---
title: "Deskriptive Statistik"  # Titel der Seite
weight: 201  # Individuelles Gewicht 
menuTitle: "Allgemein" # Falls Titel zulang ist, hier Kurztitel
tags: ["deskriptiv"]  # Tags hiereinsetzen; Kurzwort, was auf der Seite passsiert
---

<script src="/statsplus/lb2/rmarkdown-libs/header-attrs/header-attrs.js"></script>


<div id="struktur-und-informationen-eines-datensatzes" class="section level2">
<h2>Struktur und Informationen eines Datensatzes</h2>
<p>Als erstes probieren wir aber das vorhin gelernte aus und laden nun den Datensatz <code>pss</code> in das Environment! In RStudio Cloud ist der Datensatz bereits in deinem Ordner <code>data</code>. Arbeitest du lokal mit RStudio findest du den Datensatz und das Codebook hier:</p>
<p>{{%attachments style="grey" title="Datensatz" /%}}</p>
<p>{{% tabs groupId="tab1" %}}
{{% tab name="Aufgabe" %}}
Lade den Datensatz in das Environment hinein!
{{% /tab %}}
{{% tab name="Code" %}}</p>
<pre class="r"><code>pss &lt;- readRDS(&quot;./data/pss.rds&quot;)</code></pre>
<p>{{% /tab %}}
{{% /tabs %}}</p>
<p>Zur Erinnerung: Mit der Funktion <code>head()</code> können wir einen ersten Einblick in die Daten bekommen (die ersten <span class="math inline">\(6\)</span> Fälle):</p>
<pre class="r"><code>head(pss)</code></pre>
</div>
<div id="variablen-und-skalenniveau" class="section level2">
<h2>Variablen und Skalenniveau</h2>
<p>Im Datensatz <strong>PSS</strong> sind eine Reihe von Variablen vorhanden. Zum Datensatz gibt es ein Codebook, dass in der RStudio Cloud gespeichert ist bzw. über den oberen Link herunterzuladen ist.
Überlege kurz zu den folgenden Variablen, welches Skalenniveau diese aufweisen und welcher Datentyp in R dafür geeignet wäre.</p>
<p>{{% tabs groupId="tab2" %}}
{{% tab name="Variablen im Datensatz" %}}
Variablen im Datensatz <code>pss</code>:</p>
<ul>
<li><p><code>wkhtot</code></p></li>
<li><p><code>gndr</code></p></li>
<li><p><code>stfdem</code></p></li>
<li><p><code>trstprl</code></p></li>
</ul>
<p>{{% /tab %}}
{{% tab name="Auflösung" %}}
Die Variablen haben folgendes Skalenniveau:</p>
<ul>
<li><p><code>wkhtot</code>: metrisch</p></li>
<li><p><code>gndr</code>: nominal</p></li>
<li><p><code>stfdem</code>: (pseudo-)metrisch / ordinal</p></li>
<li><p><code>trstprl</code>: (pseudo-)metrisch / ordinal</p></li>
</ul>
<p>{{% /tab %}}
{{% tab name="Datentyp in R" %}}</p>
<pre class="r"><code>
str(pss$wkhtot)

str(pss$gndr)

str(pss$stfdem)

str(pss$trstprl)
</code></pre>
<p>{{% /tab %}}
{{% /tabs %}}</p>
<p>Bei allen Variablen passt der Datentyp zum Skalenniveau.</p>
</div>
<div id="länge-eines-vektors" class="section level2">
<h2>Länge eines Vektors</h2>
<p>Um die Länge eines Vektors auszugeben, wird die Funktion <code>length()</code> genutzt. Diese Funktion gibt die Anzahl der Werte in einem Vektor an. Im Fall einer Variable also die Anzahl an Beobachtungen in einer Variable.</p>
<pre class="r"><code>length(pss$edu)</code></pre>
<p>{{% expand "Können wir auf die Länge der anderen Vektoren schließen, oder müssen wir uns diese auch nochmal ausgeben lassen?" %}}
In einem Datensatz bzw. <strong>data frame</strong> haben alle Vektoren dieselbe Länge (denn es ist ja eine Tabelle!). Das heißt von der Länge eines Vektors können wir auf die Länge aller Vektoren schließen. <strong>Aber:</strong> das heißt nicht, dass alle Variablen dieselbe Anzahl gültiger Antworten haben, da ja auch <code>NA's</code> (<em>missing values</em>) vorliegen können.
{{% /expand %}}</p>
<p>Alternativ kann man die Länge auch über die Funktion <code>dim()</code> herausfinden. Hierbei muss aber das <strong>data frame</strong>-Objekt aufgerufen werden.</p>
<pre class="r"><code>dim(pss)</code></pre>
<pre><code>## [1] 5000   14</code></pre>
<p>Die erste Dimension sind die Zeilen (Fälle), die zweite Dimension sind die Spalten (Variablen).</p>
<p>Gehen wir weiter und lassen uns Maße der zentralen Tendenz ausgeben!</p>
</div>