Moderne Datenanalyse mit R: Daten einlesen, aufbereiten, visualisieren, modellieren und kommunizieren

559 Pages·2019·39.381 MB·German

by  Sebastian Sauer

Sebastian Sauer
Moderne
Datenanalyse mit R
Daten einlesen, aufbereiten,
visualisieren, modellieren
und kommunizieren
FOM-Edition
FOM Hochschule für Oekonomie & Management
Reihenherausgeber
FOMHochschulefürOekonomie&Management,Essen,Deutschland
DiesesWerkerscheintinderFOM-Edition,herausgegebenvonderFOMHochschulefür
Oekonomie&Management.
WeitereBändeinderReihe
http://www.springer.com/series/12753
Sebastian Sauer
Moderne
Datenanalyse mit R
Daten einlesen, aufbereiten,
visualisieren, modellieren
und kommunizieren
SebastianSauer
FOMHochschulefürOekonomie&
Management
Nürnberg,Deutschland
FOM-Edition
ISBN978-3-658-21586-6 ISBN978-3-658-21587-3(eBook)
https://doi.org/10.1007/978-3-658-21587-3
DieDeutscheNationalbibliothekverzeichnetdiesePublikationinderDeutschenNationalbibliografie;detaillier-
tebibliografischeDatensindimInternetüberhttp://dnb.d-nb.deabrufbar.
SpringerGabler
©SpringerFachmedienWiesbadenGmbH,einTeilvonSpringerNature2019
DasWerkeinschließlichallerseinerTeileisturheberrechtlichgeschützt.JedeVerwertung,dienichtausdrücklich
vomUrheberrechtsgesetzzugelassenist,bedarfdervorherigenZustimmungdesVerlags.Dasgiltinsbesondere
fürVervielfältigungen,Bearbeitungen,Übersetzungen,MikroverfilmungenunddieEinspeicherungundVerar-
beitunginelektronischenSystemen.
DieWiedergabevonGebrauchsnamen,Handelsnamen,Warenbezeichnungenusw.indiesemWerkberechtigt
auchohnebesondereKennzeichnungnichtzuderAnnahme,dasssolcheNamenimSinnederWarenzeichen-
undMarkenschutz-Gesetzgebungalsfreizubetrachtenwärenunddahervonjedermannbenutztwerdendürften.
DerVerlag,dieAutorenunddieHerausgebergehendavonaus,dassdieAngabenundInformationenindiesem
WerkzumZeitpunktderVeröffentlichungvollständigundkorrektsind.WederderVerlagnochdieAutorenoder
dieHerausgeberübernehmen,ausdrücklichoderimplizit,GewährfürdenInhaltdesWerkes,etwaigeFehler
oderÄußerungen.DerVerlagbleibtimHinblickaufgeografischeZuordnungenundGebietsbezeichnungenin
veröffentlichtenKartenundInstitutionsadressenneutral.
SpringerGableristeinImprintdereingetragenenGesellschaftSpringerFachmedienWiesbadenGmbHundist
einTeilvonSpringerNature.
DieAnschriftderGesellschaftist:Abraham-Lincoln-Str.46,65189Wiesbaden,Germany
Vorwort
Wir fühlen, dass selbst, wenn alle möglichen wissenschaftlichen Fragen beantwortet sind,
unsereLebensproblemenochgarnichtberührtsind.
–Wittgenstein,Tractatus,6.52
DystopieeinesDatenzeitalters
Wir leben im frühenZeitalter der Daten und Algorithmen,dem Algorithmozän. Gebets-
mühlenartighabenunsUnternehmensberatungen,PolitikerundGoogle-Ingenieuredieses
Mantra vorgetragen, so dass es längt zum Fundus säuberlich abgehefteter Binsenweis-
heiten gehört (vgl. Chui et al. 2018). Untermalt wird dieses sonore Flüstern durch ein
StakkatovonEilmeldungenwiekürzlichvonAlphaGoZero(D.Silveretal.2017b).Das
ist ein Programm, das sehr gut im Brettspiel Go ist (und wohl auch in einigen anderen
SpielenlautD.Silveretal.(2017a)).WieseinVorgängerausdemletztenJahr,AlphaGo,
basiertdasProgrammaufsog.neuronalenNetzen,einerwohlbekanntenMethodedessta-
tistischenModellierens(Scherer2013).DasneueProgrammspieltdeutlichbesseralsdas
alte:BeieinemgemütlichenTreffenschlugderNeuedenAltenvernichtend:Mit100zu0
fegtederFrischlingdenaltenHasenvomPlatz.DabeihattederAlteeinigesvorzuweisen.
