Saubere Umfragedaten nach SPSS exportieren

Umfragedaten nach SPSS zu exportieren bedeutet nicht einfach, eine Datei herunterzuladen und in SPSS zu öffnen. Die eigentliche Aufgabe besteht darin, Antworten in einen Datensatz zu überführen, der lesbar, beschriftet, konsistent und analysebereit ist.

Ein Datensatz kann auf den ersten Blick ordentlich aussehen. Sobald er in SPSS geöffnet wird, zeigen sich aber oft typische Probleme:

• Variablennamen sind unklar, zu lang oder uneinheitlich,
• Fragetexte wurden nicht als Variable Labels übernommen,
• Antwortoptionen erscheinen nur als numerische Codes,
• diese Codes haben keine verständlichen Value Labels,
• Mehrfachauswahlfragen werden in einer einzigen Textzelle gespeichert,
• offene Antworten sind nicht sauber strukturiert,
• unbeantwortete Fragen und durch Logik übersprungene Fragen werden vermischt,
• mehrsprachige Versionen derselben Umfrage erzeugen getrennte Variablen statt einer gemeinsamen Struktur,
• es gibt kein Codebook, sodass der Datensatz im Team schwer verständlich ist.

Dieser Leitfaden erklärt, wie Umfragedaten sauber nach SPSS exportiert werden können, mit besonderem Fokus auf Variable Labels, Value Labels, Codebook, fehlende Werte, Mehrfachauswahlfragen, offene Antworten und mehrsprachige Umfrageexporte.

Was bedeutet ein sauberer Datensatz in SPSS?

Ein sauberer SPSS-Datensatz bedeutet, dass jede Umfragefrage zur richtigen Variable wird, jede Antwortoption konsistent codiert ist und das Forschungsteam den Datensatz versteht, ohne raten zu müssen, was einzelne Spalten bedeuten.

Ein guter SPSS-Datensatz sollte enthalten:

• einen konsistenten Variablennamen für jede Frage,
• ein klares Variable Label für jede Variable,
• korrekte Value Labels für geschlossene Antwortoptionen,
• separate Textvariablen für offene Antworten,
• analysierbare binäre Variablen für Mehrfachauswahlfragen,
• klare Codierung für Lücken durch Branching / Skip Logic,
• lesbare Labels für demografische Variablen,
• eine Sprachvariable wie LANGUAGE bei mehrsprachigen Umfragen,
• bei Bedarf Variablen für Land, Segment, Kanal oder Kampagne,
• ein Codebook, das den Datensatz dokumentiert.

SPSS ist ein starkes Analysewerkzeug. Aber wenn die Daten, die in SPSS eingehen, ungeordnet sind, wird auch die Analyse ungeordnet. Data Export sollte deshalb nicht als rein technischer letzter Schritt betrachtet werden. Er sollte bereits bei der Konzeption der Umfrage mitgedacht werden.

Der häufigste Fehler: SPSS Export zu spät einplanen

Viele Teams entwerfen einen Fragebogen, veröffentlichen ihn, sammeln Antworten und denken erst in der Analysephase an SPSS. Genau dann werden die Probleme sichtbar.

Zum Beispiel:

• Question IDs wurden wenig lesbar oder zufällig erzeugt,
• dieselbe Frage erscheint in verschiedenen Sprachversionen als unterschiedliche Variable,
• Skalenoptionen sind nicht konsistent,
• “Andere”-Antworten wurden nicht sauber getrennt,
• Mehrfachauswahlantworten wurden in einem einzigen Textfeld gespeichert,
• unbeantwortete Fragen, übersprungene Fragen und “Ich möchte nicht antworten” werden vermischt,
• es wurde kein Codebook vorbereitet.

Diese Probleme lassen sich beim Export nicht immer vollständig lösen. Manche erfordern manuelle Datenbereinigung, was Zeit kostet, Fehlerwahrscheinlichkeit erhöht und die Analyse unsicherer macht.

Die bessere Regel ist einfach: SPSS Export sollte während der Umfragekonzeption mitgedacht werden, nicht erst nach der Datenerhebung.

Variable Name, Variable Label und Value Label

Drei SPSS-Begriffe sind für Umfrageexporte besonders wichtig:

1. Variable Name
2. Variable Label
3. Value Label

Wenn diese Begriffe vermischt werden, wird der Datensatz schwer lesbar und schwer analysierbar.

