Wie viele Punkte sollte eine Likert-Skala haben?

Andrzej Szymkowiak · Zuletzt geprüft im August 2026

TL;DR: Der psychometrische Gewinn durch zusätzliche Antwortoptionen läuft bei rund sechs aus. In einem randomisierten Vergleich von Formaten mit 2 bis 11 Optionen plus einer visuellen Analogskala war die Präzision unter sechs Optionen abgeschwächt, und Formate über sechs zeigten keinen psychometrischen Vorteil (Simms, Zelazny, Williams, & Bernstein, 2019). Zwei Entscheidungen zählen mehr als die Anzahl: Beschriften Sie jeden Punkt, und entscheiden Sie, was Ihr Mittelpunkt bedeutet, bevor Sie einen verwenden.

Sie sind zwei Tage vom Start einer Studie entfernt. Ein Koautor sagt: „Machen Sie sieben Punkte, das ist sensitiver." Ein anderer sagt: „Fünf ist Standard in unserem Feld." Beide Aussagen klingen nach Methode, und beide sind meist Gewohnheit. Diese Anleitung behandelt, was die Evidenz zur Anzahl der Punkte tatsächlich hergibt, warum Beschriftungen mehr leisten als die Anzahl, wie Sie den Mittelpunkt behandeln, wann agree–disagree-Formate die Datenqualität schädigen, und die eine Änderung, die Sie an einer veröffentlichten Skala nicht vornehmen sollten.

Zunächst ein Begriff, ohne Pedanterie: Streng genommen ist eine Likert scale die Summe oder der Mittelwert mehrerer Items, und eine einzelne bewertete Aussage ist ein Likert-type item (Likert, 1932). Alles Folgende gilt für die Items, die Sie schreiben; die Skala ist, was Sie aus ihnen berechnen.

Wie viele Punkte sollte eine Likert-Skala haben?

Die stärkste aktuelle Evidenz stammt aus einem Experiment, in dem 1.358 Studierende zufällig zugewiesen wurden, dasselbe Persönlichkeitsmaß mit 2 bis 11 Antwortoptionen auszufüllen, plus einer visuellen Analogbedingung (Simms et al., 2019). Zwei Ergebnisse stechen heraus. Unter sechs Optionen war die psychometrische Präzision abgeschwächt — obwohl die Kriteriumsvalidität diesem Muster nicht folgte, sodass der Effekt die interne Präzision betrifft, nicht die Vorhersage von Outcomes. Über sechs Optionen — einschließlich des nahezu kontinuierlichen visuellen Analogformats — gab es keinen psychometrischen Vorteil.

Eine Monte-Carlo-Studie weist in dieselbe Richtung: In simulierten Daten stiegen Reliabilität und Validität bis etwa vier Kategorien an und gewannen über sieben hinaus wenig, was die Autoren dazu brachte, vier bis sieben zu empfehlen (Lozano, García-Cueto, & Muñiz, 2008). Da die Daten simuliert waren, lesen Sie das als Konsistenzprüfung des Musters, nicht als unabhängige Felderfahrung.

Behandeln Sie das als Plateau, nicht als Gesetz. Die Unterschiede sind moderat und wurden an bestimmten Konstrukten und Stichproben geschätzt. Was die Evidenz aber ausschließt, ist die Behauptung, mehr Punkte bedeuteten automatisch mehr Information. Zusätzliche Optionen fügen nur Information hinzu, wenn Befragte die Stufen unterscheiden können. Wenn sie das nicht können, sammeln die zusätzlichen Kategorien Rauschen, und dieses Rauschen ist nicht zufällig — es folgt den Gewohnheiten des Befragten, was das response-style-Problem unten ist.

