Bewertungskriterien für die Qualität von angelieferten Datensätzen in Mo Re data
|
|
- Hermann Heiko Geiger
- vor 2 Jahren
- Abrufe
Transkript
1 Bewertungskriterien für die Qualität von angelieferten Datensätzen in Mo Re data 1. Hintergrund 1.1 Qualitätsmerkmale nach Wang & Strong (1996) 2. Bewertungskriterien für die Qualität von angelieferten Datensätzen in Mo Re data 3. Quellen und weiterführende Literatur 1
2 1. Hintergrund Der wohl größte Einflussfaktor auf den Wert und wissenschaftlichen Nutzen von Daten im Projektkontext und für die Nachnutzung ist die (vgl. Bertelmann et al., 2014). Naumann (2007) definiert als eine Menge von Qualitätsmerkmalen. Die Qualität von Daten, auch Informationsqualität, wird oft als die Eignung der Daten fur die jeweilige datenverarbeitende Anwendung definiert. Daten von schlechter Qualität enthalten Datenfehler, Dubletten, fehlende Werte, falsche Formatierungen, Widersprüche, etc. (vgl. Naumann, 2007). Die Auswahl der relevanten Merkmale für die und die genaue Definition der Merkmale bleiben den Experten aus den unterschiedlichen Forschungsbereichen vorbehalten (vgl. Naumann, 2007). Bertelmann et al. (2014) stellen ausgewählte Faktoren vor, welche die beeinflussen: 1. Objektivität: sind die Daten genau, konsistent und verlässlich? 2. Integrität: wurden alle vorgenommenen Änderungen dokumentiert? 3. Verständlichkeit: ist transparent und nachvollziehbar wie die Daten entstanden sind? 4. Formate: Das Format beeinflusst wesentlich, wie mit Daten gearbeitet werden kann (Auswertung, Weiterverarbeitung). Handelt es sich bei einem verwendeten Format um einen Standard innerhalb der Community? 5. Dokumentation: sind ausreichend Kontextinformationen zum Forschungsprozess verfügbar? Ist die vorhandene oder geplante Dokumentation dazu geeignet, Datenerhebung und Analyse bzw. den gesamten Forschungsprozess transparent und nachvollziehbar zu machen. 2
3 1.1.Qualitätsmerkmale nach Wang & Strong (1996) kann sich nicht nur auf den einzelnen Datensatz beziehen, sondern auch abstraktere Merkmale beinhalten, welche sich auf die ganze Datenmenge beziehen, z.b. die Verständlichkeit einer Datenmenge, deren Vollständigkeit oder auch die Reputation der Datenquelle. Naumann (2007) nennt als meist zitierte Aufstellung solcher Informationsqualitätsmerkmale die Aufstellung von Wang & Strong (1996). Sie befragten Datenkonsumenten in größeren Unternehmen und filterten aus 179 Merkmalen die in Tabelle 1 genannten 15 Qualitätsmerkmale heraus. Tab.1: Qualitätsmerkmale nach Wang & Strong 1996 (entnommen aus Naumann, 2007, S.27) Intrinsische Qualitität Kontextuelle Repräsentationelle Zugriffsqualität Glaubhaftigkeit Genauigkeit Objektivität Reputation Mehrwert Relevanz Zeitnähe Vollständigkeit Datenmenge Interpretierbarkeit Verständlichkeit Konsistenz der Darstellung Knappheit der Darstellung Verfügbarkeit Zugriffsicherheit Die Beurteilung der in Mo Re data erfolgt in Orientierung an den Qualitätsmerkmalen nach Wang & Strong (1996). 3
4 2. Bewertungskriterien für die Qualität von angelieferten Datensätzen in Mo Re data Für die Bewertung der Qualität der angelieferten Daten wurde ein eigenes Bewertungsschema entwickelt, welches unterschiedliche Ebenen von Qualitätskriterien berücksichtigt u.a. die von Wang & Strong (1996) dargestellten Kriterien, aber auch statistische Kennwerte (Verteilungen, deskriptive Kenngrößen, statistische Ausreißer- Identifikation, fehlende Werte und weitere Datenfehler auf der Schema- und Datenebene). Im Folgenden wird die sprüfung im Rahmen des Mo Re data Projektes beschrieben. Abbildung 2 verdeutlicht den Ablauf der Qualitätsprüfung. 1.) Der Datensatz wird vom Creator anonymisiert in die Datenbank hochgeladen 2.) Die Daten werden vom Mo Re data Team und weiteren Experten auf ihre Qualität hinüberprüft. Eventuelle Überarbeitungsschritte zur Optimierung der sind notwendig, ggf. findet eine Rücksprachen mit dem Creator finden. 3.) Der Datensatz wird angenommen, bekommt eine DOI und wird in Mo Re data abgelegt. Eventuelle Überarbeitungsschritte zur Verbesserung der Upload des Datensatzes durch Creator Rückmeldung Upload Qualitätsprüfung des Datensatzes (durch Moredata Team & Editorial- Board), eventuelle Rückfragen und erneuter Upload des Datensatzes falls Überarbeitungen notwendig Freigabe des Datensatzes zur DOI Vergabe Erneuter Upload mit erneuter Qualitätsprüfung Abb.2: Ablauf der Qualitätsprüfung in Mo Re data In diesem Papier wird der Prozess der Qualitätsprüfung (Punkt 2) genauer dargestellt. Die Mo Re data Qualitätsprüfung enthält 4 unterschiedliche Qualitätskategorien: 1. Durchführungsqualität Dokumentationsqualität 4. Expertengutachten 4