Was ist ein Variable Name?

Der Variable Name ist der kurze technische Name einer Variable in SPSS. Er funktioniert wie ein Spaltenname.

Beispiele:

GENDER
AGE_GROUP
EDUCATION_LEVEL
SATISFACTION_1
INCOME_BEFORE
INCOME_AFTER

Ein guter Variable Name sollte kurz, konsistent und für Analysen nutzbar sein.

Ein schlechtes Beispiel wäre:

HOW_SATISFIED_ARE_YOU_WITH_THIS_SERVICE_PLEASE_RATE_FROM_1_TO_5

Das ist ein Fragetext, kein guter Variablenname.

Besser:

SERVICE_SATISFACTION

Im SPSS Export Workflow von PublicOp werden Variablennamen aus der Question ID oder aus einem benutzerdefinierten SPSS-Code erzeugt, sofern dieser im Umfragedesign definiert wurde. Wenn kein solcher Code vorhanden ist, erzeugt das System automatisch eine ID aus dem Text. Für SPSS-Kompatibilität werden Sonderzeichen und Leerzeichen durch Unterstriche ersetzt, Namen in Großbuchstaben umgewandelt und auf 64 Zeichen begrenzt.

Was ist ein Variable Label?

Das Variable Label ist die längere Beschreibung, die erklärt, was eine Variable misst.

Beispiel:

Variable Name:
SERVICE_SATISFACTION

Variable Label:
Wie zufrieden sind Sie insgesamt mit diesem Service?

Der Variable Name ist kurz und technisch. Das Variable Label ist beschreibend.

In PublicOp werden Variable Labels automatisch aus dem Fragetext erzeugt. Bei mehrsprachigen Umfragen werden Variable Labels aus der gewählten Preferred Language gezogen, wenn beim Export eine Sprache ausgewählt wurde. Wenn keine Preferred Language ausgewählt wird, wird die Standardsprache der Umfrage verwendet. Um SPSS-Grenzen einzuhalten, werden Variable Labels auf 255 Zeichen begrenzt.

Was ist ein Value Label?

Ein Value Label erklärt, was ein numerischer Antwortcode bedeutet.

Beispiel:

Variable Name:
GENDER

Values:
1 = Weiblich
2 = Männlich
3 = Keine Angabe

Die Zahlen 1, 2 und 3 sind die Werte, die in der Analyse verwendet werden. “Weiblich”, “Männlich” und “Keine Angabe” sind die Value Labels.

In PublicOp werden Antwortoptionen in numerische Werte umgewandelt. Wenn ein SPSS Code definiert wurde, wird dieser verwendet. Wenn kein Code definiert wurde, erzeugt das System einen stabilen numerischen Code für jede Option ID. Der Optionstext wird zum Value Label, in der beim Export gewählten Sprache. Aufgrund von SPSS-Beschränkungen sind Value Labels auf 120 Zeichen begrenzt.

Warum eine echte .sav-Datei wichtig ist

Es gibt mehrere Wege, Umfragedaten nach SPSS zu bringen. CSV- und Excel-Dateien können importiert werden, aber sie erhalten nicht immer die Metadaten, die Forschende für eine effiziente Analyse benötigen. Professionelle Umfrageanalyse braucht oft mehr als eine Tabelle. Sie braucht Labels, Codes und eine Struktur, die SPSS versteht.

Die aktuelle Exportarchitektur von PublicOp erzeugt eine echte .sav-Datei. Dabei wird die Bibliothek sav-writer genutzt, um einen nativen binären .sav-Export zu erzeugen. Eine separate SPSS-Syntaxdatei ist daher nicht nötig.

PublicOp unterstützt:

• CSV Export,
• Excel Export,
• SPSS Export,
• native .sav-Dateierzeugung.

CSV und Excel sind nützlich, wenn Teams eine flache Tabelle benötigen. SPSS Export ist besser geeignet, wenn Forschende Variable Labels, Value Labels und Analysestruktur sauber in SPSS übernehmen möchten.

Wie verschiedene Fragetypen exportiert werden

Nicht alle Fragetypen sollten in SPSS gleich dargestellt werden. Die Exportstruktur hängt vom Fragetyp ab.

Single Choice und Dropdown

Single-Choice-Fragen werden zu einer einzelnen Variable. Die ausgewählte Antwort wird als numerischer Code gespeichert, während der Optionstext als Value Label übernommen wird.

