Statistische Analysemethoden für Umfragen: ein kurzer Leitfaden
Warum statistische Analysemethoden für Umfragen verwenden?
Wenn es um Umfragedaten geht, ist die Erhebung nur die Hälfte des Bildes. Was Sie mit Ihren Ergebnissen machen, kann den Unterschied zwischen uninteressanten Top-Line-Ergebnissen und tiefen, aufschlussreichen Erkenntnissen ausmachen. Der Einsatz von Datenverarbeitungswerkzeugen und Techniken wie statistischen Tests kann Ihnen bei der Entdeckung helfen:
- ob die Trends, die Sie in Ihren Daten sehen, aussagekräftig oder nur zufällig sind
- was Ihre Ergebnisse im Kontext anderer Informationen, die Sie besitzen, bedeuten
- ob ein Faktor, der Ihr Geschäft beeinflusst, wichtiger ist als andere
- wie Ihre nächste Forschungsfrage lauten sollte
- wie Sie Erkenntnisse generieren, die zu sinnvollen Änderungen führen
Es gibt verschiedene Arten der statistischen Analyse für Umfragen. In diesem Artikel gehen wir auf einige der gängigsten Methoden ein und bieten Links zu weiterführenden Erklärungen des Qualtrics-Teams.
Benchmarking
Benchmarking ist eine Methode zur Standardisierung – zur Angleichung des Spielfelds -, damit Ihre Daten und Ergebnisse im Kontext aussagekräftig sind. Es geht darum, externe Faktoren zu berücksichtigen, damit Sie die Parameter Ihrer Forschung anpassen können und ein genaueres Verständnis davon bekommen, was passiert.
Benchmarking-Techniken verwenden eine Gewichtung, um Variablen zu berücksichtigen, die die Gesamtergebnisse beeinflussen können. Stellen Sie sich zum Beispiel vor, Sie interessieren sich für das Wachstum von Nutzpflanzen über eine Saison. Ihr Benchmarking wird Variablen berücksichtigen, die sich auf das Pflanzenwachstum auswirken, wie z. B. Niederschlag, Sonnenstunden, eventuelle Schädlinge oder Krankheiten, Art und Häufigkeit der Düngung usw., so dass Sie alles Ungewöhnliche ausgleichen können, wie z.B. einen unerwarteten Ausbruch einer Pflanzenkrankheit auf einem einzelnen Betrieb innerhalb Ihrer Stichprobe.
Mit den Benchmarks haben Sie eine Referenz dafür, was in Ihrem Interessengebiet „Standard“ ist, so dass Sie Abweichungen von der Norm besser identifizieren und untersuchen können.
Das Ziel ist, wie bei so vielen Umfragen, sicherzustellen, dass Ihre Stichprobe repräsentativ und nicht verzerrt ist, und dass alle Vergleiche mit anderen Daten gleich sind.
Erfahren Sie mehr über Benchmarking für Unternehmen
Regressionsanalyse
Regression ist eine statistische Technik, die verwendet wird, um die Beziehung zwischen zwei (oder mehr) Variablen zu ermitteln.
Um Regressionen zu verstehen, brauchen wir einen kurzen Terminologie-Check:
- Unabhängige Variablen sind „eigenständige“ Phänomene (im Kontext der Studie), die abhängige Variablen beeinflussen
- Abhängige Variablen sind Dinge, die sich aufgrund ihrer Beziehung zu unabhängigen Variablen verändern
Eine Veränderung einer abhängigen Variable – sagen wir, das Wachstum der Ernte im August – hängt von einer Veränderung einer (oder mehrerer) unabhängiger Variablen ab und ist mit dieser verbunden – im Beispiel der Ernte können dies Sonnenschein, Niederschlag und Verschmutzungsgrad sein.
- Die lineare Regression verwendet eine einzelne unabhängige Variable, um ein Ergebnis der abhängigen Variable vorherzusagen.
- Die multiple Regression verwendet mindestens zwei unabhängige Variablen. Eine multiple Regression kann linear oder nicht-linear sein.
