Ein Unternehmen möchte wissen, wie viele Kundinnen und Kunden im letzten Monat ein Abrechnungsproblem hatten. Wer einfach alle befragt, die auf einen Newsletter antworten, erhält vielleicht hilfreiche Einblicke – das Auswahlverfahren lässt sich jedoch kaum nachvollziehen: Das Team weiß nicht, mit welcher Wahrscheinlichkeit eine Person im Ergebnis auftaucht. Wahrscheinlichkeitsstichproben setzen genau hier an, indem sie diesen Auswahlmechanismus transparent machen.
Bei einer Wahrscheinlichkeitsstichprobe werden Einheiten über ein Zufallsverfahren ausgewählt, bei dem für jede Einheit der Grundgesamtheit eine bekannte Wahrscheinlichkeit größer null besteht, in die Stichprobe zu gelangen. Diese Wahrscheinlichkeiten müssen nicht identisch sein. Ihre Aufgabe ist es, fundierte Schätzungen und eine Einschätzung der Stichprobenunsicherheit zu ermöglichen, die das tatsächliche Ziehungsverfahren widerspiegelt.
Grundgesamtheit und Zugang zur Stichprobe definieren
In der fiktiven Abrechnungsstudie könnte die Grundgesamtheit aus allen Kundenkonten bestehen, für die im betreffenden Monat eine Rechnung erstellt wurde. Die Kundendatenbank kann als Auswahlgesamtheit dienen, sofern sie diese Konten verlässlich auflistet – sie erfasst jedoch möglicherweise nicht jede Person, die den Abrechnungsprozess tatsächlich durchlaufen hat. Wählen Sie die Untersuchungseinheit passend zur Fragestellung, bevor Sie die Stichprobe ziehen.
Einfache Zufallsstichproben ziehen direkt aus einer Auswahlgesamtheit. Bei geschichteten Stichproben wird innerhalb definierter Gruppen gezogen, während Klumpen- und mehrstufige Verfahren über Gruppen wie Organisationen oder Standorte auswählen. Die Stichproben-Übersicht des Australian Bureau of Statistics erläutert den Unterschied zwischen Zufallsauswahlen und anderen Stichprobenansätzen.
Dokumentieren Sie jeden Schritt, der Einfluss darauf hat, wer in die Stichprobe gelangt. Eine kleine Kundengruppe überproportional zu erfassen (Oversampling), kann für die Analyse sinnvoll sein. Für eine Gesamtschätzung müssen diese ungleichen Auswahlwahrscheinlichkeiten jedoch sauber herausgerechnet werden, statt die Zusammensetzung der Stichprobe einfach mit der Grundgesamtheit gleichzusetzen.
Auswahl und Rücklauf klar trennen
Eine Zufallsauswahl garantiert nicht, dass alle ausgewählten Personen auch antworten. Da sich die tatsächlichen Rückläufe von der gezogenen Stichprobe unterscheiden können, sind oft Nachfassaktionen, Gewichtungen und Non-Response-Analysen nötig. Die Studie basiert zwar weiterhin auf einem Zufallsdesign, die Aussagekraft der Schätzungen hängt jedoch davon ab, wie mit Ausfällen umgegangen wird und welche Annahmen bestehen bleiben.
Eine klassische Fehlerspanne beschreibt die stichprobenbedingte Unsicherheit unter dem jeweiligen Erhebungsdesign und Rechenmodell. Sie deckt nicht jeden denkbaren Fehler ab – etwa durch lückenhafte Erfassung, irreführende Fragen oder Antwortverweigerung. Ein enges Konfidenzintervall allein belegt daher noch nicht, dass eine Umfrage insgesamt präzise ist.
Das passende Design für die jeweilige Aussage wählen
Wahrscheinlichkeitsstichproben sind besonders wertvoll, wenn eine Studie Schätzwerte für die gesamte Population liefern soll und eine geeignete Auswahlbasis vorhanden ist. Für manche Fragestellungen braucht es das allerdings gar nicht: Eine bewusste Auswahl (Purposive Sampling) kann genau der richtige Weg sein, wenn bestimmte Erfahrungen oder Kontexte vertieft untersucht werden sollen.
Nicht-probabilistische Stichproben können durch Modellierungen oder andere Anpassungen ebenfalls Rückschlüsse ermöglichen, erfordern aber zusätzliche Annahmen und Nachweise. Das Erfüllen einiger soziodemografischer Quoten ersetzt kein Zufallsdesign und rechtfertigt nicht, dessen Formeln zur Unsicherheitsberechnung unkritisch zu übernehmen.
Ein guter Bericht macht Grundgesamtheit, Auswahlbasis, Ziehung, Rücklauf und Analyse transparent. Erst diese Kette erlaubt es Lesenden zu beurteilen, was die Schätzung tatsächlich aussagt – statt „Zufall“ einfach als allgemeines Qualitätssiegel vorauszusetzen.