Statistische Methoden: Was es ist, Verarbeiten, Analysieren & Präsentieren

Statistische Methoden sind für die Umwandlung von Rohdaten in verwertbare Erkenntnisse in verschiedenen Bereichen von entscheidender Bedeutung. Forscher, Analysten und Entscheidungsträger können mit Hilfe dieser mathematischen Techniken Daten effektiv sammeln, organisieren, analysieren, interpretieren und präsentieren.

Diese Methoden erleichtern das Verstehen komplexer Datensätze, das Aufdecken von Mustern und das Treffen fundierter Entscheidungen in Wirtschaft, Gesundheitswesen, Sozialwissenschaften und Technik.

Statistische Methoden bieten einen systematischen Ansatz für die Datenanalyse, von der Zusammenfassung von Daten mit deskriptiven Statistiken bis hin zu Vorhersagen und dem Testen von Hypothesen mit inferentiellen Techniken.

Dieser Blog befasst sich mit den wichtigsten Komponenten statistischer Methoden, einschließlich Datenerfassung, Organisation, Analyse, Interpretation und Präsentation. Außerdem werden bewährte Verfahren und häufige Herausforderungen erörtert und es wird erläutert, wie QuestionPro Research die statistische Analyse verbessert, um außergewöhnliche Entscheidungen zu unterstützen.

Was sind statistische Methoden?

Statistische Methoden sind mathematische Techniken und Prozesse, die zum Sammeln, Organisieren, Analysieren, Interpretieren und Präsentieren von Daten verwendet werden. Diese Methoden sind hilfreich für:

• Forscher
• Analysten
• Entscheidungsträger

Sie werden in der Regel verwendet, um große Datensätze zu analysieren, Muster zu erkennen und sinnvolle Schlussfolgerungen zu ziehen. Statistische Methoden sind unverzichtbar, wenn es darum geht, Rohdaten in verwertbare Erkenntnisse umzuwandeln. Damit sind sie ein Eckpfeiler der Wirtschaft, des Gesundheitswesens, der Sozialwissenschaften, des Ingenieurwesens und vieler anderer Bereiche.

Schlüsselkomponenten der statistischen Methoden:

• Datenerhebung: Das Sammeln von Daten durch verschiedene Mittel wie Umfragen, Experimente oder Beobachtungsstudien.
• Datenorganisation: Die Strukturierung und sinnvolle Zusammenfassung der gesammelten Daten mit Hilfe von Tabellen, Diagrammen und zusammenfassenden Statistiken ist allgegenwärtig.
• Datenanalyse: Anwendung statistischer Verfahren, um Beziehungen zu untersuchen, Hypothesen zu testen und Vorhersagen auf der Grundlage der Daten zu treffen.
• Interpretation der Daten: Die Analyse abschließen, die Implikationen der Ergebnisse verstehen und Entscheidungen auf der Grundlage der Ergebnisse treffen.
• Präsentation: Effektive Kommunikation der Ergebnisse durch Berichte, Diagramme und Präsentationen, um die Informationen für andere zugänglich zu machen.

Statistische Methoden bieten einen systematischen Ansatz zum Verständnis und zur Interpretation von Daten und ermöglichen so eine fundierte Entscheidungsfindung in verschiedenen Disziplinen.

Arten von statistischen Methoden

Statistische Methoden lassen sich je nach Zweck und Art der zu analysierenden Daten grob in verschiedene Typen einteilen. Hier sind die wichtigsten Arten:

01. Deskriptive Statistik

Deskriptive Statistiken werden verwendet, um die Hauptmerkmale eines Datensatzes zusammenzufassen und zu beschreiben. Sie liefern einfache Zusammenfassungen der Stichprobe und der Maßnahmen und bieten eine Möglichkeit, die grundlegenden Aspekte der Daten zu verstehen.

