Deskriptive Statistik - user.meduni

Deskriptive Statistik
In der beschreibenden Statistik werden Methoden behandelt, mit deren Hilfe man Daten
übersichtlich darstellen und kennzeichnen kann. Die Urliste (=Daten in der Reihenfolge ihrer
Erhebung) ist meist umfangreich und läßt kaum Aussagen über die Struktur der Population
zu. Daher müssen die Werte geordnet und verdichtet werden.
Tabellen und graphische Darstellungen
Eine Form der Aufbereitung von umfangreichem Datenmaterial besteht darin, Untersuchungseinheiten mit gleichen oder ähnlichen Merkmalsausprägungen zu Klassen
zusammenzufassen und festzustellen, wieviele Einheiten auf jede Klasse entfallen. So entsteht
eine Häufigkeitsverteilung, die tabellarisch und graphisch dargestellt werden kann.
Die Anzahl (ni, i=1,..,k, k≤n) der Beobachtungen in einer Klasse wird als absolute
Häufigkeit (Besetzungszahl) in dieser Klasse bezeichnet. Nach Division durch die
Gesamtzahl der Beobachtungen (n) erhält man die relative Häufigkeit (hi) einer Klasse.
Während bei nominalen Daten die Reihenfolge der Klassen keine Rolle spielt, muß bei allen
höheren Meßniveaus die Rangordnung der Klassen beachtet werden. Bei nominalen oder
ordinalen Daten ergeben sich zumeist natürliche Klassengrenzen, doch bei größerem
metrischen Datenmaterial ist es notwendig, eine Klasseneinteilung vorzunehmen.
Klasseneinteilung, Klassierung
Die Klasseneinteilung ist notwendig, um eine Überbewertung des Zufallseinflusses zu
vermeiden und die Struktur (Verteilungstyp, Gesetzmäßigkeit) der Beobachtungsreihe besser
erkennen zu können. Die Wahl einer geeigneten Klasseneinteilung ist stets willkürlich, aber
es sollten einige Regeln beachtetet werden:
1.
Die Klasseneinteilung muß alle Beobachtungswerte umfassen (also in der ersten Version
auch extreme Werte).
2.
Die Klassengrenzen sind so zu wählen, dass die Beobachtungswerte eindeutig den
Klassen zugeordnet werden können, z.B. sollen die Klassenenden auf Werte, die
meßtechnisch nicht vorkommen, fallen (etwa eine Dezimale mehr als gemessen wird)
oder man verwendet halboffene Klassen (z.B. von 32 bis unter 40). Man wähle gleiche
Klassenbreiten.
3.
Die Klassenmitte repräsentiert die übrigen Meßwerte der Klasse.
4.
Je kleiner die Klassenanzahl umso größer die Klassenbreite und umso größer ist der
Informationsverlust. Je größer die Klassenanzahl, umso mehr kommt die nichtinteressierende Wirkung von Zufallseinflüssen zur Geltung. Die Erfahrung führt zu folgenden
Faustregeln:
k ≈ n , k ≈ 5 log10 n
(k: Klassenanzahl, n: Anzahl der Beobachtungswerte)
Statistische Datenanalyse am PC
Andrea Berghold
1
Die gebräuchlichsten graphischen Darstellungsformen sind:
•
•
•
•
•
Stab-, Balkendiagramm (bar chart)
Kreisdiagramm (pie chart)
Histogramm
Häufigkeitspolygon
Stamm- und Blatt Darstellung (stem and leaf plot)
Beim Stabdiagramm ist die Höhe der Stäbe proportional zu den Besetzungszahlen bzw. rel.
Häufigkeiten in den einzelnen Klassen. Breite und Abstand spielen keine Rolle. Es eignet sich
für qualitative, ordinale und quantitativ diskrete Merkmale (z.B. Blutgruppe, Schulnoten,
Anzahl kariöser Zähne bei Volksschulkindern)
Das Kreisdiagramm (als spezielles Flächendiagramm) wird in Segmente proportional zu den
beobachteten Anzahlen (rel. Häufigkeiten) zerlegt.
Histogramme müssen flächentreu sein - d.h. die Fläche (und nicht die Höhe) muß
proportional der Häufigkeit ni bzw.hi sein. Daher kann nur bei konstanter Klassenbreite (Δx)
ni bzw. hi als Ordinate der Rechtecke verwendet werden.
