Durch

Nathan Auyeung

—

26.05.2026

Quasi-experimentelle Designs: Beispiele, Typen und reale Anwendungsfälle

Nathan Auyeung

Senior Accountant bei EY

Abschluss mit einem Bachelor in Rechnungswesen, abgeschlossenes Postgraduate-Diplom in Rechnungswesen

Quasi-experimentelle Designs helfen Forschern, Ursache und Wirkung zu untersuchen, wenn eine zufällige Zuweisung nicht möglich ist. Anstatt sich auf kontrollierte Zufallsgruppen zu verlassen, nutzen diese Studien reale Umgebungen wie Schulen, Kliniken, Nachbarschaften oder Regionen.

Das macht sie besonders nützlich im Bildungsbereich, im Gesundheitswesen und in der öffentlichen Politik, wo Forscher oft Antworten benötigen, aber nicht vollständig kontrollieren können, wer eine Intervention erhält.

In diesem Leitfaden betrachten wir die wichtigsten quasi-experimentellen Beispiele, erklären, wie das jeweilige Design funktioniert, und zeigen Ihnen, wie Sie den richtigen Ansatz für Ihre eigene Studie klar und selbstbewusst auswählen und anwenden.

Was ist ein quasi-experimentelles Forschungsdesign?

Ein quasi-experimentelles Forschungsdesign untersucht Ursache und Wirkung ohne zufällige Zuweisung.

Anstatt zufällige Gruppen zu erstellen, nutzt es natürlich gebildete Gruppen, die bereits in realen Umgebungen existieren, was den Ansatz für die angewandte Forschung realistischer macht. Forscher arbeiten üblicherweise mit bestehenden Schulklassen, Krankenhäusern oder Gemeinden.

Wie in quasi-experimentelles Design erklärt wird, sind Quasi-Experimente in angewandten Studien weit verbreitet, da sie ein praktisches Gleichgewicht zwischen Machbarkeit und aussagekräftiger kausaler Erkenntnis bieten.

Im Gegensatz zu einem echten Experiment werden die Teilnehmer den Bedingungen nicht zufällig zugeteilt. Dies kann es schwieriger machen, alternative Erklärungen auszuschließen, da sich die Gruppen bereits vor Beginn der Intervention voneinander unterscheiden können.

Infolgedessen kann die interne Validität bei quasi-experimentellen Designs eine Herausforderung darstellen. Trotz dieser Einschränkungen bleiben quasi-experimentelle Methoden in Disziplinen wie Soziologie, Psychologie und Wirtschaftswissenschaften unverzichtbar.

Unabhängige Variable: die Intervention oder Behandlung
Abhängige Variable: das gemessene Ergebnis
Kontrollgruppe: die Vergleichsgruppe, die die Behandlung nicht erhält
Behandlungsgruppe: die Gruppe, die die Intervention erhält

Kernarten quasi-experimenteller Designbeispiele

Hier sind die wichtigsten Typen, denen Sie in der Praxis begegnen werden. Die Erklärungen enthalten einfache Beispiele und zeigen, wo man sie tatsächlich einsetzt.

Nicht-äquivalentes Kontrollgruppendesign

Zwei Gruppen werden verglichen, aber sie wurden nicht zufällig zugewiesen. Sie existierten bereits.

Beispiel: Eine Klasse an einer Schule erhält ein neues Matheprogramm. Eine andere Klasse nutzt die alte Methode. Am Ende des Semesters vergleichen Sie deren Testergebnisse.
Wo es angewendet wird: Dies ist in der Bildungsforschung allgegenwärtig. Da die Gruppen zu Beginn nicht gleichwertig zusammengestellt wurden, müssen Forscher Statistiken (wie ANCOVA) nutzen, um die anfänglichen Unterschiede herauszurechnen. Die große Herausforderung besteht darin, mit Variablen umzugehen, die nicht berücksichtigt wurden.

Eingruppen-Pretest-Posttest-Design

Sie messen eine einzelne Gruppe, führen eine Veränderung ein und messen sie dann erneut. Es gibt keine separate Kontrollgruppe.