• Mittelwert: Der arithmetische Durchschnitt eines Datensatzes, der berechnet wird, indem alle Werte addiert und durch die Anzahl der Beobachtungen geteilt werden. Er ist ein Maß für die zentrale Tendenz, das Aufschluss über die allgemeine Größenordnung der Daten gibt.
• Median: Der mittlere Wert eines Datensatzes in der Reihenfolge vom kleinsten zum größten Wert. Wenn der Datensatz eine gerade Anzahl von Beobachtungen hat, ist der Median der Durchschnitt der beiden mittleren Zahlen. Der Median hilft uns, die zentrale Tendenz zu verstehen, insbesondere bei schiefen Verteilungen.
• Modus: Der Wert, der am häufigsten in einem Datensatz vorkommt. Ein Datensatz kann einen Modus, mehr als einen oder keinen Modus haben. Der Modus ist besonders nützlich bei der Analyse kategorischer Daten.
• Standardabweichung: Ein Maß für die Streuung der Daten um den Mittelwert. Sie gibt an, wie stark die Werte in einem Datensatz vom Mittelwert abweichen, wobei eine höhere Standardabweichung eine größere Variabilität anzeigt.
• Bereich: Die Differenz zwischen dem maximalen und dem minimalen Wert eines Datensatzes. Der Bereich ist ein Maß für die Streuung der Daten, aber er ist empfindlich gegenüber Ausreißern.

02. Inferentielle Statistik

Inferenzstatistiken ermöglichen es Forschern, auf der Grundlage einer Datenstichprobe Vorhersagen oder Schlussfolgerungen über eine Population zu treffen. Mit diesen Methoden werden Hypothesen getestet, Populationsparameter geschätzt und Beziehungen zwischen Variablen untersucht.

1. Hypothesentest: Eine Methode zum Testen einer Hypothese über einen Populationsparameter auf der Grundlage von Stichprobendaten. Dabei werden eine Nullhypothese (H0) und eine Alternativhypothese (H1) formuliert und statistische Tests verwendet, um festzustellen, ob die Nullhypothese abzulehnen ist.
   1. T-Test: Ein Hypothesentest, der zum Vergleich der Mittelwerte zweier Gruppen verwendet wird. Er bewertet, ob der Unterschied zwischen den Mittelwerten statistisch signifikant ist. Der t-Test wird in der Regel bei kleinen Stichprobengrößen verwendet.
   2. Chi-Quadrat-Test: Ein statistischer Test, mit dem der Zusammenhang zwischen kategorischen Variablen untersucht werden kann. Er vergleicht die beobachteten Häufigkeiten der Kategorien mit den erwarteten Häufigkeiten, um festzustellen, ob es eine signifikante Beziehung gibt.
   3. ANOVA (Analyse der Varianz): Eine Technik zum Vergleich der Mittelwerte von drei oder mehr Gruppen. Die ANOVA testet, ob die Unterschiede zwischen den Gruppenmittelwerten statistisch signifikant sind und wird häufig in der experimentellen Forschung eingesetzt.
2. Konfidenzintervalle: Ein Bereich von Werten, der aus Stichprobendaten abgeleitet wird und wahrscheinlich den wahren Populationsparameter enthält. Ein Konfidenzintervall von 95 % bedeutet beispielsweise eine Wahrscheinlichkeit von 95 %, dass das Intervall den tatsächlichen Parameterwert enthält. Konfidenzintervalle sind ein Maß für die Genauigkeit einer Schätzung.
3. Regressionsanalyse: Eine statistische Technik zur Untersuchung der Beziehung zwischen abhängigen und unabhängigen Variablen. Sie hilft bei der Vorhersage des Wertes der abhängigen Variable auf der Grundlage einer oder mehrerer unabhängiger Variablen.
   1. Lineare Regression: Eine Art der Regressionsanalyse, bei der die Beziehung zwischen der abhängigen Variable und einer unabhängigen Variable als eine gerade Linie modelliert wird. Die lineare Regression wird verwendet, um Ergebnisse vorherzusagen und die Stärke der Beziehung zwischen Variablen zu verstehen.
   2. Multiple Regression: Eine Erweiterung der linearen Regression, die zwei oder mehr unabhängige Variablen einbezieht. Sie ermöglicht eine umfassendere Analyse, wie verschiedene Faktoren zum Ergebnis der abhängigen Variable beitragen.
4. Korrelation: Ein Maß für die Stärke und Richtung der Beziehung zwischen zwei Variablen. Der Korrelationskoeffizient reicht von -1 bis 1, wobei -1 eine perfekte negative Korrelation bedeutet, 0 bedeutet keine Korrelation und 1 bedeutet eine perfekte positive Korrelation. Die Korrelation wird zur Identifizierung und Quantifizierung von Beziehungen zwischen Variablen verwendet.