5 Qualitätsprüfung in Mo Re data Interne Qualität Zugriffsqualität Expertenrating Q 1 Q 2 Q 3 Q 4 Durchführungsqualität Vollständigkeit der Metadaten Reputation Statistische Überprüfung der Plausibilitätskontrolle Fehlende Werte Ausreißerkrite rium MW/ SD Publikation der Ergebnisse Public Usefile Bewertung der durch Experten Editorialboard (Vergabe von 0-5 Punkte) Abb. 3: Übersicht der Qualitätskriterien in Mo Re data Die Qualität der Daten an und für sich, im Folgenden auch als interne Qualität 1 bezeichnet, wird im großen Maße davon bestimmt, ob ein Datensatz fehlerfrei ist. Rahm & Do (2000) erstellten beispielsweise eine Klassifikation von Datenfehlern, in der sie unterscheiden, ob der Fehler auf Schemaebene oder auf Datenebene angesiedelt ist, und ob der Fehler bereits in einer einzigen Datensammlung besteht oder erst durch die Integration mehrerer Datensammlungen entsteht. Die Überprüfung der in Mo Re data soll unter anderem dazu dienen diese Datenfehler zu erkennen und entsprechende Handlungen abzuleiten (Korrektur der Fehler oder Abweisung des Datensatzes). Qualitätskriterium 1 und 2 werden der internen Qualität zugeordnet. Die Durchführungsqualität wird aufgrund der vom Datenlieferant/ Creator angegebenen Metadaten überprüft. Diese müssen vollständig sein und möglichst detaillierte Informationen über die Studiendurchführung enthalten (z.b. durchführende Institution, Stichprobenbeschreibung, etc.). Bei fehlenden Informationen besteht die Möglichkeit mit dem Datenlieferant/ Creator Rücksprache zu halten, um die benötigten Informationen zu vervollständigen. 1 Die interne Qualität entspricht der intrinsischen Qualität bei Wang und Strong (1996) 5
6 Die an und für sich wird anhand statistischer Überprüfungen vorgenommen. Für Mo Re data werden das Minimum, das Maximum, der Mittelwert, die Standardabweichung, Schiefe und Kurtosis, Ausreißer-Kriterien und Boxplot analysiert. Der Datensatz wird zunächst auf fehlende und unplausible Werte überprüft. Hierbei müssen fehlende Werte als Missings definiert sein und nicht als numerische Werte. Die der Ausreißer-Kontrolle wird anhand definierter Plausibilitätsgrenzen vorgenommen. Für jede motorische Testvariable bestehen aus wissenschaftlichen Studien abgeleitete Plausibilitätsgrenzen, welche nicht überschritten werden dürfen (sind Minimum und Maximum plausible Werte?). Bei normal verteilten Daten liegt das Ausreißer-Kriterium bei Werten, die größer (kleiner) als Mittelwert + (-) 3 Standardabweichungen sind, dies bedeutet, dass die Wahrscheinlichkeit, dass ein Wert so groß ist 0.3% beträgt. Es muss inhaltlich entschieden werden, ob es sich wirklich um einen Ausreißer handelt, d.h. stammt der Wert aus einer anderen Population als die anderen Werte? Dabei wird zum Beispiel auch überprüft wie groß die Differenz-Intervalle zwischen den letzten drei Mittelwerten und den ersten drei Mittelwerten sind. Die Qualitätskriterien 1-3 werden von Mitarbeitern des Mo Re data Projektes manuell geprüft (Folgenantrag Verbesserung der Automatisierung der Datenprüfung). Die Prüfung der Q2 wird mit statistischen Auswertungstools und Programmen (z.b. SPSS) vorgenommen. Die folgende Übersichtstabelle (Tabelle 2) verdeutlicht die unterschiedlichen Qualitätskriterien und die Bewertungsskala. Tab. 2: Qualitätsbewertungsschema Mo Re data 6
7 Bewertungsraster der Qualität der angelieferten Datensätze in MoRe data Interne Qualität Zugriffsqualität Experteneinschätzung Qualitätskategorie Beurteilungskriterium Antwort/ Kategorie Punkte max. Summenscores Q1: Durchführungsqualität (Studienqualität) Q2: statistische Überprüfung der (Plausibilitätskontrolle für Rohdaten) Q3: Dokumentationsqualität/ Zugriffsqualität Q4:Punkte Score des Editorial Boards (Experten-Score) Vollständigkeit der Metadaten Reutation: Gehören die Daten zu einer Studie welche an einer wissenschaftliche Institution durchgeführt wurde? Minimum Maximum Mittelwert Standardabweichung Schiefe Kurtosis Ausreißerkriterium: % Werte > bzw. < 3 Stabw und Differenz-Intervall zwischen letzten drei und ersten drei MWs Boxplot fehlende Werte Publikation der Ergebnisse vorhanden "Datenpublikation (Public Usefile)" Beurteilung der durch Experten (hier ist das Ziel Experten von anderen Unis als Reviewer zu rekrutieren, ähnlich wie Review-Prozess bei Zeitschriften) * ja 1 nein 0 ja 2 nein 0 keine Ausreißer 1 Ausreißer vorhanden 0 keine fehlenden Werte 1 fehlende Werte 0 ja und die Beschreibung der eingesetzten Messinstrumente, Hilfsmittel und verwendeten Methoden, Teilnehmer-Anzahl, genaue und übersichtliche Darstellung der Zwischen- und Endergebniss 3 nein, dennoch genaue Dokumentation der Datenerfassung (Messinstrumente, verwendete Methoden) Homepage oder nach Rücksprache mit Datenerhebern/Creator 2 nein 0 ja 1 nein 0 sehr gute Qualität für Normwertgenerierung geeignet 5 gute Qualität 4 befriedigende Qualität 3 ausreichende Qualität 2 3 Wenn nicht alle 9 Punkte erreicht werden wird Kontakt zum Datenerheber"Creator" hergestellt Wenn Fehlende Werte nicht als Missings definiert, muss dies noch vorgenommen werden 8 (8 von 8 Pflicht) 4 Es müssen mindestens 2 Punkte erreicht werdenfür eine Aufnahme in die Datenbank *im Aufbau mangelhafte Qualität 1 ungenügende Qualität 0 5 (2 von 5 Pflicht) Auswertungsregeln maximale Punktzahl: 21 zur Normwertegenerierung geeignet Minimale Punktzahl: 0 wird nicht in Datenbank aufgenommen 10*-21 Punkte Aufnahme in Datenbank 2-11* Punkte *11 Punkte beziehen sich auf die Summe aus den Katgeorie Q2 und Q4 vorerst keine Aufnahme in Datenbank, Kontaktaufnahme mit Datenbereitsteller, eventuelle Verbesserung der möglich? Um den Standard der Mo Re data Qualitätsprüfung zu erhöhen, ist es vorgesehen ein Editorial-Board zu etablieren, welches zusätzlich zu der internen Überprüfung eine externe Qualitätsprüfung, ein Kreuzgutachten, übernimmt. Ähnlich wie bei einem Peer-Review von wissenschaftlichen Publikationen sollen unabhängige Gutachter aus dem Fachgebiet Sportwissenschaften mit dem Schwerpunkt Motorikforschung die Eignung der eingehenden Daten beurteilen. Die Experten erhalten die unten aufgeführten Beurteilungsbögen. 7
8 Bogen 1 orientiert sich an den Qualitätskriterien nach Wang & Strong (1996) und Naumann (2007). Der Gutachter erhält zuvor die Metadaten und die Auswertung der statistischen Qualitätsprüfung (Bogen 2). Diese Informationen sollen den Gutachter beim Ausfüllen des Qualitätsbogen 1 unterstützen. Der Gutachter hat die Möglichkeit für jedes aufgeführte Qualitätskriterium 0-5 Punkte zu vergeben, der Mittelwert ergibt die Gesamtpunktzahl für das Expertenurteil. Bis zur Etablierung des Editorial-Boards wird die Qualitätsprüfung von Motorik-Experten des Instituts für Sport und Sportwissenschaft des Karlsruher Institutut für Technologie durchgeführt. Bewertung der Qualität durch das Editorial Board in Anlehnung an Wang und Strong (1996)/ und Naumann (2007) Interne Qualitität Kontextuelle Aufnahme in die Datenbank wird empfohlen Glaubhaftigkeit Genauigkeit Objektivität Reputation Mehrwert Relevanz Zeitnähe Vollständigkeit Datenmenge ja nein nach Überarbeitung/Rücksprache Punktzahl Gesamtpunktzahl Abb.4: Qualitätsbewertungsbogen für externe Gutachter (Bogen 1) 8
9 Interner Qualitätscheck zur Aufnahme in die Datenbank Ausgabe: DIN A4 Seite mit diesen Infos zu jeder eingegebenen Variablen Kriterien Okay? Minimum 3 Maximum 6 Mittelwert 4, Standardabweichung 0, Schiefe 1, automatisch Kurtosis 2, automatisch % Werte > bzw. < 3 Stabw automatisch Boxplot für Ausreißerdiagnose Abb.5: Ausdruck der interne, statistischen sprüfung (Bogen 2) Nach dem Upload des Datensatzes bekommt der Datenlieferant/ Creator eine Rückmeldung über den Upload des Datensatzes und den Vorgang des Prüfung/Review-Verfahren. Sobald die Qualitätsprüfung abgeschlossen ist, bekommt der Datenlieferant/ Creator entweder die Mitteilung, dass sein Datensatz in die Datenbank aufgenommen und eine DOI erhalten wird, oder aber spezielle Rückfragen notwendig sind um die Qualitätsprüfung abzuschließen. In manchen Fällen kann ein Datensatz auch wegen ungenügender Qualität vollständig zurückgewiesen werden. Wie die Abbildung 2 bereits veranschaulichte erfolgt die DOI-Vergabe für den jeweiligen Datensatz erst nach der Qualitätsprüfung und 9
