Übungsfragen: Klausurvorbereitung

FS 2026

Author

Gidon Frischkorn

Übungsfragen: Klausur

Auf dieser Übungsseite finden Sie weitere Übungsfragen zur Vorbereitung auf die Klausur. Die Fragen werden alle entweder Single-Choice oder K-Prim Fragen mit je 4 Antwortoptionen sein. Die Formatierung der Fragen ist nicht identisch mit der Klausur, das Frageformat ist jedoch identisch. Die Lösungen erklären die korrekten Antworten kurz, wiederholen aber nicht alle Details der jeweiligen Inhalte.

Wichtig: Die Inhalte der Fragen sind nicht repräsentativ für die Inhalte die eventuell in der Prüfung abgefragt werden. Die Fragen sollen Ihnen ermöglichen einen guten Eindruck zu bekommen wie unterschiedliche Inhalte der Vorlesung in der Prüfung abgefragt werden.

Reproduzierbare Analysen

Welche der folgenden Praktiken sind notwendig für eine vollständig reproduzierbare Datenanalyse?

Reproduzierbare Analysen erfordern dokumentierte Skripte, relative Pfade mit here() und kontrollierten Zufall durch set.seed(). Die Geschwindigkeit des Computers hat keinen Einfluss auf die Reproduzierbarkeit — das Ergebnis muss unabhängig vom verwendeten System identisch sein.

R-Projekte & relative Pfade

Welche Aussage beschreibt am besten den Hauptvorteil des here-Pakets gegenüber setwd()?

Der Hauptvorteil von here() ist, dass Pfade relativ zum Projektordner aufgebaut werden. Das bedeutet, dass ein Skript auf jedem Computer funktioniert, solange die Projektstruktur identisch ist — im Gegensatz zu setwd(), das einen absoluten Pfad setzt. here() ist nicht schneller beim Lesen und kann keine Dateien herunterladen. here() funktioniert zwar technisch auch ohne .Rproj-Datei, dies entspricht aber nicht guter Coding-Praxis: Ohne R-Projekt fehlt die klare Verankerung des Arbeitsverzeichnisses, und die Reproduzierbarkeit des Skripts ist nicht mehr gewährleistet.

Daten Einlesen & Validieren

Sie erhalten eine unbekannte Datendatei messdaten.dat. Welche der folgenden Vorgehensweisen ist der empfohlene erste Schritt zum Einlesen dieser Datei?

Der empfohlene erste Schritt ist readLines(): Diese Funktion liest die rohen Textzeilen und zeigt Trennzeichen, Dezimaltrennzeichen, Header und Kodierung an — ohne die Datei zu verändern. Erst dann wählt man die passende Einlesefunktion. read.csv() und read.table() mit Standardeinstellungen können fehlschlagen oder falsche Ergebnisse liefern, wenn die Standardeinstellungen nicht zum Format passen. Excel kann Datenformate verändern und eignet sich nicht als Teil eines reproduzierbaren Workflows.

Datenaufbereitung I: Tidy Data & Umkodierung

Welche der folgenden Aussagen zur 3-Ebenen-Validierung von Datensätzen sind korrekt?

Die Aussagen zur Struktur-Ebene, Werte-Ebene und Konsistenz-Ebene beschreiben die 3 Ebenen der Validierung korrekt. Die Ebenen bauen logisch aufeinander auf: Erst Struktur (sind alle Variablen vorhanden?), dann Werte (sind sie plausibel?), dann Konsistenz (stimmen sie mit anderen Quellen überein?). Die Aussage, die Reihenfolge sei beliebig, ist falsch — es gibt eine sinnvolle Reihenfolge: Wenn Struktur-Probleme nicht behoben sind, können Wert-Validierungen fehlschlagen.

