Welche Fehler passieren häufig bei der Datenbereinigung?

Bei der Datenbereinigung passieren viele Fehler nicht aus Unwissenheit, sondern aus Zeitdruck oder mangelndem Bewusstsein für ihre Konsequenzen. Die gute Nachricht: Die meisten dieser Fehler lassen sich vermeiden, wenn man weiß, worauf man achten muss. Dieser Artikel zeigt Ihnen die häufigsten Stolperfallen – von fehlenden Werten über Ausreißer bis hin zu unterschätzten Problemen wie Formatwechseln und fehlender Dokumentation.

Die häufigsten Fehlerarten im Überblick

Datenqualitätsprobleme lassen sich auf zwei Ebenen einteilen: auf der Schemaebene (wie Daten strukturiert und definiert sind) und auf der Instanzebene (die konkreten Datenwerte im Datensatz). In der wissenschaftlichen Literatur werden Fehler auf Schemaebene wie fehlende Integritätsbedingungen oder ungeeignete Datenmodelle ebenso als Qualitätsproblem gewertet wie konkrete Instanzfehler in einzelnen Zellen.

Für Studierende, die eine empirische Abschlussarbeit schreiben, sind vor allem Instanzfehler relevant – also Probleme, die direkt im ausgefüllten Datensatz sichtbar werden. Dazu zählen:

• Fehlende Werte, die nicht oder falsch behandelt wurden
• Ausreißer, die übersehen oder unreflektiert entfernt wurden
• Doppelte Datensätze (Duplikate)
• Tippfehler und illegale Werte außerhalb des zulässigen Wertebereichs
• Inkonsistente Kodierungen oder falsch zugeordnete Felder
• Datenverlust beim Exportieren in ein anderes Format
• Fehlende oder unzureichende Dokumentation der Bereinigungsschritte

Diese Fehler klingen im ersten Moment trivial. In der Praxis zeigt sich aber, dass sie systematisch verzerren und im schlimmsten Fall die gesamten Analyseergebnisse entwerten können. Eine solide Datenbereinigung und -aufbereitung ist deshalb keine lästige Pflicht, sondern die Grundlage valider Ergebnisse.

Fehlende Werte falsch behandeln

Fehlende Werte gehören zu den meistunterschätzten Problemen bei der Datenbereinigung. Der häufigste Fehler: Man ignoriert sie einfach und überlässt es der Software, was damit geschieht.

Listenweiser Ausschluss ohne Prüfung

SPSS, R und die meisten anderen Programme schließen Fälle mit fehlenden Werten bei bestimmten Analysen automatisch listenweise aus. Das klingt pragmatisch, hat aber einen entscheidenden Haken: Wenn die fehlenden Werte nicht zufällig verteilt sind – also wenn bestimmte Gruppen systematisch häufiger Werte auslassen –, führt der listwise deletion zu verzerrten Schätzungen.

Man unterscheidet drei Mechanismen fehlender Werte:

Wer fehlende Werte behandeln möchte, sollte zunächst prüfen, nach welchem Mechanismus sie entstanden sind. Wie das konkret in SPSS gelingt, zeigt unser Beitrag zu fehlenden Werten in SPSS.

Fehlende Werte nicht als Missing definiert

Ein weiterer klassischer Fehler: Im Fragebogen wurde „99″ als Code für „keine Angabe“ verwendet, aber in der Auswertungssoftware wurde dieser Wert nie als fehlend deklariert. SPSS, R oder Excel rechnen ihn dann als echten Zahlenwert mit – mit entsprechend falschen Mittelwerten und Standardabweichungen.

Ausreißer ignorieren oder blind entfernen

Ausreißer sind Werte, die stark vom Rest des Datensatzes abweichen. Der Umgang mit ihnen ist eine der häufigsten Fehlerquellen – in beide Richtungen: Manche Studierende ignorieren Ausreißer vollständig, andere entfernen sie ohne Begründung.

Kein systematisches Screening

Bevor Ausreißer beurteilt werden können, müssen sie überhaupt erst identifiziert werden. Boxplots, z-Scores und Mahalanobis-Distanzen sind gängige Methoden. Wer diesen Schritt überspringt, riskiert, dass einzelne extreme Werte Mittelwerte, Regressionskoeffizienten oder Korrelationen erheblich verzerren. Wie Sie Ausreißer systematisch erkennen, erklären wir in unserem Beitrag zum Erkennen von Ausreißern im Datensatz.