10 bewertung. Der berechnete Qualitätsindex wird dem jeweiligen Datensatz angehängt. 3. Quelle und weiterführende Literatur: Balzert, H. Schröder, M., Schäfer, C. (2011): Wissenschaftliches Arbeiten Ethik, Inhalt & Form wiss. Arbeiten, Handwerkszeug, Quellen, Projektmanagement, Präsentation. 2. Aufl. Herdecke; Witten: W3L-Verlag. Bertelmann,R., Gebauer, P., Hasler, T., Kirchner, I., Peters-Kottig, W., Razum, M., Recker, A., Ulbricht, D., van Gasselt, S., (2014). Einstieg ins Forschungsdatenmanagement in den Geowissenschaften. doi: /lis Higgins, J.& Green, S. (2011). Cochrane Handbook for Systematic Reviews of Interventions. Version Zugriff am unter: Naumann, F. (2007).. Informatik-Spektrum, 30(1), Rahm, E. & Do, H.-H. (2000). Data cleaning: Problems and current approaches. IEEE Data Eng. Bull. 23(4), Wang,R., Ziad,M. &Lee, Y.(2001). Data quality. Massachusetts: Kluwer. Schendera, C. F. (2007). mit SPSS. Oldenburg. Zugriff am unter Wand. Y & Wang, R.(1996). Anchoring data quality dimensions in ontological foundations. Communications of the ACM, 39(11), Wang, R & Strong, D.(1996). Beyond accuracy: What data quality means to data consumers. J. Manage. Inf. Syst. 12(4),
Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009
Datenqualität: allgemeiner Überblick Waldemar Braun Seminar Datenqualität OvGU Magdeburg Gliederung 1. Einleitung 2. Motivation 3. Definition 4. DQ-Probleme 5. DQ-Dimensionen 6. DQ-Modelle 7. Messen der
Quality Point München Datenqualität
Quality Point München Datenqualität Paul, wie ist denn Eure Datenqualität? Nachdem ich bei der letzten Gehaltszahlung mit Frau... angeredet wurde, bin ich mir nicht mehr so sicher. Autor: W. Ulbrich IT&More
Planung, Auswahl und Ingest
Planung des Forschungsdaten-Managements: Planung, Auswahl und Ingest Gabriel Stöckle ZAH Heidelberg gst@ari.uni-heidelberg.de Überblick Planung Ziele des Projekts Beziehung zu vorhandene Daten Bewertung
Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter. Chinesische Botschaft in Belgrad
Datenqualität mit dem DataFlux dfpower Studio 8.1 Tobias Jansen Zaferna-Hütte, 4. Januar 2009 Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter Nasa Marssonde Mars Climate Orbiter
Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
TÜV Service tested Prüfgrundlagen
TÜV Service tested Prüfgrundlagen 60 Grundsätzliche Prüfgrundlagen Für die Auszeichnung TÜV Service tested müssen drei Voraussetzungen erfüllt sein: 1. Die Gesamtzufriedenheit muss von den Kunden des Unternehmens
Einführung in SPSS. 1. Die Datei Seegräser
Einführung in SPSS 1. Die Datei Seegräser An 25 verschiedenen Probestellen wurde jeweils die Anzahl der Seegräser pro m 2 gezählt und das Vorhandensein von Seeigeln vermerkt. 2. Programmaufbau Die wichtigsten
Einfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
Qualitätsmanagement. Grundlagen
Grundlagen Historie: Mit industriellen Massenproduktion erforderlich geworden (Automobilindustrie, Anfang des letzten Jahrhunderts); Qualitätsmanagement zunächst nur in der Fertigung Mitte des letzten
Evaluation der Normalverteilungsannahme
Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden
Empirische Methoden PM-EMP-P12-040828
Studiengang Pflegemanagement Fach Empirische Methoden Art der Leistung Prüfungsleistung Klausur-Knz. Datum 28.08.2004 Die Klausur besteht aus 5 Aufgaben, von denen alle zu lösen sind. Ihnen stehen 90 Minuten
Data Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
Auswertung und Darstellung wissenschaftlicher Daten (1)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea
Empfehlung für die technische Kommunikation von Produktänderungen im GDSN
1 Germany Empfehlung für die technische Kommunikation von Produktänderungen im GDSN Version 1.0 Stand Mai 2014 I I I Global Standards. Make Business Efficient. Zielsetzung des Dokuments Ziel der vorliegenden
Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern
Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern gefördert durch die Indikatoren von Datenqualität Michael Nonnemacher
Quality Assurance Review der IT-Revision (QAR-IT) -Ein Leitfaden -
Quality Assurance Review der IT-Revision (QAR-IT) -Ein Leitfaden - Aktueller Stand 2 1. Einleitung 1.1 Ausgangssituation 1.2 Definitionen 1.3 Zielsetzung 1.4 Standards 2. Anforderungen an den QAR-IT-Prüfer
Grundlagen des Software Engineering
Grundlagen des Software Engineering Teil 2: SW-Qualitätssicherung Fachrichtung Wirtschaftsinformatik FB Berufsakademie der FHW Berlin Prof. Dr. Gert Faustmann Motivation Syntax-, Konsistenz- und Vollständigkeitsprüfungen
Kinderbetreuungseinrichtungen Webfrontend
Kinderbetreuungseinrichtungen Webfrontend Handbuch für die Eingaben zur Selbstevaluierung (Arbeitsjahr 2014/15) Spätester Termin: 30. November 2015 Version 1.1 29. April 2015 (Änderungen gelb markiert!)