Beispiel:

EDUCATION_LEVEL
1 = Grundschule
2 = Sekundarstufe
3 = Universität
4 = Master oder Promotion

Multiple Choice

Multiple-Choice-Fragen werden als separate binäre Variablen exportiert, eine Variable pro Option.

Beispiel:

CHANNEL_TWITTER
CHANNEL_EMAIL
CHANNEL_WEBSITE
CHANNEL_FRIEND

Jede Spalte nutzt:

1 = Ausgewählt
0 = Nicht ausgewählt

Diese Struktur ist für Häufigkeiten und Kreuztabellen in SPSS gut geeignet.

Likert, Rating und Star-Fragen

Likert-, Rating- und Sternfragen werden als numerische Werte exportiert. Eine Zufriedenheitsskala von 1 bis 5 erscheint zum Beispiel als numerische Werte in SPSS.

Beispiel:

1 = Sehr unzufrieden
2 = Unzufrieden
3 = Neutral
4 = Zufrieden
5 = Sehr zufrieden

Das Messniveau sollte jedoch durch die Forschenden geprüft werden. PublicOp markiert numerische Variablen derzeit in SPSS als Nominal. Relevante Variablen sollten in SPSS manuell auf Ordinal oder Scale geändert werden.

Matrix-Fragen

Bei Matrix-Fragen wird jede Zeile zu einer separaten Variable.

Beispiel:

MATRIX_SPEED
MATRIX_PRICE
MATRIX_SUPPORT

So kann jede Zeile unabhängig analysiert werden.

Short Text und Long Text

Kurze und lange Textantworten werden als String-Variablen exportiert. Aufgrund der .sav-Grenzen von SPSS können Texte jedoch bei 254 Zeichen abgeschnitten werden. Lange narrative Antworten können daher gekürzt werden.

Das ist eine wichtige Einschränkung. Wenn eine Studie lange qualitative Antworten sammelt, sollten zusätzlich CSV- oder Excel-Exporte geprüft werden, um vollständige Texte zu sichern.

Audio Response

Audioantworten, die mit AudioRecorder gesammelt werden, werden nicht als Links zu Audiodateien nach SPSS exportiert. Da das System Audio transkribiert, enthält der Export den Transkripttext als String-Variable.

Beispielspalte:

EXPERIENCE_AUDIO_TRANSCRIPT

Beispielinhalt:

Ich fand die Anwendung insgesamt hilfreich, aber einige Bildschirme waren langsam.

Die Audiodatei selbst wird nicht in SPSS übernommen. Der Transkripttext wird als Analysedatum exportiert.

Wie Mehrfachauswahlfragen in SPSS behandelt werden sollten

Mehrfachauswahlfragen brauchen beim SPSS Export besondere Aufmerksamkeit.

Beispielfrage:

Wie haben Sie von diesem Service erfahren?

- Soziale Medien
- E-Mail
- Website
- Freund oder Kollegin
- Andere

Die Antwort in einer einzigen Zelle zu speichern, ist für die Analyse schwach:

Soziale Medien, E-Mail, Website

Eine bessere Struktur erzeugt eine binäre Variable pro Option:

CHANNEL_SOCIAL_MEDIA     1 = Ausgewählt, 0 = Nicht ausgewählt
CHANNEL_EMAIL            1 = Ausgewählt, 0 = Nicht ausgewählt
CHANNEL_WEBSITE          1 = Ausgewählt, 0 = Nicht ausgewählt
CHANNEL_FRIEND           1 = Ausgewählt, 0 = Nicht ausgewählt
CHANNEL_OTHER            1 = Ausgewählt, 0 = Nicht ausgewählt

PublicOp exportiert Mehrfachauswahlfragen auf diese Weise: Jede Option wird zu einer eigenen 0-1-Spalte.

Es gibt aber eine wichtige Einschränkung. PublicOp definiert diese Spalten nicht automatisch als SPSS Multiple Response Sets. Forschende müssen in SPSS manuell “Define Multiple Response Sets” verwenden.

Die Unterscheidung ist wichtig:

• PublicOp erzeugt analysierbare binäre Spalten.
• Die SPSS Multiple Response Set Definition erfolgt manuell durch die Forschenden.

