Werden Personen in Gruppen erhoben, etwa in Schulklassen, Seminaren oder Therapiegruppen, ähneln sich ihre Werte innerhalb der Gruppe. Jede zusätzliche Person liefert dann weniger neue Information als eine unabhängig gezogene. Der Designeffekt DE = 1 + (m − 1) · ICC gibt an, mit welchem Faktor du die Fallzahl aus einer gewöhnlichen Poweranalyse multiplizieren musst. Dabei ist m die Zahl der Personen pro Gruppe und ICC die Intraklassenkorrelation.
Warum zählen Personen in Gruppen nicht voll?
Ein t-Test oder eine einfache Regression nimmt an, dass alle Beobachtungen unabhängig sind. In einer Schulklasse stimmt das selten. Die Kinder haben dieselbe Lehrkraft, denselben Stundenplan und oft ein ähnliches Umfeld. Zwei Kinder aus derselben Klasse sind sich im Mittel ähnlicher als zwei Kinder aus verschiedenen Klassen.
Ignorierst du diese Struktur, unterschätzt du den Standardfehler. Die Tests werden zu liberal, und die Poweranalyse verspricht mehr Präzision, als die Studie liefern kann. Besonders deutlich wird das, wenn ganze Gruppen einer Bedingung zugeteilt werden. Dann ist die Gruppe die Einheit der Zuteilung, und die Zahl der Gruppen bestimmt die Präzision mindestens so stark wie die Zahl der Personen.
Wie du eine Poweranalyse für unabhängige Gruppen aufsetzt, zeigt der Artikel zur Poweranalyse mit G*Power. Dieser Artikel setzt dort an, wo die Standardrechnung nicht mehr passt.
Was misst die Intraklassenkorrelation?
Die ICC beschreibt, welcher Anteil der Gesamtvarianz auf Unterschiede zwischen den Gruppen entfällt. Eine ICC von 0,05 bedeutet, dass 5 Prozent der Varianz zwischen den Klassen liegen und 95 Prozent innerhalb. Das klingt wenig. Weil sich der Effekt aber mit der Gruppengröße multipliziert, haben schon kleine ICCs spürbare Folgen.
Bei einer ICC von null sind die Personen unabhängig, der Designeffekt ist eins. Bei einer ICC von eins wären alle Personen einer Gruppe identisch, und jede Gruppe zählte nur wie eine einzige Person. Realistische Werte liegen dazwischen und hängen stark vom Merkmal und vom Setting ab.
Wie berechnest du den Designeffekt?
Für gleich große Gruppen gilt die bekannte Näherung:
DE = 1 + (m − 1) · ICC und nCluster = neinfach · DE
Die effektive Stichprobengröße einer Clusterstudie ist umgekehrt neff = n / DE. Sie gibt an, wie vielen unabhängigen Personen deine Stichprobe entspricht. Du rechnest also in zwei Schritten: zuerst die Fallzahl für unabhängige Personen, dann die Multiplikation mit dem Designeffekt.
Rechenbeispiel: Lesetraining in Schulklassen
Eine fiktive Masterarbeit vergleicht ein Lesetraining mit dem regulären Unterricht. Zugeteilt werden ganze Klassen mit je etwa 25 Kindern. Erwartet wird ein Unterschied von d = 0,60, geplant mit zweiseitigem Alpha von 0,05 und 80 Prozent Power.
Schritt 1, unabhängige Personen: n pro Gruppe ≈ 2 · (1,96 + 0,84)² / 0,60² = 2 · 7,85 / 0,36 ≈ 43,6. Aufgerundet sind das 44 Kinder pro Bedingung.
Schritt 2, Clusterung: Bei einer angenommenen ICC von 0,05 ist DE = 1 + 24 · 0,05 = 2,2. Damit braucht jede Bedingung 44 · 2,2 ≈ 97 Kinder, also vier Klassen. Statt 88 Kindern insgesamt sind es 200 Kinder in acht Klassen.
Die ICC ist bei der Planung selten genau bekannt. Deshalb gehört eine Sensitivitätsrechnung dazu:
| ICC | Designeffekt (m = 25) | Kinder pro Bedingung | Klassen pro Bedingung | Kinder insgesamt |
|---|---|---|---|---|
| 0,01 | 1,24 | 55 | 3 | 150 |
| 0,05 | 2,20 | 97 | 4 | 200 |
| 0,10 | 3,40 | 150 | 6 | 300 |
| 0,20 | 5,80 | 256 | 11 | 550 |
Zwischen der optimistischen und der pessimistischen Annahme liegt fast der Faktor vier. Für die Masterarbeit ist das eine wichtige Information. Sie zeigt, ob das Projekt mit den erreichbaren Schulen überhaupt machbar ist, und gehört mit allen Annahmen in den Methodenteil.
Das Studienheft Power und Stichprobenplanung behandelt den Designeffekt in einer eigenen Station und stellt ihn in eine Reihe mit Ausfallreserve, Paardesign, ungleicher Zuteilung und mehreren Endpunkten. Die 15 Lernstationen enthalten Fallzahlrechnungen mit Vergleichstabellen und Prüfungsfragen mit kommentierter Lösung.
Warum helfen größere Gruppen kaum weiter?