Es gibt auch direkte Evidenz gegen „sieben ist immer besser". Für agree–disagree-Items in einem groß angelegten Umfrageprogramm lieferten fünfstufige Skalen höhere Messqualität als sieben- und elfstufige Versionen derselben Fragen (Revilla, Saris, & Krosnick, 2014). Die beiden Ergebnisse stehen nicht im Widerspruch. Simms et al. maßen interne Präzision an einem Persönlichkeitsinventar; Revilla et al. maßen MTMM-Datenqualität an agree–disagree-Einstellungsitems, wo die acquiescence-Kosten zusätzlicher Kategorien den Gewinn an Abstufung übersteigen. Passen Sie die Evidenz an Ihr Item-Format an. Wenn Sie Anker für eine vollständig beschriftete fünf- oder siebenstufige Skala wählen, liefert die Likert-Anker-Bank in neun Sprachen Formulierungen, die Sie kopieren und zitieren können, statt sie zu erfinden.

Wofür Sie sich auch entscheiden, halten Sie es über den Fragebogen hinweg konstant, sofern eine übernommene Skala nicht ihr eigenes Format vorgibt. 5-Punkte- und 7-Punkte-Blöcke in einer Umfrage zu mischen fügt einen Formatunterschied zu dem Inhaltsunterschied hinzu, den Sie eigentlich untersuchen wollen.

Warum zählen Likert-Skalen-Beschriftungen mehr als die Anzahl der Punkte?

Wenn Sie nach der Lektüre dieses Artikels eine Sache ändern, ändern Sie die Beschriftungen, nicht die Anzahl.

In einem Experiment zum Format von Ratingskalen beeinflusste die Beschriftung der Antwortkategorien acquiescence, extreme responding und wie oft Befragte reverse-gepolte Items falsch beantworteten; die Empfehlung der Autoren für selbstadministrierte Konsumentenumfragen in der Allgemeinbevölkerung war eine vollständig beschriftete fünfstufige Skala (Weijters, Cabooter, & Schillewaert, 2010). Dieselbe Arbeit fügt einen Vorbehalt hinzu: In einer Folgestudie lieferten nur endpunktbeschriftete Skalen leicht bessere Kriteriumsvalidität in Regressionsmodellen. Vollständige Beschriftung ist der sicherere Standard, wenn Sie Mittelwerte oder Prozentsätze berichten; wenn Ihr Outcome ein Strukturmodell ist, ist die Sache weniger eindeutig. Reliabilitätsevidenz weist in dieselbe Richtung: Verbale Beschriftungen für alle Kategorien hinzuzufügen erhöhte die Test-Retest-Reliabilität, und Skalen mit wenigen Kategorien waren über die Zeit weniger stabil (Weng, 2004). Die klassische methodische Abhandlung kam Jahrzehnte früher zur selben Schlussfolgerung — vollständig beschriftete Skalen sind reliabler und valider als nur an den Endpunkten beschriftete, weil jeder Befragte dieselbe Bedeutung in jede Kategorie liest (Krosnick & Fabrigar, 1997).

Der Grund ist einfach. Auf einer nur an den Endpunkten beschrifteten Skala haben nur die Positionen 1 und 7 eine feste Bedeutung. Alles dazwischen bleibt dem Befragten überlassen, sodass „5" für die eine Person milde Zustimmung bedeuten kann und für eine andere starke Zustimmung. Das ist Messfehler, den Sie selbst eingeführt haben. Auch die Vertrautheit mit dem Beschriftungswortlaut spielt eine Rolle: Befragte verschieben ihre Antworten je nachdem, wie gewöhnlich ihnen die Kategoriebezeichnungen klingen (Weijters, Geuens, & Baumgartner, 2013), was ein weiterer Grund ist, Formulierungen aus einer veröffentlichten Quelle zu verwenden statt einer improvisierten Übersetzung.

Drei praktische Regeln folgen daraus. Beschriften Sie jeden Punkt mit einem Wort, nicht nur die Enden. Halten Sie die Anker symmetrisch, sodass der implizierte Abstand zwischen „stimme nicht zu" und „stimme überhaupt nicht zu" die positive Seite spiegelt. Halten Sie das Kontinuum eindimensional — eine Skala darf nicht auf halbem Weg von Häufigkeit zu Intensität wechseln. Mehr zur Item-Formulierung selbst finden Sie im Leitfaden zum Schreiben guter Umfragefragen.