Wie “Andere”-Antworten behandelt werden sollten

Die Option “Andere, bitte angeben” ist in Umfragen häufig. Wenn sie nicht sauber strukturiert wird, verursacht sie Analyseprobleme.

In PublicOp erscheint die “Other / Andere”-Option in der Regel mit dem numerischen Code 99999. Der von der befragten Person eingegebene Text wird in einer separaten oder kombinierten String-Spalte gespeichert.

Beispiel:

CHANNEL
1 = Soziale Medien
2 = E-Mail
3 = Website
99999 = Andere

CHANNEL_OTHER_TEXT
"Ich habe es über eine lokale Vereinsankündigung gesehen."

Diese Struktur ermöglicht sowohl die geschlossene Analyse als auch die separate Prüfung der offenen “Andere”-Antworten.

Wie offene Antworten in SPSS gespeichert werden sollten

Offene Antworten unterscheiden sich von numerischen Umfrageantworten. Sie werden meist als String-Variablen exportiert.

Beispiele:

OPEN_FEEDBACK
FINAL_COMMENT
EXPERIENCE_NARRATIVE
OTHER_EXPLANATION

Bei offenen Antworten sollte beachtet werden:

• Text wird als String exportiert,
• das .sav-Format von SPSS begrenzt Strings auf 254 Zeichen,
• mehrsprachige offene Antworten bleiben in der Sprache, in der die befragte Person geantwortet hat,
• es wird keine automatische Übersetzung angewendet,
• automatische thematische Codierung ist nicht im Export enthalten,
• Sentiment-Analyse wird nicht als fertig codierte Exportvariable ausgegeben.

Das ist besonders wichtig bei langen qualitativen Antworten. Wenn eine Studie narrative Antworten sammelt, reicht der SPSS Export allein möglicherweise nicht aus. CSV- oder Excel-Exporte sollten zusätzlich geprüft werden, um längere Texte vollständig zu erhalten.

PublicOp überträgt offene Antworten als Rohdaten. Die Umwandlung in Themen, Kategorien oder qualitative Codes bleibt Teil des Analyseplans der Forschenden.

Fehlende Werte und Branching / Skip Logic

Fehlende Werte sind in Umfragedaten unvermeidbar. Aber nicht jede leere Zelle bedeutet dasselbe.

Drei Situationen sollten getrennt werden:

1. Die befragte Person hat die Frage gesehen, aber nicht beantwortet.
2. Die befragte Person hat die Frage wegen Branching / Skip Logic nie gesehen.
3. Die befragte Person hat eine gültige Option wie “Keine Angabe” oder “Weiß nicht” gewählt.

Wenn diese Situationen gleich behandelt werden, kann die Analyse irreführend werden.

PublicOp unterscheidet hier sinnvoll:

-98 = Unanswered
Die befragte Person hat die Frage gesehen, aber nicht beantwortet.

-99 = System Missing
Die befragte Person hat die Frage wegen Branching / Skip Logic nicht gesehen.

Diese Unterscheidung ist besonders wertvoll bei Umfragen mit komplexem Routing. Wenn beispielsweise Personen ohne Kinder keine kinderbezogenen Fragen sehen, bedeuten diese leeren Felder keine Verweigerung und keine normale Nichtantwort. Die Fragen waren für diese Personen nicht anwendbar.

Es gibt jedoch eine Einschränkung. PublicOp definiert -98 und -99 in SPSS nicht automatisch als user-missing values. Nach dem Öffnen der Datei sollten Forschende diese Werte in SPSS manuell als fehlende Werte definieren, wenn dies methodisch sinnvoll ist.

Das sollte Teil der Qualitätskontrolle nach dem Export sein.

Sind “Keine Angabe” und “Weiß nicht” fehlende Werte?

Nicht immer. Diese Optionen können gültige Antwortkategorien sein oder Werte, die Forschende als fehlend behandeln möchten. Die Entscheidung hängt vom Forschungsdesign ab.

Beispiel:

1 = Ja
2 = Nein
8 = Weiß nicht
9 = Keine Angabe

Hier sind 8 und 9 technisch beantwortete Werte. Forschende können sie als separate Kategorien berichten oder aus bestimmten Analysen ausschließen.

PublicOp markiert diese Optionen nicht automatisch als user-missing. Das ist sinnvoll, weil “Weiß nicht” nicht in jeder Studie dasselbe bedeutet.

