Hypothesen formulieren — von der Forschungsfrage zur überprüfbaren These
Die Katastrophe 3 Tage vor Abgabe
Eine problematische Situation aus dem Coaching: Die Daten sind schon erhoben, aber Hypothesen und Variablen passen nicht sauber zum geplanten Test. „Es wird untersucht, ob Hybrid Work das Engagement beeinflusst” ist noch zu ungenau: Was bedeutet „beeinflusst”, wie werden beide Variablen gemessen und welcher Test beantwortet die Frage?
Das muss dir nicht passieren. Hier ist ein strukturierter Weg zu testbaren Hypothesen.
Was eine testbare Hypothese ausmacht
Eine Hypothese ist nicht einfach eine Vermutung. Eine testbare Hypothese ist eine präzise, falsifizierbare Aussage über einen Zusammenhang oder Effekt zwischen Variablen. Sie ist das Rückgrat deiner quantitativen Arbeit.
Vier Kriterien müssen erfüllt sein:
1. Klar formuliert — keine Vagheit, keine “irgendwies”
2. Falsifizierbar — es muss möglich sein, sie zu widerlegen
3. Spezifisch — nennt Variablen, Population und, wenn theoretisch begründet, die Richtung
4. Operationalisierbar — kann in Messinstrumente übersetzt werden
BAD: “Es wird untersucht, ob ChatGPT die Schreibproduktivität beeinflusst.”
→ Keine Hypothese, sondern eine Forschungsziel-Aussage. Wie testest du das? Mit welcher Richtung?
GOOD: “Studierende, die ChatGPT zur Textgenerierung nutzen, schreiben pro Stunde signifikant mehr Wörter als Studierende, die es nicht nutzen.”
→ UV klar (ChatGPT-Nutzung), AV klar (Wort-Output pro Stunde), Richtung klar (mehr), testbar.
Die 4 Hypothesen-Typen: Ein Framework
Nicht alle Hypothesen sehen gleich aus. Je nachdem, welche Beziehung du untersuchst, brauchst du einen anderen Typ. Hier sind die vier wichtigsten:
Typ 1: Unterschiedshypothese
Form: “Gruppe A unterscheidet sich von Gruppe B in Variable X.”
Statistischer Test: t-Test, Mann-Whitney-U-Test, ANOVA
Beispiel:
H1: “Werkstudenten zeigen höhere Burnout-Scores als Vollzeitstudenten (gemessen mit OLBI-Scale).”
Das ist die häufigste Art in BA-Arbeiten. Du vergleichst zwei oder mehr Gruppen.
Typ 2: Zusammenhangshypothese
Form: “Variable X korreliert mit Variable Y.”
Statistischer Test: Pearson-Korrelation, Spearman Rangkorrelation
Beispiel:
H1: “Wöchentliche effektive Lernstunden korrelieren positiv mit der Klausurnote in quantitativen Methoden.”
Hier messst du nicht Unterschiede zwischen Gruppen, sondern die Stärke eines Zusammenhangs zwischen zwei kontinuierlichen Variablen.
Typ 3: Kausalhypothese (Wirkungs-/Effekthypothese)
Form: “X verursacht Y” oder “X beeinflusst Y stärker als andere Faktoren.”
Statistischer Test: Multiple Regression, Experimental Design, Path-Analyse
Beispiel:
H1: “Coaching-Teilnahme reduziert Schreibblockaden im Vergleich zu einer Kontrollgruppe ohne Coaching.”
Hier fragst du nach Kausalität — das ist die stärkste Aussage und meist schwierigster zu zeigen. Dafür brauchst du oft ein experimentelles Design oder sehr gute Kontrollvariablen. Für eine BA ist das ambitioniert, aber nicht unmöglich.
Typ 4: Mediations-/Moderationshypothese
Form: “Der Effekt von X auf Y wird durch Z vermittelt (Mediation) oder hängt ab von Z (Moderation).”
Statistischer Test: Mediation/Moderation Analysis (z.B. Hayes PROCESS Macro, Strukturgleichungsmodelle)
Beispiel:
H1: “Der Effekt von KI-Nutzung auf Schreibproduktivität wird durch wahrgenommene Selbstwirksamkeit moderiert: Bei hoher Selbstwirksamkeit ist der Effekt stärker.”
Das ist für eine BA fortgeschritten, aber sehr interessant für Psychologie oder Wirtschaftspsychologie.
H0 vs H1: die Logik des Tests
Beim frequentistischen Test werden Null- und Alternativhypothese unterschieden. Ob du beide ausdrücklich im Text formulierst, richtet sich nach Fach und Hochschulvorgabe:
H0 (Nullhypothese): Es gibt KEINEN Unterschied, KEINEN Zusammenhang, KEINEN Effekt.