Die Polygondarstellung verwendet man meist, wenn mehrere Häufigkeitsverteilungen
verschiedener Gruppen in einem gemeinsamen Diagramm verglichen werden sollen.
Stamm- und Blatt- Darstellung:
Das Histogramm stellt die Häufigkeit für alle Werte innerhalb einer bestimmten Klasse dar.
Demzufolge kann man die Häufigkeit eines Einzelwertes dieser Klasse nicht mehr erkennen.
Eine graphische Repräsentation der Häufigkeitsverteilung ohne diesen Informationsverlust ist
die Stamm- und Blatt-Darstellung (stem and leaf plot). Im Stamm werden jene Ziffern,
welche die Klasseneinteilung repräsentieren, eingetragen und im Blatt erfolgt die Eintragung
der Ziffern der nächsten Stelle der Größe nach.
Statistische Datenanalyse am PC
Andrea Berghold
2
Kenngrößen
Kenngrößen dienen dazu, die Datenmenge zu einigen wenigen Zahlen zu komprimieren,
welche bestimmte Eigenschaften der Daten möglichst gut beschreiben.
Wir wollen
•
•
die mittlere Tendenz der Daten
die Streuung der Daten um die mittlere Tendenz
charakterisieren.
Maßzahlen der Lage
Lagemaßzahlen beschreiben zentrale Eigenschaften einer Verteilung. Sie charakterisieren das
Zentrum der Häufigkeitsverteilung, also den Wert (Ort) mit der größten Häufigkeit bzw.
Wahrscheinlichkeit des Auftretens. Darüber hinaus werden durch Lagemaßzahlen
Positionsmerkmale (Ordnungsstatistiken) einer der Größe nach geordneten Datenmenge
wiedergegeben (z.B. die Position in der Zahlenreihe, bis zu welcher 90 % der
Beobachtungswerte auftreten). Die Statistik braucht eine Reihe verschieden definierter
Lagemaßzahlen, um der Vielfalt der Verteilungen statistischer Datenmengen gerecht zu
werden.
Arithmetisches Mittel (mean)
Gegeben sei eine Stichprobe x1,x2 ,...,xn vom Umfang n. Das arithmetische Mittel ist
definiert als
x=
1 n
∑ xi
n i =1
Nachteile des arithmetischen Mittels:
• Es gibt extremen Werten zu viel Gewicht, und ist daher nur verwendbar, wenn man es mit
eingipfeligen nicht allzu schiefen Verteilungen zu tun hat.
• Die errechnete Durchschnittszahl hat im Falle diskreter Merkmale keine Entsprechung in
der Wirklichkeit. (Beispiel: Die durchschnittliche Zahl der Verletzten auf der Autobahn
an einem Urlaubswochenende beträgt 103.25 Personen).
Median (median)
Der Median oder Zentralwert ist die mittlere Beobachtung der Daten xi, i=1,2,...,n, die der
Größe nach sortiert wurden x1 ≤ x 2 ≤ x3 ≤ ... ≤ x n .Er hat die Eigenschaft, dass mindestens
~
50% der Meßwerte kleiner oder gleich dem Median x sind.
Statistische Datenanalyse am PC
Andrea Berghold
3
Für ungerades n
~
x = x((n+1) / 2 )
Für gerades n
1
~
x = (x(n / 2 ) + x(n / 2+1) )
2
Vorteile des Medians:
• Der Median ist unempfindlich gegenüber extremen Werten.
• Er eignet sich als Lokationsmaß für schiefe Verteilungen und ordinal skalierte Daten.
α-Quantil
Der Median ist lediglich ein Spezialfall aus einer Familie von Kenngrößen, die auf der
Rangordnung der Daten beruhen - die Quantile. Ein α-Quantil xα ist derart definiert, dass
mindestens α% der Meßwerte kleiner oder gleich diesem Wert xα sind. Die Berechnung
erfolgt über
xα = x(k )
, falls nα keine ganze Zahl ist (k=int(nα)+1)
1
xα = 2 (x(k ) + x(k +1) )
, falls nα eine ganze Zahl ist (k=nα)
Spezielle α-Quantile: 1.Quartil (α = 0.25), 2.Quartil oder Median, 3.Quartil (α = 0.75),
Perzentile (Fraktile)
Modalwert (mode)
Bei nominalskalierten Merkmalen ist der Modalwert xmod der einzige anzuwendende
Kennwert. Er ist definiert als der Wert, der am häufigsten in der Meßwertreihe vorkommt. Bei
quantitativen Merkmalswerten wird der Modalwert durch die Klassenmitte der am dichtesten
besetzten Klasse repräsentiert. Er eignet sich für schiefe Häufigkeitsverteilungen oder zur
Charakterisierung von mehrgipfeligen Verteilungen (bimodal, multimodal).
