SPSS Hilfe & SPSS auswerten lassen: Wann lohnt es sich?

SPSS ist das meistgenutzte Statistikprogramm an deutschen Universitätskliniken und Hochschulen – und gleichzeitig eines der am häufigsten falsch bedienten. Wer eine Doktorarbeit oder klinische Studie statistisch auswerten muss, steht oft vor der Frage: Selbst lernen oder professionelle SPSS-Hilfe in Anspruch nehmen? Dieser Leitfaden klärt, wann SPSS auswerten lassen sinnvoll ist, was eine professionelle Auswertung kostet, woran man seriöse Anbieter erkennt — und liefert parallel eine kompakte Anleitung zu den wichtigsten Tests. Wer sich SPSS selbst beibringen will, findet die ausführliche Tutorial-Variante in unserer SPSS-Auswertungs-Anleitung Schritt für Schritt.

SPSS Versionen, Lizenz und Alternativen

SPSS (seit 2009 offiziell IBM SPSS Statistics) liegt aktuell in Version 30 vor. Die Lizenzkosten sind für Einzelnutzer erheblich (~100 €/Monat bei IBM, günstiger über Campuslizenzen). Viele Universitäten bieten Studierenden eine kostenlose Campuslizenz an — erkundige dich bei deinem Rechenzentrum.

Kostenlose Alternativen:

Merke: Für die meisten medizinischen Doktorarbeiten reicht SPSS völlig aus. R lohnt sich erst bei komplexen Modellen, Reproduzierbarkeit oder wenn keine SPSS-Lizenz verfügbar ist.

SPSS Auswertung vorbereiten: Datenstruktur und Import

Bevor du einen einzigen Test durchführst, muss deine Datenbasis stimmen. Fehler hier ziehen sich durch die gesamte Analyse.

Die zwei Ansichten in SPSS

SPSS zeigt Daten in zwei Ansichten, zwischen denen du unten links im Datenfenster wechselst:

• Datenansicht: Jede Zeile = ein Fall (Patient, Proband). Jede Spalte = eine Variable. Hier gibst du deine Werte ein.
• Variablenansicht: Hier definierst du jede Variable: Name, Typ, Skalenniveau, Wertelabels und fehlende Werte.

Das Skalenniveau in der Variablenansicht ist kritisch: SPSS nutzt es, um passende Analyseoptionen anzubieten. Wenn du eine ordinale Schmerzskala als „metrisch" deklarierst, schlägt SPSS automatisch parametrische Tests vor – auch wenn sie methodisch falsch sind. Nimm dir fünf Minuten für die Variablenansicht, bevor du anfängst.

Daten importieren

Aus Excel: Datei → Öffnen → Daten → Dateityp Excel (*.xlsx) → Datei wählen → „Variablennamen aus der ersten Zeile lesen" aktivieren → OK

Aus CSV: Datei → Textdaten lesen → Assistent: Trennzeichen (Komma/Semikolon), Dezimalzeichen (Punkt/Komma), Datenformat wählen

Merke: Bereite Excel-Daten immer vor dem Import auf. Variablennamen ohne Leerzeichen und Sonderzeichen (statt „Alter (Jahre)" → „alter_jahre"), fehlende Werte als leere Zellen oder mit einem definierten Code (z.B. 999). Patientendaten müssen vor dem Export aus der Klinik pseudonymisiert sein – das ist keine SPSS-Frage, sondern Datenschutzpflicht.

Variablen sauber definieren

Nach dem Import gilt: Variablenansicht öffnen und für jede Variable prüfen:

Deskriptive Statistik in SPSS

Für kategoriale Variablen (nominal/ordinal): Häufigkeiten

Analysieren → Deskriptive Statistiken → Häufigkeiten → Variable(n) auswählen → OK

Output: Absolute Häufigkeit, relative Häufigkeit (%), gültige Prozente (ohne Missing), kumulierte Prozente. Unter „Diagramme" direkt Balkendiagramm oder Kreisdiagramm mitanfordern.

Für metrische Variablen: Explorative Datenanalyse

Analysieren → Deskriptive Statistiken → Explorative Datenanalyse → Variable(n) in „Abhängige Variablen" → Diagramme → Normalverteilungsdiagramm mit Tests aktivieren → OK

Dieser Weg gibt dir auf einen Schlag: Mittelwert, Median, SD, IQR, Minimum, Maximum, Konfidenzintervall, Shapiro-Wilk-Test und Q-Q-Plot. Das ist dein Standard-Startpunkt für jede metrische Variable.

