Angewandte Marktanalyse und Marktforschung

Transkript

1 Angewandte Marktanalyse und Marktforschung #8 Datenaufbereitung und -kontrolle Tobias Berger M.A. Friedrich-Schiller-Universität Jena Fakultät für Sozial- und Verhaltenswissenschaften Institut für Sportwissenschaft Seidelstraße Jena Tel /

2 Rückblick Friedrich-Schiller-Universität Jena Fakultät für Sozial- und Verhaltenswissenschaften Institut für Sportwissenschaft Lehrstuhl für Sportökonomie und Gesundheitsökonomie Prof. Dr. Frank Daumann Seidelstraße Jena Tel /

3 Datenübersetzung Erhebung Analoge Fragebogenerstellung Google Formulare CSV ausspielen Excel & SPSS 3

4 Datenerhebung Startet ein SPSS-Projekt und erstellt für euren Fragebogen einen Codeplan in der Variablenansicht, um die eigene Datenanalyse vorzubereiten. Speichern in der Dropbox. Übersetzungsreihenfolge: 1. Frage über sinnvollen Variablennamen erfassen 2. Bestimmung des Datentyps Text oder Zahl 3. (Breite und Dezimal anpassen) 4. Variable mit Fragestellung beschreiben 5. Wertelabel definieren 6. Fehlende Werte definieren 7. Messniveau/Skala festlegen Bearbeitungszeit: Rest des Termins 4

5 Datenübersetzung Dateneingabe 5

6 Datenkontrolle und - aufbereitung Friedrich-Schiller-Universität Jena Fakultät für Sozial- und Verhaltenswissenschaften Institut für Sportwissenschaft Lehrstuhl für Sportökonomie und Gesundheitsökonomie Prof. Dr. Frank Daumann Seidelstraße Jena Tel /

7 Datenanalyse Daten liegen zunächst meist in einer ungeordneten und unübersichtlichen Form vor. (0. Datenumformung und -eingabe) 1. Datenkontrolle 2. Datenaufbereitung 3. Datenauswertung 7

8 Datenkontrolle Die Datenkontrolle erstreckt sich auf die Vollständigkeit der Erfassung und der Beantwortung sowie auf die Glaubwürdigkeit bzw. Plausibilität der erfassten Daten. (Bourier, 2013, 33) - Prüfung auf fehlende Werte - Prüfung, ob bei Variablen Werte auftreten, die laut Codeplan nicht vorgesehen sind (Tippfehler) - Prüfung auf logische Konsistenz der Werte - Ermittlung von Ausreißern, also von Werten, die extrem vom sonstigen Wertebereich abweichen - Prüfung, ob Filterfragen funktioniert haben Bourier, G. (2013) Kuß, A. (2012) 8

9 Datenkontrolle Fehlende Werte (missing values) Gründe (Cleff, 2008, 25) - bewussten Antwortverweigerungen - fehlende Information - fehlende Kompetenz zur qualifizierten Antwort - unentschlossene oder fehlenden Meinung zu einem bestimmten Thema. - übersehen einer Antwort Folgen (Cleff, 2008, 25 f.) - Keine inhaltliche Interpretation möglich - Einige Analysemethoden nicht möglich - Daten/Fälle werden nicht berücksichtigt Cleff, T. (2008) 9

10 Datenkontrolle Identifikation - mit deskriptiver Statistik Umgang mit fehlenden Daten (Cleff, 2008, 26) - Nachrecherchieren; Rückgriff auf Originalfragebogen - Mittelwertsubstitution - Imputation mit statistischen Schätzverfahren Cleff, T. (2008) 10

11 Datenkontrolle Ausreißer und (offensichtlich) falsche Werte Gründe (Cleff, 2008, 27 f.) - willentlich falsche Angaben der Befragten - Irren der Befragten - Tippfehler (der Befragten; bei der Dateneingabe) Folgen - Ergebnisverfälschung Identifikation - deskriptive Statistiken - Boxplot Umgang mit Ausreißern und falschen Werten - Korrektur? - Ausschluss der Werte oder des Falls Cleff, T. (2008) 11

12 Datenkontrolle Deskriptive Statistik Häufigkeitsverteilungen Die Häufigkeitsverteilung einer Variable gibt an, wie oft jeder einzelne Code dieser Variable im Datensatz vorkommt. Bühner & Ziegler,

13 Datenkontrolle 13

14 Datenkontrolle 14

15 Datenkontrolle 15

16 Datenkontrolle Überprüft eure Datensätze insbesondere im Hinblick auf fehlende und falsche Werte. Probiert erste deskriptive Statistik aus. Bearbeitungszeit: ~10 Minuten 16

17 Datenkontrolle Deskriptive Statistik (Lage und Streuung) Statistische Kennwerte Mittelwert arithmetisches Mittel. Modus (Modalwert) ist der häufigste Wert. Median Wert genau in der Mitte einer Zahlenreihe. Minimum, Maximum minimaler und maximaler Wert. Streubreite (Spannweite) Maximum - Minimum. Standardabweichung durchschnittliche Abweichung vom Mittelwert. Bühner & Ziegler (2009); Bühl (2014) 17