Anwendungen von statistischen Methoden

Statistische Methoden sind in verschiedenen Branchen und Bereichen unverzichtbar. Sie ermöglichen eine datengesteuerte Entscheidungsfindung, optimieren Prozesse und liefern Erkenntnisse, die Innovationen und Verbesserungen vorantreiben. Im Folgenden finden Sie die wichtigsten Anwendungen statistischer Methoden in verschiedenen Sektoren:

1. Geschäftlich

In der Wirtschaft sind statistische Methoden entscheidend für die Analyse von Daten, um Strategien zu entwickeln, Abläufe zu optimieren und zukünftige Trends vorherzusagen.

• Marketing-Analyse: Statistische Methoden helfen Unternehmen, das Kundenverhalten zu verstehen, Märkte zu segmentieren und die Wirksamkeit von Marketingkampagnen zu messen. Techniken wie Regressionsanalysen und Hypothesentests werden eingesetzt, um herauszufinden, welche Faktoren den Umsatz beeinflussen und wie Marketingbudgets effizient eingesetzt werden können.
• Umsatzprognosen: Unternehmen verwenden statistische Modelle, um zukünftige Verkäufe auf der Grundlage historischer Daten vorherzusagen. Zeitreihenanalysen und Regressionsmodelle werden häufig zur Vorhersage der Nachfrage eingesetzt und helfen Unternehmen bei der Bestandsverwaltung, der Produktionsplanung und der Festlegung von Verkaufszielen.
• Verbesserung der Produktqualität: Statistische Methoden wie Kontrollkarten, Six Sigma und Design of Experiments (DOE) werden zur Überwachung und Verbesserung der Produktqualität eingesetzt. Diese Techniken helfen dabei, Fehler zu erkennen, Fertigungsprozesse zu optimieren und sicherzustellen, dass die Produkte die Erwartungen der Kunden erfüllen.

2. Gesundheitswesen

Im Gesundheitswesen sind statistische Methoden für Forschung, Diagnose und Behandlungsplanung unerlässlich und tragen zu besseren Ergebnissen für die Patienten und zu Fortschritten in der medizinischen Wissenschaft bei.

• Klinische Studien: Die statistische Analyse ist für die Konzeption und Auswertung klinischer Studien unerlässlich. Sie hilft dabei, die Wirksamkeit und Sicherheit neuer Behandlungen oder Medikamente zu bestimmen. Techniken wie Randomisierung, Hypothesentests und Überlebensanalysen werden eingesetzt, um Studiendaten zu analysieren und zuverlässige Schlussfolgerungen zu ziehen.
• Analyse von Krankheitsmustern: Epidemiologen verwenden statistische Methoden, um die Verteilung und die Determinanten von Krankheiten in Populationen zu untersuchen. Logistische Regression und Überlebensanalyse helfen dabei, Risikofaktoren zu identifizieren, Krankheitsausbrüche zu verfolgen und Maßnahmen im Bereich der öffentlichen Gesundheit zu entwickeln.
• Effektivität der Behandlung: Statistische Methoden werden eingesetzt, um die Wirksamkeit medizinischer Behandlungen zu bewerten, indem die Ergebnisse der Patienten vor und nach der Behandlung verglichen werden. Methoden wie gepaarte t-Tests, ANOVA und Meta-Analysen werden üblicherweise für diese Bewertungen verwendet.

3. Sozialwissenschaften

In den Sozialwissenschaften werden mit statistischen Methoden menschliches Verhalten, soziale Trends und Beziehungen zwischen Variablen untersucht. Sie liefern empirische Beweise, die Theorien untermauern und politische Entscheidungen beeinflussen.

• Analyse von Umfragen: Umfragen sind eine gängige Methode zur Datenerhebung in den Sozialwissenschaften, und die statistische Analyse hilft bei der Interpretation der Ergebnisse. Techniken wie Faktorenanalyse, Regression und Korrelation werden eingesetzt, um Umfragedaten zu analysieren, Trends zu erkennen und Schlussfolgerungen über Populationen zu ziehen.
• Verhaltenswissenschaften: Forscher verwenden statistische Methoden, um zugrundeliegende Muster im menschlichen Verhalten zu erforschen, z.B. Verbraucherpräferenzen, soziale Interaktionen und Entscheidungsprozesse. Clusteranalyse, ANOVA und Strukturgleichungsmodellierung (SEM) helfen dabei, die zugrunde liegenden Faktoren und Beziehungen in Verhaltensdaten aufzudecken.

