Grundlagen der Datenanalyse mit R: Eine anwendungsorientierte Einführung

708 Pages·2017·5.421 MB·German

by  Daniel Wollschläger

Daniel Wollschläger
Grundlagen der
Datenanalyse mit R
Eine anwendungsorientierte Einführung
4., überarbeitete und erweiterte Auflage
DanielWollschläger
InstitutfürMedizinischeBiometrie,EpidemiologieundInformatik(IMBEI)
UniversitätsmedizinderJohannesGutenberg-UniversitätMainz
Mainz,Deutschland
StatistikundihreAnwendungen
ISBN:978-3-662-53669-8 ISBN:978-3-662-53670-4(eBook)
DOI10.1007/978-3-662-53670-4
DieDeutscheNationalbibliothekverzeichnetdiesePublikationinderDeutschenNationalbibliografie;detaillierte
bibliografischeDatensindimInternetüberhttp://dnb.d-nb.deabrufbar.
SpringerSpektrum
©Springer-VerlagGmbHDeutschland2010,2012,2014,2017
SpringerSpektrumistTeilvonSpringerNature
DieeingetrageneGesellschaftistSpringer-VerlagGmbHDeutschland
DieAnschriftderGesellschaftist:HeidelbergerPlatz3,14197Berlin,Germany
Vorwort
Dieses Buch liefert eine an human- und sozialwissenschaftlichen Anwendungen ori-
entierte Einführung in die Datenauswertung mit R. R ist eine freie Umgebung zur
umfassenden statistischen Analyse und grafischen Darstellung von Datensätzen, die
befehlsorientiert arbeitet. Der vorliegende Text soll jenen den Einstieg in R erleichtern,
die in erster Linie grundlegende Auswertungsverfahren anwenden möchten und keine
VorkenntnissemitProgrammenohnegrafischeBenutzeroberflächebesitzen.
Das Buch stellt die Umsetzung grafischer und deskriptiver Datenauswertung, nonpa-
rametrischerVerfahren,(verallgemeinerter)linearerModelleundmultivariaterMethoden
vor. Die Auswahl der behandelten statistischen Verfahren orientiert sich an den Anfor-
derungenderPsychologie,sollaberauchdiewichtigstenAuswertungsmethodenanderer
Human-undSozialwissenschaftensowiederklinischenForschungabdecken.
StrukturundLesereihenfolge
DasBuchbestehtausviergroßenTeilen:
I Kap.1–4befassensichmitdenzumEinlesenundVerarbeitenvonDatennotwendigen
Grundlagen. Kap.1 dient der Einführung in den Umgang mit R sowie in die Syntax
derBefehlssteuerung.InKap.2werdengrundlegendeDatenstrukturengemeinsammit
Methoden zur deskriptiven Datenauswertung behandelt. Kap.3 befasst sich mit der
Organisation von Datensätzen. Die Verwaltung von Befehlen und Daten beschreibt
Kap.4.
II Kap.5–13 behandeln die Anwendung verschiedener statistischer Modelle und Me-
thoden. Kap.5 stellt Hilfsmittel für die schließende Statistik bereit. Diese wird
in Kap.6 (lineare Regression), 7 (t-Tests und Varianzanalysen), 8 (Regression für
kategoriale Daten), 9 (Survival-Analyse), 10 (klassische nonparametrische Tests), 11
(bootstrapundPermutationstests),12(multivariateMethoden)und13(Vorhersagegüte
prädiktiverModelle)behandelt.
III Kap.14–15 stellen vor, wie Diagramme erstellt werden können. Kap.14 erläutert die
allgemeinen Grundlagen sowie die relevanten Funktionen des Basisumfangs von R.
Kap.15vermitteltdenUmgangmitdembeliebtenZusatzpaketggplot2.
IV Kap.16–17beschreibenfortgeschritteneTechniken,insbesonderefürmaßgeschneiderte
Auswertungen. Dazu zählen numerische Methoden in Kap.16 sowie der Einsatz von
RalsProgrammierspracheinKap.17.
DieLesereihenfolgemussderReihenfolgederKapitelnichtunbedingtfolgen.Während
TeilIuniversellfürdiemeistenAnwendungenwichtigistunddaherzuerstgelesenwerden
sollte,lassensichdieInhaltevonTeilIIundIIIauchunabhängigvoneinandernachBedarf
kombinieren.TeilIVistoptionalundbesondersfürbereitserfahreneNutzergedacht.
