SPSS Hilfe: Anleitung für Einsteiger & Fortgeschrittene

SPSS (Statistical Package for the Social Sciences) ist das meistgenutzte Statistikprogramm an deutschen Universitäten — besonders in Medizin, Psychologie, Sozialwissenschaften und Gesundheitsmanagement. Aber die Software ist mächtig und die Menüs verschachtelt. Wer zum ersten Mal vor SPSS sitzt, verliert schnell den Überblick.

Dieser Leitfaden gibt dir eine praxisorientierte SPSS-Anleitung: Vom Datenimport über die wichtigsten Analysen bis zur Ergebnisdarstellung. Kein Vorwissen nötig.

SPSS Grundlagen: Oberfläche und Datenstruktur

Die zwei Ansichten

SPSS hat zwei zentrale Ansichten. Die Datenansicht zeigt deine Daten in Tabellenform — jede Zeile ist ein Fall (Teilnehmer), jede Spalte eine Variable. Die Variablenansicht zeigt die Eigenschaften jeder Variable: Name, Typ, Wertelabels, Skalenniveau und Fehlende Werte.

Zwischen den Ansichten wechselst du über die Reiter unten links im Datenfenster.

Daten importieren

Excel-Datei importieren: Datei → Öffnen → Daten → Dateityp auf "Excel (*.xlsx)" stellen → Datei auswählen → "Variablennamen aus der ersten Zeile lesen" aktivieren → OK.

CSV-Datei importieren: Datei → Textdaten lesen → Assistent führt dich durch Trennzeichen, Dezimalzeichen und Datenformat.

Tipp: Bereite deine Daten in Excel vor, bevor du sie importierst. Variablennamen kurz halten (keine Leerzeichen, keine Sonderzeichen), fehlende Werte als leere Zellen lassen.

Variablen richtig definieren

Nach dem Import: Wechsle in die Variablenansicht und definiere für jede Variable das Skalenniveau (Nominal, Ordinal oder Metrisch), die Wertelabels (z.B. 1 = "männlich", 2 = "weiblich") und die Fehlenden Werte (z.B. 999).

Das Skalenniveau ist entscheidend: SPSS verwendet es, um dir die passenden Analysemethoden anzubieten. Wenn du es falsch setzt, schlägt SPSS die falschen Tests vor.

Deskriptive Statistik in SPSS

Häufigkeiten (für kategoriale Variablen)

Pfad: Analysieren → Deskriptive Statistiken → Häufigkeiten → Variable(n) auswählen → OK.

Die Ausgabe zeigt: absolute Häufigkeit, relative Häufigkeit (Prozent), gültige Prozente (ohne Missing) und kumulierte Prozente. Unter "Diagramme" kannst du direkt ein Balkendiagramm oder Kreisdiagramm anfordern.

Deskriptive Statistiken (für metrische Variablen)

Pfad: Analysieren → Deskriptive Statistiken → Deskriptive Statistiken → Variable(n) auswählen → Optionen → Mittelwert, Standardabweichung, Minimum, Maximum aktivieren → OK.

Für eine detailliertere Übersicht: Analysieren → Deskriptive Statistiken → Explorative Datenanalyse. Hier bekommst du zusätzlich Boxplots, Histogramme und Tests auf Normalverteilung.

Kreuztabellen

Pfad: Analysieren → Deskriptive Statistiken → Kreuztabellen → Zeilenvariable und Spaltenvariable auswählen → Zellen → Beobachtet und Erwartet und Zeilen-Prozente aktivieren → OK.

Kreuztabellen zeigen die gemeinsame Verteilung zweier kategorialer Variablen — z.B. Geschlecht × Raucher (ja/nein).

Normalverteilung prüfen

Bevor du parametrische Tests verwendest, musst du prüfen, ob deine Daten annähernd normalverteilt sind.

Grafisch: Analysieren → Deskriptive Statistiken → Explorative Datenanalyse → Diagramme → Normalverteilungsdiagramm mit Tests aktivieren. Schau dir den QQ-Plot an — wenn die Punkte annähernd auf der Diagonalen liegen, ist Normalverteilung plausibel.