Kreuztabellen (zwei kategoriale Variablen)

Analysieren → Deskriptive Statistiken → Kreuztabellen → Zeilenvariable + Spaltenvariable → Zellen → Beobachtet + Erwartet + Zeilenprozente → OK

Für die simultane Testung auf Zusammenhang: unter „Statistiken" den Chi-Quadrat-Test direkt mitanfordern.

Normalverteilung prüfen – die Grundlage jeder SPSS Auswertung

Jede parametrische Analyse setzt Normalverteilung voraus. Prüfung in SPSS über den Weg der explorativen Datenanalyse (s.o.):

• Shapiro-Wilk-Test bei n < 50: p > 0,05 → Normalverteilung nicht verworfen → parametrisch zulässig
• Kolmogorov-Smirnov-Test bei n ≥ 50: gleiche Logik, konservativer
• Q-Q-Plot immer ergänzen: Punkte nahe der Diagonalen → Normalverteilung plausibel

Merke: Bei n ≥ 30 sind parametrische Tests aufgrund des zentralen Grenzwertsatzes oft robust gegenüber leichten Abweichungen – aber das Ergebnis des Shapiro-Wilk-Tests gehört trotzdem in den Methodenteil, egal wie es ausfällt.

Gruppenvergleiche: Die wichtigsten Tests und wie du den Output liest

t-Test für unabhängige Stichproben

Wann: Zwei unabhängige Gruppen, metrische Variable, normalverteilt.

Analysieren → Mittelwerte vergleichen → T-Test bei unabhängigen Stichproben → Testvariable + Gruppenvariable → Gruppen definieren (z.B. 1 und 2) → OK

Output richtig lesen – in dieser Reihenfolge:

1. Levene-Test: Ist p > 0,05 → „Varianzen sind gleich angenommen" → obere Zeile lesen. Ist p ≤ 0,05 → „Varianzen sind nicht gleich" → untere Zeile (Welch-t-Test) lesen.
2. t-Wert + df + Sig. (2-seitig): Das ist dein p-Wert.
3. Mittlere Differenz + 95%-KI: Zeigt die absolute Größe des Unterschieds.
4. Cohen's d: SPSS gibt es nicht automatisch aus. Berechne: d = 2t / √df oder d = (M₁ - M₂) / SD_gepooled.

Ergebnisvorlage: „Gruppe A zeigte signifikant höhere Werte als Gruppe B (M = 42,3, SD = 4,1 vs. M = 38,7, SD = 5,2; t(81) = 3,56, p = 0,001, d = 0,78)."

t-Test für verbundene Stichproben (Prä/Post)

Wann: Dieselben Probanden zu zwei Zeitpunkten, metrisch, normalverteilt.

Analysieren → Mittelwerte vergleichen → T-Test bei verbundenen Stichproben → Variablenpaar wählen (Prä + Post) → OK

Output: Mittlere Differenz, SD der Differenz, t, df, p. Cohen's d für verbundene Stichproben: d = M_Differenz / SD_Differenz.

Mann-Whitney-U-Test (nicht-parametrisch, unabhängige Gruppen)

Wann: Nicht normalverteilt, ordinal oder kleine Stichprobe. Detaillierter Workflow und Effektgrößenberechnung im Artikel Wilcoxon-Test & Mann-Whitney-U-Test.

Analysieren → Nichtparametrische Tests → Klassische Dialogfelder → 2 unabhängige Stichproben → Mann-Whitney-U aktivieren

Output: U-Wert, Wilcoxon-W, z, Signifikanz. Effektgröße r manuell: r = |z| / √N.

