Im Folgenden wollen wir einige Aufgaben bearbeiten, die in den Bereich der Datenvorbereitung fallen. Dazu gehören u.a. das Extrahieren und Sortieren von Daten, die Änderung der Kodierung von Daten sowie das Erstellen von Summary-Variablen. Zuallererst sollten wir uns jedoch immer mit dem genutzten Datensatz vertraut machen.
Dazu nutzen wir einen Datensatz, der im Rahmen eines Projektes zur Untersuchung des Zusammenhangs des Bedürfnisses nach Privatsphäre und verschiedenen Persönlichkeitseigenschaften erhoben wurde. Mehr Informationen zum Projekt und zur Publikation finden wir hier.
Den Datensatz sowie das dazugehörige Codebuch finden wir im Open Science Framework. Mehr Informationen zu OSF, der Replikationskrise und der Open Science Bewegung finden wir hier.
Den Datensatz können wir, nachdem wir ihn heruntergeladen haben, folgendermaßen in R einlesen:
data <- read.csv("Dateipfad/data.csv") # hier den eigenen Dateipfad einfügen
So sollte der Datensatz aussehen:
Übung 1: Erste Schritte
Zuallererst wollen wir uns mit dem Datensatz vertraut machen. Dazu benötigen wir das Codebuch, welches uns Informationen über die erhobenen Variablen sowie deren Messung gibt. Am besten überfliegen wir das Codebuch und den Datensatz einmal, um uns damit vertraut zu machen, bevor wir die nachfolgenden Aufgaben bearbeiten.
Es sind nicht alle Variablen, die im Codebuch auftauchen, auch im Datensatz.
1.) Es gibt zwei Variablen im Datensatz, die nicht im Codebuch zu finden sind. Welche sind das?
Lösung
Die Variable sex taucht nicht im Datensatz auf. Nur die Variable male, welche die Ausprägungen 0 und 1 besitzt. Schätzungsweise soll mit beiden dieselbe Information koderit werden: das biologische Geschlecht der befragten Personen.
Die Variable time taucht nicht im Codebuch auf. Möglicherweise ist das die individuelle Bearbeitungszeit für den Fragebogen in Sekunden. Vor der Nutzung der der Variablen time müssten wir deren Bedeutung klären.
2.) Wie viele Variablen und Beobachtungen enthält der Datensatz?
Tipp
Standardmäßig sind Variablen die Spalten und Beobachtungen die Zeilen eines Datensatzes.
Lösung
3.) Liegen alle Variablen in einem ihrem Messniveau angemessenen Datentyp vor?
Tipp
Im Codebuch finden wir Informationen zu den Variablen. Über die Funktionenstr() bekommen wir Informationen zum Datentyp.
Lösung
str(data)
'data.frame': 296 obs. of 70 variables:
$ id : int 1 2 3 4 5 6 7 8 9 10 ...
$ male : int 0 1 0 0 0 0 1 1 0 0 ...
$ age : int 19 19 20 19 22 20 20 18 19 19 ...
$ inc : int 2 3 1 2 3 2 1 1 1 3 ...
$ time : int 2456 1414 828 1043 1806 1133 1625 2319 7129 1343 ...
$ pri_nee_gen_1: int 6 7 5 6 4 5 6 5 4 4 ...
$ pri_nee_gen_2: int 6 2 5 3 5 4 6 6 3 4 ...
$ pri_nee_gen_3: int 6 6 4 6 7 6 5 7 4 6 ...
$ pri_nee_gen_4: int 7 7 5 6 7 6 7 7 6 6 ...
$ pri_nee_soc_1: int 2 4 5 2 5 4 5 4 1 6 ...
$ pri_nee_soc_2: int 4 5 4 2 5 4 6 4 2 6 ...
$ pri_nee_soc_3: int 3 6 4 3 5 3 4 6 2 6 ...
$ pri_nee_soc_4: int 1 6 4 2 4 2 5 4 2 4 ...
$ pri_nee_soc_5: int 1 4 4 5 4 2 6 6 3 6 ...
$ pri_nee_soc_6: int 1 3 5 5 2 4 4 4 2 2 ...
$ pri_nee_soc_7: int 1 1 3 3 1 2 2 6 1 2 ...
$ pri_nee_soc_8: int 1 7 4 2 2 2 2 6 3 2 ...
$ pri_nee_soc_9: int 1 3 4 2 6 5 6 7 1 6 ...
$ pri_nee_int_1: int 1 1 4 4 2 4 2 5 2 5 ...
$ pri_nee_int_2: int 1 6 5 5 1 2 5 5 1 3 ...
$ pri_nee_int_3: int 7 7 5 5 6 2 4 3 3 6 ...
$ pri_nee_int_4: int 3 6 2 7 5 5 4 4 4 6 ...
