Welche Prozesse gibt es bei der Datenaufbereitung?
In diesem Beitrag
Datenaufbereitung: Was steckt dahinter?
Die Datenaufbereitung umfasst alle Schritte, die notwendig sind, um Rohdaten in einen analysefähigen Zustand zu überführen. Dazu gehören das Auswählen relevanter Daten, das Bereinigen fehlerhafter oder fehlender Werte, das Konstruieren neuer Variablen, das Integrieren verschiedener Datenquellen sowie das Formatieren des finalen Datensatzes.
In der Praxis wird dieser Teil eines Forschungsprojekts häufig unterschätzt – dabei entscheidet die Qualität der Aufbereitung maßgeblich darüber, wie valide und interpretierbar die späteren Analyseergebnisse sind. Wer schlechte Daten in ein statistisches Verfahren einspeist, erhält schlechte Ergebnisse, unabhängig davon, wie ausgereift das gewählte Verfahren ist.
Die fünf Kernprozesse im Überblick
Ein bewährter methodischer Rahmen für die Datenaufbereitung stammt aus dem Bereich des Data Mining. Die Datenaufbereitung gliedert sich in fünf definierte Arbeitsschritte: Auswählen, Bereinigen, Konstruieren, Integrieren und Formatieren – und jeder dieser Schritte erzeugt dokumentierte Outputs, die im Forschungsprozess nachvollziehbar bleiben müssen.
Das Besondere an diesem Rahmen: Die Schritte sind nicht streng sequenziell. Wer beim Formatieren merkt, dass weitere Bereinigungsprobleme auftauchen, kehrt zurück. Das klingt zunächst wenig strukturiert, ist in der Praxis aber genau das richtige Vorgehen.
| Prozess | Typische Aufgaben | Typische Outputs |
|---|---|---|
| Auswählen | Relevante Variablen und Fälle identifizieren | Begründete Variablen-/Fallauswahl |
| Bereinigen | Fehlende Werte, Ausreißer, Inkonsistenzen behandeln | Bereinigungsbericht, korrigierter Datensatz |
| Konstruieren | Neue Variablen berechnen, Kategorien bilden | Abgeleitete Variablen, Skalenwerte |
| Integrieren | Mehrere Datensätze zusammenführen | Zusammengeführte Analysedatei |
| Formatieren | Variablentypen, Kodierungen, Spaltenordnung anpassen | Analysefertiger Datensatz |
Datenbereinigung: Screening, Diagnose und Korrektur
Der Bereinigungsprozess ist der zeitintensivste und methodisch anspruchsvollste Teil der Datenaufbereitung. Datenbereinigung folgt einem dreistufigen iterativen Prozess aus Screening, Diagnosing und Editing – wobei jede Stufe eigene Entscheidungen erfordert, die dokumentiert werden sollten.
Schritt 1: Screening
Im Screening geht es darum, verdächtige Datenpunkte überhaupt erst sichtbar zu machen. Dazu gehören:
- Ausreißer und extreme Werte (z. B. ein Alter von 187 Jahren)
- Unmögliche oder unplausible Kombinationen (z. B. schwanger und männlich)
- Inkonsistente Kodierungen (z. B. „1″, „1.0″ und „eins“ für denselben Wert)
- Ungewöhnliche Verteilungen, die auf Dateneingabefehler hindeuten
- Fehlende Werte in unerwartet hohem Ausmaß
Für eine ausführliche Anleitung zum Umgang mit Extremwerten lohnt sich ein Blick in den Beitrag zum Erkennen von Ausreißern im Datensatz.
Schritt 2: Diagnose
Nicht jeder auffällige Wert ist automatisch ein Fehler. Im Diagnoseschritt wird geprüft, ob es sich um einen echten Extremwert handelt, um einen Eingabefehler, einen Messfehler oder ein systematisches Problem im Erhebungsdesign. Diese Unterscheidung ist entscheidend: Ein echter Ausreißer verdient eine andere Behandlung als ein versehentlich falsch eingetragener Wert.
Schritt 3: Editing
Erst nach der Diagnose folgt die eigentliche Korrektur. Dabei gilt: Korrekturen sollten regelbasiert und dokumentiert erfolgen – unkontrolliertes Überschreiben von Ursprungswerten ist methodisch problematisch und macht die Auswertung schwer nachvollziehbar. In der Praxis empfiehlt sich das Arbeiten mit einer Arbeitskopie, während die Originaldaten unverändert bleiben.
Wie man fehlende Werte konkret in SPSS behandelt, erklärt der Beitrag zu fehlenden Werten in SPSS.
Tidy Data: Die richtige Struktur als Ziel
Viele Datenprobleme entstehen nicht durch fehlerhafte Werte, sondern durch eine ungünstige Tabellenstruktur. Ein aufbereiteter Datensatz folgt dem Prinzip, dass jede Variable eine Spalte, jede Beobachtung eine Zeile und jede Beobachtungseinheit eine eigene Tabelle bildet – ein Standard, der in der Statistik unter dem Begriff „Tidy Data“ bekannt ist.
