Datenanalysemethoden, quantitative
[engl. quantitative data analysis methods], [FSE], werten quant. bzw. numerisches Datenmaterial (z. B. Datensätze, die durch vollstrukturierte Beobachtung, Interview, Fragebogen oder psychophysiologische Methodik gewonnen wurden; Messtheorie) im Hinblick auf das Forschungsproblem einer quant.-empirischen Studie mittels stat. Verfahren aus (Statistik). Mit quant. Daten sind dabei numerische Daten aller vier Skalenniveaus (Skalenniveau) gemeint, obwohl man insbes. nominalskalierte numerische Daten auch als kategorial bzw. qual. bez. kann. Nicht numerisches Datenmaterial (z. B. Text-, Bild-, Videomaterial) kann durch Codierung in numerisches Datenmaterial überführt und dann stat. ausgewertet werden (z. B. Qualitative Inhaltsanalyse). quantitative
Datenanalysemethoden folgen einem deskriptiv-populationsbeschreibenden und/oder einem explanativ-hypothesenprüfenden, seltener einem explorativ-hypothesenbildenden Erkenntnisinteresse. Die stat. D. ist in der quant. Sozialforschung in einen linearen Forschungsprozess eingebettet, d. h., weder die Stichprobe noch die Datenerhebungsinstrumente werden nach begonnener Auswertung noch einmal verändert, vielmehr werden genau die vorher definierten Fragestellungen beantwortet bzw. Hypothesen (Hypothese) geprüft.
Die stat. Analyse eines einzelnen numerischen Datensatzes kann im Mixed-Methods-Ansatz noch erweitert werden durch Verknüpfung mit einer interpretativen Analyse zusätzlicher qual. Daten, die i. R. derselben Studie erhoben wurden. Im Unterschied zu Primäranalysen, die selbst erhobene Datensätze auswerten, können auch vorliegende Datensätze (etwa aus wiss. Datenbanken) einer erneuten Auswertung unterzogen werden (Sekundäranalyse). Zudem lassen sich die Befunde inhaltlich homogener früherer Studien i. R. einer Metaanalyse zu einem Gesamtbefund stat. aggregieren.
Es liegen eine Fülle stat. Auswertungsverfahren vor. Das Feld der Statistik wird dabei grob in die Deskriptivstatistik und die Inferenzstatistik eingeteilt. Die Deskriptivstatistik dient dazu, Stichprobendaten anhand von Kennwerten, Tab. und Grafiken übersichtlich darzustellen. Jede empirisch-quant. Studie enthält eine deskriptivstat. Stichprobenbeschreibung, welche die Zusammensetzung der Stichprobe z. B. hinsichtlich soziodemografischer Merkmale beschreibt. Die Inferenzstatistik schließt anhand von Stichprobendaten auf Populationsverhältnisse (Signifikanztest). Faktorenanalytische (Faktorenanalyse), skalenanalytische (Skalierung, Methoden der, Testkonstruktion) und Gruppierungsansätze (z. B. Clusteranalyse, Latente Klassenanalyse) ermöglichen die Strukturierung von Datenmengen und die Analyse messtheoretisch begründeter latenter Merkmalsstrukturen. Strukturgleichungsmodelle dienen der Prüfung von Messstrukturen oder komplexer Theoriemodelle. Die Mehrebenenanalyse erlaubt die Modellierung hierarchisch geschachtelter Datenstrukturen (Statistische Datenanalyseverfahren).
Die stat. Datenanalyse erfolgt heute i. d. R. automatisiert über Statistik-Programme für einzelne stat. Verfahren (z. B. AMOS, Lisrel für Strukturgleichungsmodelle, g*power zur Analyse der Teststärke) bzw. über Statistik-Programmpakete mit breitem Funktionsspektrum (z. B. Mplus, SPSS, SAS, Parameterschätzung, R (Software)). Generell ist eine quantitative
Datenanalysemethode – auch bei großen Stichproben und zahlreichen Variablen – im Vergleich zu einer qual. Dm. relativ schnell zu bewältigen, wenn ein klares und gut begründetes Auswertungsvorgehen umgesetzt werden soll. Die Zeitersparnis, die bei der automatisierbaren stat. Analyse numerischer Daten gegenüber der nicht automatisierbaren interpretativen Analyse qual. Daten zu verzeichnen ist, wird erkauft durch den in quant. Studien meist sehr viel höheren Aufwand bei der Entwicklung und Erprobung der Messinstrumente (z. B. standardisierte Fragebögen oder Beobachtungssysteme), damit diese überhaupt aussagekräftige Messwerte liefern (Gütekriterien). Datenanalysemethoden, qualitative.