Datenaufbereitung II: Fehlende Werte & Ausreisser

In einer Studie werden Stress und Schlaf erhoben. Personen mit sehr hohem Stress haben die Stressfrage aus Überforderung nicht beantwortet — das Fehlen von stress hängt also direkt vom (nicht beobachteten) Stresswert selbst ab. Zusätzlich fehlen Schlafwerte (schlaf) häufiger bei Personen, die Schichtarbeit angegeben haben — das Fehlen von schlaf lässt sich also durch eine andere, beobachtete Variable (schichtarbeit) erklären. Welche Zuordnung der Missing-Mechanismen ist korrekt?

Korrekt sind die Zuordnungen von stress zu MNAR und von schlaf zu MAR. stress fehlt nach MNAR — der hohe Stress selbst ist die Ursache für das Fehlen, d. h. das Fehlen hängt vom nicht beobachteten Wert der Variable ab. schlaf fehlt nach MAR — das Fehlen lässt sich durch die beobachtete Variable schichtarbeit erklären, nicht durch den Schlafwert selbst. Die Zuordnung von stress zu MCAR ist falsch — MCAR würde bedeuten, dass das Fehlen völlig zufällig und unabhängig vom Stressniveau ist, was dem Szenario widerspricht. Die Zuordnung von schlaf zu MNAR ist falsch — MNAR läge vor, wenn das Fehlen vom Schlafwert selbst abhinge; hier wird das Fehlen aber durch eine andere Variable (schichtarbeit) erklärt, was MAR entspricht.

Programmieren mit R: Eigene Funktionen

Eine Kollegin zeigt Ihnen folgenden Code aus ihrem Analyseskript. Sie hat die gleiche Validierungslogik in drei Varianten kopiert:

# Prüfung wm_score_t2
ausserhalb_wm <- daten$wm_score_t2 < 0 | daten$wm_score_t2 > 100
cat("WM: ", sum(ausserhalb_wm, na.rm = TRUE), "Werte ausserhalb\n")

# Prüfung stress_rating_t2
ausserhalb_stress <- daten$stress_rating_t2 < 1 | daten$stress_rating_t2 > 10
cat("Stress: ", sum(ausserhalb_stress, na.rm = TRUE), "Werte ausserhalb\n")

# Prüfung age
ausserhalb_age <- daten$age < 16 | daten$age > 35
cat("Age: ", sum(ausserhalb_age, na.rm = TRUE), "Werte ausserhalb\n")

Welche Aussagen zu diesem Code sind korrekt?

Der Code wiederholt die gleiche Logik (Grenzwertprüfung + Zählung + Ausgabe) mit unterschiedlichen Parametern — ein klassischer Fall für eine Funktion. Eine Funktion wie pruefe_bereich(x, min, max) würde die Logik einmal definieren; unterschiedliche Grenzen werden als Argumente übergeben. Bei einer Erweiterung (vierte Variable) genügt ein Funktionsaufruf statt eines kopierten Blocks. Falsch ist: Gerade weil sich nur die Parameter unterscheiden, eignet sich der Code für eine Funktion — die unterschiedlichen Grenzen werden als Argumente übergeben.

Deskriptive Statistik berechnen

Sie erhalten folgenden R-Output für gruppierte deskriptive Statistiken:

# A tibble: 3 × 6
  gruppe     n     M   Mdn    SD   IQR
  <chr>  <int> <dbl> <dbl> <dbl> <dbl>
1 EG        35  68.2  67.5  11.4  14.8
2 KG        38  57.1  56.8  12.0  15.2
3 WG        27  59.8  52.3  18.7  22.1

Was fällt Ihnen an diesem Output auf, und welche Konsequenz hat das für die weitere Analyse?

In der WG ist M − Mdn = 7.5 Punkte, was auf eine rechtsschiefe Verteilung hindeutet — hier gibt der Median die typische Leistung besser wieder. Die deutlich grössere SD in der WG (18.7 vs. 11–12) zeigt, dass die Gruppen in ihrer Streuung nicht vergleichbar sind — eine Beobachtung, die im deskriptiven Bericht festgehalten werden sollte, weil sie die Interpretation späterer Vergleiche beeinflusst. In der EG liegen M und Mdn nahe beieinander, was für eine symmetrische Verteilung spricht. Falsch ist: Ungleiche Gruppengrössen sind kein Hindernis für gruppierte Deskriptivstatistiken — group_by() + summarise() funktioniert unabhängig von der Gruppengrösse.

