Eine Stichprobe ist immer nur in Bezug auf eine Grundgesamtheit und eine konkrete Fragestellung repräsentativ. Kund:innen nach Alter und Region auszuwählen kann zwar sinnvoll sein, garantiert aber noch nicht, dass die Stichprobe auch deren Produkterfahrung, Barrierefreiheitsanforderungen oder Abwanderungswahrscheinlichkeit widerspiegelt. Der Begriff sollte eine Diskussion über das Recruiting also eher eröffnen als beenden.
In der Forschung spricht man von einer „repräsentativen Stichprobe“, wenn sie fundierte Rückschlüsse auf relevante Merkmale oder Ergebnisse der Zielpopulation zulässt. Repräsentativität lässt sich weder durch schiere Größe noch durch demografische Quoten oder das Label eines Panel-Anbieters garantieren. Der Weg in die Stichprobe und die Annahmen hinter der Analyse bleiben entscheidend.
Erst die Grundgesamtheit definieren, dann die Stichprobe wählen
Ein fiktiver Musik-Streamingdienst möchte verstehen, wie Musik während eines kostenlosen Probeabos gehört wird. Zahlende Bestandskund:innen sind leicht zu erreichen, haben aber bereits einen Auswahlprozess durchlaufen, den Testnutzer:innen noch vor sich haben. Ihre Berichte über das Probeabo lassen womöglich Gründe aus, warum andere ausgestiegen sind, und beziehen sich vielleicht auf eine Produktversion, die sich längst geändert hat.
Definieren Sie Zielgruppe und Zeitraum präzise und überlegen Sie, welche Merkmale wirklich zählen. In diesem Fall sind Testphase, Gerät, Nutzungsverhalten und Abschlussstatus oft relevanter als ein breites demografisches Profil der Gesamtbevölkerung. Der Recruiting-Rahmen sollte einen passenden Zugang genau zu diesen Personen bieten.
Der Leitfaden des Australian Bureau of Statistics zur Stichprobenplanung unterscheidet zwischen probabilistischen und nicht-probabilistischen Verfahren. Diese Methoden bieten ganz unterschiedliche Grundlagen dafür, Schlüsse zu ziehen, die über die befragten Personen hinausgehen.
Mehr prüfen als nur die erreichten Fallzahlen
Vergleichen Sie die Stichprobe, wo immer möglich, mit relevanten Daten über die Zielpopulation. Schauen Sie genau hin: Wer war teilnahmeberechtigt, wer konnte erreicht werden und wer hat tatsächlich geantwortet? Das Abgleichen sichtbarer Merkmale beruhigt nur insoweit, als es plausible Verzerrungsquellen beseitigt – unberücksichtigte Unterschiede können dennoch bestehen bleiben.
Zufallsstichproben können Rückschlüsse auf die Grundgesamtheit stützen, sofern das Design stimmt; Abdeckungsfehler und Non-Response müssen aber trotzdem im Blick behalten werden. Quoten und Gewichtungen können unter bestimmten Annahmen gezielte Ungleichgewichte ausgleichen. Sie lassen jedoch nicht jeden Unterschied verschwinden und verwandeln eine Gelegenheitsstichprobe nicht automatisch in eine echte Wahrscheinlichkeitsstichprobe.
Eine größere Stichprobe erhöht bei einem passenden Modell meist die Präzision, kann aber systematische Ausschlüsse nicht heilen. Wenn der Musikdienst mehr zahlende Kund:innen befragt, hilft ihm das nicht dabei, die Abbrüche während der Testphase zu verstehen.
Prüfen, ob Schätzungen für die Grundgesamtheit überhaupt das Ziel sind
In einer kleinen qualitativen Studie werden oft gezielt Personen mit bestimmten Erfahrungen ausgewählt, um zu verstehen, wie ein Problem entsteht. Sie sollte Teilnehmer:innen einschließen, die für die anstehende Entscheidung relevant sind, muss aber nicht die Proportionen der Bevölkerung abbilden, um wertvoll zu sein. Gezieltes Sampling (Purposive Sampling) verfolgt einen ganz anderen Zweck als die Schätzung, wie weit verbreitet eine Meinung ist.
Diese Unterscheidung sollte auch im Reporting klar bleiben. Beschreiben Sie die Stichprobe und das Recruiting-Verfahren, erklären Sie bekannte Lücken und passen Sie Ihre Kernaussagen an die Datenbasis an. „Diese Teilnehmenden konnten die Offline-Einstellung nicht finden“ rechtfertigt eine Design-Untersuchung; „Die meisten Testnutzer:innen finden sie nicht“ erfordert eine deutlich solidere Grundlage für Häufigkeitsschätzungen.
Eine fundierte Aussage zur Repräsentativität zeigt Leser:innen, wen die Ergebnisse betreffen, was geprüft wurde und wo Unsicherheiten bleiben. Ohne diese Details erzeugt das Label vor allem Scheinsicherheit statt echter Erkenntnis.