Was bedeutet ein Likert-Skalen-Mittelpunkt eigentlich?

Die Debatte um die Aufnahme eines Mittelpunkts gerät meist ins Stocken, weil die beiden Seiten Verschiedenes darunter verstehen. Ein Mittelpunkt kann mindestens drei Bedeutungen tragen:

Ambivalenz bedeutet, dass der Befragte gleichzeitig positive und negative Ansichten hält und in der Bilanz in der Mitte landet. Indifferenz bedeutet, dass der Befragte keine Neigung in eine Richtung hat. „Ich weiß nicht" bedeutet, dass der Befragte keine Grundlage hat, überhaupt zu antworten. Das sind unterschiedliche Zustände, und nur die ersten beiden gehören auf das Antwortkontinuum.

Daraus folgt eine Entscheidungsregel, die Ihr Konstrukt betrifft, nicht Ihren Geschmack. Wenn echte Neutralität ein möglicher Zustand der Einstellung ist, die Sie messen, nehmen Sie einen Mittelpunkt auf und beschriften Sie ihn präzise („Weder noch", nicht „Neutral" oder „Keine Meinung"). Wenn Neutralität kein sinnvoller Zustand ist — zum Beispiel eine Verhaltensentscheidung, die in eine Richtung gehen muss —, ist eine gerade Anzahl von Punkten vertretbar, und Sie sagen das im Methodenteil. Den Mittelpunkt zu entfernen, um „Menschen zu einer Festlegung zu zwingen", ist kein Grund; es verwandelt eine echte neutrale Antwort in eine erfundene Richtung.

Halten Sie „Weiß nicht" und „Nicht zutreffend" vom Rating-Kontinuum fern. Setzen Sie sie als separate Option außerhalb der Skala und kodieren Sie sie als fehlend, nicht als mittleren Wert. Ein Befragter, der nicht urteilen kann, ist kein Befragter, der neutral ist, und die beiden zu einer Zahl zu mitteln, ist ein Messfehler, den Sie bei der Analyse nicht rückgängig machen können.

Agree–disagree oder item-spezifische Antwortoptionen?

Die Anzahl der Punkte ist eine kleinere Frage als das Format selbst. Agree–disagree-Items sind praktisch — eine Antwortskala für die ganze Batterie —, laden aber zu acquiescence ein, der Tendenz, unabhängig vom Inhalt zuzustimmen. Item-spezifische Formate ersetzen die Zustimmungsskala durch auf die Frage zugeschnittene Optionen („Wie zufrieden sind Sie mit der Lieferzeit?", beantwortet von überhaupt nicht zufrieden bis äußerst zufrieden).

Ein Multitrait-Multimethod-Experiment, das die beiden Formate verglich, fand deutlich niedrigere Messqualität für agree–disagree-Fragen als für vergleichbare item-spezifische (Saris, Revilla, Krosnick, & Shaeffer, 2010). Eye-Tracking-Evidenz weist in dieselbe Richtung, wenn auch aus einem anderen Grund: Befragte verbringen mehr Zeit mit item-spezifischen Antwortkategorien als mit agree–disagree-Kategorien, während die Fragestämme denselben Aufwand erfordern. Die Autoren lesen das als sorgfältigere Verarbeitung der zugeschnittenen Kategorien und damit als wahrscheinlichen Weg zu durchdachteren Antworten (Höhne & Lenzner, 2018).

Die praktische Konsequenz ist nicht „nie agree–disagree verwenden". Die meisten veröffentlichten Skalen in der Konsumentenforschung sind in diesem Format geschrieben, und sie umzuschreiben zerstört die Vergleichbarkeit. Aber wenn Sie selbst neue Items schreiben, ist item-spezifische Formulierung der bessere Standard, und es lohnt sich, das zu sagen, wenn ein Gutachter fragt, warum Ihre Batterie kein einheitliches Grid ist.

