SPSS Auswertung Schritt für Schritt: Komplette Anleitung 2026

SPSS (Statistical Package for the Social Sciences, mittlerweile IBM SPSS Statistics) ist nach wie vor die am häufigsten verwendete Statistik-Software in deutschen Kliniken und Universitäten — vor allem für Doktorarbeiten in Medizin, Psychologie und Sozialwissenschaften. Diese Schritt-für-Schritt-Anleitung führt dich durch die komplette SPSS-Auswertung: von der Dateneingabe über deskriptive Statistik, Hypothesentests bis zum Lesen des SPSS-Outputs. Wer einen schnelleren Einstieg braucht, sollte parallel unseren SPSS-Hilfe-Leitfaden lesen — er ergänzt diese Anleitung um konkrete Praxis-Tipps.

Voraussetzungen: SPSS-Lizenz & Daten-Setup

Lizenzen

SPSS ist proprietär. Möglichkeiten für eine günstige Nutzung:

• Universitätslizenz — die meisten deutschen Universitäten stellen kostenlose SPSS-Versionen für Studierende und Promovierende. Frage in deiner IT/Bibliothek nach.
• 30-Tage-Trial auf der IBM-Website (für Probedurchläufe ausreichend)
• Studierendenversion — im Buchhandel ab ca. 50 € für 12 Monate (mit Buch)
• Vollversion — ab ca. 1.200 € pro Jahr (für Lehrstühle / Praxis)

Alternative: Wer keinen SPSS-Zugang hat, sollte R in Erwägung ziehen — kostenlos, mächtiger, mit kürzerer Lernkurve als oft angenommen. Mehr in unserer R-Statistik-Anleitung.

Datenformat vorbereiten

Bevor SPSS gestartet wird, sollten die Daten strukturiert sein:

• Eine Zeile pro Beobachtung (long format)
• Eine Spalte pro Variable
• Erste Zeile = Variablennamen (kurz, ohne Sonderzeichen, ohne Leerzeichen)
• Fehlende Werte einheitlich kodiert (z. B. 999, -99 oder leer)
• Kategoriale Variablen numerisch kodieren (z. B. 1=männlich, 2=weiblich)

Gut formatiert in Excel oder direkt in SPSS — der Import funktioniert in beide Richtungen.

Schritt 1: Daten eingeben oder importieren

Direkt-Eingabe

Beim Öffnen von SPSS siehst du zwei Tabs unten links: Datenansicht (Spreadsheet-View) und Variablenansicht (Variable Definition).

1. Wechsle zur Variablenansicht
2. Definiere für jede Variable:
   • Name (max. 64 Zeichen, keine Leerzeichen, kein erstes Zeichen Zahl)
   • Typ (Numerisch, String, Datum)
   • Spaltenformat (Breite, Dezimalstellen)
   • Beschriftung (vollständiger Variablenname für Outputs)
   • Werte (z. B. 1=ja, 2=nein) — entscheidend für lesbare Outputs!
   • Fehlende Werte
   • Messniveau (Skala, Ordinal, Nominal) — wichtig für korrekte Tests

Excel-Import

Datei → Importieren → Excel...

• Pfad zur Datei wählen
• Erste Zeile als Variablennamen markieren
• Datenbereich angeben

Nach dem Import: immer in der Variablenansicht prüfen, ob Datentypen, Messniveaus und Werte-Labels korrekt sind. Häufiger Fehler: Numerische Werte werden als String importiert.

Praxis-Tipp: Speichere die SPSS-Datei (.sav) nach dem Import einmal sauber ab. So hast du das Original-Excel und die SPSS-Version getrennt — wichtig für die Reproduzierbarkeit deiner Doktorarbeit.

Schritt 2: Deskriptive Statistik

Bevor irgendwelche Tests gerechnet werden, schaust du dir deine Daten an.

Häufigkeiten (für kategoriale Variablen)

Analysieren → Deskriptive Statistiken → Häufigkeiten...

• Variablen ins Feld "Variable(n)" verschieben
• Optional: Unter "Diagramme" Balkendiagramm wählen
• OK

Output enthält:

• Häufigkeit (absolute Zahlen)
• Prozent
• Gültige Prozente (ohne fehlende Werte)
• Kumulierte Prozente

Deskriptive Statistik (für metrische Variablen)

Analysieren → Deskriptive Statistiken → Deskriptive Statistik...

• Variablen verschieben
• Unter "Optionen" wählen: Mittelwert, Median, Standardabweichung, Minimum, Maximum, Schiefe, Kurtosis
• OK

Explorative Datenanalyse

Analysieren → Deskriptive Statistiken → Explorative Datenanalyse...