ImVorjahrhatteereinenMeisterdesGo-Spiels,einenMenschen,klarbesiegt(D.Silver
etal.2017b).Interessantist,dassAlphaGoZeroohneLernmaterialvonaußenauskam,im
GegensatzzufrüherenProgrammenwieAlphaGo.Daslegtnahe,dassMaschinengrund-
sätzlich in der Lagesind, ohneHilfe von Menschen zu lernen – und „übermenschliche“
LeistungimGo-Spielundvielleichtauchanderswozuerzielen.
Ähnlich spektakulär:Eine Reihevon Fachartikeln zeigte, dass Algorithmen – ausrei-
chend mit Daten gefüttert – die Persönlichkeit einer Person besser einschätzen können
alsderenFreunde(Kosinskietal.2013;Quercia,Kosinski,Stillwell,&Crowcroft2011;
Youyouetal. 2015).Auchhier wurdenmoderneModelledesstatistischen Modellierens
verwendet. Auf analoge Art schlägt Ihnen ein Algorithmus auf einer Webseite vor, für
welche Produkte Sie sich noch interessieren könnten. Nicht immer ist der Algorithmus
auchnuransatzweiseclever:Werhatnochnichterlebt,imInterneteinenGegenstander-
worbenzuhaben,einFahrradzumBeispiel,unddanachnochwochenlangvonWerbung
fürFahrräderdrangsaliertzuwerden(mirreichteinRad,Google).
V
VI Vorwort
Beialler Dystopie, diemitderDigitalisierung zusammenhängtundmitChinas„Kre-
ditwürdigkeitspunkten“bisheramkonsequentestenweitergedachtwurde(Botsman2017),
esgibtauchNutzen.ModerneDaten-TechnologiensteckenimSmartphone,inmedizini-
schenAnwendungenundindeutschenAutos.WermöchteaufdiesenFortschrittverzich-
ten?Diewenigstenoffenbar.
Diese Beispiele ließen sich noch länger mit Unterhaltungswert fortsetzen. Wie man
den Fortschritt der Algorithmen auch einschätzt – wünschenswert, durchwachsen oder
bedrohlich–manmusszumgleichenSchlusskommen:AnderintensivenBeschäftigung
mit dieser Technik kommen wir (jeder Einzelne) nichtvorbei. Ein Baustein, um dieun-
heimliche Bedrohungdurch panoptische, orwelleske Überwachung abzuwenden, ist das
VerständnisdermodernenDatentechnik.Gleichermaßengilt:Umdieoffenbargewaltigen
ökonomischen Potenziale für die Unternehmen urbar zu machen, müssen wir die Tech-
nikverstehen(BrynjolfssonundMcAfee2016).DieDigitalisierungistderbestimmende
TrenddesWirtschaftslebens–wahrscheinlich(VorsichtmitVorhersagen);daheristesbe-
ruflich, gesellschaftlich und politisch geboten, sich dem Algorithmozän zu stellen. Das
heißt nicht, dass jeder Programmierer und Statistiker werden muss. Aber ein gewisses
GrundverständnissolltezumBildungsstandardgehören.
DasStatistikcurriculumistveraltet
DieLehrplänederHochschulengebensichvondramatischenMeldungenundneuenTech-
nologien noch weitgehend unbescholten. Zumeist gilt in Lehrplänen für Statistik: Über
dent-Testgehtnichts.DerWirklichkeitaußerhalbderAlmaMaterwirddaskaumgerecht.
DieGründefürdieseGemächlichkeitkönnendarinliegen,dasssicheinigeHochschulleh-
rer1 mit neuen Technologien schwertun und mit Daten operieren (wollen), für die die
altenMethodenwiedert-Testgeeignetsind.FreinachMaxPlanckkannmanbehaupten,
dass alteLehrmeinungendannerstdasZeitlichesegnen,wenn dasauchdieProfessoren
tun, die die Lehrmeinungenvertreten. Vielleicht liegt es auch schlicht daran, dass unser
Alltag indenmeisten Belangenwenig vonderDigitalisierung undvonAlgorithmenbe-
rührtscheint:BeimBäckergrüßtmanwieseitAltvaterzeiten;deutscheAutosrollenvom
BandwieseitdemWirtschaftswunder;SchülerundStudentenleseninihrenBüchern,wie
esihneninPreußen,alsdasdeutscheSchulwesenseineAnfängefand,eingebläutwurde
(Foucault1994).DieRevolutionderDatenistkaumspürbar;siefühltsichweitwegan.
AbereinWechsel„unterdenTalaren“zeichnetsichab:StatistikermitRenommeerufen
dazu auf, das Datenzeitalter im Unterricht einzuläuten (Cobb2007;Hardin et al. 2015):
Datenanalyseheuteist andersals gestern (s. folgendeAbbildung).Immermehr Lehrbü-
cherzumodernerStatistikundDatenanalysenerscheinen,auchrichtiggute(Baumeretal.