4. Technik

In der Technik verbessern statistische Methoden das Design, die Produktion und die Zuverlässigkeit von Produkten und Prozessen und sorgen für Effizienz und Qualität in der Fertigung und im Betrieb.

• Qualitätskontrolle: Statistische Prozesskontrolle (SPC), wie z.B. Kontrollkarten und Prozessfähigkeitsanalysen, überwachen Produktionsprozesse und sichern die Produktqualität. Diese Methoden helfen, Abweichungen zu erkennen und zu korrigieren, bevor sie zu Mängeln führen.
• Zuverlässigkeits-Tests: Ingenieure verwenden statistische Methoden, um die Zuverlässigkeit und Haltbarkeit von Produkten zu bewerten. Techniken wie die Lebensdatenanalyse, die Weibull-Analyse und die Fehlermöglichkeits- und Einflussanalyse (FMEA) helfen bei der Vorhersage der Produktlebensdauer und der Identifizierung potenzieller Fehlerquellen.
• Prozess-Optimierung: Statistische Methoden, wie z.B. die Versuchsplanung (DOE) und die Response Surface Methodology (RSM), werden zur Optimierung von Herstellungsprozessen eingesetzt. Diese Techniken helfen dabei, die beste Kombination von Faktoren zu ermitteln, um die gewünschten Ergebnisse zu erzielen, wie z.B. die Maximierung der Effizienz oder die Minimierung der Kosten.

Bewährte Praktiken für die Verwendung statistischer Methoden

Der effektive Einsatz statistischer Methoden erfordert die Einhaltung mehrerer bewährter Verfahren, um die Genauigkeit, Zuverlässigkeit und Relevanz der Ergebnisse zu gewährleisten. Hier sind einige wichtige bewährte Verfahren, die Sie beachten sollten:

• Definieren Sie klare Ziele: Bevor Sie eine statistische Methode auswählen, sollten Sie die Ziele Ihrer Analyse klar definieren. Die Kenntnis Ihres Ziels wird Ihnen bei der Auswahl der geeigneten Techniken und Tools helfen.
• Verstehen Sie Ihre Daten: Führen Sie eine gründliche explorative Datenanalyse (EDA) durch, um die Verteilung, die Muster und mögliche Anomalien Ihrer Daten zu verstehen. Dieser Schritt hilft Ihnen, die richtigen statistischen Methoden auszuwählen und falsche Annahmen zu vermeiden.
• Wählen Sie die richtige Methode: Wählen Sie statistische Methoden, die zu Ihrer Datenart und Ihren Forschungszielen passen. Verwenden Sie beispielsweise eine Regressionsanalyse, um Ergebnisse vorherzusagen, eine ANOVA, um Gruppenmittelwerte zu vergleichen, und Chi-Quadrat-Tests, um kategoriale Daten zu testen.
• Annahmen prüfen: Den meisten statistischen Methoden liegen Annahmen zugrunde (z.B. Normalität, Homoskedastizität, Unabhängigkeit). Vergewissern Sie sich, dass Ihre Daten diese Annahmen erfüllen. Falls nicht, sollten Sie eine Datentransformation oder alternative Methoden in Betracht ziehen.
• Vermeiden Sie Overfitting: Vermeiden Sie bei der Erstellung von Vorhersagemodellen eine Überanpassung, indem Sie weniger komplexe Modelle verwenden, die das Rauschen in Ihren Daten und nicht den zugrunde liegenden Trend berücksichtigen. Techniken zur Kreuzvalidierung können bei der Bewertung der Modellleistung helfen.
• Stellen Sie die Datenqualität sicher: Die Qualität Ihrer Daten wirkt sich direkt auf die Qualität Ihrer Ergebnisse aus. Stellen Sie sicher, dass die Daten sauber, konsistent und fehlerfrei sind, bevor Sie statistische Methoden anwenden.
• Interpretieren Sie die Ergebnisse im Kontext: Statistische Signifikanz bedeutet nicht immer auch praktische Bedeutung. Interpretieren Sie Ihre Ergebnisse im Zusammenhang mit Ihrer Forschungsfrage und den Auswirkungen auf die Praxis.
• Dokumentieren Sie Ihren Prozess: Führen Sie detaillierte Aufzeichnungen über Ihren Datenanalyseprozess, einschließlich der verwendeten Methoden, der getroffenen Annahmen und der Gründe für Ihre Entscheidungen. Dies gewährleistet die Transparenz und Reproduzierbarkeit Ihrer Arbeit.
• Überprüfen Sie Ihre Ergebnisse: Verwenden Sie mehrere Methoden oder Datensätze, um Ihre Ergebnisse zu validieren. Konsistente Ergebnisse über verschiedene Ansätze hinweg erhöhen die Glaubwürdigkeit Ihrer Analyse.

