Statistik1

Daten einlesen

Sebastian Sauer

Einstieg

Lernziele

Sie können R und eine IDE (RStudio oder Positron) starten.
Sie können R-Pakete installieren und starten.
Sie können Variablen in R zuweisen und auslesen.
Sie können Daten in R importieren.
Sie können den Begriff Reproduzierbarkeit definieren.

Lernverlauf: Höhen und Tiefen

Life is a roller-coaster. You just have to ride it (Horst, 2024)

Höhen und Tiefen beim Lernen von R sind normal — mit etwas Übung geht bald alles leichter von der Hand.

Errrstkontakt

Warum R?

R ist kostenlos — andere Softwarepakete für Datenanalyse sind teuer.
R ist quelloffen — jeder kann die Befehle einsehen und beitragen.
R hat die neuesten statistischen Methoden.
R hat eine große Community.
R ist maßgeschneidert für Datenanalyse.

Definition: Reproduzierbarkeit

Definition: Reproduzierbarkeit

Ein (wissenschaftlicher) Befund ist reproduzierbar, wenn andere Personen mit der Analysemethodik zum gleichen Ergebnis kommen wie in der ursprünglichen Analyse (Plesser, 2018).

Daten + Syntax + genaue Messbeschreibung = reproduzierbar

Aus der Forschung: Reproduzierbarkeit in der Psychologie

Obels et al. (2020) untersuchten die Reproduzierbarkeit von Registered Reports (2014–2018):

Von 62 Artikeln hatten 41 Daten verfügbar, 37 Analyseskripte. Für 36 Artikel waren beides verfügbar. Reproduziert werden konnten die Hauptergebnisse von 21 Artikeln.

Insgesamt war also etwa jede dritte Studie reproduzierbar — da gibt es noch viel Luft nach oben.

R & IDE: Arbeitsteilung

R macht die Arbeit, die IDE sorgt für Komfort und Übersicht (Ismay & Kim, 2020)

R erledigt die eigentliche Rechenarbeit.
Eine IDE (integrierte Entwicklungsumgebung) sorgt für Komfort.
Zwei gleichwertige, kostenlose IDEs stehen zur Wahl: RStudio und Positron (beide von Posit) — mehr dazu im Buch.

Installation

R und eine IDE installieren

R installieren: https://cloud.r-project.org (Windows/MacOS/Linux)
Eine IDE installieren — Ihre Wahl:
- RStudio: https://posit.co/download/rstudio-desktop/
- Positron: https://positron.posit.co/download.html

Beide IDEs finden R selbständig — gestartet wird immer nur die IDE, nicht R direkt.

Hinweis

Alle Inhalte dieses Buchs funktionieren identisch mit RStudio und Positron.

Tipp

Master-Shortcut Strg+Shift+P öffnet die Befehlspalette — damit finden und starten Sie jeden Befehl der IDE, ohne den Klickpfad im Menü suchen zu müssen (funktioniert in RStudio und Positron).

R-Pakete

Was sind R-Pakete?

R hat einen modularen Aufbau: Erweiterungen (“Pakete”) bringen zusätzliche Befehle und Daten mit.
Stellen Sie sich ein Paket wie ein Buch vor: Erst installieren (“kaufen”), dann laden (“lesen”).
Auf CRAN, dem offiziellen “Web-Store”, gibt es ca. 20.000 Pakete (Hornik et al., 2023).

Pakete installieren & starten

Installieren (einmalig): per Klick (RStudio) oder Code:
```
install.packages("tidyverse")
```
Starten (bei jedem Neustart neu):
```
library(tidyverse)
```
Für dieses Buch benötigt: tidyverse (Wickham et al., 2019) und easystats (Lüdecke et al., 2022) — beides “Sammelpakete”, die mehrere Pakete auf einmal bereitstellen.

Mit R arbeiten

Projekte

Ein Projekt ist letztlich ein Ordner, der als Basis für zusammengehörige Dateien dient.
Vorteil: Dateien lassen sich ohne vollständigen Pfad ansprechen, z. B. "daten.csv" statt eines langen Pfads.
Nutzen Sie Projekte — das erspart Ärger mit Pfaden.

