Seminar R – Statistische Auswertungen und Hypothesentests

Seminarbeschreibung

Statistische Software liefert schnell Zahlen; belastbare Aussagen entstehen erst durch eine passende Fragestellung und die Prüfung der Annahmen. Das Seminar entwickelt einen strukturierten Weg von der Beschreibung eines Datensatzes über die Auswahl eines Verfahrens bis zur verständlichen Interpretation. Die Berechnungen in R werden mit grafischen Kontrollen und einfachen Simulationen verbunden.

Im Mittelpunkt stehen typische Vergleichs- und Zusammenhangsfragen aus betrieblichen und wissenschaftlichen Auswertungen. Signifikanz, praktische Relevanz und Unsicherheit werden getrennt betrachtet. Die Beispiele zeigen außerdem, warum fehlende Daten, nicht unabhängige Beobachtungen oder eine ungeplante Vielzahl von Tests die Interpretation beeinträchtigen können.

Zielgruppe

Analysten, wissenschaftliche Mitarbeiter und Fachkräfte aus Qualitätsmanagement, Controlling und Forschung mit ersten R-Erfahrungen.

Voraussetzungen

R-Grundkenntnisse einschließlich Datenimport, Data Frames und einfacher Grafiken. Mathematische Schulkenntnisse und Verständnis für Mittelwerte und Prozentangaben. Statistische Spezialkenntnisse sind nicht erforderlich.

Lernziele

• Fragestellungen in Variablen, Vergleichsgruppen und prüfbare Annahmen übersetzen.
• Kennzahlen und Konfidenzintervalle sachgerecht berechnen und interpretieren.
• Grundlegende Tests passend zu Skalenniveau und Untersuchungsdesign auswählen.
• Effektgröße, Unsicherheit und statistische Signifikanz getrennt berichten.

Inhaltsübersicht

1. Untersuchungsdesign und Datenverständnis
2. Deskriptive Statistik und Verteilungen
3. Schätzen und Unsicherheit
4. Vergleiche von Gruppen
5. Kategoriale Daten und Zusammenhänge
6. Analyseplan und nachvollziehbare Interpretation

Seminarinhalte

Untersuchungsdesign und Datenverständnis

Die fachliche Frage bestimmt den Aufbau der Analyse.

• Grundgesamtheit, Stichprobe, Beobachtungseinheit und Skalenniveau unterscheiden.
• Unabhängige und verbundene Beobachtungen anhand von Beispielen erkennen.
• Fehlende Werte, Ausreißer und mögliche Verzerrungen dokumentieren.

Deskriptive Statistik und Verteilungen

Beschreibende Kennzahlen werden mit der Form der Daten abgeglichen.

• Lage, Streuung, Quantile und Häufigkeitstabellen in R berechnen.
• Schiefe, Ausreißer und gruppenspezifische Unterschiede grafisch untersuchen.
• Normal- und Binomialverteilung mit Simulationen anschaulich einordnen.

Schätzen und Unsicherheit

Schätzwerte werden gemeinsam mit ihrer Unsicherheit beurteilt.

• Standardabweichung und Standardfehler voneinander abgrenzen.
• Konfidenzintervalle berechnen und ihre langfristige Überdeckung korrekt erklären.
• Bootstrap-Verfahren an einfachen Kennzahlen nachvollziehen und Grenzen kleiner Stichproben diskutieren.

Vergleiche von Gruppen

Testverfahren werden anhand von Design und Annahmen ausgewählt.

• Null- und Alternativhypothese, Signifikanzniveau und p-Wert einordnen.
• Welch-t-Test und gepaarten t-Test passend zu den Daten einsetzen.
• Nichtparametrische Alternativen mit ihren jeweiligen Fragestellungen vergleichen; Effektgrößen ergänzen.

Kategoriale Daten und Zusammenhänge

Zusammenhangsanalysen werden ohne vorschnelle Kausalaussagen durchgeführt.

• Kreuztabellen sowie Chi-Quadrat- und Fisher-Test anhand der Zellbesetzung beurteilen.
• Pearson- und Spearman-Korrelation einsetzen und grafisch prüfen.
• Mehrfachtests, adjustierte p-Werte und Grenzen explorativer Befunde berücksichtigen.

Analyseplan und nachvollziehbare Interpretation

Die statistische Auswertung wird als überprüfbare Argumentation aufgebaut.

• Verfahren und Entscheidungskriterien vor der Auswertung schriftlich festlegen.
• Schätzwerte, Intervalle, Teststatistiken und praktische Relevanz gemeinsam berichten.
• Eine Simulation zur Stichprobengröße durchführen und deren Annahmen offenlegen.

Praxisprojekt

1. Eine Vergleichsfrage mit unabhängigen und eine mit verbundenen Messungen formulieren.
2. Beobachtungseinheiten, fehlende Werte und Verteilungen prüfen.
3. Passende Verfahren auswählen und die Auswahl begründen.
4. Effektgrößen und Unsicherheitsintervalle gemeinsam mit Testergebnissen ausgeben.
5. Eine kurze Interpretation mit klarer Trennung von Beobachtung, Annahme und Schlussfolgerung schreiben.