Wenn Sie diese bewährten Verfahren befolgen, können Sie statistische Methoden nutzen, um aussagekräftige und umsetzbare Erkenntnisse zu gewinnen.

Herausforderungen und Beschränkungen

Bei der Verwendung statistischer Methoden können verschiedene Herausforderungen und Einschränkungen die Qualität und Zuverlässigkeit Ihrer Analyse beeinträchtigen. Hier sind einige der wichtigsten Herausforderungen:

1. Probleme mit der Datenqualität:

Eine der größten Herausforderungen bei der statistischen Analyse ist die Sicherstellung der Datenqualität. Eine schlechte Datenqualität, wie fehlende Werte, Ausreißer und Inkonsistenzen, kann zu verzerrten oder ungenauen Ergebnissen führen.

Die aus verschiedenen Quellen gesammelten Daten können Fehler aufweisen oder nicht repräsentativ für die Bevölkerung sein, was die Zuverlässigkeit der Analyse beeinträchtigt. Die Behebung dieser Probleme erfordert oft eine umfangreiche Vorverarbeitung, die zeitaufwändig und komplex sein kann.

2. Fehlinterpretation der Ergebnisse:

Statistische Methoden können komplexe Ergebnisse liefern, die manchmal kontraintuitiv sind. Eine häufige Einschränkung ist die Fehlinterpretation der statistischen Signifikanz als praktische Signifikanz. Ein statistisch signifikantes Ergebnis kann zum Beispiel nur geringe Auswirkungen in der Praxis haben.

Auch ein falsches Verständnis der Bedeutung von p-Werten, Konfidenzintervallen und Korrelation gegenüber Kausalität kann zu falschen Schlussfolgerungen führen, die die Entscheidungsfindung beeinträchtigen.

3. Auswahl geeigneter Methoden:

Die Wahl der richtigen statistischen Methode ist von entscheidender Bedeutung, kann jedoch eine Herausforderung sein, insbesondere bei komplexen Datensätzen oder wenn mehrere Variablen beteiligt sind. Eine ungeeignete Methodenauswahl kann zu ungültigen Ergebnissen oder verpassten Erkenntnissen führen.

Diese Herausforderung wird durch die Vielzahl der verfügbaren statistischen Techniken mit ihren jeweiligen Annahmen und Anwendungsmöglichkeiten noch verschärft. Die Komplexität nimmt zu, wenn Sie mit nicht standardisierten Datentypen arbeiten, wie z.B. Zeitreihen oder kategorischen Daten, für die spezielle Methoden erforderlich sind.

Diese Herausforderungen unterstreichen die Notwendigkeit eines soliden Grundverständnisses der statistischen Prinzipien, eines sorgfältigen Umgangs mit den Daten und eines durchdachten Ansatzes bei der Auswahl der Methoden und der Interpretation der Ergebnisse. Das Bewusstsein für diese Einschränkungen kann dazu beitragen, ihre Auswirkungen zu mildern und die Robustheit statistischer Analysen zu verbessern.

QuestioPro Forschung in statistischen Methoden

QuestionPro Research bietet Tools, die die Karriere in der statistischen Analyse und Dateninterpretation fördern und wertvolle Erkenntnisse für die Entscheidungsfindung liefern. Hier finden Sie einen Überblick darüber, wie QuestionPro statistische Methoden zur Unterstützung einer soliden Forschung integriert:

01. Erweiterte statistische Werkzeuge

QuestionPro Research bietet eine Reihe von fortschrittlichen statistischen Werkzeugen, mit denen die Benutzer komplexe Analysen leicht durchführen können. Zu den Funktionen gehören deskriptive Statistiken, Kreuztabellen und inferentielle Tests wie t-Tests, Chi-Quadrat-Tests und ANOVA. Mit diesen Tools können Forscher Datenmuster untersuchen, Hypothesen testen und aussagekräftige Schlussfolgerungen ziehen.