Skriptdateien & Quarto-Dokumente

Eine Skriptdatei sammelt R-Befehle (“Syntax”) in einer Textdatei.
Speichern: Strg+S · Öffnen: Strg+O
Quarto erlaubt es, R-Syntax direkt in Dokumente (HTML, PDF, …) einzubetten — Ausgaben landen automatisch im fertigen Dokument.
Sie sind nicht verpflichtet, Quarto zu nutzen — Skriptdateien reichen auch.

Errisch für Einsteiger

Variablen

richtige_antwort <- 42
falsche_antwort <- 43
typ <- "Antwort"
ist_korrekt <- TRUE

Zuweisungspfeil <- (bevorzugt) oder = — beides funktioniert.
Eine Variable ist wie ein Becher mit Wert und Beschriftung.

Variablen zuweisen: der Variable temp wird der Wert 9 zugewiesen. — Variablen zuweisen: der Variable `temp` wird der Wert `9` zugewiesen.

Definition: Funktion

Definition: Funktion

Eine Funktion ist eine Regel, die jedem Eingabewert (Argument) einen Ausgabewert zuordnet — eine “Maschine”, die Eingabedaten in Ausgabedaten umwandelt.

Definition: Vektor

Definition: Vektor

Ein Vektor ist eine geordnete Folge von Werten (“Elementen”), erstellt mit der Funktion c().

x <- c(1, 2, 3)
namen <- c("Anni", "Bert", "Charlie")  # Text-Vektor

Unsere erste statistische Funktion

Antworten <- c(42, 43)
mean(Antworten)

R arbeitet verschachtelte Befehle von innen nach außen ab:

mean(Antworten) → mean(c(42, 43)) → 42.5

Funktionsargumente

mean(x, trim = 0, na.rm = FALSE, ...)

x: der Vektor, für den der Mittelwert berechnet wird
trim: sollen Extremwerte “abgeschnitten” werden?
na.rm: sollen fehlende Werte (NA) entfernt werden?
Argumente mit Voreinstellung (default) müssen nicht befüllt werden.
Ohne benannte Argumente zählt die Reihenfolge: mean(Antworten, 0, FALSE).

Vorsicht bei fehlenden Werten

Antworten <- c(42, 43, NA)
mean(Antworten)          # ergibt NA
mean(Antworten, na.rm = TRUE)  # entfernt NA, rechnet trotzdem

NA steht für not available — R macht damit auf fehlende Werte aufmerksam, statt sie stillschweigend zu ignorieren.

Vektorielles Rechnen

Schema des vektoriellen Rechnens: eine Funktion wird auf jedes Element eines Vektors angewandt.

x <- c(1, 2, 3)
x - mean(x)

Eine Operation wird automatisch auf jedes Element angewandt — kein Loop nötig.

Ich brauche R-Hilfe!

Hilfe zu einer Funktion: help(fun) oder Help-Panel der IDE
In welchem Paket wohnt eine Funktion? RDocumentation durchsuchen
Fehler nicht klar? Meist hat schon jemand das Problem gelöst — stackoverflow.com
R hängt oder spinnt? Konsole/Session neu starten (AEG-Prinzip: Aus-Ein-Gut)
WARNING ist meist harmlos, Error bedeutet: Syntax läuft nicht durch

Mit Daten arbeiten

Wo sind meine Daten?

Eine Datei liegt entweder

irgendwo im Internet, oder
irgendwo auf Ihrem Computer (z. B. im Projektordner).

In beiden Fällen definieren Pfad und Dateiname den Aufenthaltsort.

Gebräuchlichste Tabellenformate: CSV (einfache Textdatei) und XLSX (Excel).

Daten importieren

# aus einem R-Paket:
data("mariokart", package = "openintro")

# von einer Webseite:
mariokart <- read.csv("https://.../mariokart.csv")

# vom eigenen Computer:
d <- read.csv("mariokart.csv")

RStudio bietet zusätzlich einen Klick-Import-Assistenten ohne R-Code.