Datenvisualisierung I: Grundlagen ggplot2

Betrachten Sie folgenden ggplot2-Code:

ggplot(wm_daten, aes(x = gruppe, y = wm_score_t2, fill = gruppe)) +
  geom_boxplot() +
  geom_jitter(width = 0.2, alpha = 0.3) +
  labs(
    title = "WM-Score nach Experimentalgruppe (Post-Intervention)",
    x = "Gruppe",
    y = "Working Memory Score (t2)"
  ) +
  theme_minimal()

Welche Aussage beschreibt am besten, was dieser Code erzeugt?

Der Code kombiniert zwei geometrische Schichten: geom_boxplot() erzeugt pro Gruppe einen Boxplot (mit Median, IQR, Whiskers), und geom_jitter() fügt die einzelnen Datenpunkte leicht versetzt hinzu (width = 0.2) mit Transparenz (alpha = 0.3). Diese Kombination ist gute Praxis, weil Boxplots allein die Verteilungsform und Einzelwerte verbergen können. fill = gruppe färbt die Boxplots nach Gruppe. labs() setzt Beschriftungen und theme_minimal() ein schlichtes Design. Es handelt sich weder um ein Histogramm noch um ein Balkendiagramm — diese würden andere Geome erfordern (geom_histogram() bzw. geom_bar()).

Datenvisualisierung II: Erweiterungen

Sie erstellen eine Grafik für eine wissenschaftliche Publikation. Betrachten Sie folgenden Code:

p1 <- ggplot(wm_daten, aes(x = age, y = wm_score_t2)) +
  geom_point(alpha = 0.4) +
  geom_smooth(method = "lm") +
  facet_wrap(~gruppe) +
  labs(x = "Alter (Jahre)", y = "WM-Score (Punkte)") +
  theme_bw()

ggsave("ergebnisse/scatter_age_wm.pdf",
       plot = p1, width = 18, height = 10, units = "cm", dpi = 300)

Welche Aussagen zu diesem Code sind korrekt?

facet_wrap(~gruppe) teilt die Grafik in Panels mit identischen Achsen, was den direkten Vergleich ermöglicht. PDF ist ein Vektorformat — ideal für Publikationen, da es skalierbar ist. Die Regressionslinien pro Panel zeigen visuell, ob die Steigungen vergleichbar sind (parallel = kein Interaktionseffekt) oder unterschiedlich (mögliche Interaktion). Falsch ist hingegen: dpi (dots per inch) ist primär für Rasterformate wie PNG relevant, nicht für Vektorformate wie PDF — bei PDF wird dpi für eingebettete Rasterelemente verwendet, aber das PDF selbst ist auflösungsunabhängig.

Ergebnisberichte: Quarto & Markdown

Eine Studentin erstellt ihren Analysebericht als Quarto-Dokument (.qmd). Sie hat folgenden Aufbau:

Chunk 1 (Setup):

library(dplyr)
library(ggplot2)
daten <- read.csv2(here::here("daten", "WM_Fragebögen_NEU.csv"))

Chunk 2 (Deskription):

daten |>
  group_by(gruppe) |>
  summarise(M = mean(wm_score_t2, na.rm = TRUE), SD = sd(wm_score_t2, na.rm = TRUE))

Fliesstext zwischen Chunk 2 und 3: “Der Mittelwert in der KG beträgt 65.1 Punkte (manuell eingetippt).”

Chunk 3 (Grafik):

ggplot(daten, aes(x = gruppe, y = wm_score_t2)) + geom_boxplot()

Welche Aussagen sind korrekt?