Wilcoxon-Vorzeichen-Rang-Test (nicht-parametrisch, verbundene Gruppen)

Analysieren → Nichtparametrische Tests → Klassische Dialogfelder → 2 verbundene Stichproben → Wilcoxon aktivieren

ANOVA (≥ 3 unabhängige Gruppen, parametrisch)

Analysieren → Mittelwerte vergleichen → Einfaktorielle ANOVA → Abhängige Variable + Faktor → Post-hoc → Tukey-HSD aktivieren → Optionen → Homogenitätstest der Varianzen → OK

Output richtig lesen:

1. Levene-Test: p > 0,05 → Varianzhomogenität gegeben → ANOVA-Ergebnis verwenden. p ≤ 0,05 → Welch-ANOVA oder Games-Howell Post-hoc nutzen.
2. ANOVA-Tabelle: F-Wert + df (Zwischen, Innerhalb) + Signifikanz. Effektgröße η²: η² = SS_zwischen / SS_gesamt (aus der ANOVA-Tabelle).
3. Post-hoc-Tabelle (Tukey): Zeigt für jedes Gruppenpaare, ob der Unterschied signifikant ist (Sig.-Spalte) und wie groß die mittlere Differenz ist.

Ergebnisvorlage ANOVA: „Es zeigte sich ein signifikanter Gruppenunterschied (F(2, 87) = 8,43, p < 0,001, η² = 0,16). Post-hoc-Tests (Tukey) zeigten signifikante Unterschiede zwischen Gruppe 1 und Gruppe 3 (p = 0,002), nicht jedoch zwischen Gruppe 1 und 2 (p = 0,18)."

Kruskal-Wallis-Test (≥ 3 Gruppen, nicht-parametrisch)

Analysieren → Nichtparametrische Tests → Klassische Dialogfelder → K unabhängige Stichproben → Kruskal-Wallis-H aktivieren

Bei signifikantem Ergebnis: Post-hoc-Tests über Analysieren → Nichtparametrische Tests → Unabhängige Stichproben → Post-hoc.

Zusammenhangsanalysen in SPSS

Korrelation

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

Output: Korrelationsmatrix mit r/ρ, p-Wert und N. Bei Pearson: direkt r; bei Spearman: ρ (Rho). Interpretation: r = 0,10–0,29 schwach, 0,30–0,49 mittel, ≥ 0,50 stark.

Lineare Regression

Analysieren → Regression → Linear → Abhängige Variable + Unabhängige Variable(n) → Statistiken → Konfidenzintervalle aktivieren → Diagramme → ZRESID vs. ZPRED → OK

Output richtig lesen:

Voraussetzungen prüfen: Normalverteilung der Residuen (Histogramm der standardisierten Residuen), Homoskedastizität (Streudiagramm ZRESID vs. ZPRED – keine Trichtermuster), keine Multikollinearität (VIF < 10).

Logistische Regression

Analysieren → Regression → Binär logistisch → Abhängige Variable (0/1-kodiert) + Kovariaten → OK

Output: Exp(B) = Odds Ratio. Ein OR von 2,4 mit 95%-KI [1,3; 4,4] bedeutet: die Chance des Ereignisses ist 2,4-fach höher. Hosmer-Lemeshow-Test prüft die Modellgüte (p > 0,05 = gute Anpassung).

Chi-Quadrat-Test und Fisher

Analysieren → Deskriptive Statistiken → Kreuztabellen → Statistiken → Chi-Quadrat → Zellen → Erwartet aktivieren → OK

Voraussetzung: Alle erwarteten Häufigkeiten ≥ 5. SPSS gibt eine Warnung aus, wenn die Voraussetzung verletzt ist – dann Fishers exakten Test verwenden (wird bei 2×2-Tabellen automatisch mitausgegeben).

Effektgröße: Cramér's V aus der gleichen Ausgabe ablesen. Interpretation: V = 0,10 (klein), 0,30 (mittel), 0,50 (groß).

Überlebensanalysen

Kaplan-Meier

Analysieren → Überlebensanalyse → Kaplan-Meier → Zeitvariable + Statusvariable (0 = zensiert, 1 = Ereignis) + Faktor → Log-Rank-Test in Optionen aktivieren → OK

Output: Überlebenskurven je Gruppe, medianes Überleben mit 95%-KI, Log-Rank-χ² + p-Wert.

Cox-Regression

Analysieren → Überlebensanalyse → Cox-Regression → Zeitvariable + Statusvariable + Kovariaten → OK

Output: Hazard Ratios (Exp(B)) mit 95%-KI. Wichtig: In Cox berichte HR, nicht OR – das ist ein häufiger Fehler in medizinischen Doktorarbeiten.

