Likert-Skala in SPSS auswerten: vom Item zum Skalenwert

Redaktion: Hermes Writing · Aktualisiert am 12. August 2026 · 7 Minuten Lesezeit

Quellenhinweis: Externe Angaben sind an der jeweiligen Passage verlinkt. Eigene Preise, Abläufe und Leistungsbeschreibungen sind als Angaben von Hermes Writing zu verstehen. Details: Redaktions- und Korrekturrichtlinie.

Wer eine Likert-Skala in SPSS auswerten möchte, muss zuerst das Messniveau klären. Der häufigste Denkfehler lautet: „Meine Antworten sind Zahlen, also kann ich Mittelwerte und t-Tests rechnen.“ Die Ziffern 1 bis 5 sind zunächst Codes für geordnete Kategorien. IBM beschreibt das ordinale Messniveau als Kategorien mit natürlicher Reihenfolge; ob die Abstände zwischen „stimme eher nicht zu“ und „teils/teils“ genauso groß sind wie zwischen „stimme eher zu“ und „stimme voll zu“, ist damit nicht automatisch festgelegt. Die offizielle Übersicht zu Messniveaus in SPSS trennt nominal, ordinal und metrisch genau aus diesem Grund.

Bei einer Mehr-Item-Skala ist die Lage anders. Mehrere inhaltlich passende, gleich gerichtete Items können zu einem Summen- oder Mittelwertscore verbunden werden. Ein solcher Score hat mehr mögliche Ausprägungen und wird in vielen Forschungsdesigns näherungsweise metrisch behandelt. Diese Entscheidung braucht aber Theorie, Itemdiagnostik und eine Prüfung der Skalenstruktur; sie entsteht nicht durch den Klick auf „Mittelwert berechnen“.

Schritt 1: Einzelitem und Skalenwert sauber trennen

Ein einzelnes Item wie „Ich bin mit meinem Studium zufrieden“ beantwortet eine konkrete Frage. Berichten Sie dafür zunächst, wie viele Personen jede Kategorie gewählt haben, welchen Anteil Zustimmung und Ablehnung ausmachen und ob sich Antworten an einem Skalenende sammeln. Median und Interquartilsabstand passen zur ordinalen Lesart; ein Mittelwert kann ergänzend berichtet werden, wenn Sie die Annahme gleicher Abstände transparent machen und die Konvention im Fach üblich ist.

Eine Skala wie „Studienzufriedenheit“ besteht dagegen beispielsweise aus fünf Items, die gemeinsam dasselbe Konstrukt abdecken. Die Items müssen theoretisch zusammengehören. Eine Frage zu Zufriedenheit, eine zu Prüfungsangst und eine zu Abbruchabsicht werden nicht zu einer Skala, nur weil alle dieselben Antwortkategorien verwenden. Trennen Sie Konstrukte vor jeder Berechnung.

Schritt 2: Kodierung, Wertelabels und fehlende Werte prüfen

Öffnen Sie zuerst die Variablenansicht. Jedes Item braucht einen verständlichen Variablennamen, ein vollständiges Label und Wertelabels für alle Antwortkategorien. Prüfen Sie danach mit Häufigkeiten, ob ausschließlich erlaubte Codes vorkommen. Eine versehentliche 6 in einer fünfstufigen Skala oder eine 99 für „keine Angabe“ kann Mittelwerte, Korrelationen und Reliabilität stark verzerren.

FREQUENCIES VARIABLES = zuf1 zuf2 zuf3 zuf4 zuf5
  /ORDER = ANALYSIS.

Definieren Sie Sondercodes als fehlend oder rekodieren Sie sie in System-Missing. Entscheiden Sie außerdem, wie mit teilweise beantworteten Skalen umgegangen wird. Eine nachvollziehbare Regel wäre: Mittelwert nur bilden, wenn mindestens vier von fünf Items gültig sind. Diese Schwelle gehört in den Methodenteil; sie darf nicht nach Sichtung der Ergebnisse still verändert werden.

Schritt 3: negativ formulierte Items in neue Variablen umpolen

Alle Items eines Scores müssen dieselbe Richtung haben. Wenn 5 normalerweise hohe Zufriedenheit bedeutet, aber das Item „Ich denke häufig über einen Studienabbruch nach“ mit 5 hohe Unzufriedenheit ausdrückt, muss es vor der Skalenbildung umgepolt werden. Für eine Skala von 1 bis 5 lautet die Transformation 1 ↔ 5, 2 ↔ 4, 3 bleibt 3.