Sollten Sie die Punktzahl einer validierten Skala ändern?

Das ist die Warnung, die den meisten Ärger erspart. Wenn Sie eine veröffentlichte Skala übernehmen, behalten Sie ihr Antwortformat bei.

Eine veröffentlichte siebenstufige Skala auf fünf zu ändern, weil Sie fünf bevorzugen, kostet Sie den Vergleich mit allem, was vor Ihnen veröffentlicht wurde. Mittelwerte und cut-offs aus den ursprünglichen Studien gelten dann nicht mehr. Die berichtete Reliabilitäts- und Validitätsevidenz wurde unter dem ursprünglichen Format erhoben, und das Format beeinflusst nachweislich Antwortstile und Verteilungen. Gutachter in messmethodisch anspruchsvollen Zeitschriften bemerken das, und es ist ein schwer zu beantwortender Kommentar, nachdem die Daten erhoben sind.

Wenn Sie das Format ändern müssen — zum Beispiel weil Ihre Plattform oder Ihre anderen Blöcke ein Format erzwingen —, tun Sie zwei Dinge. Begründen Sie die Änderung im Methodenteil, und führen Sie sie als limitation auf. Prüfen Sie dann, ob sich das Messmodell weiterhin gut verhält: Rechnen Sie Reliabilität und Faktorenanalyse auf Ihren eigenen Daten, statt die Zahlen aus dem Originalpapier zu zitieren. Wenn Sie Reliabilität berichten, fügen Sie composite reliability oder McDonald's omega neben alpha hinzu. Alpha setzt voraus, dass alle Items das Merkmal gleich gut messen, und unter- oder überschätzt die Reliabilität, wenn das nicht der Fall ist; es steigt außerdem mit der Anzahl der Items, sodass eine lange Skala besser wirken kann, als sie ist. Siehe wie Reliabilität berechnet wird.

Eine weitere Unterscheidung entscheidet über die Form der Skala, noch bevor die Anzahl es tut. Ein bipolares Konstrukt läuft von einem echten negativen Pol über eine Mitte zu einem positiven Pol (disagree ↔ agree, unzufrieden ↔ zufrieden) und nimmt eine symmetrische Skala mit optionalem Mittelpunkt. Ein unipolares Konstrukt läuft von null aufwärts (Wichtigkeit, Häufigkeit, Intensität) und nimmt eine bei „überhaupt nicht" verankerte Skala ohne negative Hälfte. Ein unipolares Konstrukt auf eine bipolare Skala zu setzen erzeugt Antwortoptionen, die nicht vorkommen können. Die Skalen-Bibliothek zeigt das ursprüngliche Format für jedes Konstrukt, einschließlich der Antwortskalen, die in SERVQUAL und in TAM perceived usefulness verwendet werden; wie man eine validierte Skala findet behandelt die Suche selbst.

Antwortstile über Länder und Sprachen hinweg

Wenn Ihre Studie in mehr als einer Sprache läuft, wird die Formatentscheidung zu einer Vergleichbarkeitsentscheidung. Befragte unterscheiden sich darin, wie sie Ratingskalen nutzen — manche Gruppen bevorzugen die Extreme, manche meiden sie, manche stimmen leichter zu — und diese response styles unterscheiden sich systematisch zwischen Ländern, unabhängig vom gemessenen Konstrukt (Baumgartner & Steenkamp, 2001). Zwei dieser Gewohnheiten, extreme responding und acquiescence, sind genau die, die von der Anzahl der Punkte und dem Beschriftungsformat betroffen sind (Weijters et al., 2010).