Ausreißer ohne inhaltliche Begründung entfernen

Noch folgenreicher ist das blinde Löschen von Ausreißern. Ein Wert, der statistisch auffällig ist, muss nicht zwingend falsch sein – er kann ein valides, aber extremes Messergebnis darstellen. Die Entscheidung, ob ein Ausreißer entfernt, ersetzt oder beibehalten wird, sollte immer inhaltlich begründet und dokumentiert werden.

Duplikate und fehlerhafte Kodierungen

Doppelte Datensätze übersehen

Wenn Daten aus mehreren Quellen zusammengeführt oder Online-Umfragen mehrfach ausgefüllt werden, entstehen leicht Duplikate. Ein identischer Proband, der zweimal im Datensatz erscheint, verzerrt sämtliche Gruppenstatistiken und verletzt die Unabhängigkeitsannahme vieler Tests.

Duplikate lassen sich in R mit duplicated(), in SPSS über den Menüpunkt Daten → Doppelte Fälle identifizieren und in Excel per bedingter Formatierung aufdecken. Wichtig: Prüfen Sie nicht nur auf vollständig identische Zeilen, sondern auch auf doppelte Probanden-IDs mit unterschiedlichen Werten.

Inkonsistente oder falsche Kodierungen

Kodierungsfehler entstehen häufig bei der manuellen Dateneingabe: Eine Variable mit den Ausprägungen 1, 2, 3 enthält plötzlich auch den Wert „3.0″ oder „3,0″ – je nach Betriebssystem-Dezimaltrennzeichen. Oder eine Variable, die „männlich“ und „weiblich“ kodieren soll, enthält zusätzlich „m“, „M“, „männl.“ und „w“. Solche Inkonsistenzen werden von der Software als verschiedene Kategorien behandelt.

Besonders anfällig für diesen Fehler sind offene Antworten, die für die statistische Auswertung kodiert werden müssen. Hier empfiehlt sich ein Codebuch, das alle Ausprägungen eindeutig definiert, bevor die Dateneingabe beginnt.

Formatwechsel und Datenverlust beim Export

Ein häufig übersehener Fehler betrifft nicht die Daten selbst, sondern den Weg zwischen Datenerhebung und Auswertungssoftware. Bei der Konvertierung zwischen Dateiformaten – etwa von Excel in SPSS, von einer CSV-Datei in R oder aus einer Onlinesoftware in SPSS – können Variablenlabels, fehlende-Werte-Definitionen, Dezimalstellen oder Formeln verloren gehen oder Daten abgeschnitten werden.

Was beim Export schiefgehen kann

• Dezimaltrennzeichen: In Deutschland ist das Dezimaltrennzeichen ein Komma, in englischsprachigen Systemen ein Punkt. Beim Import einer CSV-Datei kann daraus eine falsche Interpretation resultieren – aus „2,5″ wird „25″.
• Abgeschnittene Werte: Manche Formate haben Längenbeschränkungen für Textfelder oder Nachkommastellen. Lange Zeichenketten oder Werte mit vielen Dezimalstellen werden dabei still gekürzt.
• Verlorene Metadaten: Variablenlabels, fehlende-Werte-Codes und Wertelabels, die in SPSS-Systemdateien hinterlegt sind, gehen beim Export in CSV oder Excel verloren.
• Datumsformate: Excel speichert Datumsangaben intern als Zahlen. Beim Import in eine andere Software kann daraus ein nicht interpretierbarer Zahlenwert werden.

Die Empfehlung lautet: Prüfen Sie nach jeder Konvertierung explizit, ob Ihre Daten vollständig und korrekt übertragen wurden – und dokumentieren Sie das verwendete Format und den Zeitpunkt des Exports.

Fehlende Dokumentation der Bereinigungsschritte

Dieser Fehler ist in empirischen Abschlussarbeiten besonders verbreitet: Die Daten werden bereinigt, aber niemand hält fest, was genau geändert wurde, warum und wann. Das Ergebnis ist ein Datensatz, der sich von den Rohdaten unterscheidet, ohne dass diese Unterschiede rekonstruierbar sind.