$ pri_nee_int_5: int 5 6 4 7 2 5 2 3 6 6 ...
$ pri_nee_int_6: int 3 6 3 5 2 3 3 2 3 3 ...
$ pri_nee_int_7: int 7 7 5 6 2 5 6 6 6 4 ...
$ pri_nee_int_8: int 1 7 4 5 5 3 5 5 6 3 ...
$ pri_nee_int_9: int 4 7 3 3 5 5 5 5 4 3 ...
$ soc_1 : int 5 5 3 2 2 3 2 5 3 2 ...
$ soc_2 : int 4 4 6 6 6 6 5 2 6 6 ...
$ soc_3 : int 4 4 2 3 2 2 5 6 4 6 ...
$ soc_4 : int 4 6 4 7 6 6 3 5 3 4 ...
$ soc_5 : int 7 5 2 6 4 2 2 4 2 3 ...
$ soc_6 : int 4 5 6 5 2 6 2 4 3 4 ...
$ soc_7 : int 3 2 2 2 2 2 2 5 3 2 ...
$ soc_8 : int 3 4 6 6 5 4 2 2 7 5 ...
$ itg_1 : int 1 1 2 3 2 3 1 4 3 1 ...
$ itg_2 : int 2 1 4 4 4 6 2 4 1 1 ...
$ itg_3 : int 5 7 4 5 4 5 4 4 7 1 ...
$ itg_4 : int 2 7 6 2 6 6 7 4 3 7 ...
$ itg_5 : int 1 1 2 1 2 2 1 4 1 1 ...
$ itg_6 : int 4 1 2 3 2 2 4 4 2 1 ...
$ itg_7 : int 1 6 2 2 3 2 1 4 6 1 ...
$ itg_8 : int 5 2 4 5 4 4 6 4 3 1 ...
$ itg_9 : int 5 1 1 2 6 5 2 4 7 2 ...
$ itg_10 : int 5 2 2 7 6 5 7 4 7 6 ...
$ itg_11 : int 4 4 4 5 5 5 6 4 4 1 ...
$ anx_1 : int 1 1 3 5 5 2 6 5 3 6 ...
$ anx_2 : int 5 4 3 1 5 6 3 3 5 5 ...
$ anx_3 : int 1 1 5 3 3 2 6 3 2 6 ...
$ anx_4 : int 4 3 3 3 3 3 5 1 7 2 ...
$ anx_5 : int 6 6 2 5 5 3 6 3 1 2 ...
$ anx_6 : int 6 7 3 3 5 6 2 5 6 3 ...
$ anx_7 : int 3 6 5 6 4 2 2 1 2 5 ...
$ anx_8 : int 6 4 4 3 5 7 4 6 7 2 ...
$ ria_1 : int 1 7 5 5 6 3 4 3 7 6 ...
$ ria_2 : int 5 7 5 4 4 6 6 5 6 6 ...
$ ria_3 : int 1 6 5 6 6 3 3 5 5 3 ...
$ ria_4 : int 6 3 3 4 5 5 3 4 6 6 ...
$ ria_5 : int 4 2 5 6 4 2 6 6 5 5 ...
$ ria_6 : int 5 6 3 3 5 6 2 3 4 5 ...
$ ria_7 : int 5 7 5 4 5 5 1 7 5 6 ...
$ ria_8 : int 6 7 5 5 5 6 6 5 4 6 ...
$ tra_1 : int 5 7 3 3 2 5 3 4 4 5 ...
$ tra_2 : int 6 2 6 6 6 4 6 4 7 5 ...
$ tra_3 : int 5 7 4 3 5 5 5 4 5 5 ...
$ tra_4 : int 7 6 5 7 4 5 6 4 5 2 ...
$ tra_5 : int 5 7 4 3 5 5 2 4 4 6 ...
$ tra_6 : int 7 1 4 6 6 5 6 4 6 2 ...
$ tra_7 : int 4 7 4 3 5 4 2 4 2 6 ...
$ tra_8 : int 3 7 4 3 4 5 5 4 5 6 ...Alle Variablen liegen als integer vor. Für die Fragebogenitems (pri_nee_, soc_, itg_, anx_, ria_ und tra_), die intervallskaliert sein sollen, ist das korrekt. Die soziodemographischen Variablen male und inc hingegen sind nominal- bzw. ordinalskaliert. Das bedeutet, dass sie noch faktorisiert werden müssen, um in R als solche erkannt zu werden.
Factor w/ 2 levels "0","1": 1 2 1 1 1 1 2 2 1 1 ...male hat die Kodierungen 0 und 1 (wie schon die integer-Variable vorher), aber die interne Kodierung des Faktors ist 1 und 2.