DGIQ Projekt IQ-Definition
DGIQ Projekt IQ-Definition Definition des Begriffsfeldes Informationsqualität bzw. Datenqualität Ein Projekt der DGIQ, 2007 Normen und Standards Dr. Jan Philipp Rohweder, Andrea Piro, Joachim Schmid GIQMC,
RADAR. Wo steht das Projekt? RESEARCH DATA REPOSITORIUM Matthias Razum FIZ Karlsruhe. mit Beiträgen der RADAR-Projektpartner
RESEARCH DATA REPOSITORY RADAR Wo steht das Projekt? Matthias Razum FIZ Karlsruhe mit Beiträgen der RADAR-Projektpartner RADAR - dbv Sektion 4 Frühjahrstagung 2015 Projektübersicht Ziel: Etablierung eines
Leitfaden zur Datenerfassung in Excel
Leitfaden zur Datenerfassung in Excel Hinweise zur korrekten Dateneingabe Johannes Hain Studentische Statistische Beratung Universität Würzburg 1 / 21 Inhaltsverzeichnis 1 Allgemeines 2 Variableneingabe
Eine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
Auswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
CONFIDENCE IN TEXTILES MySTeP FRAGEN & ANTWORTEN
CONFIDENCE IN TEXTILES FRAGEN & ANTWORTEN by OEKO-TEX ÜBERSICHT ZU CONFIDENCE IN TEXTILES by OEKO-TEX ist eine Datenbank zur Verwaltung und Bewertung Ihrer Lieferanten entlang der textilen Wertschöpfungskette.
Datenerfassung und Datenmanagement
Datenerfassung und Datenmanagement Statistische Auswertungssysteme sind heute eine aus der angewandten Statistik nicht mehr wegzudenkende Hilfe. Dies gilt insbesondere für folgende Aufgabenbereiche: -
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)
Datenqualität. Werner Nutt. In Zusammenarbeit mit Simon Razniewski. Freie Universität Bozen
Datenqualität Werner Nutt In Zusammenarbeit mit Simon Razniewski Freie Universität Bozen Vorstellung Werner Nutt Professor für Informatik and der Freien Univ. Bozen Schwerpunkte in Lehre und Forschung:
2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
Grundlagen der Datenanalyse am Beispiel von SPSS
Grundlagen der Datenanalyse am Beispiel von SPSS Einführung Dipl. - Psych. Fabian Hölzenbein hoelzenbein@psychologie.uni-freiburg.de Einführung Organisatorisches Was ist Empirie? Was ist Statistik? Dateneingabe
Projektmanagement mit hyscore
Projektmanagement mit hyscore Webbasiert Projekte und Massnahmen erfolgreich planen und durchführen Version 4.5 Ausgabe 1.3 März 2010 Seite 1 Inhalt Projektmanagement mit hyscore... 3 Direkter Zugriff
Datenqualitätsmodelle
Datenqualitätsmodelle Stefan Willi Hart 3. Dezember 2009 Stefan Willi Hart () Datenqualitätsmodelle 3. Dezember 2009 1 / 14 Inhaltsverzeichnis 1 Motivation 2 Modelle Systemseitiges DQ-Modell Allgemein
Datenprüfung. Analyse von Datenbeständen
Datenprüfung Analyse von Datenbeständen Datenprüfungen Die Daten eines Unternehmens sind ein wichtiges Fundament für eine erfolgreiche Geschäftstätigkeit. Aus ihnen lassen sich risikorelevante Faktoren
Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten
DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG
Planung und Auswertung klinischer und experimenteller Studien: Datenmanagement
Planung und Auswertung klinischer und experimenteller Studien: Datenmanagement Institut für Medizininformatik, Biometrie und Epidemiologie Universität Erlangen - Nürnberg 1 Einordnung in den Ablauf 1.
GIS 1 Kapitel 5: Bedeutung von Metadaten und Qualität t von Daten
GIS 1 Kapitel 5: und Qualität t von Daten Stephan Mäs Prof. Dr.-Ing. Wolfgang Reinhardt Arbeitsgemeinschaft GIS Universität der Bundeswehr München Wolfgang.Reinhardt@unibw.de www.agis.unibw.de - Definition
Collaborative Performance Management mit hyscore - Der gemeinsame Weg zur Verbesserung von Unternehmensleistung und Profitabilität
Collaborative Performance Management mit hyscore - Der gemeinsame Weg zur Verbesserung von Unternehmensleistung und Profitabilität Version 4.6 Juni 2010 Seite 1 Inhalt... 3 Breite Zugänglichkeit der Performance
Beweiswerterhaltendes Datenmanagement im elektronischen Forschungsumfeld
Beweiswerterhaltendes Datenmanagement im elektronischen 5. DFN-Forum Kommunikationstechnologien in Regensburg Jan Potthoff 22. Mai 2012 (SCC) KIT Universität des Landes Baden-Württemberg und nationales
Firewall-Management im Rahmen einer Prozessorganisation
Firewall-Management im Rahmen einer Prozessorganisation Dissertation zur Erlangung des akademischen Grades des Doktors der Naturwissenschaften am Fachbereich IV der Universität Trier vorgelegt von Diplom-Wirtschaftsinformatiker
Verfahrensanweisung Umgang mit Beschwerden.doc INHALT
INHALT 1 Zweck und Anwendungsbereich 2 2 Begriffe / Definitionen 2 2.1 Definitionen 2 3 Zuständigkeiten 2 4 Verfahrensbeschreibung 3 4.1 Schematische Darstellung Fehler! Textmarke nicht definiert. 4.2
Statistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
Data Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
RADAR: Interdisziplinäres Forschungsdatenarchiv RESEARCH DATA REPOSITORIUM. Dr. Angelina Kraft Angelina Kraft Hannover, den 30.06.
RADAR: Interdisziplinäres Forschungsdatenarchiv Dr. Angelina Kraft Angelina Kraft Hannover, den 30.06.2014 Technische Informationsbibliothek, Hannover Potsdam, den 21. November 2014 PROJEKTÜBERSICHT =
Gokyo Ri Messung und Bewertung der Qualität von Entwicklungsprozessen
Gokyo Ri Messung und Bewertung der Qualität von Entwicklungsprozessen Dr. Ralf Kneuper Beratung für Softwarequalitätsmanagement und Prozessverbesserung 11.09.2012 1 Ralf Kneuper Dipl.-Mathematiker, Univ.