H1 (Alternativhypothese): Es gibt einen Unterschied, Zusammenhang oder Effekt — gerichtet oder ungerichtet.
Beispiel:
H0: “Werkstudenten und Vollzeitstudenten unterscheiden sich nicht signifikant in ihren Burnout-Scores.”
H1: “Werkstudenten zeigen signifikant höhere Burnout-Scores als Vollzeitstudenten.”
Du testest statistisch, ob du H0 verwerfen kannst (p < .05). Du testest NICHT direkt H1. Das ist kontraintuitiv, aber so funktioniert Frequentist Statistics.
Einseitig vs. Zweiseitig:
- Einseitig: H1 hat eine Richtung (“höher als”, “positiv korreliert mit”)
- Zweiseitig: H1 hat keine Richtung (“unterscheidet sich von”, “korreliert mit”)
Ein einseitiger Test ist nur angemessen, wenn die Richtung vor der Datenauswertung theoretisch begründet wurde und ein Effekt in Gegenrichtung für die Forschungsfrage anders behandelt würde. Entscheide das nicht nach Sichtung der Ergebnisse.
Schritt-für-Schritt: Von der Forschungsfrage zur Hypothese
Das ist das Herzstück. Hier ist ein reales Beispiel aus einem Coaching-Gespräch.
Deine Forschungsfrage: “Wie wirkt sich die Dauer von Hybrid-Work auf das Arbeitsengagement von Wissensarbeitern aus?”
Das ist zu offen. Hier sind die vier Schritte zur Hypothese:
Schritt 1: Variablen identifizieren
- Unabhängige Variable (UV): Hybrid-Work-Dauer (z.B. % der Wochen im Home-Office: 0-100%)
- Abhängige Variable (AV): Arbeitsengagement (gemessen mit UWES-9, Work Engagement Scale)
- Mögliche Moderatoren: Alter, Familienstand, Berufsfeld, Pendeldauer
Schritt 2: Theoretische Begründung recherchieren
Welche etablierte Theorie sagt, dass diese Beziehung existiert?
Beispiel: Das Job Demands-Resources Modell (Bakker & Demerouti, 2007) besagt: Ressourcen (wie flexible Arbeit) erhöhen Engagement. Gleichzeitig sagt die Conservation of Resources Theorie: Zu viel Remote-Work kann soziale Isolation fördern und Engagement senken. Also könnte die Beziehung kurvilinear sein (umgekehrtes U).
Die Theorie leitet deine Hypothese.
Schritt 3: Hypothesen formulieren
Basierend auf deine Theorie und deine Daten, die du erheben kannst:
H1: “Ein moderater Anteil an Hybrid-Work (40-60% der Woche) korreliert positiv mit Arbeitsengagement, während sehr hoher Anteil (80-100%) negativ mit Engagement korreliert (kurvilineare Beziehung).”
H2: “Der Effekt von Hybrid-Work-Dauer auf Engagement ist stärker bei Eltern mit Kindern im Haushalt als bei Personen ohne Kinder (Moderation durch Familienstand).”
Schritt 4: Testbarkeit prüfen — Die Checkliste
- ✓ Kann ich die UV operationalisieren? (% Home-Office in Selbstauskunft + Kalender-Daten)
- ✓ Kann ich die AV operationalisieren? (UWES-9 validiert, weit verbreitet)
- ✓ Habe ich Daten für den Moderator? (Ja, demografische Fragen)
- ✓ Welche Statistik passt? (Multiple Regression mit polynomialem Term für H1, Moderation-Analysis für H2)
- ✓ Realistische Stichprobe? (per Power-Analyse für Modell, Effektgröße und gewünschte Teststärke begründen)
Wenn du alle vier Punkte mit Ja beantworten kannst, ist deine Hypothese bereit.
Sobald die Hypothesen stehen, brauchst du ein Erhebungsinstrument, das deine Variablen tatsächlich abbildet. Wähle das Tool erst nach Datenschutzprüfung und Methodenkonzept.
Die 5 häufigsten Fehler bei Hypothesen (und wie du sie vermeidest)
Fehler 1: Hypothese ist eine Frage
BAD: “Ob Hybrid-Work das Engagement beeinflusst?”
GOOD: “Hybrid-Work beeinflusst Arbeitsengagement positiv.”
Fragen sind Forschungsfragen, nicht Hypothesen. Hypothesen sind Aussagen.
Fehler 2: Zu vage formuliert
BAD: “X hat einen Einfluss auf Y.”
GOOD: „Höhere X-Werte gehen mit höheren Y-Werten einher.” Die erwartete Effektgröße wird nur dann vorab festgelegt, wenn Theorie oder Vorstudien sie begründen.