Beispiel: Eine Fabrik erfasst sechs Monate lang, wie viele Unfälle passieren. Dann führt sie ein Sicherheitstraining durch. Danach erfasst sie weitere sechs Monate lang die Unfälle, um zu sehen, ob die Zahl gesunken ist.
Warum es schwach ist: Der Rückgang der Unfälle könnte am Training liegen. Oder es könnte an etwas anderem liegen, das zur gleichen Zeit passierte, wie etwa einer saisonalen Produktionsverlangsamung. Es ist schwer, sich über die Ursache der Veränderung sicher zu sein.
Der Kompromiss: Es ist sehr einfach und kostengünstig durchzuführen, weshalb es in Unternehmens- und Arbeitsplatzstudien häufig vorkommt. Es liefert jedoch die schwächste Evidenz für Ursache und Wirkung.

Pretest-Posttest mit nicht-äquivalenter Kontrollgruppe

Dies ist eine stärkere Variante. Sie haben zwei bestehende Gruppen und messen beide, bevor und nachdem Sie bei nur einer Gruppe eine Veränderung einführen.

Beispiel: Eine Klinik startet ein neues Programm zur Raucherentwöhnung. Eine andere ähnliche Klinik tut dies nicht. Sie befragen Raucher in beiden Kliniken zu ihren Gewohnheiten. Nach einem Jahr, in dem das Programm in der ersten Klinik lief, befragen Sie alle erneut.
Warum es besser ist: Wenn die Klinik mit dem Programm einen deutlich größeren Rückgang des Rauchens zeigt als die andere Klinik, können Sie sicherer sein, dass das Programm tatsächlich gewirkt hat. Es hilft auszuschließen, dass ein externer Faktor (wie eine neue öffentliche Gesundheitskampagne) alle zur gleichen Zeit beeinflusst hat.

So schneiden diese ersten drei Designs im Vergleich ab:

Design-Typ	Kontrollgruppe?	Pretest?	Aussagekraft der Evidenz
Eingruppen-Pretest-Posttest	Nein	Ja	Niedrig
Nicht-äquivalente Kontrollgruppe	Ja	Optional	Mittel
Pretest-Posttest mit Kontrollgruppe	Ja	Ja	Höher

Interruptives Zeitreihendesign

Anstelle von nur einer „Vorher“- und einer „Nachher“-Messung erheben Sie Daten zu vielen Zeitpunkten über einen langen Zeitraum. Sie suchen nach einer Veränderung des Trends nach einem bestimmten Ereignis.

Beispiel: Ein Land verabschiedet ein Gesetz zur Einführung einer Steuer auf zuckerhaltige Getränke. Forscher analysieren landesweite Limonaden-Verkaufsdaten monatlich für Jahre vor und nach der Steuer. Sie wollen sehen, ob der langfristige Trend der Verkaufszahlen genau zum Zeitpunkt der Einführung der Steuer deutlich einbricht oder seine Form verändert.
Warum es nützlich ist: Es ist ein mächtiges Instrument zur Bewertung von Richtlinien und Gesetzen. Eine Veränderung in einem langfristigen Muster zu sehen, ist überzeugender als eine Veränderung zwischen zwei einzelnen Zeitpunkten. Eine detaillierte praxisbezogene Diskussion finden Sie unter Interruptives Zeitreihendesign in praxisnahen Studien, wo gezeigt wird, wie zeitbasierte Designs in der realen Gesundheitsforschung eingesetzt werden.

Regressions-Diskontinitäts-Design

Personen werden einer Behandlungsgruppe basierend darauf zugewiesen, ob sie über oder unter einem bestimmten Grenzwert auf einer Skala liegen.

Beispiel: Eine Universität vergibt Nachhilfestipendien an Studenten, deren Familieneinkommen unter 50.000 $ liegt. Forscher vergleichen dann die Abschlussquoten von Studenten, die sich gerade so qualifiziert haben (z. B. Einkommen von 49.500 $), mit denen, die es knapp verpasst haben (z. B. Einkommen von 50.500 $).
Die Logik: Die Idee ist, dass diese beiden Studentengruppen in fast jeder Hinsicht identisch sind, abgesehen von diesem winzigen Einkommensunterschied und dem Stipendium, das sie erhalten haben. Jeder große Unterschied in ihren Ergebnissen kann so sicherer auf das Stipendium zurückgeführt werden. Ökonomen und Politikanalysten schätzen dieses Design wegen seiner cleveren Logik.

Matching- und Propensity-Score-Designs

Da Sie nicht randomisieren können, versuchen Sie, dies statistisch zu simulieren. Sie finden Personen in der Behandlungsgruppe und „matchen“ sie mit nahezu identischen Personen aus einer Nicht-Behandlungsgruppe.