Forschungsdatenmanagement in der Psychologie
Forschungsdatenmanagement in der Psychologie Rahmenbedingungen Ansätze Perspektiven Armin Günther, Leibniz Zentrum für psychologische Information und Dokumentation Konferenz für Sozial- und Wirtschaftsdaten
Datenqualitätsmanagement im Customer Relationship Management
Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI
betterask - Online -Umfragen Kurzanleitung: Eine Umfrage durchführen
Kurzanleitung: Eine Umfrage durchführen betterask Online-Umfragen 1. STATEMENT ZUR NICHTVERWENDUNG VON KUNDENDATEN Die beim Webdienst "Betterask" gespeicherten Kundendaten werden von den Dienstbetreibern
Software EMEA Performance Tour 2013. Berlin, Germany 17-19 June
Software EMEA Performance Tour 2013 Berlin, Germany 17-19 June Change & Config Management in der Praxis Daniel Barbi, Solution Architect 18.06.2013 Einführung Einführung Wer bin ich? Daniel Barbi Seit
Einfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
Stichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
WICHTIG! Bitte bewahren Sie Ihre Zugangsdaten zu jeder Zeit gut auf! WICHTIG!
A Wie kann ich meine Daten und Angebote eingeben? Seite 1 B Wo kann ich die Stammdaten meiner Institution/meines Klosters bearbeiten? Seite 2 C Wie kann ich Bilder hochladen? Seite 4 D Wie kann ich Bilder
Umfang der Arbeit Bachelorarbeit: 30 40 Seiten Masterarbeiten: 60 70 Seiten
Checkliste für die Erstellung von Bachelor- und Masterarbeiten an der Professur für Persönlichkeitspsychologie und Diagnostik Technische Universität Chemnitz Vorabinformation Auf unserer Homepage können
Einfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
Jahreswechsel AMONDIS. mit medico WIBU oder SAP FI
Jahreswechsel AMONDIS mit medico WIBU oder SAP FI Jahreswechsel AMONDIS Finanzwesen Inhalt FINANCIAL SOLUTIONS... 2 Neues Wirtschaftsjahr anlegen... 3 Aktualisierung der Belegnummernkreise... 4 Nummernkreise
1. Biometrische Planung
1. Biometrische Planung Die biometrische Planung ist Teil der Studienplanung für wissenschaftliche Studien, in denen eine statistische Bewertung von Daten erfolgen soll. Sie stellt alle erforderlichen
Einflussfaktoren auf die Teamkompetenz in Projekten. Empirische Studie zur Master Thesis Mai 2010
Einflussfaktoren auf die Teamkompetenz in Projekten Empirische Studie zur Master Thesis Mai 2010 Studie zu Einflussfaktoren auf die Teamkompetenz 1 Aufbau der Studie 2 Grunddaten der Befragung 3 Ergebnisse
PDF/A: Validieren und Korrigieren
DMS Expo, Köln, September 2007 PDF/A: Validieren und Korrigieren callas software GmbH 2007 by PDF/A Competence Center, Kleine Rekapitulation Warum? Defintion von guten PDFs PDF ist Diener vieler Herren
Auftragsbearbeitung 3.1
Auftragsbearbeitung / Bearbeitung bestehender Aufträge Automatische / manuelle Soll/Ist-Aufteilung (Stempelungen) Auf Aufträge kann über das Programm 15.2.1 gestempelt werden (PC in der Werkstatt auf dem
TermStar Gate für Word
TermStar Gate für Word Installation & Benutzung 2013-02 2013 STAR AG Alle Rechte vorbehalten. Die Verwendung der Texte und Bilder, auch auszugsweise, ist ohne schriftliche Zustimmung der STAR AG urheberrechtswidrig
Übung: Praktische Datenerhebung
Übung: Praktische Datenerhebung WS 2011 / 2012 Modul: Methoden der empirischen Sozialforschung 1 (Übung zur Vorlesung) Judith Jahn / Aline Hämmerling 1 Ablauf Block 1 Dauer 3 h Inhalt Einführung: Ziel
Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
Fakultät für Mathematik. Content Management System
Fakultät für Mathematik Content Management System Erfassung von Lehrveranstaltungen Autor: PD Dr. Tilo Arens Stand 2.10.2013 Das Werkzeug zur Erfassung von zukünftigen Lehrveranstaltungen dient zwei Zwecken:
1 Lieferantenbewertung
1 Lieferantenbewertung Mit Hilfe der Lieferantenbewertung können alle aktiven Lieferanten nach ISO Kriterien bewertet werden. Die zur Bewertung hinterlegten Faktoren können individuell vorgegeben werden.