Zwei Konsequenzen folgen daraus. Verwenden Sie dieselbe Anzahl von Punkten und dieselbe Beschriftungslogik in jeder Sprachversion, und übernehmen Sie den Ankerwortlaut aus einem veröffentlichten Anker-Set, statt ihn selbst zu übersetzen. Prüfen Sie dann Messinvarianz — konfigural, metrisch und skalar —, bevor Sie Mittelwerte über Sprachgruppen hinweg vergleichen. Ein übersetzter Fragebogen ist nicht automatisch ein äquivalenter Fragebogen, und ein Mittelwertunterschied zwischen Ländern kann von der Skala stammen statt von der Einstellung.

Ein durchgerechnetes Beispiel

Eine Studie zu einem Online-Lebensmittelservice, erhoben auf Englisch und Polnisch, misst perceived usefulness (aus TAM übernommen), Zufriedenheit (eine veröffentlichte Skala) und zwei neue Items zur Akzeptanz der Lieferzeit.

Die übernommenen Skalen behalten ihre ursprünglichen Formate. Perceived usefulness bleibt bei ihrem veröffentlichten siebenstufigen agree–disagree-Format mit ihren ursprünglichen Ankern; die Zufriedenheitsskala behält ihr eigenes. Keine wird an die andere angepasst, und der Methodenteil sagt das.

Die beiden neuen Items sind item-spezifisch statt agree–disagree formuliert, auf einer vollständig beschrifteten fünfstufigen Skala: überhaupt nicht akzeptabel, leicht akzeptabel, mäßig akzeptabel, sehr akzeptabel, vollständig akzeptabel. Das ist ein unipolares Konstrukt — es gibt keine negative Hälfte unterhalb von „überhaupt nicht" —, sodass es keinen Mittelpunkt zu interpretieren gibt. Eine separate Option „Ich habe die Lieferung noch nicht genutzt" liegt außerhalb der Antwortskala und wird als fehlend kodiert.

Die polnische Version verwendet dieselbe Punktanzahl und dieselbe Beschriftungslogik, mit Ankern aus einem veröffentlichten Anker-Set statt ad hoc übersetzt. Bevor die beiden Sprachgruppen verglichen werden, prüft die Analyse konfigurale, metrische und skalare Invarianz und berichtet das Ergebnis.

Ein Satz für den Methodenteil zum Anpassen:

Perceived usefulness und Zufriedenheit wurden mit den ursprünglichen veröffentlichten Items und ihren ursprünglichen Antwortformaten gemessen (siebenstufig bzw. fünfstufig). Die beiden Items zur Akzeptanz der Lieferzeit verwendeten eine vollständig beschriftete fünfstufige item-spezifische Skala (überhaupt nicht akzeptabel bis vollständig akzeptabel) mit einer separaten Nicht-zutreffend-Option, kodiert als fehlend. In beiden Sprachversionen wurden identische Antwortformate verwendet, und skalare Invarianz wurde geprüft, bevor Gruppenmittelwerte verglichen wurden.

Häufige Fehler, die Sie vermeiden sollten

• Eine veröffentlichte Skala aus Bequemlichkeit von sieben auf fünf Punkte umskalieren (oder umgekehrt) — Sie verlieren die Vergleichbarkeit mit der Literatur und mit berichteten Normen.
• Nur die Endpunkte beschriften und die mittleren Kategorien der Interpretation überlassen.
• Punktanzahlen über Blöcke desselben Fragebogens ohne Grund mischen.
• „Weiß nicht" oder „Nicht zutreffend" innerhalb der Ratingskala platzieren, wo es als mittlerer Wert gemittelt wird.
• Den Mittelpunkt als Lösung für Unentschlossenheit behandeln, statt zu entscheiden, ob Neutralität ein echter Zustand Ihres Konstrukts ist.
• Annehmen, ein übersetztes Anker-Set sei äquivalent — Messinvarianz prüfen, bevor Sie Länder vergleichen.

