Data Screening

Question 1

Warum ist Data-Screening sinnvoll?

Answer 1

• essentiell für eine “ehrliche” Analyse (z.B. Fehleranalyse, Prüfung stat. Voraussetzungen)
• Fehler im Datensatz könnten Ergebnisse substantiell verzerren
• wichtig: geplantes Vorgehen

Question 2

Wie können Fehler im Datensatz die Ergebnisse substantiell verzerren?

Answer 2

• “erhöhte Fehlervarianz”
• Ausreißer
• Systematische Verzerrungen

Question 3

Checkliste für das Data-Screening

Answer 3

1. Überprüfung der univariaten Deskriprivstatistik (Out-of-Range Werte, Plausbilität MW und SD, Univariate Ausreißer)
2. Analyse von Umfang und Verteilung von fehlenden Werten
3. Überprüfung von paarweisen Scatterplots (Nonlinearität, Heteroskedastizität)
4. Überprüfung von Normalverteilung (Schiefe und Kurtosis; ggf. Variablen transformieren)
5. Identifikation multivariater Ausreißer (Welche Variablen sind beteiligt?)
6. Ausschluss von Multikollinearität und Singularität

Question 4

Was bedeutet Multikollinearität?

Answer 4

Variablen sind sehr hoch korreliert (r > .90)

z.B. zwei Intelligenztests sind multikollinear

Question 5

Was versteht man unter Singularität?

Answer 5

• Variablen sind perfekt korreliert (d.h. r = 1).
• Eine Variable lässt sich als Linearkombination anderer Variablen darstellen
• z.B. Das Gesamtergebnis eines Tests ist singulär zu den Ergebnissen der Sub-Tests

Question 6

Welche Probleme gibt es bei Multikollinearität und Singularität?

Answer 6

• Redundante Information wird aufgenommen
• Statistisches Problem: die Inverse Matrix ist nicht mehr definiert bzw. ist instabil

Question 7

Wie lassen sich die Probleme von Multikollinearität und Singularität lösen?

Answer 7

Durch die Entfernung einer redundanten Variablen.