Statistischer Test: Der Shapiro-Wilk-Test (bei n < 50) und der Kolmogorov-Smirnov-Test (bei n ≥ 50) werden automatisch mit ausgegeben. Bei p > 0,05 wird die Normalverteilungsannahme beibehalten.

Faustregel: Bei Stichproben ab n = 30 sind parametrische Tests aufgrund des zentralen Grenzwertsatzes relativ robust gegenüber leichten Verletzungen der Normalverteilung.

Gruppenvergleiche

T-Test für unabhängige Stichproben

Wann: Du vergleichst die Mittelwerte zweier unabhängiger Gruppen (z.B. Intervention vs. Kontrolle) bei einer metrischen, normalverteilten Variable.

Pfad: Analysieren → Mittelwerte vergleichen → T-Test bei unabhängigen Stichproben → Testvariable(n) und Gruppenvariable auswählen → Gruppen definieren (1 und 2) → OK.

Output lesen: Zuerst den Levene-Test prüfen — er testet die Varianzgleichheit. Bei p > 0,05: "Varianzen sind gleich" → obere Zeile lesen. Bei p ≤ 0,05: "Varianzen sind nicht gleich" → untere Zeile lesen (Welch-t-Test). Berichte: t-Wert, Freiheitsgrade (df), p-Wert und die Mittelwerte beider Gruppen mit SD.

Effektstärke berechnen: SPSS gibt Cohen's d nicht automatisch aus. Berechne manuell: d = (M₁ - M₂) / SD_pooled. Oder nutze die Formel: d = 2t / √df.

T-Test für abhängige Stichproben

Wann: Du vergleichst die Mittelwerte derselben Personen zu zwei Zeitpunkten (z.B. vorher/nachher).

Pfad: Analysieren → Mittelwerte vergleichen → T-Test bei verbundenen Stichproben → Variablenpaar auswählen → OK.

Mann-Whitney-U-Test

Wann: Deine Daten sind nicht normalverteilt oder ordinal — die nicht-parametrische Alternative zum ungepaarten t-Test.

Pfad: Analysieren → Nichtparametrische Tests → Alte Dialogfelder → 2 unabhängige Stichproben → Testvariable und Gruppenvariable auswählen → Mann-Whitney-U aktivieren → OK.

ANOVA (Varianzanalyse)

Wann: Du vergleichst die Mittelwerte von mehr als zwei Gruppen.

Pfad: Analysieren → Mittelwerte vergleichen → Einfaktorielle ANOVA → Abhängige Variable und Faktor auswählen → Post-hoc → Tukey-HSD aktivieren → OK.

Bei signifikantem Ergebnis (p < 0,05) zeigen die Post-hoc-Tests, welche Gruppen sich signifikant unterscheiden.

Kruskal-Wallis-Test

Wann: Nicht-parametrische Alternative zur ANOVA.

Pfad: Analysieren → Nichtparametrische Tests → Alte Dialogfelder → K unabhängige Stichproben → Kruskal-Wallis-H aktivieren.

Zusammenhangsanalysen

Korrelation

Pfad: Analysieren → Korrelation → Bivariat → Variablen auswählen → Pearson (normalverteilt) oder Spearman (nicht normalverteilt / ordinal) → OK.

Output lesen: Die Korrelationsmatrix zeigt den Korrelationskoeffizienten (r oder ρ), den p-Wert und die Stichprobengröße (N). Interpretation: r = 0,1–0,3 = schwach, r = 0,3–0,5 = mittel, r > 0,5 = stark.

Lineare Regression

Pfad: Analysieren → Regression → Linear → Abhängige Variable und Unabhängige Variable(n) auswählen → OK.

Output lesen: R² gibt an, wie viel Varianz der abhängigen Variable durch das Modell erklärt wird. Die Koeffizienten-Tabelle zeigt für jede unabhängige Variable: B (unstandardisierter Koeffizient), Beta (standardisierter Koeffizient), t-Wert und p-Wert.