Ord.factor w/ 5 levels "1"<"2"<"3"<"4"<..: 2 3 1 2 3 2 1 1 1 3 ...levels(data$inc)
[1] "1" "2" "3" "4" "5"< $500) für welche Kodierung steht (z.B. 1). Wir gehen hier davon aus, dass beide aufsteigend gepaart wurden, z.B. < $500 = 1, aber die interne Kodierung eines Faktors beginnt bei 1, d.h. in unserem Fall gibt es 1 und 2.
4.) Wie heißt die Variable, die kodiert, inwieweit die befragte Person gerne viele Menschen um sich herum hat? Welche Antwortoption auf der Messskala (hiermit ist nicht die Kodierung der Daten gemeint) haben die meisten befragten Personen angekreuzt?
Tipp 1
Den Namen der Variablen sowie deren Messskala finden wir im Codebuch. Die Häufigkeiten der jeweiligen Ausprägungen der Variablen bringen wir in R in Erfahrung.Tipp 2
Mit der Funktiontable() können wir uns die Häufigkeiten der Ausprägungen einer Variablen ausgeben lassen. Die Funktion ist auch bereits sehr hilfreich, um einen schnellen Überblick über die möglichen Ausprägungen zu bekommen.
Lösung
Die Variable heißt soc_2 und hat eine Messskala, welche von -3 bis 3 (inklusive 0) geht (Codebuch S.20).
table(data$soc_2)
1 2 3 4 5 6 7
2 14 36 69 72 61 27 Die Kodierung 5 kommt am häufigsten vor. Die meisten befragten Personen haben damit eine 1 auf der Messskala angegeben.
5.) Gibt es Werte von Variablen im Datensatz, die unplausibel erscheinen? Wenn ja, entferne die entsprechenden Personen aus dem Datensatz.
Tipp 1
Hiervoll ist es sinnvoll, sich eine Übersicht der Ausprägungen aller Variablen anzuschauen und diese ggf. mit den Angaben im Codebuch zu vergleichen.Tipp 2
Es gibt einen Wert einer Variablen der heraussticht.
Lösung
$id
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
[17] 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
[33] 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
[49] 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
[65] 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
[81] 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96
[97] 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112
[113] 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128
[129] 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
[145] 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
[161] 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176
[177] 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
[193] 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208
[209] 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224
[225] 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240
[241] 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256
[257] 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272
[273] 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
[289] 289 290 291 292 293 294 295 296
$male
[1] 0 1 <NA>
Levels: 0 1
$age
[1] 9 18 19 20 21 22 23 28 29 56 NA
$inc
[1] 1 2 3 4 5 <NA>
Levels: 1 < 2 < 3 < 4 < 5
$time
[1] 3 5 7 8 9 10 12 13 21
[10] 31 86 129 165 194 240 259 313 351
[19] 369 371 384 439 443 455 456 458 484
[28] 539 562 585 587 593 601 602 606 624
[37] 638 639 663 677 694 706 725 741 760
[46] 778 814 815 828 829 840 847 851 852
[55] 875 877 890 892 899 910 934 986 991
[64] 992 999 1035 1039 1040 1043 1052 1056 1061
[73] 1071 1073 1075 1077 1088 1090 1094 1097 1104
[82] 1118 1119 1133 1141 1143 1144 1148 1152 1155
[91] 1157 1158 1166 1167 1176 1177 1187 1197 1200
[100] 1209 1211 1219 1220 1222 1227 1236 1243 1248
[109] 1250 1255 1258 1259 1265 1290 1292 1303 1313
[118] 1314 1316 1318 1319 1332 1343 1345 1349 1363
[127] 1367 1372 1376 1387 1388 1397 1402 1405 1411
