Visuelle Analogskala (VAS) – Statistik-Auswertung mit SPSS

Visuelle Analogskalen können wie Intervallskalen behandelt werden. Ist zum Beispiel das Ziel einer Auswertung, die Stichprobe auf Gruppenunterschiede im Antwortverhalten zu vergleichen (per Signifikanztests), läuft das bei einer Intervallskala auf einen Vergleich von Mittelwert und Standardabweichung, Median und Normalverteilung hinaus. Ein dafür grundlegendes Testverfahren ist der t-Test für zwei unabhängige Stichproben (zum Beispiel der Vergleich männlich versus weiblich) beziehungsweise die Varianzanalyse ANOVA (für mehrere unabhängige Stichproben, zum Beispiel wenn Befragte aus mehreren Unternehmen, denen derselbe Fragebogen vorgelegt wurde, nach ihrer Branchenzugehörigkeit gruppiert werden). In SPSS ist dafür standardmäßig die Anweisung „Analyse – Vergleiche Mittelwerte“ enthalten. Dabei wird das Konstrukt, dass die Analogskala abbildet, als Abhängige Variable festgelegt.

Der folgende Screenshot zeigt die SPSS-Ausgabe eines t-Tests zur Auswertung einer Analogskala mit elf Kategorien von Null bis Zehn. Es wurden 94 Personen (N = 94) nach ihrer Zufriedenheit, sagen wir mal am Arbeitsplatz, befragt.

Auswertung von Antwortdaten für eine Analogskala mit SPSS (Beispiel)

Die Gruppierung der Stichprobe nach Geschlecht zeigt, dass die 49 Frauen der Stichprobe aufgrund des höheren Mittelwertes (8,16 > 7,93) etwas zufriedener sind als die 45 Männer (obige Tabelle). Aus den Mittelwerten und Standardabweichungen wird der t-Wert berechnet, der separat ausgegeben wird (untere Tabelle). Er beträgt 0,544 (Varianzhomogenität: Annahme „Varianzen sind gleich“) beziehungsweise 0,543 (Varianzheterogenität: Annahme „Varianzen sind nicht gleich“). Beide liegen als fast bei null (wären die Mittelwerte gleich wären sie exakt null), und daher ist die Signifikanz (2-seitig) relativ groß: Wegen p = 0,588 beziehungsweise p = 0,589 gibt es keinen signifikanten Unterschied (weil deutlich größer als das in Studien oft festgelegte Signifikanzniveau von 0,05) zwischen den Geschlechtern. Der Levene-Test auf Varianzhomogenität (Tabelle unten) liefert einen p-Wert von 0,676. Das ist ebenfalls nicht signifikant wegen 0,676 > 0,05 und bedeutet, dass Varianzhomogenität gegeben ist. Neben der Homogenität der Varianzen ist die Normalverteilung der Daten Voraussetzung zur Anwendung von t-Test und ANOVA (Vorab-Prüfung auf Normalverteilung, zum Beispiel mit dem Kolmogorov-Smirnov-Test oder Shapiro-Wilk-Test). Achtung: Ausgerechnet bei Analogskalen sind in der Praxis die Antwortdaten oft nicht normalverteilt. In solchen Fällen sollten alternative Verfahren erwogen werden, um das Ergebnis abzusichern. So kann es besser sein, anstatt des Mittelwerts (klassischer Levene-Test) den Median zu verwenden (modifizierter Levene-Test, auch Brown-Forsythe-Test genannt). Diese Alternativen sind in SPSS leider nicht standardmäßig implementiert und müssen separat durchgerechnet werden, zum Beispiel mit Excel.