Liefert zusätzlich:

• Boxplots (zur Identifikation von Ausreißern)
• Histogramme
• Q-Q-Plots (zur Beurteilung der Normalverteilung)
• Kolmogorov-Smirnov + Shapiro-Wilk-Test auf Normalverteilung

Wichtig: Boxplots und Histogramme immer prüfen. Die SPSS-Tests auf Normalverteilung sind bei großen Stichproben (n > 100) übersensibel — visuell beurteilen ist robuster.

Schritt 3: Voraussetzungen prüfen

Bevor du Hypothesentests rechnest, solltest du prüfen, ob die Voraussetzungen erfüllt sind. Sonst riskierst du falsche p-Werte.

Normalverteilung

• Visuell: Histogramm + Q-Q-Plot
• Statistisch: Shapiro-Wilk (n < 50), Kolmogorov-Smirnov (n > 50)
• Daumenregel: Bei n > 30 sind parametrische Tests durch den zentralen Grenzwertsatz meist robust

Varianzhomogenität

• Levene-Test (in SPSS standardmäßig in t-Test- und ANOVA-Output enthalten)
• p > 0,05 → Varianzen nicht signifikant unterschiedlich → Standardvariante des Tests
• p < 0,05 → Welch-Korrektur verwenden (in SPSS automatisch ausgegeben)

Lineare Beziehung (für Regression)

• Streudiagramm (Scatterplot) der Variablen
• Pearson-Korrelation als Vorab-Check

Schritt 4: Häufige Tests und ihre SPSS-Pfade

t-Test für unabhängige Stichproben

Beispiel-Frage: Unterscheidet sich der Blutdruck zwischen Männern und Frauen?

Analysieren → Mittelwerte vergleichen → t-Test bei unabhängigen Stichproben...

• Testvariable: z. B. systolischer Blutdruck
• Gruppenvariable: Geschlecht (1, 2 als Gruppen definieren)
• OK

Output lesen:

• Levene-Test prüfen (p > 0,05 → erste Zeile, p < 0,05 → zweite Zeile lesen)
• t-Wert, Freiheitsgrade, Signifikanz (zweiseitig)
• Mittelwertdifferenz + 95-%-Konfidenzintervall

Gepaarter t-Test

Für Vorher-Nachher-Vergleiche: Analysieren → Mittelwerte vergleichen → t-Test bei verbundenen Stichproben...

ANOVA (einfaktoriell)

Beispiel-Frage: Unterscheidet sich der BMI zwischen 4 Diät-Gruppen?

Analysieren → Mittelwerte vergleichen → Einfaktorielle ANOVA...

• Abhängige Variable: BMI
• Faktor: Diät-Gruppe
• Unter "Post Hoc": Tukey HSD wählen (für paarweise Vergleiche)
• Unter "Optionen": Levene-Test, deskriptive Statistik aktivieren
• OK

Output:

• ANOVA-Tabelle: F-Wert, df, p
• Bei Signifikanz: Post-Hoc-Tabelle mit paarweisen Vergleichen

Chi-Quadrat-Test

Beispiel-Frage: Hängt das Auftreten einer Komplikation vom Geschlecht ab?

Analysieren → Deskriptive Statistiken → Kreuztabellen...

• Zeilen: Geschlecht
• Spalten: Komplikation (ja/nein)
• Unter "Statistik": Chi-Quadrat
• Unter "Zellen": Beobachtete Häufigkeit, Erwartete Häufigkeit, Zeilen-/Spaltenprozente
• OK

Output:

• Chi-Quadrat-Wert, df, p
• Bei kleinen Fallzahlen: Fishers exakter Test verwenden (SPSS rechnet automatisch wenn nötig)

Lineare Regression

Beispiel-Frage: Wie hängt der Blutdruck von Alter und BMI ab?

Analysieren → Regression → Linear...

• Abhängige Variable: Blutdruck
• Unabhängige Variablen: Alter, BMI
• Methode: Einschluss (für die Standard-Analyse)
• Unter "Statistik": Schätzer, Konfidenzintervalle, Modellanpassung, R-Quadrat-Änderung, Kollinearitätsdiagnose
• OK

Output:

• Modell-Übersicht: R, R², adjustiertes R²
• ANOVA des Modells: F-Wert, p (testet, ob das Gesamtmodell signifikant ist)
• Koeffizienten-Tabelle: β-Werte, Standardfehler, Signifikanzen, Konfidenzintervalle, VIF (für Kollinearität)

Logistische Regression

Analysieren → Regression → Binär logistisch...

