Inhaltsverzeichnis
Die Stichprobe deiner Masterarbeit bestimmt, welche Aussagen du treffen kannst. Sie ist der Ausschnitt der Grundgesamtheit, den du tatsächlich untersuchst. Sampling bezeichnet das Auswahlverfahren, mit dem du aus der Grundgesamtheit deine Stichprobe zusammenstellst. Je nach Design (quantitativ vs. qualitativ) ändert sich, wie du Stichprobe und Fallzahl begründest: statistisch (Power, Präzision) oder inhaltlich (Sättigung, Variationsbreite).
Kurzantwort: Bei quantitativen Studien bestimmst du die Stichprobengröße per Power-Analyse (Effektgröße, Alpha, Power) oder über Präzisionsüberlegungen (gewünschter Stichprobenfehler). Bei qualitativen Designs ist die theoretische Sättigung entscheidend, typisch sind 8 bis 15 Interviews. Die Sampling-Strategie (Zufall, purposive, Convenience) wählst du passend zur Forschungsfrage.
Stichprobe in 4 Schritten:
Im Methodenteil dokumentierst du alle Schritte transparent.
Die Angaben in diesem Artikel sind Orientierungswerte. Konkrete Vorgaben zu Stichprobengrößen und Sampling-Strategien können je nach Studiengang, Lehrstuhl oder Fachkultur abweichen. Prüfe die Erwartungen deiner Betreuung.
Grundgesamtheit und Stichprobe definieren
Bevor du Teilnehmende rekrutierst, musst du zwei Begriffe klar voneinander abgrenzen. Die Grundgesamtheit umfasst alle Einheiten, über die du Aussagen treffen willst. Die Stichprobe ist der Teil davon, den du tatsächlich untersuchst.
Ein Beispiel: Du untersuchst die Arbeitszufriedenheit von Pflegekräften in deutschen Krankenhäusern. Die Grundgesamtheit sind alle Pflegekräfte in deutschen Krankenhäusern. Deine Stichprobe könnte aus 200 Pflegekräften bestehen, die du über drei Kliniken rekrutierst.
Eine gut definierte Grundgesamtheit ist zeitlich, räumlich und sachlich eingegrenzt. Formuliere sie so konkret wie möglich.
Zu vage: „Studierende in Deutschland"
Präzise: „Bachelorstudierende der Wirtschaftswissenschaften an öffentlichen Universitäten in Nordrhein-Westfalen im Wintersemester 2025/26"
Je präziser die Definition, desto klarer sind die Grenzen deiner Aussagen. Das ist keine Schwäche, sondern wissenschaftliche Sorgfalt.
Die Definition der Grundgesamtheit hat direkte Konsequenzen für dein Sampling. Wenn du Aussagen über alle deutschen Pflegekräfte treffen willst, brauchst du eine Stichprobe, die diese Gruppe repräsentiert. Beschränkst du dich auf drei Kliniken, kannst du nur eingeschränkt verallgemeinern. Das ist legitim, muss aber im Methodenteil transparent gemacht werden.
Sampling-Strategien im Überblick
Die Sampling-Strategie bestimmt, wie du Einheiten aus der Grundgesamtheit für deine Stichprobe auswählst. Die Wahl hängt davon ab, ob du quantitativ oder qualitativ arbeitest und welche Ressourcen dir zur Verfügung stehen.
Was: Jede Einheit der Grundgesamtheit hat eine bekannte, von Null verschiedene Wahrscheinlichkeit, ausgewählt zu werden. Varianten: einfache Zufallsauswahl, geschichtete Stichprobe, Klumpenstichprobe.
Wann sinnvoll: Wenn du Ergebnisse auf die Grundgesamtheit verallgemeinern willst und ein vollständiges Register existiert.
Realität in Masterarbeiten: Echte Zufallsstichproben sind selten realisierbar, weil oft kein vollständiges Verzeichnis der Grundgesamtheit existiert. Wenn du dennoch versuchst, dich einer Zufallsauswahl anzunähern, dokumentiere das Vorgehen genau.
Was: Du wählst Fälle nach inhaltlichen Kriterien aus, die für deine Forschungsfrage relevant sind. Varianten: maximale Variation, typische Fälle, extreme Fälle, kritische Fälle.
Wann sinnvoll: Bei qualitativer Forschung, wenn du bestimmte Perspektiven oder Kontraste gezielt erfassen willst.