2017;z.B.Jamesetal.2013;McElreath2015;WickhamundGrolemund2016).Bislang
zumeistimenglischenSprachraum,aberesgibtauchzunehmendmehrdeutschsprachige
Bücher(z.B.WickhamundGrolemund(2017)).
1AusGründenderLesbarkeitwirdindiesemBuchdasgenerischeMaskulinum(„derLeser“)ver-
wendet;immersindalleGeschlechtergleichermaßengemeint.
Vorwort VII
Früher
Normalverteilung kleine Daten keine/kaum Computer
Heute
Flexible Algorithmen (sehr) große Daten Computer allgegenwärtig
Das vorliegende Buch versucht, einen Teil der Lücke im deutschsprachigen Raum zu
schließen.SiewerdenindiesemBuchdiegrundlegendenIdeendermodernenDatenana-
lyselernen.Zielistes,Sie–inGrundzügen–mitmodernerStatistikvertrautzumachen.2
Lernziele
Zielgruppe dieses Buches sind Einsteiger; Formeln und mathematische Hintergründe
suchtman meistvergebens.Dasliegtzum einendaran, dasskeineoderkaumVorkennt-
nisse in Datenanalyse vorausgesetzt werden. Zum anderen beruht das Buch auf einem
didaktischen Ansatz, der das Tun vor das Wissen setzt. Das bedeutet nicht, dass Wissen
geringergeschätztwürdealsHandeln.VielmehrstehtdahinterdieIdee,dassesdemVer-
stehenunddemstatisticalthinking(C.J.WildundPfannkuch1999)hilft,sichfrühzeitig
mitdemAusprobierenauseinanderzusetzen.DerWerkzeug-oderProblemlöse-Charakter
desDenkensstehtimMittelpunktdesLernansatzesdiesesBuches(vgl.TrillingundFadel
(2012)).Kein Inhaltdieses Buchesbleibt ohneUmsetzung, ohneAnwendung;es ist ein
BuchfürPraktiker.Wereinetiefere,mathematischansprechendereEinführungsucht,sei
andasexzellenteBuchvonHastieetal.(2013)verwiesen.
ReinesLesendiesesBucheswirddemAnfängerinetwasovielbringenwiedieLek-
türeeinerSchwimmfibel.UmgekehrtistÜbendieGrundlagefürFortschrittinderKunst
der Datenanalyse (s. folgende Abbildung).3 Nutzen Sie die Übungsangebote: die reich-
haltigeR-Syntax,dieDaten,dieAufgabenunddieVerweisezuweiterführenderLiteratur.
WesentlichistdasDurcharbeitenderSyntax-Beispiele.DieKapitelsindzumTeilinsich
abgeschlossen;dieGrundlagen(biseinschließlichKap.7)werdendurchgängigbenötigt.
EineLektürevonvornenachhintenistratsam,abernichtzwangsläufignötig,geradefür
fortgeschritteneLeser.VergleichsweiseschwierigsinddieKap.28und29.
2Statistiker, die diesem Buch als Vorbild Pate standen, sind: Roger D. Peng: http://www.biostat.
jhsph.edu/~rpeng/,HadleyWickham:http://hadley.nz,JenniferBryan:https://github.com/jennybc.
3Die Abbildung zeigt den Zusammenhang von Klausurerfolg und Vorbereitungsaufwand. Man
sieht, dass der Klausurerfolg (Y-Achse) tendenziell steigt, wenn der Vorbereitungsaufwand (X-
Achse)steigt.
VIII Vorwort
Mehr Lernen, bessere Noten
en Der Zusammenhang von Lernzeit und Klausurerfolg in der Statistik
g
n 1.00
u
s
Lö 0.75
er
g 0.50
hti
c
nt ri 0.25
ze 0.00
Pro 1 2 3 4 5
Lernaufwand
bestanden ja nein
n = 1646 Studenten
NachderLektürediesesBucheskönnenSie:
(cid:2) denAblaufeinesProjektsausderDatenanalyseinwesentlichenSchrittennach-
vollziehen
(cid:2) Datenaufbereitenundansprechendvisualisieren
(cid:2) Inferenzstatistikanwendenundkritischhinterfragen
(cid:2) klassischeVorhersagemethoden(Regression)anwenden
(cid:2) moderneMethodenderangewandtenDatenanalyseanwenden(z.B.Textmining)
(cid:2) (wirtschaftliche) Fragestellungen mittels datengetriebener Vorhersagemodelle
beantworten.