Hinweise
Der Fokus des Buchs liegt auf der Umsetzung der Verfahren mit R, nicht aber auf der
Vermittlung statistischer Grundlagen. Von diesen wird hier angenommen, dass die Leser
mit ihnen vertraut sind. Auf Literatur zu den behandelten Verfahren wird zu Beginn der
Abschnittejeweilshingewiesen.
Um die Ergebnisse der R-eigenen Auswertungsfunktionen besser nachvollziehbar zu
machen, wird ihre Anwendung an vielen Stellen durch manuelle Kontrollrechnungen
begleitet. Die eigene Umsetzung soll zudem zeigen, wie auch Testverfahren, für die
zunächst keine vorbereitete Funktion vorhanden ist, prinzipiell selbst umgesetzt werden
können.
In den meisten Beispielen wird davon ausgegangen, dass die vorliegenden Daten
bereitsgeprüftsindundeinehoheDatenqualitätvorliegt:FragenderEinheitlichkeitetwa
hinsichtlichderCodierungvonDatumundUhrzeit,potentiellunvollständigeDatensätze,
fehlerhafteingegebeneoderunplausibleDatensowiedoppelteWerteoderAusreißersollen
ausgeschlossensein.BesondereAufmerksamkeitwirdjedochdemThemafehlenderWerte
geschenkt.
ÄnderungeninderzweitenAuflage
Das Buch vertieft nun das Thema der Verarbeitung von Zeichenketten sowie von Da-
tumsangaben (Abschn.2.12, 2.13) und beinhaltet eine umfassendere Darstellung der
Diagnostik und Kreuzvalidierung von Regressionsmodellen (Abschn.6.5, 13.1). Die
Auswertung varianzanalytischer Fragestellungen berücksichtigt jetzt die Schätzung von
Effektstärken(Abschn.7.2–7.7).AlsTestsaufgleicheVariabilitätwerdenzusätzlichjene
nachFligner-KilleensowienachMoodundAnsari-Bradleybesprochen(7.1.3,10.4).Das
neue Kap.11 führt in die Anwendung von bootstrapping und Permutationstests ein. Bei
multivariaten Verfahren ist die Diskriminanzanalyse ebenso hinzugekommen wie eine
BehandlungdesallgemeinenlinearenModells(Abschn.12.8,12.9).Schließlichgehtder
Text nun auf Möglichkeiten zur Darstellung von Bitmap-Grafiken ein (Abschn.14.5.10)
und beschreibt detaillierter, welche Möglichkeiten für Funktionsanalyse und debugging
R bietet (Abschn.17.3). Die R-Beispielauswertungen sind ausführlicher kommentiert
undabschnittsübergreifendkonsistenter.DerüberarbeiteteIndexwurdenachinhaltlichen
Schlagworten,R-FunktionenundZusatzpaketengetrennt.
ÄnderungeninderdrittenAuflage
Abschn.4.2.4 behandelt ausführlicher den Datenaustausch mit Datenbanken. Der neue
Abschn.4.3 stellt vor, wie man mit Dateien und Pfaden arbeitet. Hinweise auf Erweite-
rungen der linearen Regression liefert Abschn.6.6 – etwa auf robuste, penalisierte oder
gemischte Modelle sowie auf verallgemeinerte Schätzgleichungen. Regressionsmodelle
für kategoriale Daten und Zähldaten sind nun in Kap.8 zusammengefasst und wur-
den um die ordinale (Abschn.8.2), multinomiale (Abschn.8.3) und Poisson-Regression
(Abschn.8.4)ergänzt.Abschn.8.5beschreibtlog-lineareModelle.DasneueKap.9führt
in die Analyse von Ereigniszeiten ein (Kaplan-Meier in Abschn.9.3, Cox proportional
hazards in Abschn.9.4 und parametrische Modelle in Abschn.9.5). ROC-Kurven und
AUC werden nun in Abschn.10.2.7 beschrieben. Abschn.11.1.3 zeigt ein Beispiel für
stratifiziertes bootstrapping, Abschn.11.1.6 demonstriert den wild bootstrap für lineare
Modelle.DerAbschnittzurKreuzvalidierunglinearerModellewurdezuKap.13erweitert,
das auch die Vorhersagegüte in verallgemeinerten linearen Modellen behandelt sowie
Bootstrap-MethodenzurunverzerrtenSchätzungdesVorhersagefehlersvorstellt.Wieman
mitdemPaketggplot2Diagrammeerstellt,erläutertinGrundzügenKap.15.