[136] 1414 1419 1425 1438 1448 1453 1460 1465 1481
[145] 1492 1496 1497 1499 1514 1524 1525 1560 1581
[154] 1595 1596 1602 1606 1625 1628 1633 1651 1655
[163] 1656 1660 1669 1671 1672 1683 1695 1702 1706
[172] 1713 1714 1716 1732 1734 1735 1745 1753 1756
[181] 1772 1778 1780 1803 1806 1815 1820 1831 1845
[190] 1847 1869 1879 1889 1905 1930 1932 1945 1949
[199] 1985 1994 2022 2077 2125 2135 2139 2142 2144
[208] 2183 2185 2197 2248 2255 2319 2342 2348 2360
[217] 2373 2393 2420 2447 2456 2493 2495 2515 2518
[226] 2523 2537 2597 2606 2649 2654 2673 2759 2769
[235] 2927 3204 3224 3273 3386 3466 3739 3803 3808
[244] 3858 3913 4084 4436 4702 4748 5031 5108 5229
[253] 5469 5927 5944 6064 6282 6598 6685 6849 7129
[262] 7246 8016 8817 9274 12533 13928 17371 17973 22834
[271] 50047 54973 96391 101191 110358 192301 197593 342508 590589
[280] 688498
$pri_nee_gen_1
[1] 1 2 3 4 5 6 7 NA
$pri_nee_gen_2
[1] 1 2 3 4 5 6 7 NA
$pri_nee_gen_3
[1] 2 3 4 5 6 7 NA
$pri_nee_gen_4
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_1
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_2
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_3
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_4
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_5
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_6
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_7
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_8
[1] 1 2 3 4 5 6 7 NA
$pri_nee_soc_9
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_1
[1] 1 2 3 4 5 6 NA
$pri_nee_int_2
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_3
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_4
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_5
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_6
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_7
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_8
[1] 1 2 3 4 5 6 7 NA
$pri_nee_int_9
[1] 1 2 3 4 5 6 7 NA
$soc_1
[1] 1 2 3 4 5 6 7 NA
$soc_2
[1] 1 2 3 4 5 6 7 NA
$soc_3
[1] 1 2 3 4 5 6 7 NA
$soc_4
[1] 1 2 3 4 5 6 7 NA
$soc_5
[1] 1 2 3 4 5 6 7 NA
$soc_6
[1] 1 2 3 4 5 6 7 NA
$soc_7
[1] 1 2 3 4 5 6 7 NA
$soc_8
[1] 1 2 3 4 5 6 7 NA
$itg_1
[1] 1 2 3 4 5 6 NA
$itg_2
[1] 1 2 3 4 5 6 7 NA
$itg_3
[1] 1 2 3 4 5 6 7 NA
$itg_4
[1] 1 2 3 4 5 6 7 NA
$itg_5
[1] 1 2 3 4 5 6 7 NA
$itg_6
[1] 1 2 3 4 5 6 7 NA
$itg_7
[1] 1 2 3 4 5 6 7 NA
$itg_8
[1] 1 2 3 4 5 6 7 NA
$itg_9
[1] 1 2 3 4 5 6 7 NA
$itg_10
[1] 1 2 3 4 5 6 7 NA
$itg_11
[1] 1 2 3 4 5 6 7 NA
$anx_1
[1] 1 2 3 4 5 6 7 NA
$anx_2
[1] 1 2 3 4 5 6 7 NA
$anx_3
[1] 1 2 3 4 5 6 7 NA
$anx_4
[1] 1 2 3 4 5 6 7 NA
$anx_5
[1] 1 2 3 4 5 6 7 NA
$anx_6
[1] 1 2 3 4 5 6 7 NA
$anx_7
[1] 1 2 3 4 5 6 7 NA
$anx_8
[1] 1 2 3 4 5 6 7 NA
$ria_1
[1] 1 2 3 4 5 6 7 NA
$ria_2
[1] 1 2 3 4 5 6 7 NA
$ria_3
[1] 1 2 3 4 5 6 7 NA
$ria_4
[1] 1 2 3 4 5 6 7 NA
$ria_5
[1] 1 2 3 4 5 6 7 NA
$ria_6
[1] 1 2 3 4 5 6 7 NA
$ria_7
[1] 1 2 3 4 5 6 7 NA
$ria_8
[1] 1 2 3 4 5 6 7 NA
$tra_1
[1] 1 2 3 4 5 6 7 NA
$tra_2
[1] 1 2 3 4 5 6 7 NA
$tra_3
[1] 1 2 3 4 5 6 7 NA
$tra_4
[1] 1 2 3 4 5 6 7 NA
$tra_5
[1] 1 2 3 4 5 6 7 NA
$tra_6
[1] 1 2 3 4 5 6 7 NA
$tra_7
[1] 1 2 3 4 5 6 7 NA
$tra_8
[1] 1 2 3 4 5 6 7 NAwhich(data$age == 9)
[1] 232Die Person mit der Zeile 232 hat (vermutlich versehentlich) als Alter 9 Jahre angegeben. Wir entfernen diese Person aus dem Datensatz.
data <- data[-which(data$age == 9),]
6.) Enthält der Datensatz fehlende Werte (“Missings”; NA) und wenn ja, wie viele insgesamt und auf welchen Variablen?
Tipp
Das Thema “Fehlende Werte” wird im Kapitel zur Datenvorbereitung nur kurz angerissen, weil es ein eigenständiges Kapitel dazu gibt.
