Quantitative Methoden mit R & R-Studio

Sommersemester 2026 | Sitzung 4

Maura Kratz

Willkommen zurück!

Was heute ansteht:

  • Check-In
  • Besprechung der Übung 2
  • Data Merging

Recap

  1. Mit dplyr::count() und dplyr::distinct() die ersten Aggregationsbefehle
  2. Zeilen filtern mit dplyr::filter() und logischen Operatoren (==)
  3. dplyr::filter(!is.na()) als Sonderform des filter()-Befehls
  4. dplyr::select() um Spalten auszuwählen oder auszuschließen
  5. Variablen überschreiben (oder neu erstellen) anhand bestimmter Konditionen mit dplyr::mutate() in Kombination mit case_when()
  6. Datensatzausrichtung ändern mit tidyr::pivot_wider() oder tidyr::pivot_longer()

Datenanalyse-Workflow

Feedback zu Übung 2

  • naming convention: uebung_01_name.R

  • warum? btw_2025_strukturdaten_neue_namen_ohne_fussnoten[, c("wknr", "wkname")]

  • mit “Datensatz überschreiben” meine ich nicht save(), sondern datensatz <- datensatz

  • btw_2025_struk_lander <- btw_2025_strukturdaten %>%
  dplyr::filter(wknr %in% c("901", "913", "902", "903", "904", "912", "915", "911", "905", "906", "907", "909", "910", "999")) %>% 
  View()

Data merging 1 - Kombinieren

  • dplyr::bind_cols() um Spalten neben einander zu kleben

  • dplyr::bind_rows() um Zeilen untereinander zu kleben

  • dplyr::union() Zeilen aus zwei Tabellen untereinander kleben, aber dabei Duplikate löschen

Diese bind()-Befehle führen Daten lediglich mechanisch zusammen, ohne beispielsweise unterschiedliche Sortierung der Spalten zu beachten oder Ähnliches.

Data merging 2 - Joining

Anstatt Spalten einfach nebeneinander zu stellen, ohne die Sortierung zu beachten, verbindet ein join die Daten sinnvoll miteinander auf Grundlage der Übereinstimmung einer Schlüsselvariable.

Hands On - Daten mergen

Variablen & Skalenniveaus

Die abhängige Variable (AV) ist diejenige Variable, deren Veränderung im Zusammenhang mit einer oder mehrerer unabhängiger Variablen (UV) gemessen wird.

Bsp.:

  • Konzentrationsfähigkeit der Studierenden Temperatur im Raum

  • Leistung des Dozenten Anwesenheit der Studierenden im Seminar?

  • Homeoffice Arbeitsmotivation der Mitarbeiter*innen

Variablen und Skalenniveaus

Skalenniveau Variablentyp Mögliche Aussagen Beispiel(e) Operationen
Nominal Kategorial Gleichheit / Verschiedenheit Diagnosen, Religion \(=, \neq\)
Ordinal Kategorial Rangfolge Schulabschlüsse \(=, \neq, <, >\)
Intervall Metrisch Abstände Temperatur (°C), IQ \(+, -\)
Verhältnis Metrisch Verhältnisse Einkommen, Alter \(*, /\)

Variablen und Skalenniveaus

  • in R lautet der entsprechende Befehl class()
  • das richtige Skalenniveau ist entscheidend für die spätere Durchführung von deskriptiver und schließender Statistik (ab kommender Sitzung)
  • daher schauen wir uns jetzt nochmal unsere Datensatzübersicht an und überlegen gemeinsam, welche Skalenniveaus geändert werden müssten.

Minute Cards

Bitte füllt die Minute Cards für die heutige Sitzung aus. Das sollt enicht länger als 3 Minuten dauern. Vielen Dank für eure Mitarbeit!

Vielen Dank und bis kommenden Dienstag!

Übung 3 zu “Data merging” bis spätestens Sonntagabend!