Grafiken in SPSS erstellen

Grafiken → Diagrammerstellung → Diagrammtyp per Drag-and-Drop wählen → Variablen zuweisen → OK

Für Abschlussarbeiten ist die SPSS-Grafikausgabe ausreichend. Für Publikationen empfiehlt sich der Datenexport nach R mit ggplot2 oder die Nachbearbeitung in einem Grafikprogramm – SPSS-Standardgrafiken werden von den meisten Journals als unzureichend eingestuft.

Praktische Grafiktypen für medizinische Arbeiten:

SPSS Auswertung Output richtig lesen: Checkliste für jeden Test

Merke: SPSS gibt für fast alle Tests keine Effektgröße automatisch aus. Du musst sie immer manuell berechnen und im Ergebnisteil ergänzen. Fehlt die Effektgröße, ist die Auswertung methodisch unvollständig – das gilt für Bachelorarbeit, Masterarbeit und Doktorarbeit gleichermaßen.

Für jeden Test in dieser Reihenfolge:

1. Voraussetzungen dokumentieren (Normalverteilung: Shapiro-Wilk + Q-Q-Plot; Varianzhomogenität: Levene-Test)
2. Teststatistik identifizieren (t, F, U, χ², z)
3. p-Wert ablesen und mit α = 0,05 vergleichen
4. Effektgröße berechnen (d, η², r, Cramér's V – je nach Test)
5. Im APA-Format berichten: Teststatistik (df) = Wert, p = Wert, Effektgröße = Wert

SPSS Syntax vs. Menü — wann lohnt sich die Syntax?

Die meisten Nutzer arbeiten ausschließlich über das Menü (Point-and-Click). Das ist für explorative Analysen völlig in Ordnung. Bei größeren Projekten lohnt sich jedoch der Umstieg auf die SPSS Syntax — das sind Textbefehle, die du im Syntax-Editor schreibst und ausführst.

Vorteile der Syntax:

• Reproduzierbarkeit: Jeder Analyseschritt ist dokumentiert und wiederholbar
• Effizienz: Bei Datenkorrekturen musst du nicht alle Analysen manuell wiederholen
• Batch-Verarbeitung: Mehrere Analysen in einem Durchlauf
• Peer-Review: Gutachter können deine Analyse nachvollziehen

Beispiel — t-Test per Syntax:

T-TEST GROUPS=geschlecht(1 2)
  /VARIABLES=alter gewicht blutdruck
  /CRITERIA=CI(.95).

Beispiel — Häufigkeiten:

FREQUENCIES VARIABLES=diagnose therapie
  /STATISTICS=MEAN MEDIAN MODE STDDEV
  /ORDER=ANALYSIS.

Tipp: Jede Menü-Aktion erzeugt automatisch Syntax im Output. Kopiere diese in den Syntax-Editor — so lernst du die Befehle schrittweise und baust dir ein reproduzierbares Analyse-Skript auf.

Merke: Für Doktorarbeiten mit mehr als einer Analyserunde (also fast alle) ist die Syntax-Dokumentation Gold wert. Speichere dein Syntax-File zusammen mit den Daten — das ist dein Analyse-Logbuch.

SPSS auswerten lassen: Wann ist externe Hilfe sinnvoll?

SPSS lernen kostet Zeit – Zeit, die im Promotionsalltag oft knapp ist. Externe statistische Unterstützung ist in folgenden Situationen legitim und wissenschaftlich etabliert:

• Das Studiendesign erfordert fortgeschrittene Verfahren, die SPSS nur eingeschränkt unterstützt (Mixed Models, Propensity-Score-Matching, Mehrebenenanalysen)
• Der Zeitrahmen bis zur Abgabe ist begrenzt
• Gutachter oder der Doktorvater fordern eine methodische Überarbeitung
• Eine Publikation in einem Peer-Review-Journal ist geplant und erfordert publishable-grade Statistik

Wichtig: Die medizinisch-inhaltliche Interpretation bleibt immer bei dir und deinem Betreuerteam. Statistische Unterstützung ist Methodenbegleitung – keine Übernahme wissenschaftlicher Verantwortung.

SPSS auswerten lassen: Was kostet das?

