Stichprobe und Sampling in der Masterarbeit: Auswahl, Rekrutierung und Fallzahl begründen

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).

Inhaltsverzeichnis

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.

Die folgenden Studienbeispiele und ausgefüllten Formulierungen sind fiktiv; Zahlen und Annahmen veranschaulichen die Planung.

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.

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.

Zufallsstichprobe (Probability Sampling)

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 geeigneter Auswahlrahmen verfügbar ist, etwa eine Personenliste oder ein Gebietsverzeichnis für eine mehrstufige Auswahl.

Purposive Sampling (gezieltes Sampling)

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.

Convenience Sampling (Gelegenheitsstichprobe)

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.

Schneeball-Sampling

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).

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 Effektgröße ist oft der schwierigste Parameter. Du kannst sie aus früherer Forschung ableiten oder als kleinsten praktisch relevanten Effekt definieren. Eine kleine Pilotstudie kann die Machbarkeit und Varianz informieren, ihre Effektschätzung ist aber oft unpräzise. Ohne fundierte Effektannahme bleibt die Power-Analyse eine Szenariorechnung.

G*Power unterstützt Power-Analysen für viele verbreitete Tests. Wähle das Verfahren, das deinem tatsächlich geplanten Modell entspricht, dokumentiere Version und Eingaben und speichere den Output. Bei komplexen Designs ist eine Simulation oder spezialisierte Software oft passender.

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 die akzeptierte halbe Zielbreite des Intervalls. Bei e = 0,05 ist das geplante 95-%-Intervall unter den Modellannahmen ungefähr ±5 Prozentpunkte breit. Die 95 % beziehen sich auf die langfristige Abdeckung des Verfahrens, nicht auf eine nachträgliche Wahrscheinlichkeit für den festen 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. Unter den genannten Annahmen plant dieses Beispiel ein 95-%-Intervall mit ungefähr ±5 Prozentpunkten Zielpräzision. Für e = 0,03 ergibt die Formel rund 1.068 vollständige Fälle.

Wichtige Nuancen: Diese Formel gilt für einfache Zufallsstichproben und große Grundgesamtheiten. Bei einfacher Zufallsauswahl ohne Zurücklegen aus einer kleinen Grundgesamtheit (z. B. N = 500) kannst du mit der Finite-Population-Correction korrigieren: n_korr = n / (1 + (n−1)/N). Bei komplexen Designs passt du die Fallzahl mit einem Design-Effekt-Faktor (DEFF) an. Ein DEFF über 1 erhöht den Bedarf; ein effizienteres Design kann auch einen Wert unter 1 haben. 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.

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 Begründung richtet sich nach Ansatz, Informationsbedarf und Auswahlstrategie. Theoretische Sättigung passt zu theoriebildenden Ansätzen.

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.

Betreuende erwarten oft eine Vorab-Angabe zur geplanten Fallzahl, auch wenn Sättigung ein emergentes Kriterium ist. Nenne dann einen begründeten Zielkorridor und erkläre, anhand welcher Beobachtungen du ihn während der Erhebung überprüfst. 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.

Dropout-Puffer einplanen: Nicht alle, die starten, beenden deine Studie. Bei Online-Umfragen hängt die Abbruchquote unter anderem von Länge, Thema, Rekrutierungsweg und Endgerät ab. Schätze sie mit Pilotdaten oder vergleichbaren Studien. Berücksichtige für die nötige Einladungszahl zusätzlich, welcher Anteil der Eingeladenen überhaupt beginnt, und dokumentiere beide Annahmen.

Dokumentiere den Rekrutierungsprozess vollständig: Welche Kanäle hast du wann genutzt? Wie viele Einladungen wurden verschickt? Welche Teilnahmequote ergibt sich pro Kanal bei bekanntem Nenner? Bei offenen Links ohne bekannte Zahl erreichter Personen berichtest du die Teilnahmezahlen. 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.

Nutze dieses Schema, um den Weg von der Einladung bis zur Analyse transparent zu dokumentieren:

Dieses Flussschema 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 Tabelle mit Pseudonymen und den für dein Sampling relevanten Eigenschaften (z. B. Branche, Karrierestufe, Alter). Pseudonyme allein gewährleisten keine Anonymität. Prüfe vor der Veröffentlichung, ob Merkmalskombinationen Personen identifizierbar machen, und vergröbere oder entferne solche Angaben. So bleibt die Fallauswahl nachvollziehbar, ohne unnötige Identifikationsmerkmale offenzulegen.