Statistische Datenanalyse am PC
Andrea Berghold
4
Beispiele einiger Maßzahlen der Lage und der Streuung
(SPSS-Output entstanden durch Analysieren – Deskriptive Statistiken –
ExplorativeDatenanalyse... )
Univariate Statistiken
ZUNAHME
GRUPPE
KontrollGruppe
Therapie
- Gruppe
Mittelwert
95% Konfidenzintervall
des Mittelwerts
5% getrimmtes Mittel
Median
Varianz
Standardabweichung
Minimum
Maximum
Spannweite
Interquartilbereich
Schiefe
Kurtosis
Mittelwert
95% Konfidenzintervall
des Mittelwerts
Untergrenze
Obergrenze
Untergrenze
Obergrenze
5% getrimmtes Mittel
Median
Varianz
Standardabweichung
Minimum
Maximum
Spannweite
Interquartilbereich
Schiefe
Kurtosis
Statistik
399,5385
375,7671
Standardf
ehler
10,9102
423,3099
399,4872
403,0000
1547,436
39,3375
325,00
475,00
150,00
50,0000
,043
,291
326,3333
312,4772
,616
1,191
6,6981
340,1894
325,8519
322,5000
1076,754
32,8139
268,00
395,00
127,00
36,7500
,214
-,305
,472
,918
Zulässige Lagemaße bei den verschiedenen Skalenniveaus:
Skalenniveau
Nominalskala
Ordinalskala
Metrische Skalen
zulässige Lage-Kenngrößen
Modalwert
Modalwert, Median
Modalwert, Median, Mittelwert
Statistische Datenanalyse am PC
Andrea Berghold
5
Maßzahlen der Streuung
Durch Mittelwerte allein läßt sich eine Datenmenge nicht ausreichend charakterisieren, da sie
keine Auskunft geben, wie die einzelnen Werte sich um den Mittelwert verteilen. Wie bei den
Lagemaßen sind in der Statistik auch verschiedene Streuungsmaße üblich, um die
unterschiedlichen Skalen und Verteilungen von Daten ausreichend gut beschreiben zu
können.
Spannweite (range)
Das einfachste Maß für die Streuung ist die Spannweite, die Differenz aus dem größten und
kleinsten Meßwert. Sie ist für kleine Proben brauchbar, wird aber durch extreme Werte sehr
stark beeinflußt.
R = Maximum - Minimum = x n − x1
Varianz (variance) und Streuung (standard deviation)
Die Varianz s2 gibt die durchschnittliche, quadrierte Abweichung der Meßwerte vom
arithmetischen Mittel wieder.
1 n
(xi − x )2
s2 =
∑
n − 1 i =1
Die Standardabweichung: s = s 2
Die Standardabweichung eignet sich wesentlich besser zur Einschätzung der Variabilität eines
Merkmals als s2, da sie die gleiche Dimension wie die Beobachtungen hat.
Auch diese Maße werden durch Ausreißer beeinflußt.
Interquartilsabstand (interquartile range)
Eine weitere Kennzahl zur Beschreibung der Variabilität um den zentralen Wert ist der
Interquartilsabstand IQR. Er ist die Differenz zwischen dem 75%-Quantil (3.Quartil) und dem
25%-Quantil (1.Quartil). In diesem Bereich des IQR liegen somit 50% der Meßwerte.
IQR = x0,75 − x0, 25
Der IQR ist gegenüber extremen Werten unempfindlich.
Eine graphische Darstellung für den Median, die Spannweite und den Interquartilsabstand (5Zahlen-Zusammenfassung) ist der Box-and-Whiskers Plot. Ausgehend von dieser
Konstruktion gibt es zahlreiche Modifikationen.
