Leitfaden zur Datenerfassung in Excel

Transkript

1 Leitfaden zur Datenerfassung in Excel Hinweise zur korrekten Dateneingabe Johannes Hain Studentische Statistische Beratung Universität Würzburg 1 / 21

2 Inhaltsverzeichnis 1 Allgemeines 2 Variableneingabe 3 Werteeingabe 4 Eingabe von Mehrfachmessungen 2 / 21

3 Einleitung Die Erfahrungen in der Praxis zeigen, dass zur Dokumentation von empirisch erhobenem Datenmaterial in aller Regel das Programm Excel benutzt wird. Aufgrund der guten Datenerfassungs-Eigenschaften von Excel, bietet diese Art der Datenspeicherung viele Vorteile die erstellten Tabellen können von den allermeisten Statistik-Softwarepaketen gelesen werden. Ein Vorteil von Excel ist die große Freiheit bei der Dateneingabe, da es hier so gut wie keine Vorschriften gibt. Beispielsweise sind bei Excel Zeilen und Spalten prinzipiell gleichwertig im Gegensatz zu den meisten Statistikprogrammen, in denen die Spalten den Zeilen übergeordnet sind. 3 / 21

4 Einleitung Dieser scheinbare Vorteil erweist sich in der Praxis aber sehr häufig als ein Problem: beim Einlesen von Excel-Tabellen in Statistik-Softwarepakete können auf diese Weise viele Übertragungsfehler entstehen. Kann man bei verhältnismäßig kleinen und übersichtlichen Datensätzen diese Fehler noch manuell korrigieren, erweist sich dies bei Datensätzen mit mehreren hundert Variablen und mehreren tausend Fällen als äußerst zeitaufwendig und ineffizient. 4 / 21

5 Einleitung Im Folgenden soll nun ein kurzer Leitfaden für eine einheitliche Vorgehensweise der Dateneingabe in Excel präsentiert werden mit dem Ziel, Übertragungsfehler beim Einlesen der Daten in ein Statistikprogramm zu minimieren. Bei korrekter Vorgehensweise lässt sich so die Auswertungen der erhobenen Daten äußerst effizient gestalten. Dieser Leitfaden beschränkt sich auf die Dateneingabe mit Excel, da dies die häufigste Form der Rohdatensicherung in der Praxis darstellt. Bei Problemen mit der Dateneingabe in anderen Formaten wie z.b. txt, csv oder dat, wende man sich bitte direkt an 5 / 21

6 Anordnung der Daten Zum Einlesen in ein Statistikprogramm, müssen die Daten in einer rechteckigen Struktur vorliegen: Struktur der Datenmatrix Eine Spalte steht für eine Variable (Merkmal) (z.b. Geschlecht oder Schuhgröße) Eine Zeile steht für eine Beobachtunseinheit (z.b. Patient oder Tier) = In einer so strukturierten Datei enthält eine Zeile alle gemessenen Werte einer Beobachtungseinheit. = In einer Spalte stehen dann alle für das entsprechende Merkmal aufgezeichneten Werte. 6 / 21

7 Anordnung der Daten Grundsätzlich gilt weiterhin: Die für die Auswertung relevanten Daten müssen in einer Tabelle vorliegen und nicht in verschiedenen Arbeitsmappen oder Dateien. Zwischenräume zwischen Zeilen oder Spalten aus Gründen der Übersichtlichkeit sollen vermieden werden. Je einfacher die Struktur der Tabelle desto besser. Formatänderungen wie Farben oder Rahmen, bzw. Zellen verbinden sind überflüssig, da diese nicht exportierbar sind, bzw. beim Einlesen Probleme verursachen. In Excel berechnete Variablen besser unterlassen dies kann auch im Statistikprogramm berechnet werden. Kommentare in Excel zu einzelnen Werten sollten vermieden werden. 7 / 21