Beispiel maximale Variation: Du interviewst Führungskräfte aus unterschiedlichen Branchen, Unternehmensgrößen und Karrierestufen, um ein breites Spektrum an Erfahrungen abzudecken.
Was: Du rekrutierst Teilnehmende, die leicht erreichbar sind, etwa über Uni-Verteiler, persönliche Kontakte oder Social Media.
Wann sinnvoll: Wenn Ressourcen begrenzt sind und explorative Erkenntnisse im Vordergrund stehen.
Wichtig: Convenience Sampling schränkt die Generalisierbarkeit stark ein. In Masterarbeiten ist es oft unvermeidbar, muss aber als Limitation klar benannt werden.
Was: Du startest mit wenigen Kontakten und bittest diese, weitere potenzielle Teilnehmende zu empfehlen.
Wann sinnvoll: Bei schwer erreichbaren Gruppen (z. B. Expertinnen in Nischenfeldern, Personen mit sensiblen Erfahrungen).
Beachte: Das Schneeball-Sampling kann zu homogenen Stichproben führen, weil Menschen oft ähnliche Menschen kennen. Dokumentiere die Ketten und reflektiere die mögliche Verzerrung.
Die Wahl der Sampling-Strategie ist keine Frage von richtig oder falsch. Entscheidend ist, dass du die Strategie begründest und ihre Grenzen reflektierst. Mehr zur Passung von Methode und Forschungsfrage findest du im verlinkten Artikel.
Stichprobengröße quantitativ begründen
Bei quantitativen Studien ergibt sich die Stichprobengröße aus statistischen Überlegungen. Die zentrale Frage lautet: Wie viele Teilnehmende brauche ich, um einen Effekt mit ausreichender Sicherheit nachweisen zu können?
Die Power-Analyse verknüpft vier Größen. Drei davon legst du fest, die vierte ergibt sich daraus.
Effektstärke: Wie groß ist der erwartete Unterschied oder Zusammenhang? Kleine Effekte erfordern größere Stichproben. Orientierung: Cohens d = 0,2 (klein), 0,5 (mittel), 0,8 (groß).
Alpha (Signifikanzniveau): Die Wahrscheinlichkeit eines Fehlers 1. Art (fälschlich H0 ablehnen). Üblich: α = 0,05.
Power (Teststärke): Die Wahrscheinlichkeit, einen vorhandenen Effekt zu finden. Üblich: 1 − β = 0,80.
Stichprobengröße (n): Ergibt sich aus den drei anderen Parametern. Je kleiner der erwartete Effekt, desto größer muss n sein.
Die Effektgröße ist oft der schwierigste Parameter. Du kannst sie aus früherer Forschung ableiten, aus einer Pilotstudie schätzen oder eine konservative Annahme (kleiner Effekt) treffen. Ohne fundierte Effektannahme bleibt die Power-Analyse eine grobe Orientierung.
„Die erforderliche Stichprobengröße wurde mittels G*Power (Version 3.1) berechnet. Ausgehend von einem mittleren Effekt (d = 0,5) nach Cohen (1988), einem Alpha-Niveau von 0,05 und einer Power von 0,80 ergibt sich für einen t-Test bei unabhängigen Stichproben eine Mindestgröße von n = 64 pro Gruppe. Um mögliche Dropouts (geschätzt 15 %) auszugleichen, wurde eine Zielgröße von n = 75 pro Gruppe angestrebt."
Das kostenlose Tool G*Power ist der Standard für Power-Analysen. Du findest es online zum Download. Wähle deinen Testtyp (t-Test, ANOVA, Regression), gib die Parameter ein und berechne die Stichprobengröße. Speichere den Output für den Methodenteil.
Stichprobe über Präzision planen
Nicht jede quantitative Studie testet Hypothesen. Wenn du primär Schätzwerte berichten willst (z. B. einen Anteil oder Mittelwert), planst du die Stichprobe über die gewünschte Genauigkeit. Die Frage lautet dann: Wie groß muss n sein, damit mein Konfidenzintervall schmal genug ist?