18 Datenkontrolle s² = ( ,71)² + ( ,71)² + + ( ,71)² 17 18

19 Datenkontrolle Standardabweichung 19

20 Datenkontrolle Nutzung der Kennwerte hängt von Situation und Ziel ab 20

21 Datenkontrolle Deskriptive Statistik (Lage und Streuung) Lage Wo konzentrieren sich die meisten Daten des Merkmals (zentrale Tendenz)? Welcher Wert ist mehr oder wenig typisch für die Variable (charakteristische Lage)? Streuung Wie stark streuen sich die Variablenwerte in Bezug auf die Lage der Verteilung (Variabilität)? Wie weit können die Werte von der zentralen Lage abweichen (charakteristische Abweichungen von der charakteristischen Lage)? Akkerboom, 2012, 84 21

22 Datenkontrolle Mittelwert / Modus / Median 22

23 Datenkontrolle 23

24 Datenkontrolle Standardabweichung 24

25 Datenkontrolle Boxplot o mehr als 3 Kastenlängen * mehr als 1,5 Kastenlängen größter Wert Ausreißer 3. Quartil (75. Perzentil) Median 1. Quartil (25. Perzentil) * kleinster Wert o Bühner & Ziegler,

26 Datenanalyse Daten liegen zunächst meist in einer ungeordneten und unübersichtlichen Form vor. 0. Zusammenstellung der nötigen Fälle und Variablen 1. Datenkontrolle 2. Datenaufbereitung 3. Datenauswertung 26

27 Datenaufbereitung Umgang mit fehlenden Daten Nachrecherchieren; Rückgriff auf Originalfragebogen Bildung entsprechender Klassen Mittelwertsubstitution Imputation mit statistischen Schätzverfahren Umgang mit Ausreißern und falschen Werten Korrektur? Ausschluss der Werte oder des Falls Cleff, 2008, 26 27

28 Datenanalyse Datenaufbereitung Variablen umcodieren berechnen Gruppenvariablen/Faktoren erstellen - Aus Geburtsjahr das Alter errechnen 28

29 Datenanalyse Daten liegen zunächst meist in einer ungeordneten und unübersichtlichen Form vor. 0. Zusammenstellung der nötigen Fälle und Variablen 1. Datenkontrolle 2. Datenaufbereitung 3. Datenauswertung 29

30 Datenanalyse Datenauswertung univariat bivariat multivariat 30

31 Datenanalyse univariat Deskriptive Statistik Häufigkeitsverteilungen Die Häufigkeitsverteilung einer Variable gibt an, wie oft jeder einzelne Code dieser Variable im Datensatz vorkommt. Bühner & Ziegler, (2009) 31

32 Datenanalyse univariat 32

33 Datenanalyse univariat 33

34 Datenanalyse univariat 34

35 Datenanalyse univariat 35

36 Datenanalyse univariat 36

37 Datenanalyse univariat 37

38 Datenanalyse univariat 38

39 Datenanalyse univariat Anforderungen an Grafiken Informativer Titel Beschriftung der Achsen Nullpunkte kennzeichnen Unverzerrte Skalierung Einhalten von Konventionen Vermeidung von dreidimensionalen Darstellungen Nicht zu viele Informationen in einer Grafik Quelle: Duller (2013) 39

40 Datenanalyse univariat Kein 3D? Quelle: Duller (2013) 40

41 Datenanalyse univariat Skalierung? Quelle: Duller (2013) 41

42 Datenanalyse univariat Erstellt die aufgezeigten Grafikvarianten für Variablen aus eurem Datensatz. Bearbeitungszeit: 10 Minuten 42

43 Datenanalyse bivariat Kreuztabellen 43

44 Datenanalyse bivariat Mittelwertvergleiche 44

45 Datenanalyse bivariat Streudiagramme 45

46 Datenanalyse bivariat Korrelation Quelle: Van Veen (2006) 46

47 Datenanalyse bivariat Korrelation Quelle: Nachtigall (2017) 47

48 Datenanalyse bivariat Korrelation Quelle: Van Veen (2006) 48

49 Datenanalyse bivariat Korrelation Beispiel Antezedierende Drittvariable Erziehungsstil (Z) beeinflusst sowohl den Filmkonsum (X) als auch die Aggressivität (Y) im Vorfeld Beispiel Intervenierende Drittvariable Der Filmkonsum (X) führt zur steigenden Konflikthäufigkeit mit dem Partner (Z), was wiederum zur steigenden Aggressivität (Y) führt Beispiel Verdeckung der Beziehung durch die Drittvariable Das Selbstvertrauen (Z) verdeckt die vorhandene Beziehung zwischen X und Y: für Personen mit hohem Selbstvertrauen besteht ein negativer Zusammenhang bei niedrigem Selbstvertrauen hingegen ein positiver Zusammenhang 49

50 Datenanalyse bivariat Regression Regression fügt Richtung hinzu Größe soll als lineare Funktion von Gewicht ausgedrückt werden Signifikanz wichtig Zusätzlich R² als Maß für erklärte Varianz 50

51 Datenanalyse bivariat Regression 51

52 Summary Datenerhebung Datenkontrolle - Lage - Streung - Kennwerte Datenaufbereitung Datenauswertung Status des Seminarprojekts: - Datenbearbeitung und erste auswertung im SPSS - Nächster Termin: Weitere Auswertungen der Daten 56