Lösung
anyNA(data) # prüft ob mind. ein Missing im Datensatz
[1] TRUEJa, data enthält fehlende Werte.
table(is.na(data))[2]/(table(is.na(data))[1] + table(is.na(data))[2])
# relative Anzahl fehlender Werte
TRUE
0.06358354 id male age inc time
0 24 25 28 0
pri_nee_gen_1 pri_nee_gen_2 pri_nee_gen_3 pri_nee_gen_4 pri_nee_soc_1
19 19 19 19 19
pri_nee_soc_2 pri_nee_soc_3 pri_nee_soc_4 pri_nee_soc_5 pri_nee_soc_6
19 19 19 19 19
pri_nee_soc_7 pri_nee_soc_8 pri_nee_soc_9 pri_nee_int_1 pri_nee_int_2
19 19 19 21 21
pri_nee_int_3 pri_nee_int_4 pri_nee_int_5 pri_nee_int_6 pri_nee_int_7
21 21 21 21 21
pri_nee_int_8 pri_nee_int_9 soc_1 soc_2 soc_3
21 21 15 15 15
soc_4 soc_5 soc_6 soc_7 soc_8
15 15 16 15 15
itg_1 itg_2 itg_3 itg_4 itg_5
21 21 21 21 21
itg_6 itg_7 itg_8 itg_9 itg_10
21 21 21 21 21
itg_11 anx_1 anx_2 anx_3 anx_4
21 18 18 18 18
anx_5 anx_6 anx_7 anx_8 ria_1
18 18 18 18 17
ria_2 ria_3 ria_4 ria_5 ria_6
17 17 17 17 17
ria_7 ria_8 tra_1 tra_2 tra_3
17 17 21 21 21
tra_4 tra_5 tra_6 tra_7 tra_8
21 21 21 21 21 Jede Variable mit Ausnahme von id und time enthält fehlende Werte.
7.) Was ist die höchste Anzahl an fehlenden Werten von einer Person und welche Person hat bzw. welche Personen haben die meisten fehlenden Werte?
Tipp
In der letzten Aufgabe haben wir uns variablenweise Missings angeschaut mitcolSums(). Nun wollen wir uns zeilenweise Missings anschauen.
Lösung
max(rowSums(is.na(data))) / ncol(data)
# Max-Anzahl Missings einer Person / Anzahl aller Variablen (relativer Wert)
[1] 0.9714286Fehlende Werte auf 68 Variablen ist die Höchstzahl an fehlenden Werten pro Person. Das entspricht einem Prozentsatz von ca. 97% fehlenden Werten.
# Personen mit diesen Zeilen haben die meisten Missings:
names(which(rowSums(is.na(data)) == max(rowSums(is.na(data)))))
[1] "63" "66" "78" "133" "134" "136" "139" "180" "199" "206" "262"
[12] "267" "268" "281" "283"Wir müssen hier names() nutzen, damit wir die Zeilennamen ausgegeben bekommen da wir sonst einen benannten Vektor ausgegeben bekommen.
Man sollte überlegen, wie mit den Daten dieser 15 Personen bei etwaigen Analysen umzugehen wäre. Wenn die Daten MCAR sind, könnten wir diese Personen aus den Analysen entfernen. Mehr Infos zu Fehlenden Werten im gleichnamigen Kapitel.
Übung 2: Extrahieren von Daten
Nun wollen wir einzelne Daten aus dem Datensatz extrahieren. Dabei interessieren uns entweder Variablen mit bestimmten Ausprägungen (von Personen) oder Personen mit bestimmten Ausprägungen (auf Variablen).
Achte darauf, immer auch die id-Variable mit zu extrahieren, um Beobachtungseinheiten identifizieren zu können, auch wenn das nicht jedes mal erneut in der Aufgabenbeschreibung steht.
1.) Extrahiere alle demographischen Variablen aus data.
Tipp 1
Im Codebuch (S. 26ff) steht, welche Variablen zu den demographischen Angaben zählen.
sex, welche im Datensatz nicht enthalten ist. Alternativ gibt es die Variable male.
Tipp 2
Es gibt drei demographische Variablen indata (aber mehr im Codebuch).
2.) Extrahiere alle Variablen, die grundlegende Bedürfnisse (General Needs) erfassen.
Tipp 1
Die Variablen haben denselben Wortstamm:gen.
Tipp 2
Es gibt vier Items zu grundlegenden Bedürfnissen.
3.) Extrahiere alle Variablen, die gesellschaftliche (Societal Needs) und interpersonelle (Interpersonal Needs) Bedürfnisse erfassen.
Tipp 1
Die Variablen haben zwar denselben Wortstamm –nee – aber den haben die Variablen zu grundlegenden Bedürfnissen (General Needs) auch.
Tipp 2
Es gibt insgesamt 18 Items zu gesellschaftlichen und interpersonellen Bedürfnissen (jeweils 9).
Lösung
# Vorauswahl von Bedürfnis-Variablen mittels des gemeinsamen Wortstammes:
all_needs <- data[,c(1, # id
grep("nee", names(data)))] # alle Bedürfnis-Variablen
# Auswahl der gewollten Variablen aus den Bedürfnis Variablen (neben "id") ..
# .. solche, die "c" oder "t" im Namen haben (trifft nur auf General needs nicht zu):
all_needs[grep("id|c|t", names(all_needs))]
4.) Extrahiere alle Personen, die weniger als $500 oder mehr als $5.000 monatlich zur Verfügung haben.