Eine verbreitete Faustformel für Anteile: n = (z² × p × (1−p)) / e². Dabei ist z der z-Wert für das gewünschte Konfidenzniveau (z = 1,96 für 95 %), p der erwartete Anteil (bei Unsicherheit konservativ 0,5) und e der akzeptierte Stichprobenfehler. Der Stichprobenfehler (auch Fehlermarge) gibt an, wie breit dein Konfidenzintervall maximal sein darf: Bei e = 0,05 liegt dein geschätzter Anteil mit 95 % Sicherheit innerhalb von ±5 Prozentpunkten um den wahren Wert.
Rechenbeispiel: Mit z = 1,96, p = 0,5 (konservativ) und e = 0,05 ergibt sich: n = (1,96² × 0,5 × 0,5) / 0,05² = 384,16 ≈ 385. Du brauchst also mindestens 385 Teilnehmende, um einen Anteil mit ±5 Prozentpunkten Genauigkeit schätzen zu können. Willst du genauer sein (z. B. e = 0,03), steigt n auf über 1.000.
Wichtige Nuancen: Diese Formel gilt für einfache Zufallsstichproben und große Grundgesamtheiten. Bei kleiner Grundgesamtheit (z. B. N = 500) kannst du mit der Finite-Population-Correction korrigieren: n_korr = n / (1 + (n−1)/N). Bei Klumpenstichproben oder komplexen Designs brauchst du einen Design-Effekt-Faktor (DEFF), der n erhöht. Für Mittelwerte statt Anteile ersetzt du p×(1−p) durch die erwartete Varianz σ².
Welche Analyse planst du? Effektmaße im Überblick
Die Effektstärke in G*Power hängt vom geplanten Analyseverfahren ab. Hier eine Orientierung für häufige Modelle. Die Werte für „klein", „mittel", „groß" folgen Cohen (1988), sind aber nur Konventionen. Besser ist, eine inhaltlich begründete Annahme zu treffen oder den „smallest effect of interest" zu definieren.
t-Test (unabhängige Gruppen): Cohens d. Klein = 0,2, mittel = 0,5, groß = 0,8. Begründung: Vorstudie, Metaanalyse oder konservative Annahme.
t-Test (gepaart/abhängig): Ebenfalls Cohens d, aber auf die Differenzwerte bezogen. In G*Power: t tests → Means: Difference between two dependent means (matched pairs).
Korrelation: r. Klein = 0,1, mittel = 0,3, groß = 0,5. In G*Power direkt als Effektmaß wählbar.
ANOVA: Cohens f. Klein = 0,1, mittel = 0,25, groß = 0,4. Grobe Näherung für zwei Gruppen: f ≈ d / 2, aber die exakte Umrechnung hängt vom Design ab (Anzahl Gruppen, Varianzverteilung).
Regression: f² (Cohens f²). Klein = 0,02, mittel = 0,15, groß = 0,35. Zusammenhang mit R²: f² = R² / (1 − R²).
Chi²-Test / kategoriale Daten: In G*Power gibst du Cohen's w ein (klein = 0,1, mittel = 0,3, groß = 0,5) unter „Goodness-of-fit tests" oder „Contingency tables". Cramér's V ist ein verwandtes Berichtmaß, dessen Wert von den Freiheitsgraden abhängt und nicht direkt in G*Power eingegeben wird.
Logistische Regression: Odds Ratio (OR). Umrechnung in Cohens d möglich: d ≈ ln(OR) × √3 / π. Power-Analyse oft über Simulation oder spezialisierte Tools.
Wenn du komplexe Analysen planst (z. B. Strukturgleichungsmodelle, Mehrebenenanalysen), gibt es verschiedene Heuristiken. Die oft zitierte Regel „10 bis 20 Fälle pro geschätztem Parameter" ist eine grobe Orientierung, die stark von Modellkomplexität, Messfehler, Datenqualität und erwarteten Effektgrößen abhängt. Für robuste Ergebnisse empfiehlt die Methodenliteratur oft deutlich mehr. Prüfe die Vorgaben deines spezifischen Verfahrens und stimme dich mit deiner Betreuung ab. Mehr zur Statistik in der Masterarbeit findest du im verlinkten Artikel.
Stichprobengröße qualitativ begründen
Bei qualitativer Forschung gibt es keine Formel für die Stichprobengröße. Das Ziel ist nicht statistische Repräsentativität, sondern tiefes Verstehen eines Phänomens. Die zentrale Begründung liefert das Konzept der theoretischen Sättigung.