ÄnderungeninderviertenAuflage
In der vorliegenden vierten Auflage bezieht sich das Buch auf Version 3.3.2 von R.
NebenvielenDetailänderungenwurdedieAuswahlverwendeterZusatzpaketederweiter
sehr dynamischen Entwicklung in diesem Bereich angepasst. Abschn.1.3 zur Arbeit
mit Zusatzpaketen ist ausführlicher und klarer strukturiert. Abschn.2.12.3 und 2.12.4
beschreibenneuinRintegrierteFunktionenzumManipulierenundSuchenvonZeichen-
ketten.HinweisezurPrüfungderDatenqualitätenthältAbschn.4.2.7.ErsteInformationen
zudenzunehmendpopulärenRDokumentenundNotebooksgibtAbschn.4.4.DasKapitel
zu Resampling-Verfahren behandelt jetzt in Abschn.11.2 parametrisches bootstrapping.
Der Abschnitt zum Erstellen von Diagrammen mit ggplot2 (Version 2.2.0) wurde
deutlich erweitert zum neuen Kap.15. Das ebenfalls neue Kap.16 gibt einen Überblick
überallgemeinenumerischeMethoden,etwaNullstellensuche(Abschn.16.2),numerische
IntegrationundAbleitungvonFunktionen(Abschn.16.3)sowienumerischeOptimierung
(Abschn.16.4).
Korrekturen,ErgänzungenundAnregungensindherzlichwillkommen.Dieverwende-
tenDatensowiealleBefehledesBuchesundggf.notwendigeBerichtigungenerhaltenSie
online:
http://www.dwoll.de/r/
Danksagung
MeinbesondererDankgiltdenPersonen,dieanderEntstehungdesBuchesinfrühenund
späteren Phasen mitgewirkt haben: Abschn.1.1 bis 1.2.3 entstanden auf der Grundlage
eines Manuskripts von Dieter Heyer und Gisela Müller-Plath am Institut für Psycho-
logie der Martin-Luther-Universität Halle-Wittenberg, denen ich für die Überlassung
des Textes danken möchte. Zahlreiche Korrekturen und viele Verbesserungsvorschläge
wurden dankenswerterweise von Andri Signorell, Ulrike Groemping, Wolfgang Ramos,
Julian Etzel, Erwin Grüner, Johannes Andres, Sabrina Flindt und Susanne Wollschläger
beigesteuert. Johannes Andres danke ich für seine ausführlichen Erläuterungen der
statistischenGrundlagen.DieEntstehungdesBucheswurdebeständigdurchdieselbstlose
UnterstützungvonHeike,MarthaundNikeJoressowievonVincentvanHoutenbegleitet.
IrisRuhmann,ClemensHeine,NielsPeterThomasundAliceBlanckvomSpringerVerlag
möchteichherzlichfürdiefreundlicheKooperationundBetreuungderVeröffentlichung
danken.
ZuvorderstistaberdenEntwicklernvonR,denAutorenderzahlreichenZusatzpakete
sowie dem CRAN-Team Dank und Anerkennung dafür zu zollen, dass sie in freiwillig
geleisteter Arbeit eine hervorragende Umgebung zur statistischen Datenauswertung ge-
schaffen haben, deren mächtige Funktionalität hier nur zu einem Bruchteil vorgestellt
werdenkann.