Beispiel: Sie untersuchen Online- versus Präsenzkurse an einer Hochschule. Sie nehmen jeden Online-Studenten und suchen einen Präsenz-Studenten mit demselben Highschool-Notendurchschnitt, Alter und Hauptfach. Dann vergleichen Sie die Noten dieser gematchten Paare.
Der Haken: Sie können Personen nur basierend auf Dingen matchen, die Sie messen können und für die Sie Daten haben. Es kann keine verborgenen Unterschiede berücksichtigen, wie die Motivation eines Studenten oder seinen Zugang zu einem ruhigen Ort zum Lernen. Es verringert Verzerrungen, beseitigt sie aber nicht.

Praxisbeispiele für quasi-experimentelle Designs nach Fachbereich

Man begegnet diesen Methoden überall. So sehen sie in der Praxis in einigen wichtigen Bereichen aus.

Bildung

Schulen können Kinder für ein Experiment meist nicht willkürlich neu zuteilen. Sie arbeiten also mit den Gruppen, die sie haben.

Wie es aussieht: Ein Schulbezirk beschließt, ein neues Online-Nachhilfeprogramm zu testen. Sie bieten es allen Schülern der Lincoln High School an. Die Schüler der Jefferson High School nutzen unterdessen das alte System der betreuten Studienstunden. Am Ende des Semesters vergleichen Forscher die Ergebnisse der Abschlussprüfungen beider Schulen.
Warum es genutzt wird: Es ist ein standardmäßiger, praktischer Weg, um neue Lehrmittel oder Programme zu testen, wenn eine echte Randomisierung keine Option ist.

Gesundheitswesen

Krankenhäuser und Kliniken nutzen bestehende Patientengruppen, um neue Verfahren oder Systeme zu untersuchen.

Wie es aussieht: Ein Krankenhaus führt ein neues digitales System für Pflegekräfte ein, um die Vitalwerte von Patienten zu überwachen. Sie betrachten die durchschnittliche Genesungszeit von Patienten, die in den sechs Monaten vor Einführung des Systems aufgenommen wurden, und vergleichen sie mit der Genesungszeit von Patienten in den sechs Monaten danach.
Warum es genutzt wird: Man kann Patienten nicht zufällig einer schlechteren Versorgung zuteilen. Dieser Ansatz ermöglicht es Gesundheitsforschern, reale Verbesserungen auf kontrollierte Weise zu untersuchen.

Öffentliche Politik

Wenn ein neues Gesetz oder eine neue Steuer eingeführt wird, betrifft dies jeden. Forscher untersuchen die Auswirkungen, indem sie Daten im Zeitverlauf betrachten.

Wie es aussieht: Ein Bundesstaat erhöht das gesetzliche Alter für den Kauf von Tabak von 18 auf 21 Jahre. Mitarbeiter des öffentlichen Gesundheitswesens verfolgen dann die landesweiten Raucherquoten unter Teenagern über mehrere Jahre vor und nach der Gesetzesänderung und suchen nach einem Knick in der Trendlinie.
Warum es genutzt wird: Dies ist oft ein interruptives Zeitreihendesign. Es ist der Hauptweg, um herauszufinden, ob eine groß angelegte politische Maßnahme tatsächlich die erhoffte Veränderung bewirkt hat.

Wirtschaft und Marketing

Unternehmen testen neue Ideen an einer Untergruppe von Kunden vor dem vollständigen Start, oft weil ein echter A/B-Test nicht möglich ist.

Wie es aussieht: Eine Social-Media-App entwickelt eine neue Videofunktion. Sie wird zuerst für alle Nutzer in Kanada freigeschaltet. Drei Monate lang verfolgen sie, wie oft kanadische Nutzer Videos ansehen, im Vergleich zu Nutzern in ähnlichen Märkten wie Großbritannien und Australien, die die Funktion noch nicht haben.
Warum es genutzt wird: Analysten nennen dies, selbst in Foren wie Reddit, ein „gestaffeltes Rollout“. Es ermöglicht einem Unternehmen, die reale Nutzung zu beobachten und Probleme vor einem globalen Start zu erkennen, während gleichzeitig Vergleichsdaten gesammelt werden.

