Was die univariate Statistik über eine Variable verrät
Womit die univariate Statistik jede Variable zusammenfasst
Die univariate Statistik ist der erste Schritt jeder Datenauswertung: Sie betrachtet jede Variable für sich allein und verrät, wie deren Werte verteilt sind, bevor Zusammenhänge untersucht werden. Dieser Ratgeber erklärt, wie du eine Variable mit Häufigkeiten, Lage- und Streuungsmaßen und einem Blick auf ihre Verteilung beschreibst, wie sich die Analyse von bivariaten und multivariaten Verfahren abgrenzt und wie du alles in SPSS auswerten kannst, mit einem Beispiel zum Nachvollziehen.
Was die univariate Statistik untersucht
Die univariate Statistik analysiert genau eine Variable, daher der Namensteil uni. Sie fragt nicht nach Zusammenhängen zwischen Merkmalen, sondern beschreibt, wie sich die Werte einer einzelnen Variable verteilen: Wie häufig kommt jeder Wert vor, wo liegt die Mitte, wie stark streuen die Daten? Damit ist sie die Grundlage jeder Auswertung und Teil der beschreibenden deskriptiven Statistik. Erst wenn eine Variable für sich verstanden ist, lohnt der Blick auf mehrere Merkmale gleichzeitig. Überspringt man diesen Schritt, übersieht man leicht Ausreißer oder eine schiefe Verteilung, die spätere Analysen verzerren. Der Name leitet sich vom lateinischen unus für eins ab und grenzt das Verfahren klar von mehrdimensionalen Analysen ab. In fast jeder Abschlussarbeit steht diese eindimensionale Beschreibung am Anfang des Ergebnisteils. Ohne dieses solide Fundament lassen sich die Ergebnisse komplexerer Verfahren später kaum noch sinnvoll deuten oder einordnen.
Häufigkeiten und Verteilung
Der erste Schritt ist die Häufigkeitsverteilung: eine Tabelle, die für jeden Wert oder jede Kategorie festhält, wie oft er vorkommt, absolut und in Prozent. Für nominale Merkmale wie das Studienfach ist das oft schon die vollständige Beschreibung. Grafisch stellt man die Verteilung als Balken- oder Kreisdiagramm dar, bei metrischen Daten als Histogramm. Daran erkennt man Form und Auffälligkeiten: ob die Verteilung symmetrisch oder schief ist, ob es einen oder mehrere Gipfel gibt und ob Ausreißer vorliegen. Diese grafische Prüfung ist schnell erledigt und deckt Probleme früh auf. Bei vielen unterschiedlichen Werten fasst man metrische Daten zunächst in Klassen zusammen, um die Verteilung übersichtlich darzustellen. Die Wahl der Klassenbreite beeinflusst dabei, wie fein oder grob das Bild ausfällt. Ein Histogramm mit zu wenigen Klassen verwischt die Form der Verteilung, eines mit zu vielen wirkt zerrissen und lässt kaum noch ein Muster erkennen.
Lage- und Streuungsmaße
Nach den Häufigkeiten fasst man die Variable mit Kennzahlen zusammen. Lagemaße geben die Mitte an: Modalwert, Median und arithmetisches Mittel. Streuungsmaße beschreiben, wie weit die Werte auseinanderliegen: Spannweite, Interquartilsabstand, Varianz und Standardabweichung. Welche Kennzahl zulässig ist, hängt vom Skalenniveau ab, für nominale Daten nur der Modalwert, für metrische auch Mittelwert und Standardabweichung. So liefert die univariate Statistik ein kompaktes Profil einer Variable aus Mitte und Streuung, das jede weitere Analyse vorbereitet und die Ergebnisse vergleichbar macht. Für eine schiefe Verteilung ist der Median oft aussagekräftiger als das arithmetische Mittel, weil er robust gegen Ausreißer bleibt. Deshalb berichtet man je nach Datenlage bewusst das passende Lagemaß statt automatisch den Mittelwert. Neben Lage und Streuung lohnt bei metrischen Daten ein Blick auf Schiefe und Wölbung, die beschreiben, wie symmetrisch und wie steil die Verteilung ausfällt.
Abgrenzung zu bivariat und multivariat
Die univariate Analyse betrachtet eine Variable, die bivariate zwei und die multivariate mehr als zwei zugleich. Untersuchst du nur die Altersverteilung deiner Befragten, ist das univariat. Fragst du, ob Alter und Einkommen zusammenhängen, wird es bivariat, etwa mit einer Korrelation oder weiteren Verfahren der bivariaten Statistik. Kommen mehrere Einflussgrößen hinzu, etwa in einer Regression, ist die Analyse multivariat. Die Ebenen bauen aufeinander auf, deshalb steht die Auswertung einer einzelnen Variable immer am Anfang und darf nie übersprungen werden. Diese Abstufung entscheidet auch über die Wahl des Verfahrens: Für zwei Variablen kommen Korrelation oder Kreuztabelle infrage, für mehrere die Regression. Die saubere Beschreibung jeder einzelnen Variable bleibt aber in jedem Fall der erste Schritt.
Univariate Auswertung in SPSS
In SPSS läuft die Auswertung über Analysieren, Deskriptive Statistiken, Häufigkeiten. Dort wählst du die Variable aus und aktivierst unter Statistiken die gewünschten Lage- und Streuungsmaße sowie unter Diagramme ein Histogramm oder Balkendiagramm. Für metrische Variablen liefert alternativ der Weg über Deskriptive Statistiken den Mittelwert und die Standardabweichung kompakt in einer Tabelle. Auf diese Weise erledigt die univariate Statistik in wenigen Klicks die komplette Beschreibung einer Variable; alle Verfahren bündelt der Statistik-und-SPSS-Hub. Die Ausgabe lässt sich direkt als Tabelle in die Arbeit übernehmen, sollte dort aber einheitlich formatiert und beschriftet sein. Achte darauf, Kennzahlen mit sinnvoller Rundung und der richtigen Anzahl an Nachkommastellen anzugeben. Einheitliche Tabellen erleichtern den späteren Vergleich mehrerer Variablen und lassen die gesamte Auswertung in der Arbeit deutlich professioneller wirken.
Ein Beispiel aus der Praxis
Eine Studentin hat das Alter von 80 Befragten erhoben. Zunächst erstellt sie eine Häufigkeitstabelle und ein Histogramm und sieht, dass die meisten zwischen 20 und 25 Jahre alt sind und die Verteilung leicht rechtsschief ist. Dann berechnet sie Mittelwert (23,4 Jahre), Median (22 Jahre) und Standardabweichung (3,1 Jahre). Diese univariate Statistik beschreibt die Variable Alter vollständig, bevor die Studentin sie mit anderen Merkmalen in Beziehung setzt. Erst danach folgt der Vergleich mehrerer Variablen, etwa der Zusammenhang von Alter und Studienfach. So entsteht Schritt für Schritt ein klares Bild der Daten. So dokumentiert die Studentin jede Variable nachvollziehbar, bevor komplexere Analysen folgen. Diese Gründlichkeit am Anfang erspart später viel Nacharbeit und schützt vor Fehlinterpretationen. Diese eindimensionale Beschreibung bildet damit das Fundament, auf dem jede weitere, anspruchsvollere Analyse der Daten sicher aufbauen kann. Wer diesen Schritt gründlich erledigt, erspart sich im weiteren Verlauf viele Rückfragen und Korrekturen.
Erst wer jede Variable einzeln auswerten kann, erkennt, was der Datensatz wirklich verrät. Weitere Statistik-Themen: bivariate Statistik, deskriptive Statistik und Statistik und SPSS.