Theoretische Sättigung ist erreicht, wenn neue Interviews keine wesentlich neuen Kategorien oder Erkenntnisse mehr liefern. Die Kurve des Erkenntniszuwachses flacht ab.
So dokumentierst du Sättigung: Führe nach jedem Interview eine kurze Memo-Notiz: Welche neuen Aspekte sind aufgetaucht? Ab wann wiederholen sich die Themen? Typischerweise stabilisieren sich die Hauptkategorien nach 8 bis 12 Interviews.
Richtwerte: Bei homogenen Gruppen reichen oft 8 bis 12 Interviews. Bei heterogenen Gruppen (maximale Variation) können 15 bis 20 nötig sein. Diese Zahlen sind Orientierung, keine festen Regeln.
Die Sampling-Strategie beeinflusst die benötigte Fallzahl. Bei Purposive Sampling mit maximaler Variation brauchst du mehr Fälle, weil du verschiedene Perspektiven abdecken willst. Bei einer homogenen Gruppe (z. B. nur Berufseinsteiger in einer Branche) reichen oft weniger Interviews.
„Die Stichprobe umfasst 12 Interviews. Die Fallauswahl folgte dem Prinzip der maximalen Variation hinsichtlich Branche, Unternehmensgröße und Berufserfahrung. Ab dem neunten Interview zeigten sich keine wesentlich neuen Kategorien mehr. Drei weitere Interviews wurden zur Absicherung geführt. Die theoretische Sättigung gilt damit als erreicht (vgl. Glaser & Strauss, 1967)."
Betreuende erwarten oft eine Vorab-Angabe zur geplanten Fallzahl, auch wenn Sättigung ein emergentes Kriterium ist. Nenne dann einen Zielkorridor (z. B. 10 bis 15 Interviews) und erkläre, dass du die Sättigung während der Erhebung prüfst. Mehr zur Durchführung qualitativer Erhebungen findest du im Artikel über Experteninterviews.
Rekrutierung planen und dokumentieren
Die beste Sampling-Strategie nützt wenig, wenn du keine Teilnehmenden findest. Rekrutierung ist oft der aufwändigste Teil der Datenerhebung. Plane sie frühzeitig und dokumentiere jeden Schritt für den Methodenteil.
Uni-Verteiler und Studierende: Schnell erreichbar, oft vergleichsweise gute Rücklaufquoten. Nachteil: WEIRD-Bias (Western, Educated, Industrialized, Rich, Democratic), eingeschränkte Generalisierbarkeit.
Online-Panels (Prolific, SurveyCircle): Zugang zu heterogenen Stichproben, meist gegen Vergütung. Nachteil: Kosten, Panel-Effekte bei häufig befragten Personen.
Social Media und Foren: Große Reichweite, gezielte Ansprache möglich. Nachteil: Selbstselektion, Response-Raten können sehr niedrig sein (je nach Zielgruppe und Thema teils unter 5 %).
Organisationen und Unternehmen: Zugang zu spezifischen Berufsgruppen. Nachteil: Gatekeeper, häufig lange Vorlaufzeit für Genehmigungen.
Schneeballverfahren: Zugang zu schwer erreichbaren Gruppen. Nachteil: Tendenz zur Homogenität, keine Kontrolle über Auswahlprozess.
Dropout-Puffer einplanen: Nicht alle, die starten, beenden deine Studie. Bei Online-Umfragen rechne mit 10 bis 30 Prozent Dropout, abhängig von Länge, Thema und Incentive. Wenn du 200 vollständige Datensätze brauchst, lade mindestens 250 Personen ein.
Nonresponse-Bias: Systematische Verzerrung, weil bestimmte Gruppen gar nicht erst teilnehmen. Beispiel: Besonders gestresste Pflegekräfte haben keine Zeit für Umfragen, die Stichprobe unterschätzt also möglicherweise die Belastung.
Dropout: Teilnehmende, die abbrechen. Auch hier können systematische Muster vorliegen (z. B. brechen Unzufriedene früher ab).
Gegenmaßnahmen: Quoten oder Screening nutzen (falls möglich), Response-Rate transparent berichten, frühe vs. späte Teilnahmen vergleichen, Ein-/Ausschlüsse dokumentieren, Abbrecher-Infos erfassen (soweit DSGVO-konform), Limitation klar formulieren.