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

  Problem: Ob 50 Fragebögen für eine komplexe Regressionsanalyse reichen, hängt unter anderem von Modell und Effektannahmen ab.

  So behebst du es: Definiere zuerst die Analyse, dann die nötige Stichprobengröße. Führe die A-priori-Power-Analyse vor der Erhebung durch.

• Sampling-Strategie nicht begründet

  Problem: „Ich habe Studierende befragt, weil sie leicht erreichbar waren“ ist allein keine ausreichende wissenschaftliche Begründung.

  So behebst du es: Erkläre, warum diese Gruppe für deine Forschungsfrage relevant ist, und benenne die Grenzen des Convenience Samplings explizit.

• Rekrutierung zu spät geplant

  Problem: Viele unterschätzen den Zeitaufwand für die Teilnehmergewinnung.

  So behebst du es: Beginne mit der Rekrutierungsplanung parallel zur Fragebogenentwicklung. Rechne mit mehreren Wochen Feldzeit und Puffer für Nachfassaktionen.

• Dropout nicht eingeplant

  Problem: Du lädst nur so viele Personen ein, wie du nach der Bereinigung für die Analyse brauchst. Jeder Abbruch macht die Stichprobe dann zu klein.

  So behebst du es: Leite den Puffer aus einem Pretest, vergleichbaren Studien oder belastbaren Erfahrungswerten ab und halte fest, wie du von der Ziel-Fallzahl zur Zahl der Einladungen kommst.

• Sättigung nicht dokumentiert

  Problem: „Die Interviews wurden beendet, weil die Zeit knapp wurde“ ist kein Sättigungsargument.

  So behebst du es: Führe Memos während der Erhebung und dokumentiere, wie sich Kategorien und gegebenenfalls ihre theoretischen Beziehungen entwickeln. Beschreibe im Methodenteil, welches Sättigungskonzept du verwendest und wie du es geprüft hast.

• Beobachtete Power als Rechtfertigung

  Problem: Wer die beobachtete Effektgröße nachträglich als Populationseffekt einsetzt, erhält keine unabhängige Bestätigung, dass die Stichprobe „ausreichend“ war.

  So behebst du es: Plane die Fallzahl vor der Erhebung (a priori). Bei kleinerem n kannst du die Power für einen zuvor begründeten Effekt oder die nachweisbare Effektgröße berechnen; beides ersetzt keine Interpretation der Effektschätzung und ihres Konfidenzintervalls.

• Subgruppenanalysen ohne Stichprobenplanung

  Problem: 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).

  So behebst du es: Priorisiere die Haupthypothesen und plane die Stichprobe dafür. Kennzeichne ungeplante sekundäre Analysen als explorativ. Bei mehreren zentralen Hypothesen: Plane die Power für die entscheidenden Tests und berücksichtige dabei eine gegebenenfalls nötige Korrektur für multiples Testen.

Nächste Schritte

Wenn du deine Stichprobe geplant hast, folgen diese Schritte. Sie helfen dir, von der Planung zur Umsetzung zu kommen.

1. 1

   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.

2. 2

   Ethik und Datenschutz klären

   Prüfe, ob du eine Genehmigung der Ethikkommission brauchst. Kläre Rechtsgrundlage, Teilnehmerinformation und, falls erforderlich, Einwilligung mit der zuständigen Stelle. Plane Datenminimierung, Zugriffe sowie Pseudonymisierung oder Anonymisierung. Mehr dazu im Artikel über Ethik in der Masterarbeit.

3. 3

   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.

4. 4

   Datenqualität sichern

   Baue Qualitätskontrollen in deine Erhebung ein. Bei Umfragen: Attention Checks, Bearbeitungszeit prüfen. Bei Interviews: Gesprächsnotizen führen, zeitnah transkribieren.

Wenn du deine Masterarbeit drucken lassen möchtest, kannst du Druck und Bindung bei BachelorHero online konfigurieren.

Häufig gestellte Fragen

Wie groß muss meine Stichprobe für eine Masterarbeit sein?