Die Kosten für eine SPSS-Auswertung variieren stark nach Umfang und Komplexität:

Was du bei einem seriösen Biostatistik-Anbieter erwarten solltest:

1. Kostenloses Erstgespräch zur Einschätzung deines Projekts (ca. 30 Minuten)
2. Schriftliches Angebot mit klarem Leistungsumfang und Festpreis
3. Methodenplan vor Beginn der Analyse (schriftliche Dokumentation der geplanten Tests)
4. Zugang zum Analyse-Output (nicht nur die finalen Tabellen, sondern auch SPSS-Syntax oder Output-Dateien)
5. Publikationsreife Tabellen im APA- oder Vancouver-Stil
6. Methodentext für den Methodik-Abschnitt deiner Arbeit
7. Nachbesprechung zur Interpretation der Ergebnisse

Vermeide Anbieter, die keine Qualifikationen nachweisen, keine Referenzen haben oder dir den fertigen "Ergebnisteil deiner Doktorarbeit" anbieten — das wäre Ghostwriting und akademisch unzulässig.

SPSS auswerten lassen oder selbst machen? Entscheidungshilfe

Als Faustregel: Wenn du mehr als 40 Stunden mit SPSS-Grundlagen verbringen müsstest, bevor du deine Analyse starten kannst, lohnt sich professionelle Unterstützung in den meisten Fällen wirtschaftlich — besonders wenn dadurch eine Publikation gesichert wird.

Was eine gute SPSS-Auswertung ausmacht

Ein publikationsreifer SPSS-Output unterscheidet sich fundamental von einer "schnell durchgerechneten" Analyse. Hier die sieben Qualitätsmerkmale, die Gutachter und Reviewer prüfen:

1. Vorab-definierter Analyseplan: Alle Tests wurden vor der Datenanalyse festgelegt (keine "p-Hacking"-Strategien)
2. Transparente Voraussetzungsprüfung: Normalverteilung, Varianzhomogenität, Linearität wurden getestet und dokumentiert
3. Angemessene Testauswahl: Parametrische vs. nicht-parametrische Entscheidung wird im Methodentext begründet
4. Effektstärken: Cohen's d, η², r oder OR mit 95%-Konfidenzintervallen — nicht nur p-Werte
5. Multiplizitätsadjustierung: Bei mehreren Tests Bonferroni, Holm oder FDR-Korrektur
6. Reporting-Standards: STROBE (Beobachtungsstudien), CONSORT (RCTs) oder PRISMA (Reviews)
7. Syntax-Dokumentation: SPSS-Syntax-File als Supplement, das die Reproduzierbarkeit sicherstellt

Der Biostatistik-Service von SCIORA unterstützt Doktoranden und Forscher bei der SPSS Auswertung – von der Methodenwahl über die Durchführung bis zur publikationsreifen Tabellenerstellung. Bei komplexeren Anforderungen arbeiten wir auch mit R, Python und Stata. Unser Team besteht aus Ärzten und Forschern deutscher Universitätskliniken, die selbst in Peer-Review-Journals publizieren.

Alternativen zu "SPSS auswerten lassen"

Wenn externe Hilfe nicht in Frage kommt, gibt es diese Wege:

• Methodenberatung der Uni: Viele Universitätskliniken haben ein Institut für Medizinische Biometrie oder Biostatistik, das kostenlose Erstberatungen anbietet. Frag deinen Doktorvater.
• Statistik-Kollegium der Fakultät: Strukturierte Promotionsprogramme bieten oft Methoden-Workshops speziell für Doktoranden.
• Online-Kurse: Coursera, edX und die IBM SPSS Tutorials bieten strukturierte Einstiege. Plane 20–40 Stunden für ein solides Grundgerüst.
• Fachbücher: "Statistische Auswertungen mit IBM SPSS Statistics" von Eckstein oder "SPSS — Eine Einführung" von Brosius sind Standardwerke.
• Peer-Support: Doktoranden-Stammtische und Fachbereichs-Gruppen helfen bei konkreten Problemen.
• Kombinierte Lösung: Einstieg selbst machen, bei komplexen Teilen (z.B. Cox-Regression) gezielt externe Hilfe holen.

Weiterführende Artikel im Statistik-Cluster: Wilcoxon-Test & Mann-Whitney-U-Test erklärt die nicht-parametrischen Tests im Detail; Promotion Statistik auswerten gibt einen Überblick über alle Verfahren auf Promotionsniveau; Likert-Skala auswerten erklärt den Sonderfall ordinaler Fragebogendaten; der kostenlose Fallzahlrechner hilft bei der Power-Analyse vor Datenerhebung; die Statistik für Doktorarbeiten gibt einen methodischen Gesamtüberblick.

