Likert-Skala auswerten: So gehst du vor

Was eine Likert-Skala ist

Der Sozialpsychologe Rensis Likert hat das Verfahren 1932 vorgestellt. Befragte geben zu mehreren Aussagen an, wie stark sie zustimmen, etwa von „stimme gar nicht zu“ bis „stimme voll zu“. Die Antworten auf alle Aussagen werden zu einem Wert zusammengefasst.

Streng genommen ist die Likert-Skala also die Summe mehrerer Items. Im Alltag nennt man oft auch eine einzelne Frage mit solchen Antwortstufen „Likert-Skala“. Für die Auswertung ist diese Unterscheidung entscheidend.

Item oder Skala: der wichtigste Unterschied

Ein einzelnes Item liefert ordinale Daten. Es gibt eine Reihenfolge, aber die Abstände zwischen den Stufen müssen nicht gleich sein. Jamieson (2004) betont deshalb, dass Mittelwerte bei einzelnen Items heikel sind.

Bei einem Skalenwert aus mehreren Items sieht es anders aus. Er hat viele mögliche Werte und verhält sich in der Regel ähnlich wie metrische Daten. Norman (2010) zeigt, dass parametrische Verfahren wie t-Test, ANOVA oder Korrelation hier zu verlässlichen Ergebnissen führen. Die Diskussion ist in der Methodenliteratur nicht abgeschlossen. Kläre deshalb mit deiner Betreuung, wie dein Fach damit umgeht, und begründe deine Entscheidung im Methodenteil.

Schritt 1: Daten vorbereiten

1. Prüfe die Codierung. Alle Items sollten gleich gepolt sein, also ein hoher Wert immer dasselbe bedeuten.
2. Pole negativ formulierte Items um. Bei einer Skala von 1 bis 5 wird aus 1 eine 5, aus 2 eine 4. In SPSS geht das über Transformieren, Umcodieren in andere Variablen.
3. Sieh dir fehlende Werte an. Lege fest, ab wie vielen fehlenden Items eine Person keinen Skalenwert bekommt, und schreib die Regel in den Methodenteil.
4. Kontrolliere auffällige Antwortmuster, etwa Personen, die bei allen Items dieselbe Stufe angekreuzt haben.

Schritt 2: Reliabilität prüfen

Bevor du Items zusammenfasst, prüfst du, ob sie zusammenpassen. Üblich ist Cronbachs Alpha. Wie du es berechnest und einordnest, steht ausführlich im Artikel Cronbachs Alpha berechnen und berichten.

Schritt 3: Skalenwert bilden

Meist bildest du den Mittelwert der Items. Der Vorteil gegenüber der Summe: Der Wert bleibt auf der ursprünglichen Antwortskala und ist leichter zu lesen.

SPSS: Transformieren, Variable berechnen. Als Formel gibst du zum Beispiel MEAN(item1, item2, item3, item4) ein. Mit MEAN.3(…) rechnet SPSS den Wert nur, wenn mindestens drei Items beantwortet sind.

R: daten$angst <- rowMeans(daten[, c("item1","item2","item3","item4")], na.rm = TRUE). Lege vorher fest, wie viele fehlende Werte du zulässt.

Schritt 4: Kennwerte wählen

Schritt 5: Den passenden Test wählen

Eine vollständige Übersicht mit allen Fällen findest du im Artikel Welcher statistische Test passt?.

Schritt 6: Ergebnisse darstellen

Für einzelne Items eignet sich ein gestapeltes Balkendiagramm. Jeder Balken zeigt ein Item, die Abschnitte zeigen die Anteile der Antwortstufen. Ordne die Stufen von „stimme gar nicht zu“ bis „stimme voll zu“ und wähle Farben, die in einer Richtung heller oder dunkler werden. Grelle Ampelfarben lenken eher ab.

Für Skalenwerte sind Boxplots oder Balken mit Mittelwert und Fehlerbalken üblich. Schreib die Antwortskala immer in die Beschriftung, zum Beispiel „1 = stimme gar nicht zu, 5 = stimme voll zu“. Sonst weiß niemand, was ein Mittelwert von 3,8 bedeutet.

Ein Beispiel von Anfang bis Ende

Die häufigsten Fehler

• Die neutrale Mitte falsch lesen. Ein Mittelwert von 3 kann aus lauter Dreien bestehen oder aus gleich vielen Einsen und Fünfen. Schau dir immer die Verteilung an.
• Skalen mit unterschiedlich vielen Stufen mischen. Fünfstufige und siebenstufige Items lassen sich nicht einfach zusammenrechnen.
• Vergessene Umpolung. Sie verfälscht den Skalenwert und senkt Alpha.
• Prozente bei kleinen Gruppen. Bei 20 Befragten sind absolute Zahlen ehrlicher als „35 Prozent“.

Passend dazu

• Cronbachs Alpha berechnen und berichten
• Welcher statistische Test passt?
• Fragebogen auswerten
• Workbook „Empirische Arbeiten“

Quellen

1. Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 140, 1–55.
2. Jamieson, S. (2004). Likert scales: How to (ab)use them. Medical Education, 38(12), 1217–1218.
3. Norman, G. (2010). Likert scales, levels of measurement and the “laws” of statistics. Advances in Health Sciences Education, 15(5), 625–632. doi.org/10.1007/s10459-010-9222-y
4. Field, A. (2024). Discovering statistics using IBM SPSS Statistics (6. Aufl.). Sage.

Julia Spengler
Akademische Autorin aus Köln. Sie hat über 250 Haus-, Bachelor- und Masterarbeiten begleitet. Ihr Schwerpunkt sind empirische Arbeiten: Statistik mit SPSS, R und Stata und qualitative Inhaltsanalyse. Mehr über Julia