Datenkodierung
In diesem Beitrag
Was versteht man unter Datenkodierung?
Unter Datenkodierung versteht man die systematische Umwandlung von Merkmalsausprägungen in numerische oder kategoriale Werte, die von statistischer Software verarbeitet werden können. Dabei wird jeder Ausprägung einer Variable ein eindeutiger Code zugewiesen – typischerweise eine Zahl oder ein Buchstabe.
Man unterscheidet grundsätzlich zwei Situationen, in denen Kodierung notwendig wird:
- Kodierung bei der Datenerhebung: Antwortoptionen in Fragebögen erhalten im Vorfeld festgelegte numerische Codes (z. B. „stimme zu“ = 1, „stimme nicht zu“ = 2).
- Kodierung für statistische Verfahren: Kategoriale Variablen werden für Regressionsmodelle in ein rechenbares Format überführt, etwa durch Dummy-Kodierung oder Effektkodierung.
Bei der Dummy-Kodierung (auch: Indikator-Kodierung) wird eine kategoriale Variable mit k Ausprägungen in k − 1 binäre Variablen (0 oder 1) umgewandelt. Eine Ausprägung dient dabei als Referenzkategorie.
Warum ist Datenkodierung für statistische Analysen wichtig?
Ohne eine sorgfältige Kodierung lassen sich viele statistische Verfahren gar nicht erst durchführen. Regressionsmodelle, Varianzanalysen und maschinelle Lernverfahren erwarten numerische Eingaben. Wer kategoriale Daten unkodiert eingibt oder die Kodierung fehlerhaft vornimmt, riskiert falsche oder gar nicht interpretierbare Ergebnisse.
Besonders wichtig ist Datenkodierung in folgenden Kontexten:
- Fragebogenstudien: Likert-Skalen (z. B. 1 = „trifft gar nicht zu“ bis 5 = „trifft voll zu“) müssen konsistent kodiert sein, damit Mittelwerte und Summenscores sinnvoll berechnet werden können.
- Regressionsanalysen: Nominale Variablen wie Geschlecht, Berufsgruppe oder Wohnregion müssen als Dummy-Variablen aufbereitet werden, bevor sie als Prädiktoren eingehen.
- Längsschnittstudien: Wenn dieselbe Variable über mehrere Messzeitpunkte hinweg erhoben wird, muss die Kodierung stabil und einheitlich bleiben.
Praxisbeispiel zu Datenkodierung
Angenommen, du untersuchst in deiner Masterarbeit, ob das Studienfach den Studienerfolg beeinflusst. Als Prädiktor hast du die nominale Variable Studienfach mit drei Ausprägungen: Psychologie, BWL und Informatik.
Um diese Variable in einer linearen Regression verwenden zu können, erstellst du zwei Dummy-Variablen – Informatik dient als Referenzkategorie:
| Studienfach | Dummy 1: Psychologie | Dummy 2: BWL |
|---|---|---|
| Psychologie | 1 | 0 |
| BWL | 0 | 1 |
| Informatik (Referenz) | 0 | 0 |
Im Regressionsmodell gibt der Koeffizient von Dummy 1 an, wie stark sich der Studienerfolg von Psychologie-Studierenden im Vergleich zu Informatik-Studierenden unterscheidet. Die Wahl der Referenzkategorie beeinflusst nicht die Modellgüte, wohl aber die inhaltliche Interpretation der Koeffizienten – sie sollte daher bewusst und sinnvoll getroffen werden.