Mainz, DanielWollschläger
November2016 [email protected]
Inhalt
1 ErsteSchritte....................................................................... 1
1.1 Vorstellung................................................................... 1
1.1.1 ProundContraR................................................. 1
1.1.2 TypografischeKonventionen..................................... 3
1.1.3 R installieren..................................................... 4
1.1.4 GrafischeBenutzeroberflächen.................................. 5
1.1.5 WeiterführendeInformationsquellenundLiteratur............. 6
1.2 GrundlegendeElemente..................................................... 7
1.2.1 R Starten,beendenunddieKonsoleverwenden............... 7
1.2.2 Einstellungen..................................................... 12
1.2.3 Umgangmitdemworkspace .................................... 13
1.2.4 EinfacheArithmetik.............................................. 14
1.2.5 FunktionenmitArgumentenaufrufen........................... 17
1.2.6 Hilfe-Funktionen................................................. 18
1.2.7 EmpfehlungenundtypischeFehlerquellen ..................... 18
1.3 Zusatzpaketeverwenden.................................................... 19
1.3.1 Zusatzpaketeinstallieren......................................... 20
1.3.2 Zusatzpaketeladen............................................... 21
1.3.3 HinweisezumArbeitenmitZusatzpaketen..................... 22
1.4 Datenstrukturen:Klassen,Objekte,Datentypen........................... 23
1.4.1 Objektebenennen ................................................ 24
1.4.2 ZuweisungenanObjekte......................................... 24
1.4.3 Objekteausgeben................................................. 25
1.4.4 Objekteanzeigenlassen,umbenennenundentfernen.......... 26
1.4.5 Datentypen........................................................ 27
1.4.6 LogischeWerte,OperatorenundVerknüpfungen .............. 28
2 ElementareDateneingabeund-verarbeitung .................................. 31
2.1 Vektoren ..................................................................... 31
2.1.1 Vektorenerzeugen................................................ 31
2.1.2 Elementeauswählenundverändern............................. 33
2.1.3 DatentypeninVektoren.......................................... 35
2.1.4 Elementebenennen............................................... 36
2.1.5 Elementelöschen................................................. 36
2.2 LogischeOperatoren........................................................ 37
2.2.1 VektorenmitlogischenOperatorenvergleichen................ 37
2.2.2 LogischeIndexvektoren.......................................... 39
2.3 Mengen ...................................................................... 41
2.3.1 DoppeltauftretendeWertefinden ............................... 41
2.3.2 Mengenoperationen.............................................. 42
2.3.3 Kombinatorik..................................................... 43
2.4 SystematischeundzufälligeWertefolgenerzeugen ....................... 46
2.4.1 NumerischeSequenzenerstellen................................ 46
2.4.2 Wertefolgenwiederholen ........................................ 47
2.4.3 ZufälligauseinerUrneziehen................................... 48
2.4.4 ZufallszahlenausbestimmtenVerteilungenerzeugen.......... 49
2.5 Datentransformieren........................................................ 50
2.5.1 Wertesortieren ................................................... 50
2.5.2 WerteinzufälligeReihenfolgebringen......................... 51
2.5.3 TeilmengenvonDatenauswählen............................... 52
2.5.4 Datenumrechnen................................................. 53
2.5.5 NeueausbestehendenVariablenbilden......................... 55
2.5.6 Werteersetzenoderrecodieren.................................. 56
2.5.7 KontinuierlicheVariableninKategorieneinteilen.............. 58
2.6 Gruppierungsfaktoren....................................................... 59
2.6.1 UngeordneteFaktoren ........................................... 59
2.6.2 Faktorenkombinieren............................................ 60
2.6.3 Faktorstufennachträglichändern................................ 62
2.6.4 GeordneteFaktoren .............................................. 64
2.6.5 ReihenfolgevonFaktorstufenbestimmen ...................... 64
2.6.6 FaktorennachMustererstellen.................................. 66
2.6.7 QuantitativeinkategorialeVariablenumwandeln.............. 67
2.7 DeskriptiveKennwertenumerischerDaten................................ 68
2.7.1 Summen,DifferenzenundProdukte ............................ 69
2.7.2 Extremwerte...................................................... 70
2.7.3 Mittelwert,MedianundModalwert............................. 71
2.7.4 RobusteMaßederzentralenTendenz........................... 72
2.7.5 Prozentrang,QuartileundQuantile ............................. 73
2.7.6 Varianz,Streuung,SchiefeundWölbung....................... 74
2.7.7 DiversitätkategorialerDaten .................................... 75
2.7.8 KovarianzundKorrelation....................................... 76
2.7.9 RobusteStreuungsmaßeundKovarianzschätzer................ 77
2.7.10 KennwertegetrenntnachGruppenberechnen.................. 79
2.7.11 FunktionenaufgeordnetePaarevonWertenanwenden........ 81
2.8 Matrizen ..................................................................... 81
2.8.1 DatentypeninMatrizen.......................................... 82