CHECKLISTE für KRANKENANSTALTEN
CHECKLISTE für KRANKENANSTALTEN 12 Schritte zur nutritionday Teilnahme (nd.h) 6 Monate bis 1 Woche vor nutritionday 1 2 3 4 5 6 7 8 9 10 11 12 Registrieren und Kodes bestellen Beachten Sie nationale Richtlinien
Die Beurteilung normativer Managementsysteme
Die Beurteilung normativer Managementsysteme Hanspeter Ischi, Leiter SAS 1. Ziel und Zweck Um die Vertrauenswürdigkeit von Zertifikaten, welche durch akkreditierte Zertifizierungsstellen ausgestellt werden,
Abschlussbericht zur Kundenbefragung zum Thema Roman-Aufstellung in der Stadtbibliothek Dormagen
Abschlussbericht zur Kundenbefragung zum Thema Roman-Aufstellung in der Stadtbibliothek Dormagen 1. Ausgangsvoraussetzungen Im Zeitraum 21.01.2010 18.02.2010 wurde eine schriftliche Befragung der Zielgruppe
Oracle White Paper März 2009. Realitätsnahere Prognosen: Getrennte Beurteilung von Chancen und Risiken sowie Unsicherheit
Oracle White Paper März 2009 Realitätsnahere Prognosen: Getrennte Beurteilung von Chancen und Risiken sowie Unsicherheit Executive Summary In diesem White Paper werden anhand eines Beispiels die Vorteile
dimag dimag Das Digitale Magazin des Landesarchivs Baden- Württemberg
Das Digitale Magazin des Landesarchivs Baden- Württemberg Praxisnah entwickelt Mehrstufiges Prototyping Stetige Erprobung und Verbesserung im Pilotbetrieb Bisher übernommen Fachanwendungen (Datenbanken)
Konzept für die Definition Signifikanter Eigenschaften von sozialwissenschaftlichen Forschungsdaten
Konzept für die Definition Signifikanter Eigenschaften von sozialwissenschaftlichen Forschungsdaten Natascha Schumann, Astrid Recker, Stefan Müller, Reiner Mauer GESIS Datenarchiv für Sozialwissenschaften
Bürgerbefragung der Finanzverwaltung NRW
Bürgerbefragung der Finanzverwaltung NRW Ergebnisse Januar 0 #AE# Inhaltsverzeichnis Erläuterungen allgemein und Beteiligung - Tabellarische Übersicht der Befragungsergebnisse -7 Grafische Darstellung
Methoden Quantitative Datenanalyse
Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung
Mitarbeiterbefragung als PE- und OE-Instrument
Mitarbeiterbefragung als PE- und OE-Instrument 1. Was nützt die Mitarbeiterbefragung? Eine Mitarbeiterbefragung hat den Sinn, die Sichtweisen der im Unternehmen tätigen Menschen zu erkennen und für die
Maintenance & Re-Zertifizierung
Zertifizierung nach Technischen Richtlinien Maintenance & Re-Zertifizierung Version 1.2 vom 15.06.2009 Bundesamt für Sicherheit in der Informationstechnik Postfach 20 03 63 53133 Bonn Tel.: +49 22899 9582-0
Datum Lehrbeginn: Aktuelles Semester: bzw. Abschluss eidgenössisches Fähigkeitszeugnis (EFZ):
Eignungsabklärung Höhere Fachschule (HF) Bildungsgang: HF Pflege Schritt 2: Integriertes Eignungspraktikum für FAGE in Ausbildung oder FAGE mit EFZ: Fremdbeurteilung Name: Vorname: Geburtsdatum: Datum
Der Massstab in der Anlageberatung: UBS Advice. Neu: jetzt auch online Mehr erfahren: www.ubs.com/ advice-ch
Nachtaktiv. Interaktiv. Der Massstab in der Anlageberatung: UBS Advice. Neu: jetzt auch online Mehr erfahren: www.ubs.com/ advice-ch Interaktiv. Die neuen UBS Advice-Funktionen in UBS e-banking. Als UBS
1. Einfuhrung zur Statistik
Philipps-Universitat Marburg Was ist Statistik? Statistik = Wissenschaft vom Umgang mit Daten Phasen einer statistischen Studie 1 Studiendesign Welche Daten sollen erhoben werden? Wie sollen diese erhoben
Internes Audit. Länderübergreifende Verfahrensanweisung. Inhalt. 1 Zweck, Ziel
Datum des LAV-Beschlusses: 05.11.2012 Seite 1 von 9 Inhalt 1 Zweck, Ziel... 1 2 Geltungsbereich... 2 3 Begriffe, Definitionen... 2 4 Verfahren... 2 4.1 Planung der Audits... 5 4.2 Vorbereitung des Audits...
WMS Block: Qualität von Wissensobjekten. Myra Spiliopoulou
WMS Block: Qualität von Wissensobjekten Myra Spiliopoulou Literatur K. Mertins, H. Seidel. Wissensmanagement im Mittelstand. 2009, Springer A. Stocker, K.Tochtermann. Wissenstransfer mit Wikis und Weblogs.
Manuelles Testmanagement. Einfach testen.