Plausibilitätsprüfung: Vergleiche das Profil deiner Stichprobe mit der Zielgruppenstruktur. Weicht deine Stichprobe deutlich ab, benenne das als mögliche Verzerrung.
Ein guter Einladungstext ist kurz, klar und enthält alle relevanten Informationen.
Dokumentiere den Rekrutierungsprozess vollständig: Welche Kanäle hast du wann genutzt? Wie viele Einladungen wurden verschickt? Wie hoch war die Response-Rate pro Kanal? Diese Informationen gehören in den Methodenteil und helfen bei der Einordnung deiner Ergebnisse.
Stichprobe im Methodenteil beschreiben
Der Methodenteil enthält eine vollständige Beschreibung deiner Stichprobe. Betreuende und Prüfende erwarten, dass sie dein Vorgehen nachvollziehen können. Transparenz ist hier wichtiger als Perfektion.
Grundgesamtheit: Definiere, wer zur Grundgesamtheit gehört (zeitlich, räumlich, sachlich eingegrenzt).
Sampling-Strategie: Erkläre, nach welchem Prinzip du ausgewählt hast und warum diese Strategie zur Forschungsfrage passt.
Ein- und Ausschlusskriterien: Nenne die Kriterien, nach denen Teilnehmende in die Stichprobe aufgenommen oder ausgeschlossen wurden.
Rekrutierung: Beschreibe Kanäle, Zeitraum und Response-Rate.
Stichprobenbeschreibung: Charakterisiere die finale Stichprobe (demografische Merkmale, relevante Eigenschaften).
Begründung der Fallzahl: Quantitativ: Power-Analyse. Qualitativ: Sättigungsargument.
„Die Grundgesamtheit umfasst Pflegekräfte in deutschen Krankenhäusern mit mindestens zweijähriger Berufserfahrung. Die Rekrutierung erfolgte über drei Kliniken in Nordrhein-Westfalen im Zeitraum März bis Mai 2025. Von 320 eingeladenen Personen nahmen 248 teil (Response-Rate: 77,5 %). Nach Ausschluss unvollständiger Datensätze verblieben n = 231 für die Analyse. Die Stichprobe besteht zu 82 % aus Frauen, das Durchschnittsalter liegt bei 38,4 Jahren (SD = 9,7), die durchschnittliche Berufserfahrung bei 11,2 Jahren."
Nutze dieses Schema, um den Weg von der Einladung bis zur Analyse transparent zu dokumentieren:
„Eingeladen: n = [Zahl]. Begonnen: n = [Zahl] ([%] der Eingeladenen). Ausgeschlossen: n = [Zahl] (Gründe: [z. B. Screening-Kriterien nicht erfüllt, Attention-Check versagt, unvollständig]). Vollständig: n = [Zahl]. Analysiert: n = [Zahl] (nach Ausreißerprüfung/Bereinigung)."
Dieses Flusschema macht den Datenweg nachvollziehbar und ist besonders bei Umfragen und Experimenten hilfreich. Du kannst es auch als Flowchart visualisieren (PRISMA-ähnlich).
Bei qualitativen Studien gehören zu den demografischen Angaben auch die relevanten Merkmale deiner Interviewpartner. Erstelle eine anonymisierte Tabelle mit Pseudonymen und den für dein Sampling relevanten Eigenschaften (z. B. Branche, Karrierestufe, Alter). Das macht die Fallauswahl transparent.
Die Gliederung deiner Masterarbeit gibt der Stichprobenbeschreibung einen festen Platz. Typischerweise ist sie Teil des Methodenkapitels, das nach dem Theorieteil und vor der Ergebnisdarstellung steht.
Typische Fehler vermeiden
Bei der Stichprobenplanung gibt es einige Fallstricke, die immer wieder auftreten. Hier sind die häufigsten mit konkreten Gegenmaßnahmen.
Stichprobe zu klein für die geplante Analyse: Wer 50 Fragebögen erhebt und dann eine komplexe Regressionsanalyse rechnen will, hat ein Problem. Vermeidung: Definiere zuerst die Analyse, dann die nötige Stichprobengröße. Führe die Power-Analyse vor der Erhebung durch, nicht danach.
Sampling-Strategie nicht begründet: „Ich habe Studierende befragt, weil sie leicht erreichbar waren" ist keine wissenschaftliche Begründung. Vermeidung: Erkläre, warum diese Gruppe für deine Forschungsfrage relevant ist, und benenne die Grenzen des Convenience Samplings explizit.
