Im Original r = .25, in der Replikation r = .10, warum du für die Fallzahl nicht einfach den Literatur-Effekt übernimmst
Für r = .25 reichen rund 120 Personen, für r = .10 brauchst du rund 780. Der Unterschied steckt in einer einzigen Annahme, die du bei jeder Stichprobenberechnung mit G*Power eintragen musst. Viele übernehmen dafür den Effekt aus der Hauptstudie ihrer Literaturrecherche. Eine große Replikationsstudie zeigt, warum das riskant ist.
Warum veröffentlichte Effekte oft zu groß sind
Signifikante Ergebnisse werden eher veröffentlicht als nicht signifikante. Dieser Publikationsbias sorgt dafür, dass bei kleinen Studien vor allem die zufällig großen Effekte in Zeitschriften landen. Liest du nur die veröffentlichten Arbeiten, siehst du also eine ausgewählte Stichprobe. Das heißt nicht, dass die Studien falsch sind. Der einzelne Wert ist nur als Planungsgrundlage oft zu optimistisch.
Was die SCORE-Studie gezeigt hat
Im April 2026 erschienen in Nature die Ergebnisse des SCORE-Projekts zu den Sozial- und Verhaltenswissenschaften. Laut Center for Open Science ließen sich 49 % von 164 Arbeiten nach dem gängigsten Kriterium replizieren, also mit signifikantem Ergebnis in derselben Richtung. Der mittlere Effekt lag in den Replikationen bei r = .10, in den Originalen bei r = .25. Die Originalarbeit stammt von Tyner et al. (2026).
Andere Zahlen sind ebenfalls im Umlauf. Mark Rubin nennt 55.1 % von 274 Aussagen. Die Einheit ist hier eine andere, denn eine Arbeit kann mehrere Aussagen enthalten. Für deine Planung ist die genaue Quote ohnehin weniger wichtig als die Größe des Effekts. Ob dein Gebiet ähnlich betroffen ist, lässt sich aus diesen Zahlen nicht ablesen, die Studie liefert aber einen guten Grund, vorsichtig zu planen.
Was das für deine Fallzahl bedeutet
Die Tabelle 1 zeigt die nötige Stichprobe für eine zweiseitig getestete Korrelation mit α = .05 und einer Power von .80. Die letzte Spalte zeigt, welche Power dieselbe Stichprobe hätte, wenn der wahre Effekt nur r = .10 beträgt:
Geplanter Effekt | Personen, rund | Power bei wahrem r = .10 |
r = .25 | 120 | .19 |
r = .20 | 190 | .28 |
r = .15 | 340 | .46 |
r = .10 | 780 | .80 |
Wer mit r = .25 plant und auf r = .10 trifft, findet also in rund vier von fünf Fällen kein signifikantes Ergebnis. Je nach Programm und Berechnungsweg weichen die Fallzahlen um wenige Personen ab. Nachträglich lässt sich das nicht reparieren, auch nicht mit einer Post-hoc-Power-Analyse, die wenig aussagt.
Der Zusammenhang ist nicht linear. Die Fallzahl wächst ungefähr mit dem Quadrat des Kehrwerts des Effekts. Ein Effekt, der 2.5-mal kleiner ausfällt als geplant, verlangt deshalb mehr als sechsmal so viele Personen. So wirkt sich eine kleine Verschiebung in der Annahme deutlich auf Zeitplan und Aufwand aus. In einer Abschlussarbeit lässt sich das selten ausgleichen. Umso wichtiger ist es, die Annahme früh festzulegen und mehrere Szenarien durchzurechnen, statt nur einen Wert in das Programm einzutragen.
Welche Effektstärke nehme ich für die Fallzahlplanung?
Nimm einen begründeten Wert und nicht den größten Effekt aus einer Einzelstudie. Dafür gibt es drei übliche Wege, die sich auch kombinieren lassen:
Metaanalyse statt Einzelstudie. Ein gepoolter Effekt ist stabiler als ein einzelner Wert. Publikationsbias kann aber auch ihn verzerren, deshalb lohnt sich ein Blick auf die Sensitivitätsanalyse der jeweiligen Arbeit.
Kleinster relevanter Effekt. Du fragst, ab welcher Größe ein Effekt für dein Thema überhaupt zählt. Diese Begründung kommt aus dem Fach und nicht aus der Statistik.
Sensitivitätsanalyse. Steht die Stichprobe fest, gibst du an, welchen Effekt sie mit ausreichender Power noch erkennen kann. Das ist vor allem bei begrenztem Zugang zu Personen ehrlich.
Rechne bei Mittelwertvergleichen die passende Größe um, denn nicht jede Studie berichtet dieselbe Kennzahl. Eine Orientierung gibt der Artikel dazu, welche Effektstärke zu welchem Verfahren gehört.
Welcher Effekt für dein Design vertretbar ist, klären wir gern bei der Fallzahlplanung für Forschungsprojekte.
Wie du die Annahme im Methodenteil begründest
Ein Satz mit dem Programmnamen reicht nicht, das zeigt auch der Artikel zur Fallzahlplanung im Ethikantrag. Mit erfundenen Angaben könnte die Begründung so aussehen:
Die Fallzahl wurde vorab für eine zweiseitig getestete Korrelation mit α = .05 und einer Power von .80 geplant. Da veröffentlichte Effekte häufig überschätzt werden, wurde statt des Originaleffekts von r = .25 der kleinste inhaltlich relevante Effekt von r = .15 zugrunde gelegt. Daraus ergab sich eine Stichprobe von rund 340 Personen.
Entscheidend ist die Herkunft des Werts. Wer sie offen nennt, muss bei einer Rückfrage nichts nachreichen. Ob deine Betreuung einen Literaturwert akzeptiert, solltest du früh ansprechen.
Noch offene Fragen zum Literatur-Effekt
Darf ich einfach Cohens Konvention für einen mittleren Effekt nehmen?
Das kommt häufig vor, ist aber schwach begründet. Die Konventionen sagen nichts über dein Thema aus. Besser ist ein Wert aus der Literatur oder eine inhaltliche Begründung.
Was mache ich, wenn ich nur 120 Personen erreichen kann?
Dann gib offen an, welchen Effekt diese Stichprobe erkennen kann. Das ist eine Sensitivitätsanalyse. In der Diskussion ordnest du ein, was ein nicht signifikantes Ergebnis dann aussagt.
Gilt das auch für die Medizin?
SCORE untersuchte die Sozial- und Verhaltenswissenschaften. Das Grundproblem der selektiven Veröffentlichung gibt es aber auch in anderen Fächern. Die genauen Quoten lassen sich nicht übertragen.
Mit welchem Aufwand muss ich bei einer Fallzahlberatung rechnen?
Das hängt vom Design und von der Vorarbeit ab, etwa ob schon Effekte recherchiert sind. Mehr dazu steht unter Preise und Ablauf.
Wenn dein Antrag für eine Zahl begründet werden muss Wir planen die Fallzahl für dein Design im Rahmen der Auswertung für Forschungsprojekte und begründen die Effektannahme mit dir. Wenn du selbst rechnen möchtest, begleiten wir dich im Statistik-Coaching. Details stehen unter Preise und Ablauf. Woher stammt der Effekt in deiner Planung?


