Power-Planung begründen: Annahmen, relevante Effekte und Sensitivität

1. Die Planungsfrage vor der Berechnung festlegen

Eine a-priori-Poweranalyse fragt unter vorgegebenem Test, Effekt, Fehlerniveau und gewünschter Power nach einem benötigten Umfang. Eine Sensitivitätsanalyse hält den Umfang fest und betrachtet, welche Effektgrößen unter festgelegten Bedingungen erkennbar wären. Lakens erläutert diese Unterscheidung und mehrere Wege, Stichprobenumfänge zu begründen. Nicht jedes Vorhaben muss deshalb auf dieselbe Kennzahl reduziert werden. Kläre zuerst Forschungsfrage, Design und geplante Hauptanalyse. Eine Formel für zwei unabhängige Gruppen passt nicht automatisch zu Messwiederholungen, geclusterten Daten oder einer komplexen Regression. Ein korrekt bedientes Programm kann mit falschem Design trotzdem eine unpassende Zahl liefern.

Lege ein eigenes Planungsblatt an: Zielparameter, Untersuchungseinheit, Test oder Modell, Messstruktur, relevante Effektgröße, Annahmenquelle und verfügbare Ressourcen. Notiere, ob die Teilnehmerzahl noch planbar oder durch einen vorhandenen Bestand festgelegt ist. Im erfundenen Lernfall stehen nur bestimmte Seminarkurse zur Verfügung. Dann ist der Bestand eine Grenze, kein Beweis ausreichender Power. Eine ehrliche Sensitivitätsbetrachtung kann zeigen, welche Aussagen mit diesem Design schwierig bleiben. Unterscheide außerdem Personen, Gruppen und Messungen. Mehrere Antworten derselben Person erhöhen nicht automatisch die Zahl unabhängiger Untersuchungseinheiten.

Weiterführend: Lakens (2022): Sample size justification, Originalpublikation

2. Effektannahmen fachlich statt bequem wählen

Frage nicht zuerst, welcher Effekt eine erreichbare Stichprobe ergibt, sondern welcher Unterschied für deine Forschungsfrage relevant ist und welche Größen plausibel sind. Ein früher berichteter Effekt kann wegen anderer Messung, Population oder Unsicherheit nur eingeschränkt übertragbar sein. Ein allgemeines Etikett wie mittel ersetzt keine fachliche Begründung. Notiere, ob du einen kleinsten relevanten Effekt, einen Literaturwert oder mehrere plausible Szenarien verwendest. Trenne diese Ansätze sauber. Eine Unsicherheitsbandbreite ist oft informativer als ein einzelner scheinbar präziser Wert ohne Herkunft, auch wenn die anschließende Berechnung mehrere Durchläufe benötigt.

Prüfe gemeinsam mit der Effektannahme die weiteren Modellparameter. Gruppenverhältnis, erwartete Streuung, Messkorrelation und Ausfälle können je nach Verfahren relevant sein. Markiere unbekannte Parameter und untersuche plausible Alternativen, statt sie heimlich auf günstige Standardwerte zu setzen. Unser eigenes Arbeitsblatt zeigt in getrennten Zeilen eine zurückhaltende und eine günstigere Annahme, jeweils mit Begründung. Daraus wird keine Auswahl nach dem schöneren Ergebnis. Berichte vielmehr, wie stark die Schlussfolgerung von den Voraussetzungen abhängt. Eine nachträgliche beobachtete Power aus dem gerade gefundenen Effekt löst die ursprüngliche Planungsunsicherheit nicht.

3. Verfahren und Eingaben nachvollziehbar dokumentieren

Die Universität Düsseldorf stellt G*Power mit Dokumentation für verschiedene Testfamilien bereit. Wähle eine tatsächlich passende Prozedur und lies deren Eingaben, statt allein ein vertrautes Testkürzel anzuklicken. Für komplexe Designs kann eine spezialisierte oder simulationsbasierte Planung nötig sein. Halte Softwareversion, Verfahren, ein- oder zweiseitige Fragestellung, Parameter und Ausgabe fest. Der gespeicherte Screenshot ist nützlich, ersetzt aber keine lesbare Begründung. Achte auch darauf, ob das Ergebnis eine Gesamtzahl, eine Zahl je Gruppe oder eine Zahl anderer Untersuchungseinheiten bezeichnet. Diese Unterscheidung muss später zur Rekrutierung passen.

Bei festem Umfang prüfst du die Sensitivität für deine fachlich interessierenden Effekte. Eine Kurve oder mehrere dokumentierte Szenarien kann zeigen, wo das Design wenig Information bietet. Leite daraus keine universelle Bestehensgrenze ab. Im Lernfall wäre eine Anpassung der Frage oder Messstrategie denkbar, während zusätzliche Kurse nicht verfügbar sind. Solche Änderungen benötigen eine fachliche Begründung und gegebenenfalls institutionelle Abstimmung. Rechne nicht so lange mit wechselnden Annahmen, bis die gewünschte Zahl erreicht wird. Halte den ursprünglichen Plan und die Gründe einer Revision fest, besonders wenn bereits Daten bekannt sind.

Weiterführend: Heinrich-Heine-Universität Düsseldorf: G*Power und Dokumentation

4. Planung, tatsächlichen Umfang und Interpretation verbinden

Vergleiche am Ende geplanten und tatsächlich analysierten Umfang. Dokumentiere Ausfälle, Ausschlüsse und Abweichungen, die die ursprünglichen Annahmen berühren. Die geplante Power ist keine Garantie eines signifikanten Ergebnisses und ein nichtsignifikanter Test beweist keinen fehlenden Effekt. Prüfe die Schätzung und ihre Unsicherheit im fachlichen Kontext. Wenn die Studie für relevante kleine Unterschiede wenig empfindlich ist, gehört das an die Interpretation der betreffenden Aussage. Stelle eine Ressourcenbegrenzung nicht als rein statistische Optimierung dar. Eine transparente eingeschränkte Untersuchung ist glaubwürdiger als eine nachträglich passend gemachte Präzisionsbehauptung.

Das Abschlusswerk-Tool Statistik unterstützt die Vorbereitung eines passenden Analyseplans anhand deiner Angaben. Bereite Hypothese, Variablentypen, Messstruktur und Planungsannahmen vor. Verwende Hinweise für die fachliche Prüfung und führe eine numerische Powerberechnung in dafür geeigneter geprüfter Statistiksoftware durch. Das Tool ist kein Rohdaten- oder Powerrechner und liefert keine garantierte Stichprobengröße. Der fertige Zwischenstand besteht aus einer begründeten Planungsfrage, dokumentierten Eingaben und einer nachvollziehbaren Sensitivitätsbetrachtung. So lassen sich Grenzen vor der Erhebung diskutieren und später ehrlich berichten, ohne die Aussagekraft aus einer einzigen günstigen Zahl abzuleiten.