Manuell eingetippte Zahlen im Fliesstext sind fehleranfällig — bei Datenänderungen muss die Zahl von Hand aktualisiert werden. Inline-R-Code (z. B. in der Form eines R-Ausdrucks im Fliesstext) wäre reproduzierbar. Die Chunk-Reihenfolge ist korrekt: Setup → Analyse → Visualisierung, was der sequentiellen Ausführung von Quarto entspricht. message: false unterdrückt Paketmeldungen im Output. Falsch ist: echo: false verbirgt den Code im gerenderten Dokument, löscht ihn aber nicht — der Code bleibt im Quelldokument (.qmd) vollständig erhalten und wird weiterhin ausgeführt.

Anwendung I: Gruppenvergleiche & ANOVA

In einer hypothetischen Studie (nicht dem Stress-WM-Projekt) wurden drei experimentelle Bedingungen verglichen: eine Experimentalgruppe (EG), eine Kontrollgruppe (KG) und eine Wartekontrollgruppe (WG). Sie führen eine vollständige ANOVA-Analyse durch und dokumentieren die Schritte:

Schritt 1 — Deskription: M(EG) = 65.1, M(KG) = 58.2, M(WG) = 59.8

Schritt 2 — Visuelle Annahmenprüfung mit performance::check_model(): QQ-Plot der Residuen unauffällig, Residuen vs. Fitted ohne klaren Trichter, keine einflussreichen Ausreisser.

Schritt 3 — ANOVA: F(2, 97) = 4.15, p = .019, η²_G = .08

Schritt 4 — Post-hoc mit emmeans (Bonferroni-Korrektur):

 contrast  estimate    p
 EG - KG       6.9  .012
 EG - WG       5.3  .087
 KG - WG      -1.6  1.00

Welche Aussagen zum Ergebnisbericht sind korrekt?

Die visuelle Annahmenprüfung mit check_model() (Anschluss an Sitzung 11) ist in diesem Kurs die Standardvorgehensweise — ein unauffälliges Bild rechtfertigt die klassische ANOVA ohne weitere Anpassung. Die Post-hoc-Vergleiche zeigen, dass nur EG vs. KG signifikant ist (p = .012, Differenz = 6.9 Punkte). Die Effektgrösse η²_G = .08 muss berichtet werden, weil der p-Wert allein nichts über die Relevanz des Effekts aussagt. Falsch ist: In einem vollständigen Ergebnisbericht werden alle Post-hoc-Vergleiche berichtet — auch die nicht-signifikanten. Das selektive Berichten nur signifikanter Vergleiche wäre intransparent und widerspricht guter wissenschaftlicher Praxis.

Anwendung II: Regression & Vorhersagen

Ein Forschungsteam baut schrittweise ein Regressionsmodell auf den WM-Projektdaten auf:

Modell 1: lm(wm_score_t2 ~ age) → R² = .067, b(age) = 0.82, p = .009

Modell 2: lm(wm_score_t2 ~ age + gruppe) → R² = .142, b(age) = 0.75, p = .014, b(gruppeStress) = 6.3, p = .008

Modell 3: lm(wm_score_t2 ~ age * gruppe) → R² = .148, Interaktion p = .340

Modellvergleich 2 vs. 3: anova(modell2, modell3) → p = .340

Welche Aussagen fassen die Ergebnisse korrekt zusammen?

Der Rückgang des Alterskoeffizienten von 0.82 auf 0.75 zeigt, dass ein Teil des Alterseffekts mit der Gruppenzugehörigkeit zusammenhing — im multiplen Modell wird der „reine” Alterseffekt sichtbar (adjustiert für Gruppe). Der Modellvergleich zeigt, dass die Interaktion den Modellfit nicht signifikant verbessert (p = .340) — Modell 2 ist daher sparsamer und vorzuziehen. Der Gruppenkoeffizient b(gruppeStress) = 6.3 ist der adjustierte Unterschied zwischen Stressgruppe und KG (Referenzgruppe KG, da alphabetisch), kontrolliert für Alter. Falsch ist: Der höchste R²-Wert allein rechtfertigt kein komplexeres Modell, weil R² mit jedem Prädiktor steigt. Der formale Modellvergleich zeigt, dass der R²-Zuwachs von .142 auf .148 nicht signifikant ist.