Häufig gestellte Fragen

References

Baumgartner, H., & Steenkamp, J.-B. E. M. (2001). Response styles in marketing research: A cross-national investigation. Journal of Marketing Research, 38(2), 143–156. https://doi.org/10.1509/jmkr.38.2.143.18840

Höhne, J. K., & Lenzner, T. (2018). New insights on the cognitive processing of agree/disagree and item-specific questions. Journal of Survey Statistics and Methodology, 6(3), 401–417. https://doi.org/10.1093/jssam/smx028

Krosnick, J. A., & Fabrigar, L. R. (1997). Designing rating scales for effective measurement in surveys. In L. Lyberg, P. Biemer, M. Collins, E. de Leeuw, C. Dippo, N. Schwarz, & D. Trewin (Eds.), Survey measurement and process quality (pp. 141–164). Wiley. https://doi.org/10.1002/9781118490013.ch6

Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22(140), 1–55. (Original monograph; no DOI was assigned.)

Lozano, L. M., García-Cueto, E., & Muñiz, J. (2008). Effect of the number of response categories on the reliability and validity of rating scales. Methodology, 4(2), 73–79. https://doi.org/10.1027/1614-2241.4.2.73

Revilla, M. A., Saris, W. E., & Krosnick, J. A. (2014). Choosing the number of categories in agree–disagree scales. Sociological Methods & Research, 43(1), 73–97. https://doi.org/10.1177/0049124113509605

Saris, W. E., Revilla, M., Krosnick, J. A., & Shaeffer, E. M. (2010). Comparing questions with agree/disagree response options to questions with item-specific response options. Survey Research Methods, 4(1), 61–79. https://doi.org/10.18148/srm/2010.v4i1.2682

Simms, L. J., Zelazny, K., Williams, T. F., & Bernstein, L. (2019). Does the number of response options matter? Psychometric perspectives using personality questionnaire data. Psychological Assessment, 31(4), 557–566. https://doi.org/10.1037/pas0000648

Weijters, B., Cabooter, E., & Schillewaert, N. (2010). The effect of rating scale format on response styles: The number of response categories and response category labels. International Journal of Research in Marketing, 27(3), 236–247. https://doi.org/10.1016/j.ijresmar.2010.02.004

Weijters, B., Geuens, M., & Baumgartner, H. (2013). The effect of familiarity with the response category labels on item response to Likert scales. Journal of Consumer Research, 40(2), 368–381. https://doi.org/10.1086/670394

Weng, L.-J. (2004). Impact of the number of response categories and anchor labels on coefficient alpha and test-retest reliability. Educational and Psychological Measurement, 64(6), 956–972. https://doi.org/10.1177/0013164404268674

Wie Explonia das für Sie erledigt

Jeder Rating-Block in Explonia legt seine eigene Punktanzahl und eigene Beschriftungen fest, sodass eine übernommene Skala das Format behält, mit dem sie validiert wurde, statt an den Rest Ihres Fragebogens angepasst zu werden. Die Bibliothek von rund 370 validierten Skalen — verfügbar ab dem Academic-Tarif — speichert jede Skala mit ihrer Quelle und ihrem DOI, sodass Sie mit dem veröffentlichten Wortlaut und dem veröffentlichten Antwortformat starten, statt beides aus dem Gedächtnis zu rekonstruieren. Mehr als ein Dutzend Fragetypen decken den Rest des Fragebogens ab, und Reliabilität, Faktorenanalyse und Messinvarianz laufen auf denselben Daten im selben Browser-Tab. Die Funktion „Article description" entwirft den Ergebnisabsatz aus Ihrem eigenen Output — Sie bleiben der Autor und bearbeiten jedes Wort. Wenn Sie Ihr Instrument noch auswählen, beginnen Sie bei der Skalen-Bibliothek; wenn Ihr Fragebogen mehrere Instrumente in einer Sitzung kombiniert, behandelt der Leitfaden zu Common Method Bias die in diesem Artikel empfohlene Antwortformat-Variation.

Bereit, eine Skala zu bauen, die Sie verteidigen können? Behalten Sie jede veröffentlichte Skala in ihrem ursprünglichen Format, beschriften Sie jeden Punkt, und rechnen Sie die Messprüfungen auf Ihren eigenen Daten. Kostenlos starten →