Die Ergebnisse einer linearen Regressionsanalyse werden als Diagramm mit Variablen auf den Achsen und einer „Regressionskurve“ dargestellt, die die Beziehungen zwischen ihnen zeigt. Daten sind selten direkt proportional, daher gibt es normalerweise einen gewissen Grad an Kurve statt einer geraden Linie.
Dies ist ein nützlicher Test, da Sie in der Lage sind, die genaue Auswirkung einer Änderung Ihrer unabhängigen Variablen zu identifizieren.
Lesen Sie mehr über Regressionen
Der T-Test
Der T-Test (auch Student’s T-Test genannt) ist ein Werkzeug zum Vergleich zweier Datengruppen, die unterschiedliche Mittelwerte haben. Haben z.B. Frauen und Männer unterschiedliche mittlere Körpergrößen? Mit dem T-Test kann man interpretieren, ob die Unterschiede statistisch signifikant oder nur zufällig sind.
Die Ergebnisse eines T-Tests werden als Wahrscheinlichkeit (p-Wert) ausgedrückt. Liegt der p-Wert unter einem bestimmten Schwellenwert, in der Regel 0,05, dann können Sie sehr sicher sein, dass sich Ihre beiden Gruppen wirklich unterscheiden und es sich nicht nur um eine zufällige Abweichung zwischen Ihren Stichprobendaten handelt.
Lesen Sie unsere Einführung in die T-Test-Theorie für Umfragen
Varianzanalyse (ANOVA)-Test
Wie der T-Test ist auch die ANOVA (Varianzanalyse) eine Möglichkeit, die Unterschiede zwischen Gruppen zu testen, um festzustellen, ob sie statistisch signifikant sind. Mit der ANOVA können Sie jedoch drei oder mehr Gruppen statt nur zwei vergleichen.
Die ANOVA wird bei einer Regressionsstudie verwendet, um herauszufinden, welchen Effekt unabhängige Variablen auf die abhängige Variable haben. Sie kann mehrere Gruppen gleichzeitig vergleichen, um zu sehen, ob es eine Beziehung zwischen ihnen gibt, z. B. um zu untersuchen, ob verschiedene Arten von Werbung unterschiedliche Verbraucherreaktionen hervorrufen.
Vertiefen Sie: Was ist eine Varianzanalyse (ANOVA)?
Clusteranalyse
Die Clusteranalyse ist eine Möglichkeit, Datensätze zu verarbeiten, indem man feststellt, wie eng die einzelnen Datenpunkte miteinander verbunden sind. Mit Hilfe der Clusteranalyse können Sie feststellen, ob es innerhalb eines großen Datenpools definierte Gruppen (Cluster) gibt oder ob die Daten recht gleichmäßig verteilt sind.
Die Clusteranalyse gibt es in verschiedenen Formen, je nachdem, welche Art von Daten Sie haben und was Sie herausfinden wollen. Sie kann explorativ eingesetzt werden, z. B. um Cluster in Umfragedaten rund um demografische Trends oder Vorlieben zu entdecken, oder um bestehende Hypothesen zu bestätigen und zu klären. Sie ist eine der beliebtesten statistischen Techniken in der Marktforschung, da sie zur Aufdeckung von Marktsegmenten und Kundengruppen verwendet werden kann.
Lesen Sie unsere Einführung in die Clusteranalyse
Faktorenanalyse
Die Faktorenanalyse ist eine Möglichkeit, die Komplexität Ihrer Forschungsergebnisse zu reduzieren, indem Sie eine große Anzahl von Ausgangsvariablen gegen eine kleinere Anzahl von tieferen, zugrunde liegenden Variablen austauschen. Bei der Durchführung der Faktorenanalyse decken Sie „versteckte“ Faktoren auf, die die Varianz (Abweichung vom Durchschnitt) in Ihren Ergebnissen erklären.
Da sie tief in die Kausalität hinter Ihren Daten eindringt, ist sie auch eine Form der Forschung an sich, da sie Ihnen Zugang zu den Treibern der Ergebnisse gibt, die nicht direkt gemessen werden können.
