R-Datensatz für die Thesis richtig vorbereiten

Der Regressionsoutput sieht auf den ersten Blick plausibel aus - bis auffällt, dass das Alter einer Person mit 999 Jahren codiert ist, fehlende Werte als 0 in die Analyse eingehen oder dieselbe Versuchsperson doppelt vorkommt. Wer einen R Datensatz vorbereiten Thesis-Prozess lediglich als technischen Zwischenschritt behandelt, riskiert genau solche Fehler. Die Datenaufbereitung entscheidet mit darüber, ob Ihre Ergebnisse methodisch vertretbar, reproduzierbar und im Ergebnisteil überzeugend sind.

Warum die Datenvorbereitung über die Qualität Ihrer Thesis entscheidet

Statistische Verfahren können keine inhaltlich fehlerhaften, inkonsistenten oder unklar codierten Daten reparieren. R rechnet präzise mit dem, was importiert wurde - auch dann, wenn ein fehlender Wert als 99 gespeichert ist oder eine nominale Kategorie versehentlich als Zahl interpretiert wird. Dadurch entstehen schnell Mittelwerte, Korrelationen und Modelle, die formal korrekt berechnet, fachlich aber nicht belastbar sind.

Für eine Thesis geht es außerdem nicht nur um den finalen Output. Prüferinnen und Prüfer erwarten, dass Entscheidungen zur Datenbereinigung nachvollziehbar sind: Welche Fälle wurden ausgeschlossen? Wie wurden fehlende Werte behandelt? Nach welchem Kriterium wurden Ausreißer geprüft? Eine gute Vorbereitung verbindet deshalb drei Ziele: saubere Analysedaten, transparente Entscheidungen und einen Code, der die Schritte jederzeit erneut ausführen kann.

Der konkrete Aufwand hängt von Studiendesign und Datenquelle ab. Ein sauber exportierter Onlinefragebogen benötigt andere Prüfungen als Routinedaten aus einer Klinik, Messdaten aus einem Labor oder ein selbst zusammengeführter Datensatz aus mehreren Erhebungswellen. Die Reihenfolge bleibt jedoch ähnlich.

R-Datensatz für die Thesis vorbereiten: ein kontrollierter Ablauf

Das Original unverändert sichern

Arbeiten Sie nie direkt in der ursprünglichen CSV-, Excel- oder SPSS-Datei. Legen Sie eine unveränderte Rohdatei in einem klar benannten Ordner ab und führen Sie alle Bereinigungsschritte in einem R-Skript aus. So können Sie später nachvollziehen, wie aus den Rohdaten der Analysedatensatz entstanden ist.

Eine praxistaugliche Projektstruktur trennt Rohdaten, Skripte, erzeugte Tabellen und Abbildungen sowie bereinigte Daten. Dateinamen sollten Versionen und Datum eindeutig abbilden. Vermeiden Sie Bezeichnungen wie `final_final_neu.csv`. Besser ist etwa `daten_bereinigt_2026-07-23.csv`.

Importieren Sie die Datei anschließend und verschaffen Sie sich vor jeder Änderung einen Überblick:

```r
library(readr)
library(dplyr)

raw_data <- read_csv("data/rohdatensatz.csv")

glimpse(raw_data)
summary(raw_data)
```

`glimpse()` zeigt unter anderem Variablennamen und Datentypen. `summary()` hilft, auffällige Minimal- und Maximalwerte, leere Kategorien oder unerwartete Verteilungen früh zu erkennen. Diese ersten Kontrollen sind kein Ersatz für Fachwissen. Ein Wert kann statistisch möglich, inhaltlich aber unplausibel sein.

Variablen verständlich benennen und Datentypen prüfen

Unklare Spaltennamen wie `V12`, `Q_4_3` oder `Variable17` machen die weitere Analyse unnötig fehleranfällig. Benennen Sie Variablen so, dass ihre Bedeutung ohne Codebuch erkennbar bleibt, zum Beispiel `alter_jahre`, `gruppe` oder `depression_score`. Halten Sie die ursprüngliche Fragebogenbezeichnung zusätzlich im Codebuch fest, falls sie für die Dokumentation relevant ist.