Forschende sollten entscheiden:

• Ist “Weiß nicht” eine inhaltlich relevante Meinungskategorie?
• Sollte “Keine Angabe” bei sensiblen Fragen separat berichtet werden?
• Sollen diese Werte aus der Analyse ausgeschlossen werden?
• Sollen sie als fehlende Werte definiert werden?

Diese Entscheidung sollte im Codebook dokumentiert werden.

SPSS Export bei mehrsprachigen Umfragen

Bei mehrsprachigen Umfragen ist der SPSS Export besonders sensibel. Dieselbe Frage erscheint in mehreren Sprachen, sollte aber als eine Variable analysiert werden.

Beispiel:

DE: Wie zufrieden sind Sie mit diesem Service?
EN: How satisfied are you with this service?
FR: Dans quelle mesure êtes-vous satisfait de ce service ?
TR: Bu hizmetten ne kadar memnunsunuz?

Diese Versionen sollten keine vier verschiedenen Variablen erzeugen. Sie sollten als Sprachversionen derselben Variable behandelt werden.

In PublicOp werden mehrsprachige Umfragen in der SurveyTemplate-Struktur verwaltet. Antworten aus unterschiedlichen Sprachversionen werden daher in denselben .sav-Datensatz exportiert. Die Sprache der befragten Person wird als LANGUAGE-Spalte in den Export aufgenommen.

Wenn Forschende beim Export eine Preferred Language auswählen, werden Variable Labels und Value Labels in dieser Sprache erzeugt. Wenn keine Preferred Language gewählt wird, wird die Standardsprache der Umfrage verwendet.

Diese Struktur erleichtert:

• Häufigkeiten nach Sprache,
• Kreuztabellen nach Sprachgruppe,
• Länder- und Sprachvergleiche,
• Kontrolle der Balance mehrsprachiger Stichproben,
• Analyse der gesamten Studie in einem Datensatz.

Der zentrale Punkt lautet: Die Sprache der Labels kann wechseln, aber die strukturelle ID-Logik bleibt dieselbe.

Warum das Messniveau manuell geprüft werden sollte

In SPSS werden Variablen typischerweise einem von drei Messniveaus zugeordnet:

• Nominal,
• Ordinal,
• Scale.

Diese Unterscheidung ist für Umfragedaten wichtig.

Beispiele:

Geschlecht: Nominal
Bildungsniveau: Ordinal
Alter: Scale
Likert-Skala: häufig Ordinal, je nach Analyse manchmal als Scale behandelt
Einkommensgruppe: Ordinal
Land: Nominal

PublicOp markiert numerische Variablen bei der .sav-Erzeugung derzeit als Nominal. Das ist eine bekannte Einschränkung. Forschende sollten relevante Variablen in SPSS manuell auf Ordinal oder Scale setzen.

Das ist besonders wichtig für Likert-Skalen, Alter, Einkommen, Scores, Ratings und numerische Eingabefragen.

Praktische Empfehlung:

• Prüfen Sie nach dem Öffnen der Datei die Variable View in SPSS.
• Markieren Sie Likert- und geordnete kategoriale Variablen als Ordinal, wenn passend.
• Markieren Sie Alter, Dauer, Scores und numerische Eingaben als Scale, wenn passend.
• Lassen Sie echte kategoriale Variablen als Nominal.

Warum ein Codebook unverzichtbar ist

Ein Codebook ist das Benutzerhandbuch des Datensatzes.

Ein gutes Codebook sollte enthalten:

• Variable Name,
• Variable Label,
• Question ID,
• Question Type,
• Value Labels,
• Missing Values,
• Variablen für Mehrfachauswahlfragen,
• Felder für offene Antworten,
• Informationen zu Branching / Skip Logic,
• Sprachinformationen bei mehrsprachigen Umfragen,
• Datum und Version der Datenerhebung.

Beispiel eines Codebook-Eintrags:

Variable Name: SERVICE_SATISFACTION
Variable Label: Wie zufrieden sind Sie insgesamt mit diesem Service?
Question Type: Likert
Values:
1 = Sehr unzufrieden
2 = Unzufrieden
3 = Neutral
4 = Zufrieden
5 = Sehr zufrieden
Missing:
-98 = Frage gesehen, aber nicht beantwortet
-99 = Wegen Logik nicht angezeigt
Measure: Sollte als Ordinal gesetzt werden

PublicOp enthält einen CodebookGenerator in der Exportinfrastruktur. Dieser liefert Informationen darüber, welche Frage welcher ID und welchem Datentyp zugeordnet ist. Dadurch wird der Datensatz leichter verständlich und im Team besser teilbar.