8 Anordnung der Daten Eine häufiger Fehler passiert, wenn mehrere Gruppen von beobachteten Personen vorliegen (z.b. Raucher und Nichtraucher oder verheiratet, ledig und geschieden ). In jedem Fall sollen die Werte in einer Tabelle angeordnet werden und nicht für jede Gruppe eine eigene Tabelle angelegt werden. Dies erreicht man, indem man sich eine Variable anlegt, in der die Gruppenzugehörigkeit festgelegt wird. Zur Codierung von Variablen siehe Abschnitt 4. 8 / 21

9 Variableneingabe Konventionen In der ersten Zeile der Datenmatrix steht immer der Name der jeweiligen Variablen. Ab der zweiten Zeile sollten in jeder Spalte im Idealfall nur noch Zahlen stehen. Bei der Namensgebung der Variablen sollte man gewissen Regeln im Hinterkopf behalten: Konventionen bei der Benennung von Variablen Die Variable sollte mit einem Buchstaben beginnen. Es dürfen nur Buchstaben, Ziffern sowie Underscores ( ) verwendet werden. Sonderzeichen, Leerzeichen und Umlaute müssen vermeiden werden. Jeder Variablenname darf nur einmal vergeben werden. 9 / 21

10 Variableneingabe Hinweise Bei größeren Datensätzen mit vielen Variablen kann man schnell den Überblick über die Daten verlieren. Hierbei ist es wichtig, dass man bei der Variablenbenennung systematisch vorgeht: Konventionen bei der Variablenbenennung Verwende talking names, also Variablennamen, die eine gewisse Verwandschaft zu ihrem Inhalt Erkennen lassen. Beispielsweise machen die Variablennamen VAR01 VAR12 wenig Sinn. Insbesondere bei Mehrfachmessungen ist es aber ratsam Nummerierungen vorzunehmen. Bei fünf Messungen empfiehlt sich etwa Messung1 Messung5. Variablennamen sollten nicht zu lange sein. 10 / 21

11 Variableneingabe Datenschutz Besonders medizinische Datensätze sind oftmals sehr sensibel, da diese vertrauliche Patientendaten beinhalten. Doch auch andere Daten wie beispielsweise Fragebögen müssen anonymisiert werden und dürfen aus Datenschutzgründen auf keinen Fall (Patienten-)Namen enthalten! Diese Anonymisierung erreicht man durch die (eindeutige) Vergabe von Identifikationsnummern (z.b. Patientennummern oder Fragebogennummern). Auf diese Weise sind die Fälle im Datensatz eindeutig den Rohdaten zuzuordnen, bleiben aber bei der Auswertung anonym. In der Regel ist in einem Datensatz die erste Spalte die id-variable ( id steht für identification) mit der Nummerierung der Untersuchungseinheiten. 11 / 21

12 Werteeingabe Bei der Eingabe von Werten ist folgendes zu beachten: Das Format innerhalb einer Variablen ist einheitlich zu halten, d.h. entweder nur Zahlen (und somit keine Sonderzeichen) oder nur Text oder nur Datumsangaben. Bei Textvariablen ist darauf zu achten, dass diese nur die Standard-ASCII-Zeichen enthalten, also keine Umlaute und kein ß (Generell empfiehlt es sich aber auf Textvariablen zu verzichten, Details zu Codierungen auf Folie 15). Es dürfen auch keine Maßeinheiten in der Variable stehen (z.b. nicht Größe: 182 cm, sondern besser Größe: 182). 12 / 21

13 Werteeingabe Außerdem noch: Keine Kommentare vor oder nach den Werten schreiben, sondern ggfs. eine eigene Variable für Kommentare anlegen. Datumswerte immer in einem einheitlichen Format angeben, wenn möglich immer in der Form DD.MM.YYYY, also z.b für den 15. März Es sollte unbedingt darauf geachtet werden, dass ein einheitliches Dezimaltrennzeichen verwendet wird, am besten mit, (es geht aber auch. ). Anderenfalls bekommt man beim Einlesen der Daten große Probleme. Die Zahlen am besten ohne 1000er-Trennzeichen eingeben, z.b. nicht sondern besser / 21