RECODE zuf3 (1=5) (2=4) (3=3) (4=2) (5=1) INTO zuf3_r.
VARIABLE LABELS zuf3_r 'zuf3 negativ formuliert, umgepolt'.
VALUE LABELS zuf3_r 1 'niedrig' 2 'eher niedrig' 3 'mittel'
  4 'eher hoch' 5 'hoch'.
EXECUTE.

Rekodieren Sie bevorzugt in eine neue Variable. So bleiben die Rohdaten erhalten und Fehler lassen sich zurückverfolgen. Die offiziellen IBM-Syntaxregeln für RECODE erklären, wie alte und neue Werte sowie INTO verwendet werden. Kontrollieren Sie das Ergebnis anschließend mit einer Kreuztabelle von Original und rekodierter Variable.

CROSSTABS TABLES = zuf3 BY zuf3_r
  /CELLS = COUNT.

Schritt 4: jedes Item vor der Skalenbildung ansehen

Prüfen Sie Häufigkeiten, fehlende Werte, Median und Verteilung. Ein Item, bei dem 95 Prozent dieselbe Kategorie wählen, unterscheidet kaum zwischen Personen. Das muss nicht automatisch gelöscht werden — möglicherweise beschreibt es einen echten Konsens —, aber sein Beitrag zur Skala ist begrenzt. Achten Sie auch auf ungewöhnliche Muster bei negativ formulierten Items: Sie können auf Missverständnisse oder unvollständige Umpolung hinweisen.

Verwenden Sie für die Darstellung gestapelte Balken mit allen Antwortkategorien statt nur eines Mittelwertbalkens. Zwei Gruppen können denselben Mittelwert haben, obwohl die eine geschlossen die Mitte wählt und die andere zwischen Zustimmung und Ablehnung polarisiert ist. Die Verteilung enthält die Information, die der einzelne Mittelwert versteckt.

Schritt 5: Reliabilität und Dimensionalität nicht verwechseln

Für eine geplante Skala prüfen Sie interne Konsistenz mit Analysieren → Skala → Reliabilitätsanalyse. IBM beschreibt die Reliabilitätsanalyse als Verfahren zur Untersuchung von Skalen und Itembeziehungen. Lesen Sie Gesamtwert, Item-Skala-Korrelationen und „Alpha, wenn Item gelöscht“ gemeinsam. Unser vertiefender Beitrag zeigt, wie Sie Cronbachs Alpha in SPSS interpretieren, ohne aus einem Grenzwert eine automatische Löschregel zu machen.

RELIABILITY
  /VARIABLES = zuf1 zuf2 zuf3_r zuf4 zuf5
  /SCALE('Studienzufriedenheit') = ALL
  /MODEL = ALPHA
  /STATISTICS = DESCRIPTIVE SCALE CORR
  /SUMMARY = TOTAL.

Ein hohes Alpha beweist keine Eindimensionalität. Es kann auch entstehen, wenn viele ähnliche Items vorhanden sind oder zwei eng korrelierte Unterdimensionen vermischt werden. Prüfen Sie die theoretische Struktur und bei neu entwickelten oder veränderten Skalen eine passende Faktorenanalyse. Bilden Sie nicht erst einen Score und suchen danach eine Erklärung dafür, warum die Items zusammengehören.

Schritt 6: Summen- oder Mittelwertscore reproduzierbar bilden

Wenn Theorie, Polung und Skalenprüfung passen, können Sie einen Score bilden. Ein Mittelwert hat den Vorteil, dass er in der ursprünglichen Antwortmetrik bleibt: 3,8 auf einer Skala von 1 bis 5 ist unmittelbar lesbarer als eine Summe von 19. Verwenden Sie MEAN.4, wenn mindestens vier von fünf Items gültig sein müssen.

COMPUTE zufriedenheit = MEAN.4(zuf1, zuf2, zuf3_r, zuf4, zuf5).
VARIABLE LABELS zufriedenheit 'Studienzufriedenheit, Mittelwert aus 5 Items'.
EXECUTE.

DESCRIPTIVES VARIABLES = zufriedenheit
  /STATISTICS = MEAN STDDEV MIN MAX.

Berichten Sie, welche Items enthalten sind, welche umgepolt wurden, wie viele gültige Antworten erforderlich waren und wie Reliabilität beziehungsweise Skalenstruktur geprüft wurden. Ohne diese Angaben ist der Score für Dritte nicht reproduzierbar.