2.8.2 Dimensionierung,ZeilenundSpalten........................... 82
2.8.3 Elementeauswählenundverändern............................. 84
2.8.4 Weitere Wege, Elemente auszuwählen und zu
verändern ......................................................... 86
2.8.5 Matrizenverbinden............................................... 87
2.8.6 Matrizensortieren................................................ 88
2.8.7 Randkennwerteberechnen....................................... 89
2.8.8 BeliebigeFunktionenaufMatrizenanwenden.................. 90
2.8.9 Matrixzeilen-oderspaltenweisemitKennwerten
verrechnen........................................................ 90
2.8.10 Kovarianz-undKorrelationsmatrizen........................... 91
2.9 Arrays........................................................................ 93
2.10 Häufigkeitsauszählungen.................................................... 94
2.10.1 Einfache Tabellen absoluter und relativer
Häufigkeiten...................................................... 94
2.10.2 Iterationenzählen ................................................ 96
2.10.3 Absolute, relative und bedingte relative
HäufigkeiteninKreuztabellen................................... 97
2.10.4 RandkennwertevonKreuztabellen.............................. 100
2.10.5 DatensätzeausHäufigkeitstabellenerstellen ................... 100
2.10.6 KumulierterelativeHäufigkeitenundProzentrang............. 101
2.11 FehlendeWertebehandeln.................................................. 102
2.11.1 FehlendeWertecodierenundidentifizieren..................... 103
2.11.2 FehlendeWerteersetzenundumcodieren....................... 104
2.11.3 BehandlungfehlenderWertebeiderBerechnung
einfacherKennwerte ............................................. 105
2.11.4 BehandlungfehlenderWerteinMatrizen....................... 106
2.11.5 BehandlungfehlenderWertebeimSortierenvonDaten ....... 108
2.11.6 Behandlung fehlender Werte in
inferenzstatistischenTests ....................................... 109
2.11.7 MultipleImputation.............................................. 109
2.12 Zeichenkettenverarbeiten................................................... 109
2.12.1 ObjekteinZeichenkettenumwandeln........................... 110
2.12.2 Zeichenkettenerstellenundausgeben........................... 110
2.12.3 Zeichenkettenmanipulieren ..................................... 113
2.12.4 Zeichenfolgenfinden............................................. 115
2.12.5 Zeichenfolgenextrahieren....................................... 116
2.12.6 Zeichenfolgenersetzen........................................... 118
2.12.7 ZeichenkettenalsBefehlausführen............................. 119
2.13 DatumundUhrzeit.......................................................... 119
2.13.1 Datumsangabenerstellenundformatieren...................... 120
2.13.2 Uhrzeit............................................................ 121
2.13.3 MitDatumundUhrzeitrechnen................................. 122
3 Datensätze.......................................................................... 125
3.1 Listen ........................................................................ 125
3.1.1 Komponentenauswählenundverändern........................ 126
3.1.2 Komponentenhinzufügenundentfernen........................ 128
3.1.3 ListenmitmehrerenEbenen..................................... 129
3.2 Datensätze ................................................................... 130
3.2.1 DatentypeninDatensätzen ...................................... 132
3.2.2 Elementeauswählenundverändern............................. 134
3.2.3 NamenvonVariablenundBeobachtungen ..................... 135
3.2.4 DatensätzeindenSuchpfadeinfügen........................... 136
3.3 Datensätzetransformieren .................................................. 138
3.3.1 Variablenhinzufügenundentfernen............................. 138
3.3.2 Datensätzesortieren.............................................. 139
3.3.3 TeilmengenvonDatenmitsubset()auswählen ............ 140
3.3.4 DoppelteundfehlendeWertebehandeln........................ 143
3.3.5 Datensätzeteilen ................................................. 144
3.3.6 Datensätzezeilen-oderspaltenweiseverbinden................ 145
3.3.7 Datensätzemitmerge()zusammenführen.................... 146
3.3.8 OrganisationsformeinfacherDatensätzeändern................ 149
3.3.9 OrganisationsformkomplexerDatensätzeändern.............. 151
3.4 Datenaggregieren........................................................... 156
3.4.1 FunktionenaufVariablenanwenden ............................ 156
3.4.2 FunktionenfürmehrereVariablenanwenden................... 158
3.4.3 FunktionengetrenntnachGruppenanwenden.................. 159
4 BefehleundDatenverwalten..................................................... 163
4.1 BefehlssequenzenimEditorbearbeiten.................................... 163
4.2 Datenimportierenundexportieren......................................... 165
4.2.1 DatenimEditoreingeben........................................ 165
4.2.2 DatentabellenimTextformat .................................... 167
4.2.3 R-Objekte......................................................... 168
4.2.4 DatenmitanderenProgrammenaustauschen................... 169
4.2.5 DateninderKonsoleeinlesen................................... 176
4.2.6 UnstrukturierteTextdateien...................................... 177
4.2.7 Datenqualitätsicherstellen....................................... 177