Das hängt vom Forschungsdesign ab. Quantitativ planst du n für den primären Test oder die gewünschte Präzision und berücksichtigst Design, Gruppenverteilung und Ausfälle. Qualitativ leitest du den Zielkorridor aus Ansatz, Auswahlstrategie, Heterogenität, Interviewtiefe und Auswertung ab. Eine pauschale Fallzahl für „Masterarbeiten“ gibt es nicht.

Was ist der Unterschied zwischen Zufallsstichprobe und Convenience Sampling?

Bei einer einfachen Zufallsstichprobe hat jedes Element der definierten Grundgesamtheit dieselbe bekannte Auswahlchance. Das ermöglicht unter weiteren Annahmen designbasierte Unsicherheitsangaben. Convenience Sampling wählt Teilnehmende nach Erreichbarkeit aus (z. B. Kommilitonen); Auswahlwahrscheinlichkeiten und Selektionsfehler sind dann nicht kontrolliert. Formulierungsbaustein: „Die Stichprobe wurde per Convenience Sampling rekrutiert. Eine Übertragung auf [Grundgesamtheit] ist deshalb nur eingeschränkt begründbar.“

Wie begründe ich meine Stichprobengröße im Methodenteil?

Quantitativ: Beschreibe die Power-Analyse oder die angestrebte Präzision mit Annahmen und berechneter Fallzahl. Qualitativ: Erkläre Auswahlstrategie, Informationsbedarf und das zu deinem Ansatz passende Kriterium für eine ausreichende Stichprobe. Wenn du Sättigung beanspruchst, benenne das Konzept und dokumentiere, woran du sie erkennst. Belege die methodischen Annahmen.

Was bedeutet theoretische Sättigung?

Theoretische Sättigung ist ein Abbruchkriterium in theoriebildenden qualitativen Ansätzen. Zusätzliche Fälle verändern die für die Theorie relevanten Kategorien und Beziehungen dann nicht mehr wesentlich. Lege vorab fest, was du beobachtest, analysiere parallel zur Erhebung und dokumentiere Memos sowie Entscheidungen. Nicht jedes qualitative Design beansprucht theoretische Sättigung; nutze den Begriff nur passend zu deinem Ansatz.

Wie rekrutiere ich Teilnehmende für meine Studie?

Identifiziere zuerst die Zielgruppe und passende Kanäle: Online-Panels, Social Media, Uni-Verteiler, Organisationen oder Schneeballverfahren. Leite Einladungszahl und Ausfallreserve möglichst aus Pretest, vergleichbaren Studien und dem Rekrutierungsweg ab. Formuliere einen klaren Einladungstext mit Zeitangabe, Thema und gegebenenfalls Incentive. Dokumentiere alle Rekrutierungsschritte.

Muss ich eine Zufallsstichprobe ziehen?

Nicht zwingend. Eine echte Zufallsstichprobe ist in Masterarbeiten oft nicht realisierbar, weil kein geeigneter Auswahlrahmen zugänglich ist. 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) Eingeladene, begonnene und vollständige Teilnahmen transparent berichten; für jede Quote Zähler und Nenner angeben. (2) Mögliche Verzerrungen prüfen: Wer hat vermutlich nicht teilgenommen und warum? Eine niedrige Quote allein belegt noch keinen Bias. (3) Mögliche Einschränkungen benennen, zum Beispiel: „Systematische Unterschiede zwischen Teilnehmenden und Nicht-Teilnehmenden lassen sich mit den verfügbaren Angaben nicht ausschließen; dadurch könnte die Übertragbarkeit eingeschränkt sein.“

Wie begründe ich die Effektgröße, wenn es kaum Vorstudien gibt?

Definiere möglichst den kleinsten inhaltlich relevanten Effekt und begründe ihn fachlich. Eine Pilotstudie kann Machbarkeit und Varianz informieren, liefert bei kleinem n aber oft eine sehr unsichere Effektschätzung. Berichte deshalb Annahme und Quelle transparent und ergänze eine Sensitivitätsanalyse: Welche Effekte könnte die tatsächlich erreichbare Stichprobe bei deinem Design mit welcher Power erkennen?

Weitere interessante Artikel

Transkription in der Masterarbeit

Fragebogen in der Masterarbeit

Internetquellen richtig zitieren