Was ist ein Do-File, ein R-Skript und eine SPSS-Syntax?

Was ist ein Skript – und warum brauchen Sie es?

Ob Stata Do-File, R-Skript oder SPSS-Syntax: Alle drei Begriffe bezeichnen im Kern dasselbe Prinzip. Es handelt sich um Textdateien, die statistische Befehle in einer festgelegten Reihenfolge enthalten und automatisch ausgeführt werden können – anstatt jeden Analyseschritt manuell per Klick oder Konsoleneingabe zu wiederholen.

Der entscheidende Vorteil liegt in der Reproduzierbarkeit. Wer eine Analyse per Skript dokumentiert, kann sie jederzeit vollständig nachvollziehen, korrigieren oder wiederholen – sei es nach einer Rückmeldung der Betreuungsperson oder beim Ergänzen weiterer Fälle. Gerade in empirischen Abschlussarbeiten ist das ein erheblicher Qualitätsgewinn.

Das klingt zunächst technischer als es ist. In der Praxis genügen für eine typische Bachelorarbeit oft wenige Dutzend Zeilen Code, um eine vollständige Auswertung zu dokumentieren.

Das Stata Do-File

Ein Do-File ist die Skriptdatei von Stata und trägt die Dateiendung .do. Es enthält eine oder mehrere Stata-Befehle, die mit dem Befehl do gestartet werden und sequenziell abgearbeitet werden. Damit wird die interaktive Eingabe in der Stata-Konsole durch einen reproduzierbaren, automatisierten Analyseablauf ersetzt.

Aufbau eines Do-Files

Ein typisches Do-File beginnt mit einigen Steuerbefehlen, lädt dann die Daten und führt die eigentlichen Analysen durch. Ein minimales Beispiel für eine deskriptive Auswertung sieht so aus:

* Analyseskript Bachelorarbeit – Deskriptive Statistik
set more off
log using "ergebnisse.log", replace

use "datensatz.dta", clear
describe
summarize alter einkommen zufriedenheit
tabulate bildungsgruppe

log close

Was passiert hier Zeile für Zeile?

• set more off verhindert, dass Stata bei längeren Ausgaben pausiert – bei umfangreichen Analysen praktisch unverzichtbar.
• log using ..., replace schreibt alle Ausgaben in eine Log-Datei, die Sie später prüfen, drucken oder in Ihre Abschlussarbeit übertragen können.
• use, describe, summarize, tabulate laden die Daten und berechnen Kennzahlen sowie Häufigkeitstabellen.
• log close schließt die Log-Datei sauber ab.

Do-Files werden im integrierten Do-File-Editor von Stata erstellt und können über Do-file Editor → Ausführen oder den Befehl do dateiname.do in der Konsole gestartet werden.

Wann ist Stata die richtige Wahl?

Stata ist in der Wirtschaftswissenschaft, Epidemiologie und Sozialforschung besonders verbreitet. Do-Files sind dort häufig Standard in der Methodendokumentation. Wenn Ihre Betreuungsperson oder Ihr Institut Stata vorschreibt, arbeiten Sie von Beginn an mit einem Do-File – nicht erst kurz vor der Abgabe.

Das R-Skript

Ein R-Skript ist eine Textdatei mit der Endung .R, die R-Ausdrücke in einer definierten Reihenfolge enthält. Technisch gesehen liest die Funktion source() diese Datei ein, parst die enthaltenen Befehle und führt sie sequenziell aus – von der ersten Zeile bis zum Dateiende, im globalen oder einem lokalen Environment.

Aufbau eines R-Skripts

Ein R-Skript beginnt typischerweise mit dem Laden benötigter Pakete, gefolgt vom Datenimport und den eigentlichen Analysen:

# Analyseskript Masterarbeit – Lineare Regression
library(tidyverse)
library(psych)

# Daten einlesen
df <- read.csv("datensatz.csv", sep = ";", header = TRUE)

# Deskriptive Statistik
describe(df[, c("alter", "einkommen", "zufriedenheit")])

# Lineare Regression
modell <- lm(zufriedenheit ~ alter + einkommen, data = df)
summary(modell)

Der wesentliche Unterschied zur interaktiven Konsolensitzung: Das Skript ist ein eigenständiges, wiederholbares Dokument. Wer es auf einem anderen Rechner oder zu einem späteren Zeitpunkt ausführt, erhält – bei identischen Daten – identische Ergebnisse.

R-Skript vs. RMarkdown

Ein reines R-Skript (.R) enthält ausführbaren Code, aber keinen formatierten Fließtext. Wer Code und Interpretation in einem Dokument vereinen möchte, greift auf RMarkdown oder Quarto zurück – dort lassen sich Analyseoutput, Grafiken und Erläuterungen direkt kombinieren. Für viele Abschlussarbeiten reicht jedoch ein sauber kommentiertes R-Skript als Anhang vollständig aus.