14 Werteeingabe Fehlende Werte Die Behandlung von sogenannten missings also von nicht vorliegenden Werten verdient besondere Betrachtung. Missings sind nämlich in Datensätzen oft keine Seltenheit. Hierbei ist zu beachten: Missing values in Datensätzen Die Zelle mit einem fehlenden Wert am besten in der Excel-Tabelle leer lassen! Man vermeide Zeichen wie. oder ein Leerzeichen. Auf gar keinen Fall sollte bei missings der Wert 0 eingetragen werden und noch viel weniger ein?. 14 / 21

15 Werteeingabe Wertekodierung Generell gilt, dass man versuchen sollte Textvariablen zu vermeiden. Dies wird dadurch erreicht, indem man die Werte kodiert, d.h. einer bestimmten Ausprägung (z.b. männlich ) einen bestimmten Wert zuordnet. Regeln bei der Wertekodierung Kodierungen sind immer numerische Werte. Es empfiehlt sich die Merkmale aufsteigend zu kodieren (z.b. Stimmung: 1 für schlecht, 2 für mittel und 3 für gut ) Kodierungen für die gleichen Antwortkategorien sollten für alle Variablen gleich sein (z.b. 0 für nein, 1 für ja ). 15 / 21

16 Werteeingabe Erstellung eines Code-Books Hat man die Kodierungen vorgenommen, empfiehlt es sich ein Code-Book anzulegen, in dem die Erklärung für die jeweilige Kodierung dokumentiert wird. Am besten geschieht dies in einem extra Tabellenblatt und nicht unterhalb oder rechts von den Daten. Struktur des Code-Books in einer extra Tabelle 1. Spalte: Variablenname unter Beachtung der Konventionen nach Folie Spalte: Erklärung der Variable ( = Variablenlabel) 3. Spalte: Auflistung aller möglichen Kodierungen innerhalb einer Variablen 4. Spalte: Erklärung der Kodierungen ( = Wertelabel) Eine akzeptable Excel-Tabelle mit Daten und separatem Code-Book findet man auf der Homepage. 16 / 21

17 Design mit Messwiederholungen Werden im Rahmen einer Studie an den Beobachtungen zu verschiedenen Zeitpunkten Messungen erhoben, spricht man von sog. Messwiederholungen. Dies ist z.b. bei Langzeitstudien der Fall, oder auch wenn von Patienten vor und nach einer Medikamenteinnahme eine Messung erfolgt. Grundsätzlich gibt es zwei verschiedene Möglichkeiten die erhobenen Daten in eine Tabelle einzufügen: 1 Jeder Messzeitpunkt wird als eigene Variable betrachtet. Dadurch bleibt die gewohnte Struktur der Datenmatrix erhalten: jede Zeile steht für eine Beobachtungseinheit. 2 Es gibt eine Variable, die die wiederholten Messungen für jede Beobachtungseinheit benennt. Auf diese Weise ändert sich die gewohnte Struktur: man erhält pro Beobachtungseinheit und wiederholter Messung eine separate Zeile. 17 / 21

18 Design mit Messwiederholungen Beispiel für einen Datensatz nach Methode 1: ID Alter Geschlecht Temperatur1 Temperatur ,1 38, ,5 37, / 21

19 Design mit Messwiederholungen Beispiel für einen Datensatz nach Methode 2: ID Alter Geschlecht Zeitpunkt Temperatur , , , , / 21

20 Design mit Messwiederholungen Da die meisten statistischen Auswertungsverfahren eine Anordnung der Daten nach Methode 1 erfordern, wird diese auch beim Einlesen der Daten in Excel empfohlen. Die Anordnung nach Methode 2 bietet lediglich Vorteile bei der grafischen Darstellung der Daten. Die grafische Veranschaulichung der Daten kann aber auch direkt in Excel vorgenommen werden - die dort vorhandenen grafischen Darstellungsmittel sind für die meisten Zwecke absolut ausreichend. 20 / 21

21 Literaturhinweise Brosius, F. (2008). SPSS-Programmierung Effizientes Datenmanagement und Automatisierung mit SPSS-Syntax. Redline-Verlag. Heidelberg. Duller, C. (2007). Einführung in die Statistik mit SPSS und Excel. Physica-Verlag. Heidelberg. 21 / 21