• Abhängige Variable: binäre Variable (0/1)
• Kovariaten: Prädiktoren
• Unter "Optionen": CI für exp(B) (Odds Ratios)
• OK

Schritt 5: SPSS-Output lesen

Der SPSS-Output kann verwirrend sein. Drei Faustregeln:

1. p-Werte immer auf 3 Nachkommastellen runden. SPSS gibt manchmal "0,000" aus — das soll "p < 0,001" bedeuten, nicht "p = 0".
2. Konfidenzintervalle wichtiger als p-Werte. Ein nicht-signifikanter p-Wert mit engem KI um Null ist informativer als ein "trend zur Signifikanz".
3. Effektstärken berichten. SPSS gibt sie nicht standardmäßig aus — Cohens d, Eta², Cramers V müssen manuell berechnet oder via Syntax angefordert werden.

Eine ausführliche Diskussion zur korrekten Interpretation statistischer Tests in der Doktorarbeit findest du in unserem Hauptleitfaden.

Schritt 6: Ergebnisse korrekt berichten

In Doktorarbeiten und Publikationen sollten Statistik-Ergebnisse standardisiert berichtet werden. Beispiele:

t-Test:

Frauen hatten einen signifikant niedrigeren BMI als Männer (M = 23,4, SD = 3,1 vs. M = 25,8, SD = 4,2; t(198) = -4,72, p < 0,001, Cohens d = 0,67).

ANOVA:

Es gab einen signifikanten Unterschied im BMI zwischen den vier Diätgruppen (F(3, 196) = 8,42, p < 0,001, η² = 0,11). Post-hoc-Tests (Tukey HSD) zeigten signifikante Unterschiede zwischen Gruppe A und C (p = 0,003) sowie A und D (p < 0,001).

Logistische Regression:

Das Alter war ein unabhängiger Prädiktor für die Komplikationsrate (OR = 1,04, 95-%-KI: 1,02–1,06; p < 0,001), nach Adjustierung für Geschlecht und BMI.

Häufige SPSS-Fehler und wie du sie vermeidest

Fehler 1: Falsches Messniveau gesetzt

SPSS rechnet auch mit ordinalen Daten "Mittelwerte" — methodisch oft falsch. Immer in der Variablenansicht das Messniveau prüfen.

Fehler 2: Wertelabels vergessen

Wenn 1=männlich, 2=weiblich, dann sollten die Outputs auch "männlich" und "weiblich" zeigen, nicht "1" und "2". Spart bei der Berichterstellung Zeit.

Fehler 3: Mehrfachtestung ohne Korrektur

Wer 20 t-Tests rechnet und alle nicht-korrigierten p-Werte berichtet, produziert ~1 falsch-positives Ergebnis. Bonferroni-Korrektur oder False Discovery Rate (FDR) anwenden.

Fehler 4: Daten manuell editieren

Korrekturen direkt in der Datenansicht sind nicht reproduzierbar. Stattdessen: SPSS-Syntax verwenden — alle Schritte werden dokumentiert und können neu ausgeführt werden.

Fehler 5: Output ohne Kontext kopieren

Tabellen aus SPSS direkt in Word kopieren ist hässlich. Besser: in Excel exportieren, formatieren, dann einbinden. Oder mit der Pivot-Tabellen-Funktion in SPSS direkt formatieren.

SPSS-Syntax: Reproduzierbar arbeiten

Statt Klick-für-Klick alles manuell zu machen, kannst du in SPSS auch Syntax schreiben — ähnlich wie R-Code.

* T-Test für unabhängige Stichproben.
T-TEST GROUPS=geschlecht(1 2)
  /MISSING=ANALYSIS
  /VARIABLES=blutdruck
  /CRITERIA=CI(.95).

* Lineare Regression mit Konfidenzintervallen.
REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN
  /DEPENDENT blutdruck
  /METHOD=ENTER alter bmi.

Vorteil: Die gesamte Auswertung deiner Doktorarbeit kann in einer Syntax-Datei dokumentiert werden — reproduzierbar, anpassbar, auch nach Jahren noch verständlich.

Praxis-Tipp: Nach jedem Klick-für-Klick-Workflow auf "Einfügen" statt "OK" klicken — SPSS zeigt dir die entsprechende Syntax. So lernst du nebenbei die Sprache.

Wann SPSS auswerten lassen sinnvoll ist

SPSS wirkt zunächst einfach, hat aber Tücken: falsche Test-Wahl, nicht erfüllte Voraussetzungen, ignorierte Kollinearität, fehlende Effektstärken. In der Doktorarbeit kann das später beim Begutachten zu Rückfragen oder Ablehnung führen.