Warum Dokumentation kein optionales Extra ist

Fehlende Dokumentation, unklare Standards und nicht nachvollziehbare Transformationsentscheidungen gelten als eigenständige Bereinigungsfehler – weil sie Reproduzierbarkeit und spätere Nutzung der Daten grundlegend behindern. In der Wissenschaft ist Reproduzierbarkeit kein Luxus, sondern ein Qualitätsmerkmal.

Konkret bedeutet das: Wenn Ihre Betreuungsperson nachfragt, warum drei Fälle aus dem Datensatz entfernt wurden, sollten Sie das anhand Ihrer Dokumentation sofort beantworten können.

Wer mit R oder Python arbeitet, sollte die gesamte Bereinigung in einem dokumentierten Skript festhalten – so ist jeder Schritt automatisch nachvollziehbar. In SPSS bietet sich die Syntax-Datei an, in der alle Transformationen protokolliert werden. Eine ausführlichere Übersicht über die verschiedenen Prozesse der Datenaufbereitung hilft dabei, keinen Schritt zu vergessen.

Statistische Voraussetzungen nicht prüfen

Ein letzter, aber folgenreicher Fehler: Die Datenbereinigung wird als abgeschlossen betrachtet, bevor die Voraussetzungen für die geplanten statistischen Tests geprüft wurden. Dabei gehört die Voraussetzungsprüfung konzeptionell zur Datenvorbereitung – sie ist keine eigenständige Phase, die man optional anhängt.

Normalverteilung und Varianzhomogenität

Viele Verfahren – t-Test, ANOVA, Pearson-Korrelation, lineare Regression – setzen voraus, dass die Daten (oder die Residuen) annähernd normalverteilt sind. Diese Prüfung sollte vor der eigentlichen Analyse stattfinden. Wie das geht, erklären wir in unserem Beitrag zum Prüfen der Normalverteilung.

Werden Voraussetzungen verletzt und das wird nicht bemerkt, sind die Ergebnisse des Tests möglicherweise nicht interpretierbar. Das ist kein Nischenthema: Gerade bei kleinen Stichproben, wie sie in Bachelorarbeiten häufig vorkommen, sind Verletzungen der Normalverteilungsannahme keine Seltenheit. Was Sie tun können, wenn Voraussetzungen nicht erfüllt sind, erklärt unser gesonderter Beitrag zu Alternativen bei verletzten Testvoraussetzungen.

Skalenniveau der Variablen ignorieren

Eng damit verbunden ist ein weiterer Fehler: Das Skalenniveau einer Variable wird nicht beachtet. Wer auf einer ordinalskalierten Variable (z. B. Likert-Skala mit 5 Stufen) einen t-Test rechnet, als wäre sie metrisch, trifft eine methodische Entscheidung – und muss diese begründen können. Die vier Datentypen in der Statistik und ihre Auswirkungen auf die Verfahrenswahl sind eine wichtige Grundlage für die Datenbereinigung.

Fazit: Saubere Daten brauchen eine saubere Strategie

Die Fehler bei der Datenbereinigung sind vielfältig – und sie betreffen nicht nur die offensichtlichen Dinge wie fehlende Werte oder Ausreißer. Genauso gefährlich sind stille Fehler, die beim Formatwechsel entstehen, oder systematische Verzerrungen, die durch eine undokumentierte Bereinigungsentscheidung entstehen.

Wer seine Datenbereinigung statistisch sauber und nachvollziehbar durchführen möchte, sollte folgende Punkte im Blick behalten:

• Fehlende Werte identifizieren, klassifizieren und methodisch begründet behandeln
• Ausreißer systematisch screenen und inhaltlich bewerten
• Duplikate und Kodierungsfehler aktiv suchen – nicht nur zufällig entdecken
• Nach jedem Formatwechsel die Datenintegrität prüfen
• Jeden Bereinigungsschritt dokumentieren
• Statistische Voraussetzungen vor der Analyse prüfen

Wenn Sie unsicher sind, ob Ihre Datenbereinigung alle relevanten Schritte abdeckt, lohnt sich ein Blick auf unsere Übersicht, was zur Datenbereinigung gehört – oder Sie lassen sich direkt von erfahrenen Statistikerinnen und Statistikern bei der Aufbereitung unterstützen.