Datensätze

FS 2026

Author

Gidon Frischkorn

Überblick

Auf dieser Seite finden Sie eine zentrale Übersicht aller Datensätze, die in den Übungen verwendet werden: Studienkontext, Dateien, Codebook und Hinweise zum Datenformat.

Die Übungen zur Statistik IV begleiten eine fiktive Studie zu Stress und Arbeitsgedächtnis. Bei rund 188 Teilnehmenden wurde vor und nach einer Intervention die Arbeitsgedächtniskapazität gemessen; zusätzlich wurden Schlafdauer und aktuelles Stress-Erleben erfasst. Die Personen wurden zufällig einer Stress- oder Kontrollgruppe zugewiesen.


Datensätze im Überblick

Im Lauf des Semesters arbeiten Sie mit zwei Generationen des Datensatzes:

Datei Inhalt Format Verwendet in
WM_Fragebögen.csv Erste Version: eine Erhebung pro Person CSV (wide) Übungen 1–6
Lab_Kodierung.dat Messy Hiwi-Kodierung zu erster Version TAB Übungen 3–5
WM_Fragebögen_NEU.csv Pre/Post-Messung (_t1, _t2) CSV (wide) Übungen 7–12
Lab_Kodierung_NEU.dat Messy Hiwi-Kodierung zur Pre/Post-Version TAB Übungen 7–12
df_analyse_NEU.csv Analysefertig (bereinigt, wide mit _t1/_t2) CSV (wide) Rückfall S11 / S12

Download: Alle Dateien sind via OLAT zugänglich.

NoteWarum zwei Versionen?

In den ersten fünf Übungen üben Sie Datenimport und Datenaufbereitung. Dafür ist der ursprüngliche Datensatz mit einer einzelnen Erhebung pro Person übersichtlicher.

Ab Übung 7 geht es um Deskription, Visualisierung und inferenzstatistische Analysen. Die Pre/Post-Erhebung erlaubt dann konkretere Fragestellungen: Gruppenvergleiche nach der Intervention oder Veränderung zwischen _t1 und _t2.


Codebook

Personen- und Kontextvariablen

Variable Skalenniveau Mögliche Werte Bedeutung
id nominal (ID) 1, 2, … Eindeutige Teilnehmer-ID
session_code nominal 1/4 … 4/4 Erhebungsbatch innerhalb einer Session
gruppe nominal Stress, KG Experimentelle Bedingung
device nominal Lab, Zuhause Erhebungskontext
coder nominal AB, CD, EF Hiwi, der die Daten kodiert hat
age metrisch 18–35 (plausibel) Alter in Jahren
gender nominal f, m, div, na Selbstangabe

Zielvariablen (im _NEU-Datensatz jeweils mit Suffix _t1 / _t2)

Variable Skalenniveau Range Bedeutung
wm_score metrisch 0 – 40 Arbeitsgedächtnis-Score
sleep_hours metrisch 0 – 12 h Selbstberichtete Schlafdauer
stress_rating metrisch (Skala) 0 – 10 Aktuelles Stress-Erleben

Rohvariablen der Hiwi-Kodierung (Lab_Kodierung_NEU.dat)

Variable Bedeutung Typische Probleme
id_raw Teilnehmer-ID, wie vom Hiwi eingegeben Leerzeichen, ID-02, P17
group_raw Gruppenzuweisung CON, ctrl, stress, STRESS
device_raw Erhebungskontext home, Zuhause, LAB
coder Kürzel des Hiwis Gross-/Kleinschreibung, Leerzeichen
notes Freitextnotizen Hinweise auf Probleme, Duplikate

Versteckte fehlende Werte kommen als vergessen, nicht erhoben, k.A., ? etc. vor — diese müssen bei der Aufbereitung zu echten NA umkodiert werden.


Wide vs. Long — kurz erklärt

Alle Pre/Post-Dateien (WM_Fragebögen_NEU.csv und df_analyse_NEU.csv) liegen im wide format vor: pro Person eine Zeile, die beiden Messzeitpunkte stehen als separate Spalten nebeneinander.

# wide:
# id  wm_score_t1  wm_score_t2  sleep_hours_t1  sleep_hours_t2  …
#  1           26           NA             7.9             8.1
#  2           37           31             7.9              NA

Für bestimmte Analysen (etwa vergleichende Reporting-Tabellen oder Visualisierung nach Messzeitpunkt) ist das long format praktischer: pro Person × Messzeitpunkt eine Zeile, mit einer zusätzlichen Spalte MZP.