Häufige Fragen

• „Wie importiere ich Excel-Daten in SPSS?" → Datei → Öffnen → Daten → Dateityp Excel auswählen → „Variablennamen aus der ersten Zeile lesen" aktivieren → OK; bereite die Excel-Datei vorher auf: keine Sonderzeichen in Variablennamen, fehlende Werte als leere Zellen.
• „Welcher Test ist in SPSS der richtige für meinen Gruppenvergleich?" → Das hängt von Skalenniveau und Normalverteilung ab: metrisch + normalverteilt → t-Test; metrisch + nicht-normalverteilt oder ordinal → Mann-Whitney-U-Test; ≥ 3 Gruppen normalverteilt → ANOVA; ≥ 3 Gruppen nicht-normalverteilt → Kruskal-Wallis.
• „Wie lese ich den Levene-Test im SPSS-Output?" → p > 0,05 bedeutet Varianzhomogenität ist gegeben → obere Zeile im t-Test-Output lesen; p ≤ 0,05 → Varianzen ungleich → untere Zeile (Welch-t-Test) verwenden.
• „Gibt SPSS die Effektgröße automatisch aus?" → Für die meisten Tests nicht; Cohen's d beim t-Test, η² bei der ANOVA und r beim Mann-Whitney-U-Test müssen manuell berechnet werden – die Formeln stehen jeweils im entsprechenden Abschnitt dieses Artikels.
• „Was mache ich, wenn meine erwarteten Häufigkeiten im Chi-Quadrat-Test unter 5 liegen?" → SPSS gibt automatisch eine Warnung aus; verwende dann Fishers exakten Test, der bei 2×2-Tabellen im selben Output erscheint.
• „Kann ich SPSS für eine Doktorarbeit verwenden oder brauche ich R?" → SPSS reicht für die meisten medizinischen Doktorarbeiten; für Mixed Models, Survival-Analysen mit komplexen Kovariaten oder reproduzierbare Pipelines ist R die bessere Wahl.
• „Was kostet es, SPSS auswerten zu lassen?" → Je nach Umfang zwischen 200 € (deskriptive Statistik) und 6.000 € (komplette Dissertations-Auswertung inkl. Methodentext). Einfache Inferenzstatistik liegt typischerweise bei 400–900 €, multivariable Modelle bei 800–1.800 €. Details zu Leistungen und Preisen findest du auf unserer Biostatistik-Seite.
• „Ist es akademisch erlaubt, SPSS auswerten zu lassen?" → Ja, wenn es als Methodenunterstützung erfolgt und im Methodenteil transparent erwähnt wird („Die statistische Auswertung wurde in Zusammenarbeit mit ... durchgeführt"). Nicht erlaubt ist Ghostwriting — also das Verfassen des Ergebnisteils durch Dritte. Die inhaltliche Interpretation muss immer beim Doktoranden liegen.
• „Wie lange dauert eine SPSS-Auswertung?" → Deskriptive Analysen 2–5 Werktage, einfache Inferenzstatistik 1–2 Wochen, komplexe Dissertationsauswertungen 4–12 Wochen. Plane Pufferzeit für Rückfragen, Methodendiskussion und Gutachter-Anmerkungen ein.
• „SPSS auswerten lassen oder selbst lernen — was ist besser?" → Wenn du >6 Monate Zeit hast und SPSS langfristig beherrschen willst, lohnt sich das Selbstlernen. Bei engem Zeitrahmen (<3 Monate), komplexen Studiendesigns oder geplanter Peer-Review-Publikation ist externe Unterstützung oft die wirtschaftlichere und qualitativ bessere Wahl.
• „Kann man SPSS auch nach Abschluss der Doktorarbeit noch auswerten lassen?" → Ja. Viele Doktoranden nehmen nach dem Gutachter-Feedback eine methodische Überarbeitung vor. Auch für die Vorbereitung einer Peer-Review-Publikation (z.B. Umwandlung von Tabellen in APA-Format, Nachberechnung von Effektstärken) wird SPSS-Support häufig genutzt.