02. Anpassbare Analyseoptionen

Die Plattform bietet anpassbare Analyseoptionen, die es den Benutzern ermöglichen, ihren statistischen Ansatz auf die spezifischen Forschungsanforderungen zuzuschneiden. Die Benutzer können aus verschiedenen statistischen Methoden wählen und die Parameter so konfigurieren, dass sie zu ihren einzigartigen Datenmerkmalen passen. Diese Flexibilität stellt sicher, dass die Analyse mit den Forschungszielen übereinstimmt und relevante Erkenntnisse liefert.

03. Sicherung der Datenqualität

QuestionPro unterstreicht die Bedeutung der Datenqualität bei der statistischen Analyse. Die Plattform enthält Funktionen zur Datenbereinigung und -validierung, die den Benutzern helfen, fehlende Werte, Ausreißer und Inkonsistenzen zu erkennen und zu beseitigen. Durch die Sicherstellung qualitativ hochwertiger Daten können die Benutzer die Genauigkeit und Zuverlässigkeit ihrer statistischen Berechnungsergebnisse verbessern.

04. Visualisierungen und Berichte

QuestionPro bietet robuste Visualisierungstools, die die Interpretation von statistischen Ergebnissen erleichtern. Benutzer können Diagramme, Grafiken und Dashboards erstellen, die Daten und statistische Ergebnisse visuell darstellen. Diese Visualisierungen erleichtern das Verständnis komplexer Ergebnisse und die effektive Vermittlung von Erkenntnissen an die Beteiligten.

05. Benutzerfreundliches Interface

Obwohl QuestionPro fortschrittliche statistische Funktionen bietet, verfügt es über eine benutzerfreundliche Oberfläche, die die Durchführung statistischer Analysen vereinfacht. Intuitive Navigation und geführte Arbeitsabläufe helfen den Anwendern, Analysen effizient durchzuführen und zu interpretieren, unabhängig von ihren statistischen Kenntnissen.

06. Integration und Unterstützung

QuestionPro Research lässt sich mit anderen Datenquellen und Analysetools integrieren und erhöht so die Flexibilität der statistischen Analyse. Die Plattform bietet außerdem Unterstützung und Ressourcen, die den Benutzern bei der Anwendung statistischer Methoden und der genauen Interpretation der Ergebnisse helfen.

QuestionPro Research gibt den Benutzern die Werkzeuge und die Unterstützung an die Hand, um gründliche und genaue statistische Analysen durchzuführen, die eine fundierte Entscheidungsfindung auf der Grundlage zuverlässiger Daten ermöglichen.

Fazit

Statistische Methoden sind für die Umwandlung von Rohdaten in verwertbare Erkenntnisse in verschiedenen Bereichen unerlässlich. Techniken wie die deskriptive Statistik fassen Datenmerkmale zusammen, während inferentielle Methoden Vorhersagen treffen, Hypothesen testen und Rückschlüsse auf breitere Bevölkerungsgruppen ziehen.

Die Anwendungen erstrecken sich auf die Bereiche Wirtschaft, Gesundheitswesen, Sozialwissenschaften und Technik und helfen dabei, Strategien zu optimieren, die Wirksamkeit von Behandlungen zu bewerten, das Datenverhalten zu analysieren und die Produktqualität zu verbessern.

Zu den bewährten Verfahren für die statistische Analyse gehören die Festlegung der Ziele, das Verständnis der Daten, die Auswahl geeigneter Methoden, die Überprüfung der Annahmen, die Vermeidung von Überanpassungen, die Sicherstellung der Datenqualität und die kontextbezogene Interpretation der Ergebnisse. Trotz ihrer Nützlichkeit können Probleme mit der Datenqualität und der Methodenauswahl auftreten.

QuestionPro Research verbessert die statistische Analyse mit fortschrittlichen Tools, anpassbaren Optionen, Datenqualitätssicherung und benutzerfreundlichen Schnittstellen und unterstützt so eine genaue und effektive datengestützte Entscheidungsfindung.