# long (bei Bedarf aus wide erzeugen):
library(tidyr)
df_long <- df_analyse |>
  pivot_longer(
    cols          = c(starts_with("wm_score_"),
                      starts_with("sleep_hours_"),
                      starts_with("stress_rating_")),
    names_to      = c(".value", "MZP"),
    names_pattern = "(.+)_(t[12])$"
  )

# id  MZP  wm_score  sleep_hours  stress_rating
#  1  t1         26          7.9           NA
#  1  t2         NA          8.1          4.8

Für ANOVA und Regression mit Baseline-Kontrolle (S11/S12) ist wide direkt nutzbar; für deskriptive Pre/Post-Tabellen oder facettierte Plots lohnt sich der pivot_longer()-Schritt.


Welche Datei verwende ich wann?

  • Übungen 1–6: die ursprünglichen Dateien (WM_Fragebögen.csv, Lab_Kodierung.dat). In den webR-Konsolen auf der Website sind sie bereits integriert.
  • Übungen 7–12: die _NEU-Dateien. Ebenfalls in den webR-Konsolen vorbereitet; die Aufbereitungspipeline (Import, Merge, Recode) wird in jeder Übung inline gezeigt.
  • df_analyse_NEU.csv: Rückfalloption für Übungen 11 und 12, wenn die Datenaufbereitung Sie zu viel Zeit kostet. Bereits bereinigt und im gleichen wide format wie die inline-Pipeline in Übung 7. Direkt einlesbar:
library(here)
df_analyse <- read.csv2(here("daten", "df_analyse_NEU.csv"))
TipWann zur Rückfalloption greifen?

Versuchen Sie in Übungen 11 und 12 zunächst, die Pipeline aus Übung 7 selbst anzuwenden. Wenn Sie nach etwa 15 Minuten keine lauffähige Aufbereitung haben, wechseln Sie auf df_analyse_NEU.csv, damit Sie an den statistischen Analysen weiterarbeiten können. Der Lerneffekt der Analyse-Übungen liegt nicht im erneuten Bereinigen.


Typische Fehler beim Umstieg auf die _NEU-Dateien

Nach dem Wechsel zum Pre/Post-Datensatz stolpern viele Studierende an denselben Stellen. Die folgenden Fehler sind nicht kritisch, kosten aber leicht Zeit.

Unknown column 'wm_score'

Die Zielvariablen heissen nicht mehr wm_score, sleep_hours, stress_rating, sondern tragen einen Suffix für den Messzeitpunkt: wm_score_t1, wm_score_t2, sleep_hours_t1, … Prüfen Sie mit names(wm_daten) oder glimpse(wm_daten), welche Spalten tatsächlich vorliegen.

Code aus Übung 3–5 läuft nicht mehr

Die alte Pipeline in den Übungen 3–5 basiert auf dem ursprünglichen Datensatz ohne Pre/Post. Wenn Sie Code aus diesen Übungen in Übung 7+ übernehmen, müssen Sie Variablennamen und ggf. die Aufbereitungsschritte anpassen.

Duplikate in Lab_Kodierung_NEU.dat

Die Hiwi-Tabelle enthält absichtlich einige doppelte Zeilen (erkennbar an der Notiz “Doppelter Eintrag?”). Vor dem Join mit der Fragebogentabelle: distinct() oder sichten und bewusst entscheiden.

Fehlende Werte stehen als Text drin

In Lab_Kodierung_NEU.dat kommen Einträge wie "vergessen", "k.A.", "?" vor. R erkennt diese nicht automatisch als NA, weil sie in der .dat-Datei als normale Strings stehen. Beim Recoden zu echten NA konvertieren (case_when(...) oder na_if()).

Encoding-Probleme mit Umlauten (v.a. Windows)

Wenn Spaltennamen wie "ö" statt "ö" erscheinen: read.csv2(..., fileEncoding = "UTF-8") setzen.


Changelog

2026-04-17: Überarbeitete Simulationspipeline. Die _NEU-Dateien enthalten jetzt Pre/Post-Messungen für wm_score, sleep_hours und stress_rating. Zusätzlich bereitgestellt: df_analyse_NEU.csv (bereinigt, wide mit _t1/_t2).