In SPSS ist folgender Boxplot realisiert. Die untere Grenze der Box stellt das 25% Quantil,
die obere das 75% Quantil dar. Die Linien (whiskers) reichen bis zu den Werten, die
innerhalb x0.25 - 1.5 IQR (bzw. x0.75 + 1.5 IQR) liegen. Gibt es Werte außerhalb dieser Grenze,
Statistische Datenanalyse am PC
Andrea Berghold
6
so werden sie bis x0.25 - 3 IQR (bzw. x0.75 + 3 IQR) durch O (outliers) gekennzeichnet. Werte,
die diese Grenzen übersteigen, gelten als „weit außerhalb“ und werden mit * (extremes)
bezeichnet.
*
x > x0.75 + 3 IQR
O
x > x0.75 + 1.5 IQR
x ≤ x0.75 + 1.5 IQR oder xmax
x0.75
x0.5
x0.25
x ≥ x0.25 - 1.5 IQR oder xmin
O
x < x0.25 - 1.5 IQR
*
x < x0.25 - 3 IQR
Schematische Darstellung eines Boxplots
Der Boxplot eignet sich besonders gut für den visuellen Vergleich mehrerer Meßwertreihen.
6
Einsekundenkapazität in l
5
4
3
2
Geschlecht
1
weiblich
männlich
0
N=
104
100
5-8 Jahre
152
170
9-12 Jahre
49
51
13-16 Jahre
Altersgruppen
Statistische Datenanalyse am PC
Andrea Berghold
7
Variationskoeffizient:
Ob die Streuung von Meßwerten als stark oder gering anzusehen ist, erweist sich oft erst,
wenn man die Streuung im Verhältnis zum Mittelwert betrachtet. Der Quotient
Vk =
s
x
wird als Variationskoeffizient bezeichnet. Er wird häufig in Prozent angegeben. In der Praxis
interpretiert man Vk bis zu 10% als geringe Variabilität, zwischen 10% und 25% als normal
und über 25% als starke Streuung des Beobachtungsmaterials. Er ist gegen Ausreißer anfällig.
Er wird zum Vergleich von Streuungen verschiedener Meßreihen verwendet (ist unabhängig
von der gewählten Einheit).
Skalenniveau
Nominalskala
Ordinalskala
Metrische Skalen
zulässige Streuungskenngrößen
keine
Spannweite, Quartilsabstand
Spannweite, Quartilsabstand,
Standardabweichung,
Variationskoeffizient
Zur deskriptiven Statistik existieren auch mehrere Web Applikationen, die eine anschauliche
Darstellung der Methodik zeigen:
z.B. JUMBO Münster:
http://medweb.uni-muenster.de/institute/imib/lehre/skripte/biomathe/jumbo.html
Statistische Datenanalyse am PC
Andrea Berghold
8
Verwendung von SPSS in der Deskriptiven Analyse
Metrisches Merkmal:
Häufigkeiten:
Mit dem Befehl Häufigkeiten... erfahren wir, wie oft eine Ausprägung eines zu
untersuchenden Merkmals vorkommt. Zusätzlich können wir im Untermenü Statistik...
zulässige Kenngrößen für dieses Merkmal auswählen und im Untermenü Diagramme... ein
Histogramm auswählen.
Deskriptive Statistik: (nur bei metrischen Merkmalen anwenden!)
Mit dem Befehl Deskriptive Statistiken... aus dem Menü Analysieren –
DeskriptiveStatistiken kann man selbst auswählen, welche Kennzahlen für eine Variable
ausgegeben werden sollen. Im Untermenü Optionen... steht zur Auswahl: Mittelwert, Summe;
als Lagemaße der Streuung die Std.-Abweichung, Varianz, Spannweite, Minimum, Maximum
sowie Std.-Fehler und als Maßzahlen zur Beschreibung der Verteilungsform die Kurtosis und
Schiefe.
Explorative Datenanalyse:
Für eine deskriptive Datenanalyse eines metrischen Merkmals hält SPSS den Befehl
Explorative Datenanalyse... im Menü Analysieren – Deskriptive Statistiken bereit. Es werden
bestimmte statistische Kennzahlen ausgegeben (siehe Beispiel Seite 5). Hier besteht
außerdem die Möglichkeit die deskriptive Statistik nach einem Faktor gruppiert auszugeben.