Besonders kritisch sind Datentypen. Gruppenvariablen mit den Codes 1 und 2 sind nicht automatisch metrisch. Behandeln Sie sie in R als Faktoren, wenn sie Kategorien darstellen. Datumsangaben, Freitextfelder und Zahlen mit Dezimalkomma benötigen ebenfalls häufig eine gezielte Prüfung.

```r
data <- raw_data |>
rename(
alter_jahre = age,
behandlungsgruppe = group
) |>
mutate(
behandlungsgruppe = factor(behandlungsgruppe,
levels = c(1, 2),
labels = c("Kontrolle", "Intervention"))
)
```

Ob die Faktorenreihenfolge relevant ist, hängt von Ihrer Analyse und Darstellung ab. Bei einer Regression beeinflusst sie beispielsweise die Referenzkategorie. Diese Entscheidung sollte fachlich begründet sein, nicht zufällig durch die Reihenfolge im Datensatz entstehen.

Fehlende Werte, Filter und doppelte Fälle sichtbar machen

Fehlende Werte sind nicht einfach leere Zellen. Zunächst muss geklärt werden, wie sie codiert sind: als `NA`, als leerer Text, als -9, 99 oder als eigener Antwortcode wie „keine Angabe“. Erst danach können sie korrekt behandelt werden.

```r
data <- data |>
mutate(across(everything(), ~ na_if(.x, 99)))

colSums(is.na(data))
```

Die Umcodierung von 99 zu `NA` ist nur korrekt, wenn 99 tatsächlich für fehlend steht. In manchen Skalen kann derselbe Wert ein zulässiger Messwert sein. Prüfen Sie deshalb immer Fragebogen, Codeplan oder Datenexport, bevor Sie Codes pauschal ersetzen.

Anschließend brauchen Sie vorab definierte Regeln für den Einschluss in die Analyse. Dazu zählen etwa unvollständige Einwilligungen, Abbruchfälle, nicht erfüllte Alterskriterien, implausibel kurze Bearbeitungszeiten oder fehlende Werte in zentralen Zielvariablen. Solche Regeln dürfen nicht erst nach Blick auf die gewünschten Ergebnisse entwickelt werden. Formulieren Sie sie anhand Ihres Studienprotokolls, Ihrer Forschungsfrage und nachvollziehbarer methodischer Kriterien.

Doppelte Fälle lassen sich über eine eindeutige ID prüfen. Fehlt eine ID, sind Kombinationen aus Zeitstempel, demografischen Angaben und Antwortmustern nur ein Hinweis - kein sicherer Beweis für ein Duplikat. Gerade bei anonymen Befragungen ist Zurückhaltung angebracht.

Plausibilität und Ausreißer fachlich prüfen

Ein Ausreißer ist nicht automatisch ein Fehler und sollte nie allein entfernt werden, weil er den p-Wert verändert. Prüfen Sie zunächst, ob ein Eingabe-, Übertragungs- oder Kodierungsfehler vorliegt. Danach folgt die fachliche Frage: Ist der Wert unter realistischen Bedingungen möglich? Erst dann ist zu entscheiden, ob der Fall bestehen bleibt, korrigiert werden kann oder begründet ausgeschlossen wird.

Bei metrischen Variablen helfen deskriptive Kennwerte, Histogramme und Boxplots. Für Regressionsmodelle sind zusätzlich einflussreiche Beobachtungen relevant, etwa anhand von Cook's Distance. Die passende Prüfung hängt vom Verfahren ab. Ein hoher Blutwert kann in einer medizinischen Studie ein zentraler Befund sein, während ein Alter von 999 Jahren offensichtlich auf einen Fehler hindeutet.

Dokumentieren Sie jede Änderung. Notieren Sie die Anzahl ausgeschlossener Fälle, den Grund und den Zeitpunkt im Workflow. In der Methodik Ihrer Thesis können diese Informationen später knapp berichtet werden; im Skript bleiben sie vollständig erhalten.