Tipp
Um beide Bedingungen (< $500 und > $5.000) abzufragen, können wir den logischen Operator | (“oder”) nutzen.
Lösung
Zuerst vergleichen wir die Angaben zu den Ausprägungen von inc im Codebuch (S. 28) und der Kodierung in R. Laut Codebuch ist < $500 die erste Ausprägung; > $5.000 die letzte. Nun schauen wir, mit welchen Kodierungen diese korrespondieren.
table(data$inc)
1 2 3 4 5
148 74 24 15 6 DIe beiden werden mit 1 und 5 kodiert. Anschließend wenden wir dieses Wissen auf unsere Selektion an.
filter(data, inc == 1 | inc == 5)
5.) Extrahiere die “Extremkreuzer” (Personen, die nur die niedrigste oder höchste Ausprägung einer Frage ankreuzen) aus dem Geselligkeits-Fragebogen (Sociability).
Tipp 1
Wir können wieder den logischen Operator| (“oder”) nutzen, um jeweils Personen mit der niedrigste oder höchsten Ausprägung eines Items auszuwählen.
Tipp 2
Es gibt insgesamt zwei Extremkreuzer.
Lösung
Im Codebuch (S. 20) sehen wir, dass für alle Items des Geselligkeits-Fragebogen dieselbe Skale, welche von -3 bis 3 geht, genutzt wurde. Nun schauen wir uns am Beispiel eines Items an, wie diese in R kodiert werden.
# niedrigste und höchste Ausprägung in Erfahrung bringen:
table(data$soc_1)
1 2 3 4 5 6 7
23 71 54 55 52 21 4 # Fall-Selektion anwenden:
filter(data, soc_1 == 1 | soc_1 == 7,
soc_2 == 1 | soc_2 == 7,
soc_3 == 1 | soc_3 == 7,
soc_4 == 1 | soc_4 == 7,
soc_5 == 1 | soc_5 == 7,
soc_6 == 1 | soc_6 == 7,
soc_7 == 1 | soc_7 == 7,
soc_8 == 1 | soc_8 == 7)
Auf den Seiten 6 bis 7 sehen wir die Items des Geselligkeits-Fragebogens (oben rechts ist der Pfeil).
6.) Extrahiere die Items des Fragebogens zu Integrität (Integrity) für alle Personen, die 18 Jahre alt sind.
Tipp 1
Die Reihenfolge der Auswahl, d.h. ob zuerst Variablen oder zuerst Fälle selektiert werden, ist eigentlich irrelevant, aber wenn wir erst die Fälle selektieren und dann die Variablen müssen wir die Variableage nicht wieder aus dem finalen Datensatz entfernen.
Tipp 2
Der finale Datensatz besteht aus 12 Variablen (davon sind 11 die Integritäts-Items) von 54 Personen.
Lösung
7.) Extrahiere alle Personen, die im Fragebogen zu interpersonellen Bedürfnissen (Needs, Interpersonal) über dem Gesamtmittelwert (Mittelwert über alle Personen im Datensatz) liegen. Entferne Personen mit mindestens einem fehlenden Wert auf diesen Items aus der Analyse.
Unser Vorgehen mit fehlenden Wert hier (casewise deletion) ist stark vereinfacht und sollte in echten Analysen nicht ohne Belege für MCAR durchgeführt werden.
Tipp 1
Wir müssen1) alle Items des Fragebogens extrahieren,
2) alle Personen mit mind. einem Missing entfernen,
3) die Items jeweils für jede Person aufsummieren (d.h. individuelle Scores bilden),
4) diese individuellen Scores über alle Personen aufsummieren, um den Gesamtmittelwert zu berechnen,
5) die individuellen Scores mit dem Gesamtmittelwert vergleichen, um nur überdurchschnittliche Personen in unserer finalen Auswahl zu haben.
Tipp 2
Im finalen Datensatz befinden sich 140 (von initial 296) Personen.
Lösung
# 1) Items extrahieren:
all_int_items <- data[,c(1, # id
grep("int", names(data)))] # Int. Bedürfnisse Items
# 2) Personen mit mind. einem Missing entfernen:
all_int_items <- na.omit(all_int_items) # 21 Personen entfernt
# 3) individuelle Scores bilden:
library(dplyr)
all_int_items <- mutate(all_int_items, score = rowSums(all_int_items))
# 4) Mittelwert individueller Scores berechnen:
mean_score <- mean(all_int_items$score)
mean_score
[1] 182.6387# 5) überdurchschnittliche Personen extrahieren:
final_data <- filter(all_int_items, score > mean_score) # 135 Personen entfernt
Übung 3: Sortieren von Daten
Im Folgenden wollen wir unseren Datensatz nach den aufsteigenden bzw. absteigenden Ausprägungen auf einer der enthaltenen Variablen sortieren.
