Übung 5 - Datenaufbereitung II: Fehlende Werte & Ausreisser
FS 2026
Wiederholung & Vertiefung: Fehlende Werte & Ausreisser
In dieser Übung beschäftigen wir uns mit zwei häufigen Datenproblemen: fehlenden Werten und Ausreissern. Beide können Analysen systematisch verzerren — weshalb es wichtig ist, sie zu erkennen, zu verstehen und begründet mit ihnen umzugehen.
Wenn Sie die Inhalte der Vorlesung nochmal vertiefen wollen, empfehle ich Ihnen folgende Videos:
Implizite fehlende Werte
Bevor der Mechanismus des Fehlens beurteilt werden kann, müssen fehlende Werte überhaupt als solche erkannt werden. Das ist nicht selbstverständlich: Rohdaten enthalten fehlende Werte häufig in Formen, die R nicht automatisch als NA erkennt.
Typische implizite Formen:
| Form | Beispiel | Problem |
|---|---|---|
| Leerstring | "" |
R liest es als gültige Zeichenkette |
| Platzhalter | "fehlt", "k.A.", "missing" |
Werden als Kategorie behandelt |
| Sentinelwert | -99, -1, 999 |
Verfälschen Mittelwerte und Varianzen |
Solche Werte müssen explizit umkodiert werden — entweder beim Import oder danach:
# Option 1: Beim Import (sauberste Lösung)
read.csv("daten.csv", na.strings = c("", "fehlt", "-99"))
# Option 2: Nachträglich mit na_if()
library(dplyr)
daten <- daten |> mutate(variable = na_if(variable, -99))Erst wenn alle impliziten NAs kodiert sind, macht eine Zählung mit is.na() verlässliche Aussagen.
Mechanismen fehlender Werte
Nicht alle fehlenden Werte sind gleich. Der Mechanismus des Fehlens bestimmt, wie stark eine Analyse verzerrt wird und welche Strategie angemessen ist:
| Mechanismus | Bedeutung | Beispiel |
|---|---|---|
| MCAR (Missing Completely At Random) | Fehlen ist unabhängig von allen Variablen | Technischer Ausfall beim Speichern |
| MAR (Missing At Random) | Fehlen hängt von anderen bekannten Variablen ab | Gestresste TN übersprangen häufiger Fragebogenseiten |
| MNAR (Missing Not At Random) | Fehlen hängt vom fehlenden Wert selbst ab | Hoher Stress → keine Stressbewertung abgegeben |
Der Mechanismus ist oft nicht direkt aus den Daten bestimmbar — er erfordert inhaltliches Wissen über den Erhebungsprozess. Die Strategie folgt aus dem vermuteten Mechanismus:
- MCAR → Ausschluss (listwise deletion) ist vertretbar, aber verkleinert die Stichprobe
- MAR → Imputation (z. B. multiple Imputation) ist meist besser als Ausschluss
- MNAR → Beides ist problematisch; Transparenz und Sensitivitätsanalysen sind nötig
Ausreisser erkennen
Ausreisser sind Werte, die ungewöhnlich weit vom Zentrum der Verteilung abweichen. Zwei gängige Kriterien:
IQR-Regel:
- Untere Grenze: Q1 − 1,5 × IQR
- Obere Grenze: Q3 + 1,5 × IQR
- In R:
Q1 <- quantile(x, 0.25); Q3 <- quantile(x, 0.75); IQR_val <- IQR(x)
z-Score-Kriterium:
- z = (x − Mittelwert) / Standardabweichung
- Ausreisser: |z| > 3
- In R:
z_scores <- scale(x); which(abs(z_scores) > 3)
Ausreisser müssen nicht zwingend entfernt werden. Stattdessen sollten Sie prüfen: Ist der Wert ein Messfehler? Oder ein echter extremer Wert? Die Entscheidung muss begründet und dokumentiert werden.
Übungen
Beantworten Sie die folgenden Fragen zu fehlenden Werten und Ausreissern.
Wie in den Übungen finden Sie unter den Übungsfragen die webr Konsole, die Ihnen das Schreiben und Durchführen von R Code direkt auf der Website ermöglicht. Wenn viele Studierenden die Übungen parallel machen, dann kann es sein, dass webr langsam wird.
Um den Code den Sie geschrieben haben auszuführen drücken Sie entweder
Run Code, damit der gesamte Code ausgeführt wird. Alternativ können Sie auch einzelne Zeilen ausführen, indem sie CTRL+Enter (Windows) oder CMD+Enter (Mac) drücken.
Welche der folgenden Aussagen zu den Mechanismen fehlender Werte (MCAR, MAR, MNAR) sind korrekt?
Korrekt sind die Aussagen zu MCAR und MNAR. Bei MCAR fehlen die Werte unabhängig von allen anderen Variablen — ein technischer Ausfall ist ein typisches Beispiel. Bei MNAR fehlt ein Wert genau dann häufiger, wenn er selbst extrem ist — z. B. berichten Personen mit sehr hohem Stress ihre Stresswerte seltener. Die Aussage, MAR bedeute vollständige Zufälligkeit, ist falsch: Bei MAR hängt das Fehlen von anderen bekannten Variablen ab, aber nicht vom fehlenden Wert selbst. Die Aussage, MNAR sei unproblematisch, ist ebenfalls falsch — MNAR ist gerade deshalb problematisch, weil das Fehlen systematisch und nicht zufällig ist.
Welche R-Funktion gibt Ihnen für jede Spalte eines Data Frames an, wie viele fehlende Werte (NA) enthalten sind?
Korrekt ist colSums(is.na(daten)). Diese Funktion kombiniert is.na() (das für jeden Wert TRUE zurückgibt, wenn er NA ist) mit colSums() (das die Anzahl der TRUE-Werte pro Spalte summiert) — das Ergebnis ist ein benannter Vektor mit der fehlenden-Werte-Anzahl je Variable. sum(is.na(daten)) gibt nur eine einzige Gesamtzahl zurück, ohne Aufschlüsselung nach Spalten. na.omit() und complete.cases() identifizieren keine Spaltenmuster — sie operieren auf Zeilenebene.
Welche der folgenden Aussagen zu Ausreissern und ihrer Identifikation sind korrekt?
Korrekt sind die Aussagen zur IQR-Regel und zum z-Score-Kriterium. Die IQR-Regel definiert Ausreisser als Werte ausserhalb des 1,5-fachen Interquartilsabstands über Q3 bzw. unter Q1 — in R: Q1 - 1.5 * IQR(x) und Q3 + 1.5 * IQR(x). Das z-Score-Kriterium identifiziert Werte, die mehr als 3 Standardabweichungen vom Mittelwert abweichen, als Ausreisser. Ausreisser müssen nicht zwingend entfernt werden: Sie können auch untersucht, transformiert oder im Rahmen von Sensitivitätsanalysen behandelt werden. Beide Methoden führen nicht immer zu denselben Ergebnissen, da sie auf unterschiedlichen Kennzahlen beruhen (IQR vs. Mittelwert/SD) und bei schiefen Verteilungen unterschiedliche Werte als Ausreisser klassifizieren können.
Nutzen Sie eine Suchmaschine, wenn Sie nicht wissen welche Funktionen Ihnen ein bestimmtes Ergebnis liefern.