Rekrutierung zu spät geplant: Viele unterschätzen den Zeitaufwand für die Teilnehmergewinnung. Vermeidung: Beginne mit der Rekrutierungsplanung parallel zur Fragebogenentwicklung. Rechne mit mehreren Wochen Feldzeit und Puffer für Nachfassaktionen.
Dropout nicht eingeplant: Die Ziel-Stichprobe entspricht der angestrebten Fallzahl nach Bereinigung. Vermeidung: Plane 15 bis 30 Prozent mehr Einladungen als benötigte vollständige Datensätze. Bei langen Fragebögen oder ohne Incentive eher mehr.
Sättigung nicht dokumentiert: „Die Interviews wurden beendet, weil die Zeit knapp wurde" ist kein Sättigungsargument. Vermeidung: Führe Memos während der Erhebung und dokumentiere, ab wann keine neuen Kategorien mehr auftreten. Beschreibe diesen Prozess im Methodenteil.
Post-hoc Power als Rechtfertigung: Manche berechnen die Power erst nach der Erhebung und argumentieren dann, die Stichprobe sei „ausreichend". Das ist methodisch fragwürdig, weil post-hoc Power direkt vom p-Wert abhängt und keine unabhängige Information liefert. Vermeidung: Power-Analyse immer vor der Erhebung (a priori) durchführen. Wenn die Stichprobe kleiner ausfällt als geplant, ist das eine Limitation, kein nachträglicher Rechentrick.
Subgruppenanalysen ohne Stichprobenplanung: Wer eine Stichprobe für eine Haupthypothese plant, aber dann fünf Subgruppenvergleiche rechnet, hat für diese vermutlich zu wenig Power. Das führt zu Fehlinterpretationen (nicht-signifikant ≠ kein Effekt). Vermeidung: Priorisiere Haupthypothesen, plane Stichprobe dafür. Sekundäre Analysen als explorativ kennzeichnen. Bei mehreren zentralen Hypothesen: Power für die aufwändigste Analyse berechnen.
Lies zwei bis drei aktuelle Masterarbeiten aus deinem Fachbereich und achte darauf, wie andere die Stichprobe beschrieben haben. Das gibt dir ein Gefühl für die erwartete Detailtiefe und typische Formulierungen.
Nächste Schritte
Wenn du deine Stichprobe geplant hast, folgen diese Schritte. Sie helfen dir, von der Planung zur Umsetzung zu kommen.
Erhebungsinstrument entwickeln: Erstelle deinen Fragebogen oder Interviewleitfaden. Teste das Instrument im Pretest mit wenigen Personen aus der Zielgruppe. Passe es basierend auf dem Feedback an.
Ethik und Datenschutz klären: Prüfe, ob du eine Genehmigung der Ethikkommission brauchst. Bereite DSGVO-konforme Einwilligungserklärungen vor. Plane die Anonymisierung oder Pseudonymisierung der Daten. Mehr dazu im Artikel über Ethik in der Masterarbeit.
Rekrutierung starten: Aktiviere deine Rekrutierungskanäle. Dokumentiere jeden Schritt: Wann wurde was an wen verschickt? Wie viele Rückläufe pro Kanal? Diese Informationen brauchst du für den Methodenteil.
Datenqualität sichern: Baue Qualitätskontrollen in deine Erhebung ein. Bei Umfragen: Attention Checks, Bearbeitungszeit prüfen. Bei Interviews: Gesprächsnotizen führen, zeitnah transkribieren.
Grundgesamtheit: Zeitlich, räumlich und sachlich definiert?
Sampling-Strategie: Begründet und zur Forschungsfrage passend?
Fallzahl: Per Power-Analyse oder Sättigungsargument begründet?
Rekrutierung: Kanäle identifiziert, Dropout-Puffer eingeplant?
Ethik: Einwilligung, Datenschutz, ggf. Ethikvotum geklärt?
Wenn du deine Masterarbeit drucken und binden lassen möchtest, kannst du das bei BachelorHero online konfigurieren.
Häufig gestellte Fragen
Wie groß muss meine Stichprobe für eine Masterarbeit sein?