Diese Art von Studie bewegt sich oft zwischen qualitativer Erkenntnis und quantitativer Messung. Wenn Sie unsicher sind, wie sich diese Ansätze unterscheiden, erklärt qualitative vs. quantitative Forschung, wie die jeweilige Methode zu Entscheidungen im Forschungsdesign beiträgt.

Vor- und Nachteile des quasi-experimentellen Designs

Zu wissen, worin diese Methoden gut sind und wo ihre Schwächen liegen, ist entscheidend, um Studien zu beurteilen, die sie nutzen.

Vorteile

Die größte Stärke ist, dass sie es ermöglichen, Dinge zu untersuchen, wenn ein echtes Experiment nicht möglich oder ethisch vertretbar ist.

Praxisnahe Anwendung: Sie können Programme, Richtlinien und Behandlungen so erforschen, wie sie tatsächlich in Schulen, Krankenhäusern oder Städten stattfinden. Sie schaffen keine künstliche Laborumgebung.
Ethische Praktikabilität: Oft kann man jemandem eine potenziell hilfreiche Behandlung nicht zufällig vorenthalten. Die National Institutes of Health weisen darauf hin, dass viele klinische Studien genau aus diesem Grund nicht-randomisierte Designs verwenden müssen.
Effizienz: Forscher können häufig bereits vorhandene Daten nutzen, wie Schulakten oder Krankenhaus-Aufnahmeprotokolle. Das macht die Durchführung von Studien schneller und kostengünstiger.
Skalierbarkeit: Diese Designs können auf große Gruppen oder sogar ganze Bevölkerungen angewendet werden, was für die Bewertung von Dingen wie neuen Gesetzen oder Gesundheitskampagnen notwendig ist.

Nachteile

Der größte Nachteil ist eine schwächere Aussagekraft bezüglich Ursache und Wirkung. Sie können sich nicht so sicher sein, ob die untersuchte Behandlung der tatsächliche Grund für eine Veränderung ist.

Das Kernproblem: Ohne zufällige Zuweisung könnten sich die verglichenen Gruppen von Anfang an unterschieden haben. Vielleicht hatten die Schüler im neuen Matheprogramm unterstützendere Eltern. Vielleicht waren die Patienten, die eine neue Therapie erhielten, allgemein gesünder. Diese bereits bestehenden Unterschiede können Ihre Ergebnisse verzerren.
Störvariablen: Dies sind die ungemessenen Faktoren, die tatsächlich für das Ergebnis verantwortlich sein könnten. Sie sind die ständige Bedrohung bei dieser Art von Forschung.
Selektionsbias: Der Weg, wie Menschen in der einen oder anderen Gruppe landen, ist nicht zufällig. Menschen, die sich für die Teilnahme an einem neuen Programm entscheiden, sind möglicherweise motivierter als diejenigen, die dies nicht tun, was an sich schon zu besseren Ergebnissen führen könnte.
Unsicherheit: Am Ende des Tages bleibt Ihnen eine starke Korrelation, ähnlich wie in der Korrelationsforschung, aber kein definitiver Beweis für eine Kausalität. Die Evidenz ist andeutend, nicht hieb- und stichfest.

Eine tiefergehende Erklärung dieser Herausforderungen und wie Forscher damit umgehen, wird in Validität des quasi-experimentellen Designs und kausale Inferenz diskutiert, wo Fragen der kausalen Inferenz und Validität in quasi-experimentellen Designs untersucht werden.

Wie man eine quasi-experimentelle Studie Schritt für Schritt designt

Wenn Sie eine dieser Studien durchführen müssen, finden Sie hier einen einfachen Weg, dem Sie folgen können.

1. Definieren Sie Ihre Forschungsfrage Beginnen Sie mit einer klaren Ursache-Wirkungs-Frage. Werden Sie konkret.

Schwach: „Funktioniert das Programm?“
Besser: „Zeigen Highschool-Schüler, die das neue Peer-Tutoring-Programm absolvieren, einen größeren Zuwachs bei den Ergebnissen der Algebra-Abschlussprüfung als diejenigen, die dies nicht tun?“

2. Finden Sie Ihre Gruppen Sie werden die Gruppen nicht zufällig erstellen. Sie nutzen bereits vorhandene.

Behandlungsgruppe: Die Personen, Klassenräume oder Regionen, die die Intervention erhalten (z. B. die drei Unternehmensfilialen, die eine neue Software erhalten).
Kontroll-/Vergleichsgruppe: Die Gruppen, die wie gewohnt weitermachen (z. B. die zwei Filialen, die das alte System behalten). Ihr Ziel ist es, diese Gruppen von Anfang an so ähnlich wie möglich zu machen.

