat) hält, bekommt eine Ergebnisstruktur, die sich gut im Methoden- und Ergebnisteil präsentieren lässt.

Output interpretieren und übernehmen

SPSS öffnet für jede Analyse ein separates Output-Fenster mit Tabellen und — bei grafisch gewünschten Auswertungen — Diagrammen. Die Tabellen sind nicht direkt druckreif; sie müssen überarbeitet werden, bevor sie in die Abschlussarbeit übernommen werden. Üblich sind zwei Wege: Tabellen werden über Rechtsklick kopiert und als editierbare Tabelle in Word eingefügt (dann lässt sich das Format an die Dokumentvorlage anpassen); oder sie werden als Bild kopiert (schneller, aber weniger nachbearbeitbar).

Für die Präsentation der Ergebnisse im Ergebnisteil sind drei Formatierungen wichtig: Dezimaltrennzeichen (deutsch: Komma, nicht Punkt), Signifikanz-Darstellung (typischerweise »p < .05«, »p < .01«, »p < .001« oder ausgewiesene Werte), Tabellenüberschrift oberhalb der Tabelle mit nachvollziehbarer Nummerierung (Tabelle 1, 2, 3 …). Mehr zur Beschriftung siehe Tabellenverzeichnis in Word erstellen.

Die Diagramme, die SPSS ausgibt, sind inzwischen akzeptabel, aber typografisch nicht an die Abschlussarbeit angepasst. Wer Wert auf konsistente Optik legt, exportiert die Werte nach Excel und erzeugt die Diagramme dort oder in R neu. Für die meisten Bachelorarbeiten reicht aber die SPSS-Ausgabe mit minimaler Nachbearbeitung — wichtig sind klare Achsenbeschriftungen, saubere Schriftgrößen und einheitliche Farbgebung.

Syntax als Dokumentation

SPSS führt jede über Menüs ausgelöste Analyse intern als Syntax-Befehl aus. Wer im Dialog-Fenster statt »OK« auf »Einfügen« klickt, bekommt diesen Befehl im Syntax-Editor angezeigt und kann ihn speichern. Der Nutzen ist zweifach: Die Syntax-Datei dokumentiert lückenlos, welche Analysen mit welchen Optionen gelaufen sind — unverzichtbar, wenn nach drei Wochen nicht mehr erinnerlich ist, welcher Filter bei der dritten Regression gesetzt war. Und sie erlaubt, eine komplette Auswertung bei korrigierten Rohdaten in Sekunden neu durchlaufen zu lassen.

Für Abschlussarbeiten ist die Syntax-Datei ein fast übersehenes Qualitätsmerkmal. Im Anhang dokumentiert sie das Vorgehen reproduzierbar; im Methodenkapitel beschreibt ein Verweis auf die Datei die Tiefe der Dokumentation, die die schriftliche Methodendarstellung nicht leisten kann. Wer zwischen den Programmen SPSS und R wechseln möchte, merkt außerdem: Die Denkweise in Skripten — Reihenfolge, Abhängigkeiten, Wiederholbarkeit — ist in R ohnehin Voraussetzung, und die Syntax in SPSS ist die Brücke dorthin.

Typische Fehler

Analysen vor der Datenbereinigung. Wer direkt nach dem Import anfängt zu rechnen, übersieht fehlende Werte, unplausible Ausreißer und doppelt erfasste Fälle. Jede seriöse Auswertung beginnt mit einem Check: Häufigkeiten für jede Variable ausgeben, Werte auf Plausibilität prüfen, fehlende Werte identifizieren.

Falsches Skalenniveau. Variablen, die in der Umfrage als Skala vorliegen, landen beim Import oft als nominal. Die Korrektur in der Variablenansicht dauert fünf Minuten — die nachträgliche Bereinigung nach einer mit falschem Skalenniveau gelaufenen Analyse kostet Stunden.

Überzogene Interpretation. Eine Korrelation von 0,25 ist keine Ursache-Wirkungs-Beziehung, auch wenn sie signifikant ist. Eine Regression mit R² = 0,08 erklärt 8 Prozent der Varianz — die Aussage »die Variable X erklärt das Phänomen Y« wäre unangemessen.

Signifikanz-Fixierung. Der p-Wert ist eine Information unter mehreren. Effektstärken (Cohens d, η², r) sind oft aussagekräftiger und werden in guten Arbeiten mitberichtet.

Jamovi als Einsteiger-Alternative

Jamovi verdient an dieser Stelle einen eigenen Abschnitt. Die Bedienung ähnelt SPSS, aber Jamovi ist kostenfrei, open source und installiert sich ohne Lizenz in wenigen Minuten. Für Bachelorarbeiten mit Standard-Auswertungen (Deskriptive, t-Test, ANOVA, einfache Regression) leistet Jamovi alles, was gebraucht wird. Für komplexere Analysen — Strukturgleichungsmodelle, Mehrebenenmodelle, spezialisierte Tests — greifen R oder SPSS mit Erweiterungsmodulen, und dort ist Jamovi oft unterlegen.

Der Output von Jamovi ist im APA-Format voreingestellt, was für APA-nahe Abschlussarbeiten eine spürbare Zeitersparnis bei der Formatierung bedeutet. SPSS-Dateien (.sav) kann Jamovi direkt lesen; die Umstellung von einem Programm aufs andere ist deshalb ohne Datenverlust möglich.

Zusammenfassung

SPSS bringt Variablen- und Datenansicht, drei Skalenniveaus und eine menügeführte Analyselogik mit, die für die meisten quantitativen Bachelorarbeiten ausreicht. Der Weg geht von den Rohdaten über die saubere Variablendefinition zur schrittweisen Analyse: deskriptiv, bivariat, multivariat. Die Ergebnisse werden im Output-Fenster erzeugt und vor dem Übernehmen in die Abschlussarbeit typografisch aufgearbeitet. Für vertiefende Fragen — Regression im Detail, ANOVA, Voraussetzungsprüfungen — bietet der ergänzende Ratgeber SPSS-Auswertung: Anleitung weiterführende Hinweise.