Ein Codebook ist jedoch nicht nur eine technische Datei. Es sollte auch methodische Entscheidungen dokumentieren. Ob “Weiß nicht” als gültige Antwort analysiert oder als fehlend ausgeschlossen wird, ist zum Beispiel eine Forschungsentscheidung, nicht nur eine Softwareeinstellung.

Was nach dem Export nach SPSS geprüft werden sollte

Nach dem Herunterladen der SPSS-Datei sollte nicht sofort mit der Analyse begonnen werden. Zuerst ist eine kurze Qualitätskontrolle nötig.

Variable View prüfen

In der SPSS Variable View sollten Sie prüfen:

• Sind die Variablennamen lesbar?
• Sind Variable Labels korrekt?
• Sind Value Labels sichtbar?
• Wurden String-Variablen korrekt importiert?
• Müssen Messniveaus manuell korrigiert werden?
• Müssen fehlende Werte manuell definiert werden?

Data View prüfen

In der SPSS Data View sollten Sie prüfen:

• Stellt jede Zeile eine befragte Person dar?
• Nutzen Mehrfachauswahlspalten die 0-1-Struktur?
• Stehen offene Antworten in den richtigen Spalten?
• Ist die LANGUAGE-Spalte vorhanden?
• Erscheinen -98 und -99 an den erwarteten Stellen?
• Stimmen Testantworten mit den ursprünglichen Umfrageantworten überein?

Einfache Häufigkeiten ausführen

Beginnen Sie mit einfachen Häufigkeiten für:

• Geschlecht,
• Altersgruppe,
• Sprache,
• zentrale Ergebnisvariablen,
• Mehrfachauswahloptionen,
• Variablen mit fehlenden Werten.

Dieser Test zeigt schnell größere Probleme bei Codierung, Labels oder Zuordnung.

Wie PublicOp in den SPSS Export Workflow passt

PublicOp behandelt den Export von Umfragedaten als Teil von Research Operations, nicht als einfache Rohdatentabelle. Ziel ist es, Antworten in eine Struktur zu überführen, die leichter analysierbar ist.

Relevante PublicOp-Funktionen für SPSS Export sind:

• CSV-, Excel- und echter .sav-Export,
• native binäre .sav-Erzeugung,
• Variable Names auf Basis von Question ID oder benutzerdefiniertem SPSS-Code,
• SPSS-kompatible Bereinigung von Variablennamen,
• Variable Labels aus Fragetexten,
• Value Labels aus Antwortoptionen,
• unterschiedliches Exportverhalten für Single Choice, Multiple Choice, Likert, Matrix und Textfragen,
• 0-1-binäre Spalten für Mehrfachauswahlfragen,
• Transkripttext für AudioRecorder-Antworten,
• Unterscheidung zwischen -98 und -99 für unanswered und system-missing,
• ein .sav-Datensatz für mehrsprachige Umfragen,
• LANGUAGE-Spalte,
• Auswahl der Preferred Language für die Label-Sprache,
• CodebookGenerator-Unterstützung.

Präzision ist hier wichtig. PublicOp trifft keine methodischen Entscheidungen anstelle der Forschenden. Forschende entscheiden weiterhin, welche Variablen Ordinal oder Scale sein sollen, welche Werte als user-missing behandelt werden, wie Multiple Response Sets definiert werden und wie offene Antworten codiert werden.

Die Rolle von PublicOp besteht darin, diese Entscheidungen leichter in eine sauberere und besser analysierbare Datenstruktur zu übertragen.

Checkliste vor dem SPSS Export

Nutzen Sie diese Checkliste, bevor Sie Umfragedaten nach SPSS exportieren.

Variablenstruktur

• Wird für jede Frage die richtige Variable erzeugt?
• Sind Question IDs oder benutzerdefinierte SPSS-Codes konsistent?
• Bleiben Variablennamen innerhalb der 64-Zeichen-Grenze?
• Wurden Leerzeichen und Sonderzeichen bereinigt?
• Werden Matrix-Zeilen zu separaten Variablen?