Vage Hypothesen sind nicht falsifizierbar. Der Betreuer wird dich zurückweisen.
Fehler 3: Nicht falsifizierbar
BAD: “Manche Studierenden erleben Burnout bei der Bachelorarbeit.”
GOOD: “Studierende, die weniger als 3 Tage pro Woche an ihrer BA arbeiten, zeigen signifikant höhere Burnout-Scores als solche mit mindestens 5 Tagen.”
Die BAD-Version kann nie widerlegt werden (sie ist einfach immer wahr). Hypothesen müssen die Möglichkeit des Irrtums enthalten.
Fehler 4: Zu komplex
BAD: “Hybrid-Work moderiert den Effekt von COVID-Erfahrung auf Engagement, welcher durch psychologische Sicherheit mediiert wird, und dieser gesamte Prozess unterscheidet sich nach Alter, Geschlecht und Branche.”
Das ist für viele Bachelorprojekte zu komplex. Wie groß die Stichprobe und der Auswertungsaufwand wären, hängt vom konkreten Modell und einer Power-Analyse ab.
GOOD für BA: “Hybrid-Work korreliert positiv mit Arbeitsengagement.”
Einfach, klar, in 12 Wochen zu testen.
Fehler 5: Keine theoretische Begründung
BAD: “Ich vermute, dass Kaffee-Konsum die Schreibgeschwindigkeit erhöht.”
→ Aus dem Bauch formuliert, keine Theorie dahinter, Betreuer ist skeptisch.
GOOD: “Basierend auf der Arousal-Regulation-Theorie (Thayer, 1987) vermute ich, dass mäßiger Kaffee-Konsum (1-2 Tassen) die Schreibgeschwindigkeit erhöht, indem er kognitive Aktivierung erhöht, ohne zu Nervosität zu führen.”
→ Theorie dahinter, glaubwürdig, wissenschaftlich fundiert.
Was wir aus 3.000+ Coaching-Gesprächen sehen
In unseren Coaching-Sitzungen zum Thema Hypothesen sehen wir immer wieder Muster:
Ein großer Teil der quantitativen BAs startet mit zu vagen Hypothesen. Der Satz „Es wird untersucht, ob…” ist in den ersten Versionen extrem häufig. Nach einem Coaching-Gespräch und ein bis zwei Überarbeitungsrunden entstehen dann drei bis vier scharf formulierte, einseitige Hypothesen.
Die häufigste Korrektur: Aus einer breiten Forschungsfrage “Wie beeinflussen soziale Medien das Wohlbefinden?” entstehen 3 spezifische Hypothesen:
- Instagram-Nutzungsdauer korreliert negativ mit Lebenszufriedenheit.
- Der Effekt ist stärker bei Frauen als bei Männern (Moderation).
- Der Effekt wird durch sozialen Vergleich mediiert.
Das reduziert spätere Umwege, weil vor der Erhebung klar ist, welche Daten und Tests tatsächlich benötigt werden.
Zeit-Investment: Plane Hypothesen, Operationalisierung und Analyse gemeinsam, bevor du Daten erhebst.
Deine nächsten Schritte
- Schreib deine Forschungsfrage auf. Nicht in deinem Kopf — aufgeschrieben.
- Identifiziere die Variablen: Was ist UV, was ist AV? Gibt es Moderatoren?
- Recherchiere die Theorie: Welche Theorien oder Studien unterstützen deine erwartete Beziehung?
- Formuliere deine Hypothesen nach einem der 4 Typen. Schreib H0 und H1 hin.
- Prüfe die Testbarkeit: Kannst du alle Variablen operationalisieren? Welcher Test passt?
- Lass Betreuer oder Coaching-Partner checken: Ein frischer Blick ist Gold wert.
Wenn du unsicher bist, ob deine Hypothesen stimmen: Das ist normal. Bring sie in ein Coaching-Gespräch. Eine Stunde Feedback kann dir Wochen Arbeit sparen.
Fazit: Das Skelett muss stimmen
“Hypothesen sind das Skelett deiner quantitativen Arbeit. Wenn das Skelett krumm ist, hilft auch das beste Fleisch nicht. Du kannst die schönsten Diagramme bauen, die eleganteste Diskussion schreiben — aber mit vagen Hypothesen wird deine Auswertung ein Rattenspiel.”
Nimm dir für diesen Schritt ausreichend Zeit. Eine sauber abgestimmte Hypothese macht Erhebung, Auswertung und Diskussion deutlich nachvollziehbarer.
Du brauchst Unterstützung bei der Hypothesen-Formulierung? Unser Coaching zur Bachelorarbeit hilft dir, deine Forschungsfragen in testbare Hypothesen zu verwandeln — mit konkretem Feedback zu deinem Projekt.
Mehr zu verwandten Themen:
Tags