Manuelles Testmanagement. Einfach testen. Testmanagement als Erfolgsfaktor. Ziel des Testprozesses ist die Minimierung des Restrisikos verbleibender Fehler und somit eine Bewertung der realen Qualität
Arbeitshilfen zur Auftragsdatenverarbeitung
Arbeitshilfen zur Auftragsdatenverarbeitung 1 Abgrenzung Die vorliegenden Excel-Tabellen dienen nur als Beispiel, wie anhand von Checklisten die datenschutzrechtlichen Voraussetzungen für die Vergabe einer
26. GIL Jahrestagung
GeorgAugustUniversität Göttingen 26. GIL Jahrestagung Einsatz von künstlichen Neuronalen Netzen im Informationsmanagement der Land und Ernährungswirtschaft: Ein empirischer Methodenvergleich Holger Schulze,
Statistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
Was muss ich noch für meine Zertifizierung tun, wenn meine Organisation. organisiert
? organisiert Was muss ich noch für meine Zertifizierung tun, wenn meine Organisation ist? Sie müssen ein QM-System: aufbauen, dokumentieren, verwirklichen, aufrechterhalten und dessen Wirksamkeit ständig
Dokumentenlenkung - Pflicht oder Kür-
Dokumentenlenkung - Pflicht oder Kür- - QM-Sprengel Württemberg - Sunhild Klöss Stabsabteilung Projekt- und Qualitätsmanagement Klinikum Heidenheim Themenübersicht Forderungen der DIN EN ISO 9001 Was muss
Interne Leistungsverrechnung bill-x GmbH. Folie 1
Interne Leistungsverrechnung bill-x GmbH Folie 1 OpenInformer Interne Leistungsverrechnung Systematische Zusammenführung Verbindung Ihrer ITK-Produktionsumgebung mit Ihrem ERP-System über eine Plattform
Lohnt sich Requirements Engineering?
Lohnt sich Requirements Engineering? Seminar Messbarkeit von Anforderungen am Fachgebiet Software Engineering Wintersemester 2007/2008 Betreuer: Eric Knauss Oleksandr Kazandzhi Gliederung Einleitung Messen
ZetA Das apothekenspezifische Qualitätssiegel. www.zeta-apotheke.de 1
ZetA Das apothekenspezifische Qualitätssiegel www.zeta-apotheke.de 1 Zielvorgaben Engagement der Kammer Apothekenspezifischer Ansatz Verbindender Ansatz QM-Darlegungs- und Bewertungsmodelle Kombination
Analyse der Qualität von Klinikinformationen (online / print) im Hinblick auf eine zielgruppengerechte Außendarstellung
HTW Analyse der Qualität von Klinikinformationen (online / print) im Hinblick auf eine zielgruppengerechte Außendarstellung Anna Gädicke Wissenschaftliche Begleitung: Prof. Dr. Thomas Altenhöner (HTW)
Fortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
Konzept Themenkarte zur Verbesserung von Reviews
Konzept Themenkarte zur Verbesserung von Reviews Daniel Ott Requirements Management GR/PST/25.11.11 GR/PST 25.11.11 1 Inhalt Motivation Anforderungsdokumente in der Praxis Probleme in der Qualitätssicherung
DHL-Connector. für JTL-WAWI. Anleitung. 0.1 Änderungsverzeichnis. Versionsnummer. Datum Änderung Autor
DHL-Connector für JTL-WAWI Anleitung 0.1 Änderungsverzeichnis Versionsnummer Datum Änderung Autor 1.0 03.04.2015 Erstellung des Dokumentes Thomas Kehl Datum 04.04.2015 Seite 1 von 13 0.3 Inhaltsverzeichnis
Datenqualität. Seminararbeit. Universität Karlsruhe (TH) Fakultät für Informatik Institut für Programmstrukturen und Datenorganisation (IPD)
Universität Karlsruhe (TH) Fakultät für Informatik Institut für Programmstrukturen und Datenorganisation (IPD) Hauptseminar Imperfektion und erweiterte Konzepte im Data Warehousing Datenqualität Seminararbeit
1373-1-8689 13.02.2015. Lizensierung ABB i-bus Newron Commissiong Tool
1373-1-8689 13.02.2015 Lizensierung ABB i-bus Newron Commissiong Tool Inhalt 1 Einleitung 3 2 Vorraussetzungen 3 3 MOOVnGROUP Light-Version 4 4 MOOVnGROUP Voll-Version 5 4.1 Bestellung MOOVnGROUP Dongle
4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
DURCHGÄNGIGE SAP CHANGE- UND RELEASE-PROZESSE EINFACH UMSETZEN
THEGUARD! SMARTCHANGE CHANGE PROCESS DURCHGÄNGIGE SAP CHANGE- UND RELEASE-PROZESSE EINFACH UMSETZEN DURCHGÄNGIGE SAP CHANGE- UND RELEASE-PROZESSE EINFACH UMSETZEN THEGUARD! SMARTCHANGE I CHANGE PROCESS
Lexware Auftragsbearbeitungsassistent Version 1.01
Lexware Auftragsbearbeitungsassistent Version 1.01 2014 DFH Service GmbH www.dfh.de Seite 1 von 11 Vorwort Lieber Interessent, lieber Kunde, ich freue mich über Ihr Interesse an unserer Software Auftragsbearbeitungsinteressent
Commercial Banking Übung 1 Kreditscoring
Commercial Banking Übung Kreditscoring Dr. Peter Raupach raupach@wiwi.uni-frankfurt.de Sprechzeit Dienstag 6-7:00 Uhr Raum 603 B Kreditscoring Gliederung Grundanliegen Das Sample Modellspezifikation Diskriminanzanalyse
Automatisierung des Datenreinigungsprozesses in einer internationalen multizentrischen Follow-up-Studie (I.Family-Studie)
Automatisierung des Datenreinigungsprozesses in einer internationalen multizentrischen Follow-up-Studie (I.Family-Studie) - on behalf of the I.Family consortium - Willempje Hummel-Bartenschlager Leibniz-Institut
digital business solution Qualitätsmanagement
digital business solution Qualitätsmanagement 1 Gutes Qualitätsmanagement setzt eine durchgängige, verpflichtende, nachvollziehbare Verwaltung von Informationen im gesamten Unternehmen voraus. Daher bietet