Im Beispiel auf Seite 5 wurde die Ausgabe aufgeteilt nach dem Faktor „Gruppe“, der 2
Faktorstufen aufweist: Kontroll-Gruppe / Therapie-Gruppe.
Grafiken:
Zum Boxplot und Histogramm gelangt man über das Menü Grafiken. Ein anderer Weg führt
im Zuge der Erstellung einer deskriptiven Analyse im Menü ExplorativeDatenanalyse zum
Untermenü Diagramme.... Hier besteht auch die Möglichkeit sich neben einem Boxplot und
Histogramm ein Stengel-Blatt-Diagramm ausgeben zu lassen.
Ordinales Merkmal:
Häufigkeiten:
Mit dem Befehl Häufigkeiten... erfahren wir, wie oft eine Ausprägung eines zu
untersuchenden Merkmals vorkommt. Zusätzlich können wir im Untermenü Statistik...
Statistische Datenanalyse am PC
Andrea Berghold
9
zulässige Kenngrößen für dieses Merkmal auswählen und im Untermenü Diagramme... ein
Balken- oder ein Kreisdiagramm auswählen.
Explorative Datenanalyse:
Für ordinale Merkmale steht uns ebenfalls die Explorative Datenanalyse... zur Verfügung, wo
wir Median und Quartilsabstand bestimmen können.
Grafiken:
Neben der oben beschriebenen Möglichkeit über den Befehl Häufigkeiten lassen sich
Boxplot, Balkendiagramm und Kreisdiagramm auch über das Menü Grafiken erstellen.
Nominales Merkmal
Häufigkeiten:
Mit dem Befehl Häufigkeiten... erfahren wir die absoluten und relativen Häufigkeiten der
einzelnen Ausprägungen des nominalen Merkmals und falls gewünscht ein Balken- oder
Kreisdiagramm.
Kreuztabellen
Wollen wir 2 nominale Merkmale (oder auch ordinale Merkmale mit wenigen Ausprägungen)
zueinander in Beziehung setzen, so steht der Befehl Kreuztabellen zur Verfügung. Ein
Merkmal ergibt die Spalten der Kreuztabelle, das 2. Merkmal die Zeilen. Man kann auch
Prozentwerte für die Zellen anfordern.
Grafiken:
Neben der oben beschriebenen Möglichkeit über den Befehl Häufigkeiten lassen sich Balkenund Kreisdiagramm auch über das Menü Grafiken erstellen.
Statistische Datenanalyse am PC
Andrea Berghold
10
Kennzahlen zur Beschreibung der Verteilungsform
Im folgenden werden Kennzahlen eingeführt, die als Maß für die Schiefe und die Wölbung
einer eingipfeligen Verteilung herangezogen werden können.
Mit Hilfe der verschiedenen Lagemaße lassen sich bereits Aussagen über die Schiefe einer
eingipfeligen Verteilung treffen:
Verteilungsform
Bedingung
rechtsschief (linkssteil) x > ~
x > xmod
linksschief (rechtssteil) x < ~
x < xmod
x=~
x = xmod
symmetrisch
Schiefe (Skewness)
Mit Hilfe des Schiefemasses g1 ist man nun in der Lage, durch einen einzigen Kennwert
Auskunft über die Schiefe und deren Richtung zu erhalten.
1
(xi − x )3
∑
n i =1
g1 =
3
⎛1
2⎞
⎜ ∑ ( xi − x ) ⎟
⎝ n i =1
⎠
Ist g1 ≈ 0, so kann man davon ausgehen, dass die Meßwerte symmetrisch um x verteilt
liegen. Bei linksschiefen Verteilungsformen wird g1 negativ, bei rechtschiefen positiv.
Exzeß und Wölbung (Kurtosis)
g2 =
1
(xi − x )4
∑
n i =1
⎛1
2⎞
⎜ ∑ ( xi − x ) ⎟
⎝ n i =1
⎠
2
−3
Der Exzeß gibt an, ob, bei gleicher Varianz, das absolute Maximum der Verteilung größer als
bei der Dichte der Normalverteilung ist. Der theoretische Wert von g2 für normalverteilte
Merkmalswerte ist 0. Ist g2 > 0 (g2 < 0), so liegen im Zentrum der Verteilung mehr (weniger)
Merkmalswerte als bei der Normalverteilung.
Statistische Datenanalyse am PC
Andrea Berghold
11