Eine naheliegende Idee ist, einfach mehr Personen pro Klasse oder Seminar zu erheben. Die effektive Stichprobengröße einer einzelnen Gruppe ist m / (1 + (m − 1) · ICC). Mit wachsendem m nähert sie sich dem Wert 1 / ICC, kommt aber nie darüber hinaus.
| Personen pro Gruppe (m) | Designeffekt bei ICC = 0,10 | effektive Personen pro Gruppe |
|---|---|---|
| 10 | 1,9 | 5,3 |
| 25 | 3,4 | 7,4 |
| 50 | 5,9 | 8,5 |
| 100 | 10,9 | 9,2 |
Bei einer ICC von 0,10 entspricht eine Gruppe nie mehr als zehn unabhängigen Personen, egal wie groß sie ist. Die Verdopplung von 50 auf 100 Personen bringt weniger als eine effektive Person dazu. Mehr Gruppen sind fast immer wirksamer als größere Gruppen.
Woher bekommst du eine plausible ICC?
Am belastbarsten sind ICC-Schätzungen aus früheren Studien mit ähnlichem Merkmal, ähnlicher Population und ähnlicher Gruppenart. Manche Arbeiten berichten sie direkt, bei anderen lässt sie sich aus Varianzkomponenten eines Mehrebenenmodells ableiten. Eine kleine Pilotstudie mit drei oder vier Gruppen liefert dagegen eine sehr unsichere Schätzung. Nutze sie höchstens als einen Wert in der Sensitivitätsrechnung.
Dokumentiere in der Arbeit, woher die ICC stammt, welche Spannweite du geprüft hast und welche Annahme deiner endgültigen Planung zugrunde liegt. Das ist für Betreuende nachvollziehbarer als eine einzelne Zahl ohne Herkunft.
Wann reicht der Designeffekt nicht aus?
- Sehr wenige Gruppen: Mit vier oder sechs Klassen pro Bedingung bestimmen die Gruppen die Freiheitsgrade der Analyse. Eine pauschale Inflation der Personenzahl bildet das nicht ab. Hier sind genauere Verfahren oder Simulationen angebracht.
- Ungleich große Gruppen: Die Formel setzt gleiche Gruppengrößen voraus. Schwanken die Größen stark, fällt der tatsächliche Designeffekt tendenziell höher aus.
- Ausfall: Fehlen einzelne Personen, sinkt m. Plane mit der Gruppengröße, die nach erwartetem Ausfall realistisch bleibt.
- Auswertung: Der Designeffekt korrigiert die Planung, nicht die Analyse. Ausgewertet werden geclusterte Daten mit einem Modell, das die Gruppenstruktur berücksichtigt, etwa einem Mehrebenenmodell.
Was gehört in die Fallzahlbegründung der Masterarbeit?
Eine nachvollziehbare Begründung für ein Clusterdesign enthält mehr als eine Zahl. Nenne den primären Test und die Effektannahme mit ihrer Herkunft, Alpha, Zielpower und Seitigkeit. Gib dann die Fallzahl für unabhängige Personen an, die angenommene ICC mit Quelle, die geplante Gruppengröße und den daraus folgenden Designeffekt. Zum Schluss stehen die Zahl der Gruppen pro Bedingung, die erwartete Ausfallquote und die Sensitivitätstabelle. Mit diesen Angaben kann jede Leserin deine Rechnung wiederholen und sehen, wie stark das Ergebnis von den unsicheren Annahmen abhängt.
Übungsfrage im Klausurstil
Eine Poweranalyse für unabhängige Personen ergibt 60 Personen pro Bedingung. Die Erhebung findet in Therapiegruppen mit je 10 Personen statt, die ICC wird auf 0,20 geschätzt. Wie viele Personen pro Bedingung brauchst du nach der Designeffekt-Näherung?
- A72
- B168
- C120
- D60
- E180
Lösung zeigen
Weiterlernen
- Studienhefte Master-Methoden und Masterarbeit: alle Methodenhefte für den Master im Überblick
- Poweranalyse mit G*Power: die Standardrechnung für unabhängige Gruppen
- Zeitplan für die Masterarbeit: wann die Stichprobenplanung fertig sein sollte
Passendes Material

Häufige Fragen
Was ist der Designeffekt?
Der Designeffekt gibt an, um welchen Faktor die Varianz einer Schätzung durch Clusterung steigt. Für gleich große Gruppen gilt DE = 1 + (m − 1) · ICC. Mit diesem Faktor multiplizierst du die Fallzahl aus einer Poweranalyse für unabhängige Personen.
Was bedeutet eine ICC von 0,05?
Fünf Prozent der Gesamtvarianz gehen auf Unterschiede zwischen den Gruppen zurück. Bei 25 Personen pro Gruppe ergibt das bereits einen Designeffekt von 2,2, die benötigte Fallzahl mehr als verdoppelt sich.
Reicht es, mehr Personen pro Gruppe zu erheben?
Nur begrenzt. Die effektive Größe einer Gruppe nähert sich mit wachsender Personenzahl dem Wert 1 / ICC. Mehr Gruppen erhöhen die Präzision deutlich stärker als größere Gruppen.
Kann ich Clusterdaten mit einem normalen t-Test auswerten?
Das ist nicht zu empfehlen, weil der t-Test unabhängige Beobachtungen voraussetzt und den Standardfehler dann unterschätzt. Geeignet sind Verfahren, die die Gruppenstruktur abbilden, zum Beispiel Mehrebenenmodelle.
Stand: November 2026. Psychologie Helden ist ein unabhängiges Lernangebot und mit keiner Hochschule verbunden. Verbindlich sind die Studien- und Prüfungsordnung deines Studiengangs und die Vorgaben deiner Lehrenden.