Labels

• Hat jede Variable ein Variable Label?
• Haben geschlossene Fragen korrekte Value Labels?
• Wurde die richtige Preferred Language ausgewählt?
• Ist bei mehrsprachigen Umfragen die Label-Sprache wie erwartet?
• Hat die 120-Zeichen-Grenze der Value Labels Bedeutung gekürzt?

Fehlende Werte

• Wird -98 korrekt für unbeantwortete Fragen genutzt?
• Wird -99 korrekt für nicht angezeigte Fragen genutzt?
• Wurden -98 und -99 in SPSS manuell als user-missing definiert?
• Wurden “Weiß nicht” und “Keine Angabe” entsprechend dem Forschungsdesign behandelt?

Mehrfachauswahlfragen

• Erscheint jede Option als separate binäre Variable?
• Ist die Struktur 1 = Ausgewählt, 0 = Nicht ausgewählt korrekt?
• Wurden Multiple Response Sets in SPSS manuell definiert?
• Wurde “Andere”-Text separat geprüft?

Offene und Audioantworten

• Werden offene Antworten als String-Variablen exportiert?
• Besteht ein Kürzungsrisiko wegen der 254-Zeichen-Grenze?
• Wurden CSV- oder Excel-Exporte für lange Texte geprüft?
• Sind AudioRecorder-Transkripte in der richtigen Spalte?
• Ist klar, dass Audiodatei-Links nicht nach SPSS exportiert werden?

Mehrsprachige Struktur

• Sind alle Sprachen in einem .sav-Datensatz zusammengeführt?
• Ist die LANGUAGE-Spalte vorhanden?
• Wurde die richtige Preferred Language verwendet?
• Wird dieselbe Frage in allen Sprachen derselben Variable zugeordnet?
• Ist eine sprachbezogene Analyse möglich?

Test nach dem Export

• Öffnet sich die Datei korrekt in SPSS?
• Sehen Häufigkeitstabellen plausibel aus?
• Sind Value Labels sichtbar?
• Wurde Variable View geprüft?
• Wurden Messniveaus manuell korrigiert?
• Passt das Codebook zum Datensatz?

Fehler, die beim Export nach SPSS vermieden werden sollten

Vermeiden Sie diese häufigen Fehler:

• vollständige Fragetexte als Variablennamen verwenden,
• nur numerische Codes ohne Value Labels exportieren,
• Mehrfachauswahlantworten in einer einzigen Textzelle speichern,
• annehmen, dass Multiple Response Sets automatisch definiert werden,
• die 254-Zeichen-Grenze für offene String-Variablen vergessen,
• -98 und -99 nicht als fehlende Werte in SPSS definieren, wenn dies relevant ist,
• durch Logik übersprungene Fragen wie normale Nichtantworten behandeln,
• mehrsprachige Umfragen in getrennte Variablenstrukturen zerlegen,
• annehmen, dass Messniveaus automatisch korrekt sind,
• ohne Codebook mit der Analyse beginnen,
• SPSS Export getrennt vom Umfragedesign betrachten.

Diese Fehler verursachen nicht nur technische Probleme. Sie können auch zu irreführenden Ergebnissen führen.

Fazit

Saubere Umfragedaten für SPSS vorzubereiten ist deutlich mehr als ein Klick auf Export. Ein guter SPSS Export beginnt bereits beim Umfragedesign und setzt sich in Qualitätsprüfungen vor der Analyse fort.

Der sicherste Workflow ist:

1. Variablennamen früh planen.
2. Question IDs und benutzerdefinierte SPSS-Codes konsistent verwenden.
3. Fragetexte als Variable Labels behandeln.
4. Geschlossene Antwortoptionen als Value Labels definieren.
5. Mehrfachauswahlfragen als binäre Variablen exportieren.
6. String-Grenzen für offene Antworten und Audio-Transkripte beachten.
7. Lücken durch Branching / Skip Logic mit der -98/-99-Unterscheidung interpretieren.
8. Bei mehrsprachigen Umfragen einen gemeinsamen Datensatz und eine LANGUAGE-Variable erhalten.
9. Messniveaus und fehlende Werte in SPSS manuell prüfen.
10. Nicht ohne Codebook mit der Analyse beginnen.

Saubere Daten sind die Grundlage guter Analyse. SPSS ist leistungsfähig, aber es kann nur aus gut strukturierten Daten verlässliche Ergebnisse erzeugen.