Skalen bilden und neue Variablen erst nach der Itemprüfung erzeugen

Summen- oder Mittelwertscores dürfen nicht blind aus allen Items berechnet werden. Prüfen Sie vorher die Richtung der Items, insbesondere bei invers formulierten Aussagen. Ein nicht korrekt rekodiertes Item kann eine gesamte Skala verfälschen. Berücksichtigen Sie außerdem, wie viele fehlende Itemantworten für einen Score zulässig sind.

```r
data <- data |>
mutate(
item_3_r = 6 - item_3,
stress_mittelwert = rowMeans(select(., item_1, item_2, item_3_r, item_4),
na.rm = TRUE)
)
```

Bei `na.rm = TRUE` wird ein Mittelwert auch dann berechnet, wenn nur ein einziges Item vorliegt. Das ist in vielen Studien nicht sinnvoll. Ergänzen Sie daher eine Mindestanzahl beantworteter Items oder verwenden Sie die in der Literatur zur Skala empfohlene Regel. Bei validierten Instrumenten haben Vorgaben des Manuals Vorrang vor einer bequemen Standardlösung in R.

Reproduzierbarkeit ist mehr als ein ordentliches Skript

Ein nachvollziehbares Skript enthält nicht nur Befehle, sondern auch kurze Kommentare zu Entscheidungen. Schreiben Sie auf, warum ein Filter gesetzt, ein Wert als fehlend codiert oder eine Referenzkategorie gewählt wurde. Speichern Sie den bereinigten Datensatz erst am Ende des Skripts und erzeugen Sie ihn jederzeit aus der Rohdatei neu.

Zusätzlich sollten Sie eine finale Qualitätskontrolle durchführen: Stimmen Fallzahl und Variablennamen mit Ihrer Analyseplanung überein? Sind Kategorien vollständig beschriftet? Wurden alle relevanten Filter angewendet? Enthält der Analyse-Datensatz nur Variablen, die für Auswertung, Sensitivitätsanalysen oder Reporting benötigt werden?

Ein häufiger Fehler besteht darin, Bereinigungsschritte manuell in Excel vorzunehmen und die spätere R-Analyse nur ab dem bereits veränderten Export zu dokumentieren. Das spart kurzfristig Zeit, verhindert aber eine lückenlose Reproduktion. R ist gerade dann besonders wertvoll, wenn jeder Schritt sichtbar, überprüfbar und bei neuen Datenständen wiederholbar bleibt.

Wann methodische Beratung sinnvoll ist

Komplex wird die Vorbereitung insbesondere bei mehrwelligen Daten, verschachtelten Datensätzen, klinischen Routinedaten, vielen fehlenden Werten, psychometrischen Skalen oder bereits auffälligen Ergebnissen. Auch die Entscheidung zwischen Fallwegausschluss, Imputation oder Sensitivitätsanalyse ist keine reine Programmierfrage. Sie muss zu Forschungsfrage, Datengenerierung und geplantem Verfahren passen.

Wenn Sie unsicher sind, ob Ihre Bereinigung methodisch vertretbar ist, kann eine individuelle R-Beratung Klarheit schaffen. Bei Easy Statistik prüfen promovierte Statistiker Datenstruktur, Aufbereitungslogik und Auswertungsplan diskret und nachvollziehbar. Sie behalten dabei die Kontrolle über Ihre wissenschaftliche Arbeit und erhalten eine Dokumentation, die sich für Methodik und Rückfragen nutzen lässt.

Bereiten Sie für eine Anfrage über das Kontaktformular idealerweise Forschungsfrage, Codebuch, Rohdatenstruktur und geplante Analyse vor. Schon diese Unterlagen machen sichtbar, welche Entscheidungen vor dem ersten Modell geklärt werden müssen. Ein sauber vorbereiteter Datensatz ist keine Formalität - er ist die Grundlage dafür, dass Ihre Thesis auch bei kritischen Nachfragen trägt.