Welcher Test passt zur Likert-Auswertung?

Für ein einzelnes ordinales Item sind Mann-Whitney-U, Wilcoxon, Kruskal-Wallis oder ordinale Regression naheliegende Optionen, abhängig von Design und Forschungsfrage. Bei einem begründeten Mehr-Item-Score können t-Test, ANOVA, Korrelation oder lineare Regression vertretbar sein, wenn Verteilung, Ausreißer, Unabhängigkeit und Modellannahmen geprüft werden. Entscheiden Sie nicht allein anhand eines Normalitätstests: Bei größeren Stichproben reagieren solche Tests auf kleine, praktisch irrelevante Abweichungen.

Bei Vorher-Nachher-Designs muss die Paarung erhalten bleiben; bei Gruppenvergleichen brauchen Sie unabhängige Gruppen; bei mehreren Messzeitpunkten oder verschachtelten Daten können gemischte Modelle erforderlich sein. Die Übersicht typischer SPSS-Auswertungen ordnet die Verfahren nach Fragestellung. Wenn Hypothese und Messniveau noch unklar sind, lösen Sie diese Ebene vor dem Klickpfad.

Beispiel für einen transparenten Ergebnisbericht

Eine vollständige Formulierung könnte lauten: „Die Studienzufriedenheit wurde mit fünf Items auf einer fünfstufigen Zustimmungsskala erfasst. Ein negativ formuliertes Item wurde vor der Analyse umgepolt. Der Skalenwert wurde als Mittelwert berechnet, sofern mindestens vier Items gültig waren. Die interne Konsistenz betrug Cronbachs α = .82. Der Mittelwert lag bei M = 3,74 (SD = 0,68; n = 214).“ Danach folgt der eigentliche Hypothesentest mit Effektgröße und Konfidenzintervall.

Vermeiden Sie Aussagen wie „Die Mehrheit ist zufrieden“, wenn nur ein Mittelwert über 3 vorliegt. Zeigen Sie für zentrale Items zusätzlich die Antwortverteilung. Trennen Sie außerdem deskriptive Aussage und Inferenz: Der beobachtete Gruppenunterschied ist eine Zahl in der Stichprobe; der Test bewertet, wie gut die Daten mit dem gewählten Modell vereinbar sind.

Antwortoptionen und Skalenrichtung über Gruppen hinweg prüfen

Bevor Sie Gruppen oder Messzeitpunkte vergleichen, kontrollieren Sie, ob überall dasselbe Antwortformat verwendet wurde. Eine fünfstufige Skala in Welle eins und eine siebenstufige Skala in Welle zwei dürfen nicht ohne begründete Transformation als identischer Score behandelt werden. Dasselbe gilt für übersetzte Fragebögen oder Gruppen mit unterschiedlich erklärten Skalenankern. Ein signifikanter Unterschied kann sonst aus dem Instrument statt aus dem untersuchten Merkmal stammen. Dokumentieren Sie Wortlaut, Skalenanker, Polung und Erhebungsmodus für jede Gruppe. Bei etablierten Instrumenten sollte zusätzlich geprüft werden, ob die vorgesehene Faktorstruktur und Auswertungsregel für Sprache und Zielgruppe validiert wurde; eine bloße Übersetzung bewahrt nicht automatisch dieselbe Messbedeutung.

Wann externe Statistik-Hilfe sinnvoll ist

Unterstützung ist besonders sinnvoll, wenn mehrere Skalen, fehlende Werte, komplexe Designs oder uneindeutige Faktorenstrukturen zusammenkommen. Eine reine „SPSS-Auswertung“ ohne Forschungsfrage und Codebuch ist dagegen kein belastbarer Auftrag. Für eine Prüfung brauchen wir Hypothesen, Fragebogen, Kodierplan, Rohdaten und Hochschulvorgaben.

Hermes Writing kann Datenprüfung, begründete Testwahl, SPSS-Syntax, Tabellen und Interpretationshinweise als separate Statistik-Leistung übernehmen. Sie erhalten dokumentierte Schritte statt nur Output-Screenshots und können die Entscheidungen im Kolloquium nachvollziehen. Wenn die Skala selbst noch nicht feststeht, beginnt der Auftrag mit Messmodell und Kodierung — nicht mit einem voreiligen Signifikanztest.

Häufige Fragen zur Auswertung von Likert-Skalen mit SPSS