3. Wählen Sie Ihr Design Ihre Wahl hängt ganz davon ab, was für Ihre Situation praktisch ist.

Wenn Sie nur Zugang zu einer Gruppe haben, nutzen Sie ein Eingruppen-Pretest-Posttest-Design.
Wenn Sie zwei bestehende Gruppen haben und diese vorher und nachher messen können, nutzen Sie das Design Pretest-Posttest mit einer nicht-äquivalenten Kontrollgruppe.
Wenn Sie eine Gesetzesänderung untersuchen und Daten über viele Jahre hinweg haben, ist ein interruptives Zeitreihendesign Ihre beste Wahl.
Wenn die Zuweisung zur Behandlung durch einen strengen Grenzwert (wie ein Testergebnis oder das Einkommen) bestimmt wird, ist ein Regressions-Diskontinitäts-Design die wissenschaftlich strengste Option.

4. Berücksichtigen Sie andere Variablen Dies ist der wichtigste analytische Schritt. Da Sie nicht randomisiert haben, müssen Sie versuchen, andere Faktoren statistisch zu kontrollieren und Messinstrumente zu verwenden, die so zuverlässig wie möglich sind.

Matching: Paaren Sie jede Person in der Behandlungsgruppe mit jemandem in der Kontrollgruppe, der ähnliche Eigenschaften hat (Alter, vorheriges Testergebnis etc.).
Regressionsanalyse: Nutzen Sie diese, um den Effekt Ihrer Behandlung zu isolieren, während andere Variablen mathematisch konstant gehalten werden.
Differenz-von-Differenzen-Ansatz: Vergleichen Sie die Veränderung in der Behandlungsgruppe mit der Veränderung in der Kontrollgruppe. Dies hilft, Trends herauszurechnen, die beide Gruppen beeinflusst haben.

Wenn Sie noch unschlüssig sind, wie sich diese Methoden in Ihren breiteren Forschungsansatz einfügen, können Forschungsparadigmen helfen zu klären, wie verschiedene Designs mit den Forschungszielen übereinstimmen.

5. Analysieren und berichten Sie mit Vorsicht Interpretieren Sie Ihre Zahlen sorgfältig.

Behaupten Sie nicht, Sie hätten „bewiesen“, dass die Intervention die Veränderung verursacht hat. Sagen Sie, dass die Ergebnisse einen kausalen Zusammenhang „nahelegen“ oder „stützen“.
Gehen Sie offen mit den Einschränkungen der Studie um. Listen Sie explizit die anderen Variablen auf, die Sie nicht kontrollieren konnten und die die Ergebnisse beeinflusst haben könnten. Diese Ehrlichkeit macht die Forschung glaubwürdig.

Beim Berichten von Ergebnissen ist die Klarheit des Zitierstils ebenfalls wichtig für die Glaubwürdigkeit. Wenn Sie wissenschaftliche Texte formatieren, bietet Et-al-Beispiel APA eine Anleitung zur korrekten Verwendung von Zitaten in Forschungsarbeiten.

Abschließende Gedanken zum quasi-experimentellen Design

Sie haben wahrscheinlich gemerkt, wie knifflig es ist, Ursache und Wirkung zu beweisen, wenn man nicht alles kontrollieren kann, und Ergebnisse können sich unsicher oder leicht anfechtbar anfühlen. Das ist frustrierend. Diese Designs helfen Ihnen, mit realen Bedingungen zu arbeiten und dennoch nützliche Antworten zu erhalten, selbst wenn perfekte Bedingungen nicht möglich sind.

Anstatt jede Einschränkung zu zerdenken, konzentrieren Sie sich darauf, eine klare Struktur aufzubauen und Ihre Entscheidungen gut zu begründen. Tools wie Jenni können Ihnen helfen, Ihre Ideen schneller zu organisieren und Ihren Schreibstil präzise zu halten, sodass Sie weniger Zeit mit Schreibblockaden verbringen und sich mehr auf das Vorankommen Ihrer Forschung konzentrieren können.

Inhaltsverzeichnis