Übungsprojekt: Daten erkunden

Lernziele

Am Ende dieser Übung solltest du in der Lage sein:

• Items korrekt umzukodieren (reverse coding).
• Skalenmittelwerte zu berechnen und die interne Konsistenz mit Cronbach’s Alpha zu bewerten.
• Eine Explorative Faktorenanalyse (EFA) mit drei Faktoren durchzuführen.
• Deskriptive Statistiken zu berechnen und Verteilungen zu interpretieren.
• Schiefe Verteilungen und Ausreißer zu identifizieren.

Übersicht über die Aufgabe

Du hast einen Datensatz mit 20 Variablen, darunter Likert-Skalen-Daten (zur Messung von Motivation, Stress und Engagement) sowie einige kategoriale Variablen (z. B. Geschlecht, Studiengang). Die Likert-Items sind drei vordefinierten Skalen zugeordnet, und einige davon sind reverse-coded.

Deine Aufgabe:

1. Datensatz laden (R oder SPSS)
2. Datenstruktur erkunden (Variablentypen, fehlende Werte, Verteilungen)
3. Reverse Coding durchführen
4. Skalenmittelwerte berechnen
5. Explorative Faktorenanalyse (EFA) mit drei Faktoren durchführen
6. Cronbach’s Alpha berechnen
7. Schiefe Verteilungen und Ausreißer identifizieren
8. Ergebnisse interpretieren

Datenbeschreibung

Variable	Typ	Beschreibung
motivation1, motivation2, motivation3, motivation4_rev	Likert (1-5)	Erfasst intrinsische Motivation (motivation4_rev ist umgekehrt kodiert)
stress1, stress2, stress3, stress4_rev	Likert (1-5)	Erfasst wahrgenommenen Stress (stress4_rev ist umgekehrt kodiert)
engagement1, engagement2, engagement3, engagement4_rev	Likert (1-5)	Erfasst akademisches Engagement (engagement4_rev ist umgekehrt kodiert)
age	Numerisch	Alter der Teilnehmenden
gender	Kategorial	1 = Männlich, 2 = Weiblich, 3 = Divers
study_program	Kategorial	Studiengang
GPA	Numerisch	Notendurchschnitt (0-4 Skala)
social_media_hours	Numerisch	Selbstberichtete Social-Media-Nutzung pro Tag (in Stunden)

Schritt-für-Schritt-Anleitung

1. Datensatz laden
2. Daten erkunden
   • Verteilungen analysieren
   • Ausreißer analysieren
3. Reverse Coding (wo notwendig)
4. Cronbach’s Alpha für alle Skalen berechnen
5. Mittelwerte berechnen
6. EFA durchführen

Lösungen

Lösung in R

1. read.csv()
2. str(data); summary(data); colSums(is.na(data))
3. data$motivation4_rev <- 6 - data$motivation4_rev data$stress4_rev <- 6 - data$stress4_rev data$engagement4_rev <- 6 - data$engagement4_rev
4. data$motivation_mean <- rowMeans(data[, c("motivation1", "motivation2", "motivation3", "motivation4_rev")]) data$stress_mean <- rowMeans(data[, c("stress1", "stress2", "stress3", "stress4_rev")]) data$engagement_mean <- rowMeans(data[, c("engagement1", "engagement2", "engagement3", "engagement4_rev")])
5. library(psych) efa_result <- fa(data[, c(1:12)], nfactors = 3, rotate = "varimax") print(efa_result$loadings)
6. psych::alpha(data[, c("motivation1", "motivation2", "motivation3", "motivation4_rev")]) psych::alpha(data[, c("stress1", "stress2", "stress3", "stress4_rev")]) psych::alpha(data[, c("engagement1", "engagement2", "engagement3", "engagement4_rev")])
7. library(moments) skewness(data$GPA) skewness(data$social_media_hours) boxplot(data$GPA, main="GPA Verteilung") boxplot(data$social_media_hours, main="Social-Media-Nutzung")
8. Interpretation: Faktorenladung (welche Items laden auf welche Faktoren?), Cronbach’s Alpha (interne Konsistenz gegeben?); gibt es schiefe verteilte Variablen bzw. Ausreißer?

Lösung in SPSS

1. Datei öffnen
2. Analyse → Deskriptive Statistiken → Häufigkeiten
3. COMPUTE motivation4_rev = 6 - motivation4_rev. COMPUTE stress4_rev = 6 - stress4_rev. COMPUTE engagement4_rev = 6 - engagement4_rev. EXECUTE.
4. COMPUTE motivation_mean = MEAN(motivation1, motivation2, motivation3, motivation4_rev). COMPUTE stress_mean = MEAN(stress1, stress2, stress3, stress4_rev). COMPUTE engagement_mean = MEAN(engagement1, engagement2, engagement3, engagement4_rev). EXECUTE.
5. Analyse → Dimensionenreduktion → Faktorenanalyse
6. Analyse → Skala → Reliabilitätsanalyse
7. Analyse → Deskriptive Statistiken → Explore
8. Interpretation: Faktorenladung (welche Items laden auf welche Faktoren?), Cronbach’s Alpha (interne Konsistenz gegeben?); gibt es schiefe verteilte Variablen bzw. Ausreißer?

Zusammenfassung

Diese Übung kombiniert praktische Datenanalyse mit statistischen Konzepten, um ein tiefes Verständnis für explorative Datenanalyse und Faktorenanalyse zu fördern.