Übung 7 - Deskriptive Statistik berechnen

FS 2026

Author

Gidon Frischkorn

Wiederholung & Vertiefung: Deskriptive Statistik

In dieser Übung beschäftigen wir uns mit der Berechnung und Interpretation deskriptiver Kennwerte in R. Deskriptive Statistik ist kein Selbstzweck — sie ist die Entscheidungsgrundlage für weiterführende Analysen.

Kennwerte im Überblick (Auffrischung)

Skalenniveau Lagemass Streuungsmass
Nominal Modus Häufigkeiten
Ordinal Median IQR
Metrisch (symmetrisch) Mittelwert SD
Metrisch (schief) Median IQR

Faustregel: Wenn Mittelwert ≠ Median, deutet das auf eine schiefe Verteilung hin. In diesem Fall ist der Median das robustere Lagemass.

Was berechnet R eigentlich?

R trifft bei deskriptiven Funktionen bestimmte Standardeinstellungen, die man kennen sollte:

  • sd() rechnet mit N−1: R berechnet die Schätzung der Standardabweichung in der Population auf Basis der Stichprobe (Division durch N−1), nicht d ie beobachtete (oder empirische) Standardabweichung in der Stichprobe (Division durch N). Das ist die richtige Wahl für inferentielle Analysen — keine manuelle Korrektur nötig. Gleiches gilt für var().

  • NA-Propagation: mean(x) gibt NA zurück, sobald ein einziger fehlender Wert vorliegt. R zwingt uns damit zu einer bewussten Entscheidung: Mit na.rm = TRUE schliessen wir fehlende Werte explizit aus. Das gilt für mean(), sd(), median(), var(), min(), max() und sum().

  • Immer N berichten: Jede deskriptive Statistik sollte von der Anzahl gültiger Werte begleitet werden. n() zählt alle Zeilen (inkl. NA), sum(!is.na(x)) zählt nur gültige Werte. Ohne N fehlt die Grundlage zur Einordnung.

Split-Apply-Combine

Für gruppierte Auswertungen folgen wir dem Split-Apply-Combine-Prinzip:

  1. Split: Daten nach Gruppen aufteilen (group_by())
  2. Apply: Kennwert pro Gruppe berechnen (summarise())
  3. Combine: Ergebnisse zusammenführen (passiert automatisch)

Übungen

Beantworten Sie die folgenden Fragen zur deskriptiven Statistik.

Sie erhalten folgenden R-Output einer gruppierten deskriptiven Auswertung:

# A tibble: 2 × 5
  gruppe     n     M   Mdn    SD
  <chr>  <int> <dbl> <dbl> <dbl>
1 EG        52  65.1  64.8  12.3
2 KG        48  58.2  57.9  13.1

Welche Aussagen zur Interpretation dieses Outputs sind korrekt?

Der Mittelwertsunterschied (65.1 vs. 58.2) ist deskriptiv sichtbar, aber ob er signifikant ist, erfordert einen inferenzstatistischen Test — Deskription bereitet die Inferenz vor. Dass M ≈ Mdn in beiden Gruppen gilt, spricht gegen starke Schiefe, was für die Wahl des Mittelwerts als Lagemass spricht. Die ähnlichen SD-Werte deuten auf vergleichbare Varianzen hin — eine Voraussetzung (Varianzhomogenität) für die klassische ANOVA. Falsch ist, dass eine kleinere Stichprobe die Kennwerte automatisch weniger valide macht — die Schätzungen sind weniger präzise (grösserer Standardfehler), aber nicht zwangsläufig weniger valide.

Sie berechnen deskriptive Kennwerte für die Variable wm_score und erhalten folgenden Output:

daten |>
  summarise(
    M   = mean(wm_score),
    Mdn = median(wm_score),
    SD  = sd(wm_score)
  )
# # A tibble: 1 × 3
#       M   Mdn    SD
#   <dbl> <dbl> <dbl>
# 1    NA  64.1  NA

Welche Aussagen sind korrekt?

In R geben mean() und sd() standardmässig NA zurück, sobald ein einziger fehlender Wert in den Daten vorliegt. Die Lösung ist das Argument na.rm = TRUE, das fehlende Werte vor der Berechnung ausschliesst. Falsch ist, dass median() fehlende Werte automatisch ignoriert — auch median() gibt bei fehlenden Werten NA zurück. Dass im Beispiel ein Wert erscheint, kann z. B. daran liegen, dass die Spalte in einer Version ohne NAs vorlag oder der Output nur illustrativ ist. Ebenso falsch ist, dass NA bedeute, die Variable sei nicht numerisch — NA entsteht hier durch fehlende Werte, nicht durch einen falschen Datentyp.

Sie möchten deskriptive Kennwerte (M, SD) für mehrere numerische Variablen gleichzeitig berechnen — eine Zeile pro Variable. Betrachten Sie folgenden Code:

wm_daten |>
  pivot_longer(
    cols = c(wm_score_t1, stress_rating_t1, sleep_hours_t1),
    names_to = "variable",
    values_to = "wert"
  ) |>
  group_by(variable) |>
  summarise(
    N  = sum(!is.na(wert)),
    M  = mean(wert, na.rm = TRUE),
    SD = sd(wert, na.rm = TRUE)
  )

Was beschreibt die Funktion von pivot_longer() in diesem Workflow am besten?

pivot_longer() transformiert die Datenstruktur von breit nach lang: Die drei Spalten (wm_score_t1, stress_rating_t1, sleep_hours_t1) werden in zwei neue Spalten umgewandelt — variable (enthält den Variablennamen) und wert (enthält den zugehörigen Messwert). Jede Zeile im Originaldatensatz wird dadurch zu drei Zeilen. Erst dieser Umformungsschritt ermöglicht es, mit group_by(variable) nach Variablen zu gruppieren und mit summarise() die Kennwerte pro Variable zu berechnen. pivot_longer() berechnet selbst keine Kennwerte — das übernimmt summarise(). Die Funktion filtert auch keine Spalten im engeren Sinne, sondern strukturiert sie um. Die Gruppierung geschieht nicht durch pivot_longer(), sondern durch group_by().

Hinweis: In der Vorlesung haben wir den Code am Beispiel wm_score_t1 × gruppe gesehen. In den folgenden Aufgaben wenden Sie das gleiche Muster auf andere Variablen an — Sie müssen also nicht kopieren, sondern übertragen. Ein kurzer Blick in die Vorlesungsfolien als Referenz ist völlig in Ordnung.