Erfahren Sie mehr über die Faktorenanalyse
Conjoint-Analyse
Marktforscher lieben es zu verstehen und vorherzusagen, warum Menschen die komplexen Entscheidungen treffen, die sie tun. Die Conjoint-Analyse kommt dem am nächsten: Sie bittet Menschen, bei ihren Entscheidungen Abwägungen zu treffen, genau wie in der realen Welt, und analysiert dann die Ergebnisse, um das beliebteste Ergebnis zu ermitteln.
Zum Beispiel: Ein Investor möchte in einer Stadt ein neues Restaurant eröffnen. Er denkt, dass eine der folgenden Optionen die profitabelste sein könnte:
| Typ des Restaurants | Gourmet Burger | Spanische Tapas | Thai |
| Durchschnittspreis pro Kopf | $20 | $40 | $60 |
| Entfernung vom Ortszentrum | 5 Meilen | 2 Meilen | 10 Meilen |
| Was meint der Partner des Kunden? | Es ist OK | Es ist OK | Liebt es! |
| Abstriche | Es ist billig, ziemlich nah am Haus, Partner ist einfach OK damit | Es ist ein bisschen teurer, aber sehr nah am Haus, Partner ist gerade noch OK damit | Es ist teuer, ziemlich weit weg von zu Hause, aber Partner liebt es |
Der Investor gibt eine Marktforschung in Auftrag. Die Optionen werden in eine Umfrage für die Bewohner umgesetzt:
- Welche Art von Restaurant bevorzugen Sie? (Gourmet-Burger/spanische Tapas/Thai
- Was wären Sie bereit, pro Kopf auszugeben? ($20, $40, $60)
- Wie weit wären Sie bereit zu fahren? (5km, 2km, 10km)
- Würde Ihr Partner…? (Lieben Sie es, wäre es OK)
Es gibt viele mögliche Kombinationen von Antworten – in diesem Fall 54: (3 Restauranttypen) x (3 Preisniveaus) x (3 Entfernungen) x (2 Partnerpräferenzen). Sobald die Umfragedaten vorliegen, verarbeitet die Conjoint-Analyse-Software sie, um herauszufinden, wie wichtig die einzelnen Optionen für die Entscheidungen der Kunden sind, welche Preisniveaus für jede Option bevorzugt werden und um wie viel.
So kann der Restaurant-Investor durch die Conjoint-Analyse herausfinden, dass es eine Präferenz für eine teure spanische Tapas-Bar am Stadtrand gibt – etwas, das er vorher vielleicht nicht in Betracht gezogen hat.
Weitere Details: Was ist eine Conjoint-Analyse? Conjoint-Typen und wann man sie einsetzt
Kreuztabellen-Analyse
Kreuztabellen werden in der quantitativen Marktforschung verwendet, um kategoriale Daten zu analysieren – also Variablen, die unterschiedlich sind und sich gegenseitig ausschließen, wie z.B.: ‚Männer‘ und ‚Frauen‘ oder ‚unter 30‘ und ‚über 30‘.
Auch unter Namen wie Kontingenztabelle, Chi-Quadrat und Datentabellen bekannt, ermöglicht es Ihnen, die Beziehung zwischen zwei Variablen zu vergleichen, indem Sie sie in leicht verständlichen Tabellen darstellen.
Mit einer statistischen Methode namens Chi-Quadrat kann getestet werden, ob die Variablen in einer Kreuztabellen-Analyse unabhängig sind oder nicht.
Lesen Sie mehr in unserer Kreuztabellen-Fibel für Marktforscher
Textanalyse und Sentiment-Analyse
Die Analyse menschlicher Sprache ist eine relativ neue Form der Datenverarbeitung, die große Vorteile im Erfahrungsmanagement bietet. Als Teil des Stats iQ-Pakets nutzt TextiQ von Qualtrics maschinelles Lernen und die Verarbeitung natürlicher Sprache, um Daten aus Text-Feedback zu analysieren und zu kategorisieren und so die positive, negative oder neutrale Stimmung von Kundennachrichten und -rezensionen zuzuordnen.
Mit diesen Daten aus der Textanalyse können Sie dann statistische Werkzeuge einsetzen, um Trends zu analysieren, Vorhersagen zu treffen und Treiber für positive Veränderungen zu identifizieren.
Entdecken Sie die Stimmungsanalyse mit Qualtrics TextiQ