ZurDidaktik
ImGegensatzzuanderenvergleichbarenKursenstehthierdieUmsetzungmitR(RCore
Team 2018) im Vordergrund. Dies hat pragmatische Gründe: Möchte man Daten einer
statistischen Analyse unterziehen, so muss man sie zumeist erst aufbereiten, und zwar
oftmühselig.Selten kannmandenLuxusgenießen,einfach„nur“,nachHerzenslustso-
zusagen, ein Feuerwerk an multivariater Statistik abzubrennen. Zuvor gilt es, die Daten
umzuformen,zu prüfen und zusammenzufassen. Für beide Anforderungenist R bestens
geeignet. Dem Teil des Aufbereitens der Daten ist hier ausführlich Rechnung getragen.
AußerdemspieltindiesemKursdieVisualisierungvonDateneinegroßeRolle.EinGrund
ist,dassMenschenbekanntlichAugentieresind.ZumanderenbietenDiagrammebeium-
fangreichenDatenEinsichten,diesonstleichtwortwörtlichübersehenwürden.
Lovett und Greenhouse (2000) leiten aus der kognitiven Theorie fünf Prinzipien zur
DidaktikdesStatistikunterrichts ab;nachdiesen Prinzipienist diesesBuchausgerichtet.
(1) Menschen lernen am meisten durch das und von dem, was sie selber ausprobieren:
DasSelber-TunstehtimZentrumdiesesBuches.(2)Wissenistsituiert,kontextspezifisch:
Im Unterricht bzw. in einem Buch sollte daher lebensnah und alltagsrelevantes Wissen
Vorwort IX
vermittelt werden; die Beispiele und Methoden dieses Buches sind aus typischen oder
verbreiteten Fragestellungen des Wirtschaftslebens entnommen. (3) Direktes Feedback
verbessert das Lernergebnis: Das sofortige Ausprobieren anhand der R-Syntax gibt un-
mittelbares Feedback,ob ein Plan aufgegangenist. Wiebeim Jonglieren:Wennein Ball
zuBodenfällt,weißman,esisteinFehlerpassiert.Ähnlichverhältessich,wennRnichts
oder Kauderwelsch ausspuckt. (4) Lernen geschieht beim Verbinden von Bekanntemmit
Neuem: Der Sprachduktus ist informell, da viele Themen gerade in Bereichen nahe der
MathematiknichtwegendesInhalts,sondernwegenderFormalisierungkompliziertwer-
den. Freilich setzt man mit informeller Sprache Genauigkeit und Detailtiefe aufs Spiel.
Daessich aberumein fürdieavisierteLeserschaftneuesThemahandelt,neigtsich die
Waagehierzugunstenderinformellen,intuitivenHerangehensweise.Fürfortgeschrittene
LeseristdiesesBuchdaherwenigergeeignet.(5)DiementaleBelastungsollteausgewo-
gensein:DasBuchbeginntmitgrundlegendenThemen;dievergleichsweiseschwierigen
wartengenEnde.JedesKapitelbehandeltnureinThema,umgeistigeRessourceneffek-
tiv zu nutzen. Die „R-Philosophie“ dieses Buches orientiert sich am „Tidyverse“ (vgl.
WickhamundGrolemund(2017));alleKapitelundalleR-SyntaxsinddiesemParadigma
verhaftet.SiewerdenschnelldenähnlichenAufbauderSyntaxinallenKapitelnerkennen.
ErfahrenenR-ProgrammierernwirdderausgiebigeGebrauchder„Pfeife“ausmagrittr
auffallen;genausowiederausgiebigeGebrauchvondplyrundanderenFigurenausdem
„Tidyverse“.
Icons
R spricht zu Ihnen; sie versucht es jedenfalls in diesem Buch, und zwar mit folgenden
Icons(Fonticons2018).
R-Pseudo-Syntax: An vielen Stellen dieses Buches findet sich R-Syntax. Neue
oderkompliziertereSyntaxistZeilefürZeileinsDeutscheübersetzt.
Achtung,aufgepasst:Schwierige,merkwürdigeoderfehlerträchtigeStellensind
mitdiesemSymbolmarkiert.
Übungsaufgaben:InjedemKapitelfindensichÜbungsaufgaben.Aufdiesewird
mit diesem Icon verwiesen oder die Übungen sind in einem Abschnitt mit ein-
sichtigemTitelzufinden.
Hinweise
Kunstwerke (Bilder) sind genau wie Standard-Literatur im Text zitiert, die verwendeten
R-Paketenur im Anhang. Alle Werke (auch Daten und Software) finden sich im Litera-
turverzeichnis.DiesesBuchwurdemitdemR-PaketbookdownbasierendaufR(RCore
Team 2018) in RStudio (RStudio 2018) geschrieben. bookdown basiert wiederum u.a.
aufdenR-Paketenknitrundrmarkdown.NormanMarkgrafsTypografie-Pakethatden