Ausführung und Weitergabe

R-Skripte werden in RStudio über Run → Source File oder mit source("skript.R") in der Konsole ausgeführt. Für die Reproduzierbarkeit empfiehlt es sich, am Skriptanfang die R-Version und verwendete Pakete zu dokumentieren – etwa mit sessionInfo().

Die SPSS-Syntax

SPSS ist für viele Studierende in der Psychologie und den Sozialwissenschaften die erste Berührung mit statistischer Software – und die meisten nutzen es zunächst ausschließlich über Menüs und Dialoge. Was dabei leicht übersehen wird: SPSS verfügt über eine vollwertige eigene Befehlssprache, die sogenannte SPSS-Syntax.

Syntaxdateien tragen die Endung .sps und enthalten Befehle in der SPSS Command Language. Diese Sprache umfasst weit mehr als eine Protokolldatei der Menüaktionen: Sie ist eine formale Befehlssprache mit Datentransformationen, Programmstrukturen wie If-Then-Else und Schleifen sowie modularen Steuerbefehlen.

Aufbau einer SPSS-Syntax

* Analyseskript – Gruppenvergleich.
GET FILE='datensatz.sav'.

* Deskriptive Statistik.
DESCRIPTIVES VARIABLES=alter einkommen zufriedenheit
  /STATISTICS=MEAN STDDEV MIN MAX.

* T-Test für unabhängige Stichproben.
T-TEST GROUPS=gruppe(1 2)
  /VARIABLES=zufriedenheit
  /CRITERIA=CI(.95).

EXECUTE.

Einige wichtige Eigenschaften der SPSS-Syntax:

• Jeder Befehl endet mit einem Punkt. Das ist einer der häufigsten Syntaxfehler bei Anfängerinnen und Anfängern.
• Kommentare werden mit einem Sternchen * eingeleitet.
• Der Befehl EXECUTE ist bei Transformationen nötig, um die Änderungen tatsächlich anzuwenden.
• Über INSERT FILE='...' lassen sich externe Syntaxdateien einbinden – praktisch für größere Projekte mit mehreren Analyseschritten.

Syntax aus den Menüs generieren

Ein unterschätzter Einstieg: In jedem SPSS-Dialog gibt es die Schaltfläche Einfügen. Damit wird der zur aktuellen Menüauswahl gehörende Syntaxcode in den Syntax-Editor geschrieben – ohne manuelles Tippen. So können Sie schrittweise von der Menü-Bedienung zur eigenen Syntax-Arbeit übergehen.

Do-File, R-Skript, SPSS-Syntax: Der Vergleich auf einen Blick

Was bedeutet das für Ihre Abschlussarbeit?

Unabhängig davon, welche Software Sie einsetzen: Ein gespeichertes Skript ist der Unterschied zwischen einer nachvollziehbaren und einer nicht nachvollziehbaren Analyse. Gutachterinnen und Gutachter fragen zunehmend nach dem Code – besonders in der Psychologie und den Wirtschaftswissenschaften, wo Replizierbarkeit als Qualitätsmerkmal gilt.

Praktisch bedeutet das: Beginnen Sie von der ersten Auswertung an mit einem Skript, nicht erst kurz vor der Abgabe. Das spart Zeit, weil Sie Fehler schnell korrigieren können, ohne jeden Analyseschritt neu anzuklicken. Wie Sie die Analyse Ihrer Abschlussarbeit sinnvoll als Code dokumentieren und strukturieren, erläutert ein eigener Beitrag ausführlich.

Welche Software – und welches Skriptformat – ist die richtige Wahl?

Falls Sie noch am Anfang stehen und unsicher sind, welches Tool zu Ihrem Projekt passt, lohnt sich ein Blick auf den Vergleich der gängigen Programmiersprachen und Software für die statistische Auswertung. Wer speziell zwischen R und Python abwägt, findet in unserem Beitrag R oder Python für Statistik eine strukturierte Entscheidungshilfe.

Für Einsteigerinnen und Einsteiger ohne Programmiererfahrung gilt: Keines der drei Formate setzt Vorkenntnisse voraus. Mit einem klaren ersten Schritt – etwa den ersten Schritten in der Statistik-Programmierung als Anfänger – lässt sich der Einstieg gut strukturieren.

Methodische Begleitung bei der Analyse

Wenn Sie bei der Erstellung oder Überprüfung Ihrer Skripte Unterstützung benötigen – sei es für Stata, R oder SPSS – finden Sie bei QuantExpert die passende methodische Begleitung für Programmierung und Syntax in statistischen Analysen. Unsere Statistikerinnen und Statistiker prüfen Skripte, dokumentieren Analyseschritte und erklären Befehle verständlich – abgestimmt auf die Anforderungen Ihrer Hochschule.

Übrigens: Auch der Einsatz von ChatGPT beim Schreiben von Statistik-Code ist ein zunehmend genutzter Ansatz – mit konkreten Möglichkeiten, aber auch klaren Grenzen, die es zu kennen lohnt.