1.) Sortiere data (primär) nach den aufsteigenden Ausprägungen in age und (sekundär) nach dem Geschlecht (Frauen zuerst).
Da die Kodierung der Variablen male im Codebuch nicht geklärt wird, gehen wir hier standarmäßig davon aus, dass 0 für nein und 1 für ja steht.
Lösung
Da Frauen zuerst in der sekundären Sortierung vorkommen sollen, können wir beide Variablen aufsteigend sortieren.
data[order(data$age, data$male),] # Default: aufsteigende Sortierung
2.) Sortiere data (primär) nach absteigendem Einkommen und (sekundär, tertiär, ect.) nach den aufsteigenden Ausprägungen auf den Traditionalismus-Items (Traditionalism) in ihrer natürlichen Reihenfolge (beginnend bei _1, endend bei _8).
Tipp 1
Mit der Funktionorder() können wir nur jeweils auf- oder absteigend für alle angegebenen Variablen sortieren. Daher sollten wir für diese Aufgabe auf andere Funktionen, z.B. arrange() aus dem Paket dplyr zurückgreifen.
Tipp 2
Um besser beurteilen zu können, ob die Sortierung erfolgreich war, ist es sinnvoll, zuerst einen neuen Datensatz nur aus den relevanten Variablen (inklusiveid) zu erstellen.
Lösung
Übung 4: Änderung der Kodierung von Daten
Nun wollen wir die Kodierungen einiger Variablen ändern bzw. Variablen mit neuen Kodierungen erstellen.
1.) Erstelle eine neue Variable income, die das monatliche Einkommen der befragten Personen kodiert, und dafür die Kategorien aus dem Codebuch (S.28) nutzt.
Tipp
Um besser beurteilen zu können, ob die Kodierung erfolgreich war, ist es sinnvoll, zuerst einen neuen Datensatz bestehend ausinc und id zu erstellen.
Lösung
Die Variable rec, welche die Überführung der bestehenden in die neue Kodierung enthält, wurde nur aus darstellerischen Gründen erstellt. Der Inhalt kann auch direkt dem Parameter recodes übergeben werden.
2.) Erstelle eine neue Variable sex, die analog zur gleichnamigen Variablen im Codebuch das biologische Geschlecht kodiert. Gehe für diese Aufgabe davon aus, dass alle Personen, die einen fehlender Wert auf male haben, einer Kategorie other (nicht-binäres Geschlecht) zugeordnet werden.
Tipp
Um besser beurteilen zu können, ob die Kodierung erfolgreich war, ist es sinnvoll, zuerst einen neuen Datensatz bestehend ausmale und id zu erstellen.
Lösung
3.) Rekodiere die negativ kodierten Items des Fragebogens zu Risikovermeidung (Risk Avoidance).
Tipp 1
Die negativ kodierten Items sind im Codebuch jeweils mit einem * markiert.Tipp 2
Es ist sinnvoll zur Überprüfung der Aufgabe, einen neuen Datensatz bestehend aus den negativ kodierten Items und ihrem rekodierten Pendant (und natürlichid) zu erstellen.
Lösung
# neuen Datensatz erstellen:
library(dplyr)
data_ria <- select(data, id,
ria_1, ria_3, ria_5) # negativ kodierte Items
# neue rekodierte Variablen erstellen:
library(car)
data_ria$ria_1_rec <- recode(data_ria$ria_1, recodes="1=7; 2=6; 3=5; 4=4; 5=3; 6=2; 7=1")
data_ria$ria_3_rec <- recode(data_ria$ria_3, recodes="1=7; 2=6; 3=5; 4=4; 5=3; 6=2; 7=1")
data_ria$ria_5_rec <- recode(data_ria$ria_5, recodes="1=7; 2=6; 3=5; 4=4; 5=3; 6=2; 7=1")
Übung 5: Erstellen von Summary-Variablen
Nachfolgend wollen wir neue Variablen erstellen, die Informationen aus mehreren Variablen des Datensatzes zusammenfassen.
1.) Erstelle für die verschiedenen Bereiche von Bedürfnissen – Allgemein (General), Gesellschaftlich (Societal) und Interpersonell (Interpersonal) – jeweils separate Summenwerte und einen Gesamtsummenwert (über alle drei Bereiche).
Tipp
Die Items aller drei Bedürfnis-Bereiche haben denselben Wortstamm:nee.