Eine professionelle SPSS-Auswertung ist sinnvoll, wenn:

• Du dir bei der Test-Wahl unsicher bist
• Dein Studiendesign komplex ist (longitudinal, gemischte Modelle, Survival-Analyse)
• Du publikationsreife Tabellen und Grafiken brauchst
• Du auf den Doktorvater-Termin nächste Woche unter Zeitdruck stehst

Mehr Informationen zur professionellen Biostatistik-Auswertung findest du auf unserer Service-Seite.

Zusammenfassung: Die 10 wichtigsten Regeln für SPSS

1. Variablenansicht ist die halbe Miete — Messniveau, Werte, Labels sauber definieren.
2. Deskriptiv vor inferentiell — immer erst Häufigkeiten, dann Tests.
3. Voraussetzungen prüfen — Normalverteilung, Varianzhomogenität, Linearität.
4. Visuell bevor statistisch — Boxplots & Histogramme zeigen oft mehr als p-Werte.
5. p < 0,001 statt p = 0,000 — SPSS-Notation korrigieren.
6. Effektstärken berichten — Cohens d, η², Cramers V.
7. Konfidenzintervalle wichtiger als p-Werte — KI zeigen Effektgröße + Präzision.
8. Multiple Testung korrigieren — Bonferroni oder FDR.
9. Mit Syntax arbeiten — reproduzierbar, dokumentiert.
10. Im Zweifel professionelle Hilfe holen — methodische Fehler kosten oft mehr Zeit als sie sparen.

Häufige Fragen

• „Wo finde ich in SPSS den t-Test?" → Unter Analysieren → Mittelwerte vergleichen. Dort gibt es drei Varianten: T-Test bei einer Stichprobe, T-Test bei unabhängigen Stichproben (für Gruppenvergleiche) und T-Test bei verbundenen Stichproben (Vorher-Nachher).
• „Wie interpretiere ich p-Werte in SPSS?" → Ein p-Wert von 0,03 bedeutet: Wenn die Nullhypothese wahr wäre, läge die Wahrscheinlichkeit, ein so extremes Ergebnis zu beobachten, bei 3 %. Bei α = 0,05 wird die H₀ abgelehnt. SPSS gibt p < 0,001 als „0,000" aus — das ist eine Anzeige-Eigenheit, nicht „p = 0".
• „Was bedeutet ‚Sig. (zweiseitig)' im SPSS-Output?" → Das ist der p-Wert eines zweiseitigen Tests. Zwei-seitig bedeutet: Du testest, ob ein Unterschied existiert (in welche Richtung auch immer). Für gerichtete Hypothesen (z. B. „Gruppe A hat höheren Wert") müsste der p-Wert halbiert werden — was aber nur erlaubt ist, wenn die Richtung vorab spezifiziert wurde.
• „Wie kann ich in SPSS fehlende Werte behandeln?" → In der Variablenansicht definierst du fehlende Werte (z. B. 999). In den Test-Optionen wählst du, ob fehlende Werte fallweise (gesamte Beobachtung ausgeschlossen) oder paarweise (nur die Variable mit fehlendem Wert ausgeschlossen) behandelt werden. Multiple Imputation ist über das SPSS Missing Values Modul möglich.
• „Was ist der Unterschied zwischen SPSS und R?" → SPSS ist proprietär, klick-basiert, schnell zu lernen, aber teuer und in Funktionalität begrenzt. R ist kostenlos, code-basiert, mächtiger, mit kürzerer Lernkurve als oft angenommen — und Standard in modernen Publikationen. Mehr im R-Statistik-Leitfaden.
• „Wie schreibe ich SPSS-Ergebnisse in einer Doktorarbeit?" → Standardformat: Test, Teststatistik mit Freiheitsgraden, p-Wert, Effektstärke. Beispiel: „t(198) = 2,34, p = 0,021, Cohens d = 0,33". Mittelwerte mit Standardabweichungen, nicht mit Standardfehlern berichten.
• „Was kostet eine professionelle SPSS-Auswertung?" → Eine einfache deskriptive + Hypothesentest-Auswertung liegt bei 400–800 €. Komplexere Verfahren (multivariate Regression, Survival-Analyse, gemischte Modelle) kosten 1.000–2.500 €. Bei kompletter Doktorarbeit-Statistik (Methodenkapitel + Auswertung + Diskussion der Limits) sind 1.500–4.500 € üblich. Details auf der Biostatistik-Seite.