Klingt selbstverständlich, ist es aber oft nicht. Typische Strukturprobleme in Rohdaten sind:
- Variablennamen stehen in Zellen statt in Spaltenköpfen (z. B. Messzeitpunkte als Spaltennamen)
- Mehrere Variablen sind in einer einzigen Spalte zusammengefasst
- Eine Beobachtung verteilt sich auf mehrere Zeilen
- Unterschiedliche Beobachtungseinheiten (z. B. Personen und Gruppen) stehen in derselben Tabelle
Das Umformen solcher Strukturen – Pivotieren, Trennen, Vereinigen, Neuordnen – ist ein eigener Arbeitsschritt innerhalb der Datenaufbereitung. Er ist technisch aufwendiger als das bloße Entfernen fehlender Werte, aber für die Analysefähigkeit des Datensatzes ebenso bedeutsam. Wer mit R oder Python arbeitet, profitiert hier besonders von einer strukturierten Vorgehensweise, weil Analyseskripte auf tidy-formatierten Daten zuverlässiger funktionieren.
Datenkonstruktion und -integration
Neue Variablen konstruieren
Konstruktion bedeutet, auf Basis vorhandener Variablen neue analytisch relevante Variablen zu berechnen. Typische Anwendungsfälle in empirischen Abschlussarbeiten:
- Skalensummenwerte aus mehreren Items eines Fragebogens bilden
- Kategorisierungen vornehmen, z. B. ein kontinuierliches Alter in Altersgruppen umrechnen
- Interaktionsterme für Regressionsanalysen berechnen
- Differenzwerte zwischen zwei Messzeitpunkten (Prä-Post-Design) ermitteln
- Rekodierungen bei umgepolten Items durchführen
Wie man offene Antworten für die statistische Auswertung kodiert – ein Sonderfall der Datenkonstruktion –, erklärt der Beitrag zum Kodieren offener Antworten.
Datensätze integrieren
Wenn Daten aus mehreren Quellen stammen – etwa aus einer Befragung und einer Sekundärdatenbank oder aus zwei Erhebungswellen –, müssen diese zusammengeführt werden. Dabei sind zwei grundlegende Arten zu unterscheiden:
- Vertikale Integration (Append): Neue Fälle (Zeilen) werden hinzugefügt, die Variablenstruktur bleibt gleich.
- Horizontale Integration (Merge): Neue Variablen (Spalten) werden über einen gemeinsamen Schlüssel (z. B. eine ID) zugeordnet.
Typische Fehlerquellen bei der Integration sind doppelte IDs, unterschiedliche Kodierungen desselben Merkmals in den Teildatensätzen und nicht übereinstimmende Variablennamen.
Formatierung und abschließende Prüfung
Der letzte Prozessschritt betrifft die Formatierung des Datensatzes: Variablentypen müssen korrekt zugewiesen sein (numerisch, kategorial, ordinal), Wertelabels sollten vergeben und dokumentiert sein, fehlende Werte müssen als solche kodiert und nicht als Null oder Leerzeichen stehen, und die Spaltenreihenfolge sollte der Analysestrategie entsprechen.
Dieser Schritt klingt trivial, verursacht in der Praxis aber häufig Probleme: Wenn SPSS eine Textvariable nicht als Zahl erkennt oder wenn fehlende Werte versehentlich in Berechnungen eingehen, weil sie als „0″ kodiert wurden, entstehen systematische Analysefehler.
Checkliste: Ist Ihr Datensatz analysefertig?
- Alle irrelevanten Variablen und Fälle wurden ausgeschlossen (mit Begründung)
- Fehlende Werte sind identifiziert, dokumentiert und behandelt
- Ausreißer wurden geprüft und nach einer klaren Regel behalten oder entfernt
- Neue Variablen (Skalen, Kategorien, Rekodierungen) sind korrekt berechnet
- Alle Datensätze sind korrekt zusammengeführt
- Variablentypen, Labels und Kodierungen sind vollständig vergeben
- Die Tabellenstruktur folgt dem Prinzip: eine Zeile pro Beobachtung, eine Spalte pro Variable
- Originaldaten sind unverändert gesichert, Arbeitskopie ist dokumentiert
Datenaufbereitung in der Abschlussarbeit
Für Bachelorarbeiten und Masterarbeiten gilt: Die Datenaufbereitung ist kein methodischer Anhang, sondern ein eigenständiger und berichtspflichtiger Teil des Forschungsprozesses. Gutachtende erwarten eine nachvollziehbare Beschreibung, wie mit fehlenden Werten, Ausreißern und Umkodierungen umgegangen wurde.
Wer wissen möchte, welche konkreten Schritte bei der Aufbereitung für statistische Analysen zu beachten sind, findet dort eine praxisorientierte Schritt-für-Schritt-Orientierung. Einen breiteren Überblick über die methodischen Grundlagen bietet außerdem der Beitrag zu den statistischen Methoden der Datenverarbeitung.
Wer die Datenaufbereitung für seine Abschlussarbeit nicht alleine durchführen möchte oder unsicher ist, ob der Datensatz analysefertig ist, findet bei der professionellen Datenbereinigung und -aufbereitung eine methodisch begleitete Unterstützung – von der Fehlerprüfung bis zum analysefertigen Datensatz.
Typische Fehler, die bei der Datenbereinigung passieren – und wie man sie vermeidet –, beschreibt der Beitrag zu den häufigen Fehlern bei der Datenbereinigung.