Lösung
# neuer Datensatz mit relevanten Variablen:
data_need <- data[,c(1, # id
grep("nee", names(data)))] # Bedürfnis-Items
# Summenwerte der drei Bedürfnis-Bereiche und Gesamtsummenwert:
library(dplyr)
data_need$score_gen <- rowSums(select(data_need, matches("nee_gen")))
data_need$score_soc <- rowSums(select(data_need, matches("nee_soc")))
data_need$score_int <- rowSums(select(data_need, matches("nee_int")))
data_need$score_all <- rowSums(select(data_need, matches("nee")))
2.) Erstelle die personenspezifischen Summenwerte der Items, die interpersonelle Bedürfnisse erfassen (Needs, Interpersonal), für alle Personen, die ein monatliches Einkommen von mehr als $1.000 haben. Bei allen Personen, die weniger zur Verfügung haben, soll ein "/" in der Summenwert-Variablen stehen.
Tipp
Zur Bearbeitung der Aufgabe können wirmutate() mit ifelse() kombinieren, um den beiden Bedingungen (monatliches Einkommen von mehr bzw. weniger als $1.000) unterschiedliche Werte zuzuweisen.
Lösung
Nun vergleichen wir die Angaben zu den Ausprägungen von inc im Codebuch (S. 28) und der Kodierung in R. Es gibt insgesamt 5 Ausprägungen. Auf unsere Bedingung (mehr als $1.000) treffen drei Ausprägungen zu. Daher ist es codesparender, wenn wir die zwei nicht zutreffenden Ausprägungen (< $500 und $500 - $1000) negieren (!=). Laut Codebuch ist < $500 die erste Ausprägung; $500 - $1000 die zweite. Nun schauen wir, mit welchen Kodierungen diese korrespondieren.
table(data$inc)
1 2 3 4 5
148 74 24 15 6 Sie haben die Kodierungen 1 und 2. Diese Information können wir nun anwenden.
Um eine möglichst exakte Replikation der Funktionen zu gewährleisten gibt es im folgenden relevante Angaben zum System (R-Version, Betriebssystem, geladene Pakete mit Angaben zur Version), mit welchem diese Seite erstellt wurde.
R version 4.0.3 (2020-10-10)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 20.04.2 LTS
Matrix products: default
BLAS: /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.9.0
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.9.0
locale:
[1] LC_CTYPE=de_DE.UTF-8 LC_NUMERIC=C
[3] LC_TIME=de_DE.UTF-8 LC_COLLATE=de_DE.UTF-8
[5] LC_MONETARY=de_DE.UTF-8 LC_MESSAGES=de_DE.UTF-8
[7] LC_PAPER=de_DE.UTF-8 LC_NAME=C
[9] LC_ADDRESS=C LC_TELEPHONE=C
[11] LC_MEASUREMENT=de_DE.UTF-8 LC_IDENTIFICATION=C
attached base packages:
[1] stats graphics grDevices utils datasets methods
[7] base
other attached packages:
[1] car_3.0-10 carData_3.0-4 dplyr_1.0.4
[4] rmarkdown_2.7 kableExtra_1.3.4
loaded via a namespace (and not attached):
[1] tidyselect_1.1.0 xfun_0.21 bslib_0.2.4
[4] purrr_0.3.4 haven_2.3.1 colorspace_2.0-0
[7] vctrs_0.3.6 generics_0.1.0 htmltools_0.5.1.1
[10] viridisLite_0.3.0 yaml_2.2.1 utf8_1.1.4
[13] rlang_0.4.10 jquerylib_0.1.3 pillar_1.5.0
[16] foreign_0.8-79 glue_1.4.2 readxl_1.3.1
[19] lifecycle_1.0.0 stringr_1.4.0 cellranger_1.1.0
[22] munsell_0.5.0 rvest_0.3.6 zip_2.1.1
[25] evaluate_0.14 knitr_1.31 rio_0.5.16
[28] forcats_0.5.1 curl_4.3 fansi_0.4.2
[31] highr_0.8 Rcpp_1.0.6 scales_1.1.1
[34] webshot_0.5.2 jsonlite_1.7.2 abind_1.4-5
[37] systemfonts_1.0.1 distill_1.2 hms_1.0.0
[40] digest_0.6.27 stringi_1.5.3 openxlsx_4.2.3
[43] cli_2.3.0 tools_4.0.3 magrittr_2.0.1
[46] sass_0.3.1 tibble_3.0.6 crayon_1.4.1
[49] pkgconfig_2.0.3 downlit_0.2.1 ellipsis_0.3.1
[52] data.table_1.14.0 xml2_1.3.2 assertthat_0.2.1
[55] svglite_2.0.0 httr_1.4.2 rstudioapi_0.13
[58] R6_2.5.0 compiler_4.0.3 Für Informationen zur Interpretation dieses Outputs schaut auch den Abschnitt Replizierbarkeit von Analysen des Kapitels zu Paketen an.