Definition: Dataframe

Definition: Dataframe

Ein Dataframe (auch “Tibble”) ist ein Datenobjekt zur Darstellung von Tabellen: eine oder mehrere gleich lange, benannte Spalten. Jede Spalte ist selbst ein Vektor.

Tabellen ansehen: Namen eingeben, oder View(mariokart).

Logikprüfung

Logische Prüfungen in R

x <- 42
x == 42   # Gleichheit prüfen (doppeltes Gleichheitszeichen!)

Prüfung auf	R-Syntax
Gleichheit	`x == Wert`
Ungleichheit	`x != Wert`
Größer / kleiner	`x > Wert` / `x < Wert`
Logisches UND / ODER	`&` / `\|`

Vorsicht

x = 73 prüft nicht auf Gleichheit, sondern weist zu!

Praxisbezug

Wird R wirklich genutzt?

Suchanfragen nach R bzw. SPSS auf stackoverflow.com, Stand 2022-02-24

Faktor ~200 zwischen R und SPSS — ein Indiz, dass R in der Praxis stark gefragt ist. Berufe mit Datenbezug zählen zu den stark wachsenden Berufsfeldern (Berger, 2019.).

Zusammenfassung

R ist kostenlos, quelloffen, aktuell und community-getragen
R + IDE (RStudio oder Positron) arbeiten Hand in Hand
R-Pakete: einmalig installieren, bei jeder Sitzung neu starten
Variablen (<-), Funktionen (fun(x)) und Vektoren (c()) sind die Grundbausteine
Daten importieren: aus Paketen, per URL oder vom eigenen Computer
Logikprüfungen: == prüft, = weist zu

Literaturhinweise

“Warum R? Warum, R?” in Sauer (2019) — Pro und Contra, Starten, Grundlagen von “Errisch”
Ismay & Kim (2020), Kapitel 1 — anwenderfreundlich, frei online
Çetinkaya-Runde & Hardin (2021) — etwas formaler, passendes Niveau für angewandte Bachelor-Statistik

Referenzen

Berger, G. (2019, Dezember 10). The Jobs of Tomorrow: LinkedIn’s 2020 Emerging Jobs Report. https://www.linkedin.com/blog/member/career/the-jobs-of-tomorrow-linkedins-2020-emerging-jobs-report

Çetinkaya-Runde, M., & Hardin, J. (2021). Introduction to Modern Statistics. https://openintro-ims.netlify.app/

Hornik, K., Ligges, U., & Zeileis, A. (2023). Changes on CRAN. The R Journal, 15, 295–296.

Horst, A. (2024). Statistics Artwork [Artwork]. https://allisonhorst.com/

Ismay, C., & Kim, A. Y.-S. (2020). Statistical Inference via Data Science: A ModernDive into R and the Tidyverse. CRC Press / Taylor & Francis Group. https://moderndive.com/

Lüdecke, D., Ben-Shachar, M. S., Patil, I., Wiernik, B. M., Bacher, E., Thériault, R., & Makowski, D. (2022). easystats: Framework for Easy Statistical Modeling, Visualization, and Reporting. CRAN. https://doi.org/10.32614/CRAN.package.easystats

Obels, P., Lakens, D., Coles, N. A., Gottfried, J., & Green, S. A. (2020). Analysis of Open Data and Computational Reproducibility in Registered Reports in Psychology. Advances in Methods and Practices in Psychological Science, 3(2), 229–237. https://doi.org/10.1177/2515245920918872

Plesser, H. E. (2018). Reproducibility vs. Replicability: A Brief History of a Confused Terminology. Frontiers in Neuroinformatics, 11, 76. https://doi.org/10.3389/fninf.2017.00076

Sauer, S. (2019). Moderne Datenanalyse mit R: Daten einlesen, aufbereiten, visualisieren und modellieren. Springer. https://www.springer.com/de/book/9783658215866

Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686