Das hängt vom Forschungsdesign ab. Quantitativ: Die Stichprobengröße ergibt sich aus der Power-Analyse (Effektgröße, Alpha, Power). Häufig liegen Umfragen bei 100 bis 300 Teilnehmenden, die exakte Zahl hängt vom Analysemodell ab. Qualitativ: Typisch sind 8 bis 15 Interviews, entscheidend ist die theoretische Sättigung. Prüfe die Erwartungen deines Lehrstuhls.
Was ist der Unterschied zwischen Zufallsstichprobe und Convenience Sampling?
Bei der Zufallsstichprobe hat jede Person der Grundgesamtheit die gleiche Chance, ausgewählt zu werden. Das ermöglicht verallgemeinerbare Aussagen. Convenience Sampling wählt Teilnehmende nach Erreichbarkeit aus (z. B. Kommilitonen). Das ist praktisch, schränkt aber die Generalisierbarkeit ein. Formulierungsbaustein für die Limitation: „Die Stichprobe wurde per Convenience Sampling rekrutiert. Dadurch ist eine Übertragbarkeit auf [Grundgesamtheit] nur eingeschränkt möglich."
Wie begründe ich meine Stichprobengröße im Methodenteil?
Quantitativ: Beschreibe die Power-Analyse mit den Parametern (Effektgröße, Alpha, Power) und der berechneten Mindestgröße. Qualitativ: Erkläre dein Sampling-Kriterium (z. B. maximale Variation) und das Sättigungsargument (ab wann keine neuen Kategorien mehr). In beiden Fällen: Benenne die Quelle für die Effektannahme oder das Sättigungskonzept.
Was bedeutet theoretische Sättigung?
Theoretische Sättigung ist ein Abbruchkriterium in der qualitativen Forschung. Du erreichst sie, wenn neue Interviews keine wesentlich neuen Kategorien oder Erkenntnisse mehr liefern. Drei Signale für Sättigung: (1) Neue Codes passen in bestehende Kategorien. (2) Du kannst voraussagen, was Interviewte sagen werden. (3) Zwei bis drei zusätzliche Interviews bringen keine neuen Hauptthemen. Im Methodenteil dokumentierst du, ab welchem Interview du diese Signale beobachtet hast.
Wie rekrutiere ich Teilnehmende für meine Studie?
Identifiziere zuerst die Zielgruppe und passende Kanäle: Online-Panels, Social Media, Uni-Verteiler, Organisationen oder Schneeballverfahren. Plane mit Dropout-Puffer (10 bis 30 Prozent). Formuliere einen klaren Einladungstext mit Zeitangabe, Thema und ggf. Incentive. Dokumentiere alle Rekrutierungsschritte für den Methodenteil.
Muss ich eine Zufallsstichprobe ziehen?
Nicht zwingend. Eine echte Zufallsstichprobe ist in Masterarbeiten oft nicht realisierbar, weil kein vollständiges Register der Grundgesamtheit existiert. Wichtiger ist, dass du dein Sampling begründest und die Grenzen reflektierst. Auch bei nicht-zufälligen Stichproben sind aussagekräftige Ergebnisse möglich, die Generalisierbarkeit ist aber eingeschränkt.
Wie gehe ich mit niedriger Rücklaufquote um?
Drei Schritte: (1) Rücklaufquote im Methodenteil transparent berichten (Eingeladene vs. Teilnehmende vs. vollständige Datensätze). (2) Mögliche Verzerrungen benennen: Wer hat vermutlich nicht teilgenommen und warum? (3) Limitation formulieren: „Die niedrige Response-Rate von X % schränkt die Generalisierbarkeit ein, da systematische Unterschiede zwischen Teilnehmenden und Nicht-Teilnehmenden nicht ausgeschlossen werden können."
Wie begründe ich die Effektgröße, wenn es kaum Vorstudien gibt?
Drei Optionen: (1) Pilotstudie mit kleiner Stichprobe durchführen, um eine erste Schätzung zu erhalten. (2) „Smallest effect size of interest" definieren: Welcher Effekt wäre praktisch relevant? Diesen als Mindestgröße ansetzen. (3) Konservative Annahme (kleiner Effekt, d = 0,2) wählen und im Methodenteil begründen. Ergänzend: Sensitivitätsanalyse berichten, die zeigt, welche Effekte mit deiner tatsächlichen Stichprobe nachweisbar wären.
Weitere interessante Artikel 
Transkription in der Masterarbeit 
Fragebogen in der Masterarbeit 
Internetquellen richtig zitieren