Voraussetzungen prüfen: Linearität (Streudiagramm), Normalverteilung der Residuen (Histogramm der Residuen), Homoskedastizität (Residuenplot) und keine Multikollinearität (VIF < 10).

Logistische Regression

Wann: Deine abhängige Variable ist binär (ja/nein, krank/gesund).

Pfad: Analysieren → Regression → Binär logistisch → Abhängige Variable und Kovariaten auswählen → OK.

Output lesen: Exp(B) = Odds Ratio — der wichtigste Wert. Ein OR von 2,5 bedeutet: Die Chance des Ereignisses ist 2,5-mal so hoch.

Chi-Quadrat-Test

Wann: Du untersuchst den Zusammenhang zwischen zwei kategorialen Variablen.

Pfad: Analysieren → Deskriptive Statistiken → Kreuztabellen → Statistiken → Chi-Quadrat aktivieren → OK.

Voraussetzung: Alle erwarteten Häufigkeiten ≥ 5. Wenn nicht: Fishers exakter Test verwenden (wird automatisch bei 2×2-Tabellen ausgegeben).

Überlebensanalysen

Kaplan-Meier

Pfad: Analysieren → Überlebensanalyse → Kaplan-Meier → Zeitvariable, Statusvariable (Ereignis ja/nein) und Faktor auswählen → Optionen → Log-Rank-Test aktivieren → OK.

Cox-Regression

Pfad: Analysieren → Überlebensanalyse → Cox-Regression → Zeitvariable, Statusvariable und Kovariaten auswählen → OK.

Grafiken erstellen

Diagrammerstellung

Pfad: Grafiken → Diagrammerstellung → Gewünschten Diagrammtyp per Drag-and-Drop auswählen → Variablen zuweisen → OK.

Für Boxplots, Balkendiagramme und Streudiagramme. Die Grafiken sind für Abschlussarbeiten ausreichend, für Publikationen aber oft zu unflexibel — hier empfiehlt sich der Export der Daten nach R (ggplot2) oder die manuelle Nachbearbeitung.

SPSS-Output richtig lesen: Checkliste

Für jeden Test dasselbe Schema: Zuerst die Voraussetzungen prüfen (Normalverteilung, Varianzgleichheit). Dann die Teststatistik identifizieren (t-Wert, F-Wert, U-Wert, χ²). Dann den p-Wert ablesen und mit α = 0,05 vergleichen. Dann die Effektstärke berechnen (SPSS gibt sie oft nicht automatisch aus). Und schließlich die Ergebnisse im APA-Format berichten.

Wann SPSS auswerten lassen?

SPSS-Hilfe zu holen ist sinnvoll, wenn du unter Zeitdruck stehst und die Lernkurve nicht investieren kannst, wenn deine Analyse fortgeschrittene Verfahren erfordert (Mehrebenenmodelle, Strukturgleichungsmodelle), wenn du unsicher bist, ob deine Ergebnisse korrekt sind, oder wenn du für eine Publikation eine methodisch einwandfreie Analyse brauchst.

Die Optionen: Das Biometrie-Institut deiner Uni (oft kostenlos), statistische Beratungsstellen, oder professionelle Biostatistik-Services, die die gesamte statistische Auswertung übernehmen.

Zusammenfassung

SPSS ist für die meisten Abschlussarbeiten das richtige Tool: menügesteuert, alle wichtigen Tests enthalten, an den meisten Unis über die Lizenz verfügbar. Der Schlüssel liegt nicht in der Software, sondern in der richtigen Methodik — Voraussetzungen prüfen, den passenden Test wählen, Effektstärke berichten. Wenn du diese Grundprinzipien beherrschst, ist die SPSS-Bedienung das kleinste Problem.

Sie brauchen professionelle SPSS-Hilfe oder möchten Ihre Daten auswerten lassen? Unsere Biostatistik & Forschungsanalyse bietet Ihnen vollständige statistische Auswertung mit SPSS, R oder Stata — von einem Biostatistiker mit über 100 Publikationen. Kostenloses Erstgespräch.