8 Best Practices in der Datenaufbereitung - Dummies

Statistische Softwarepakete sind heutzutage extrem leistungsfähig, können aber keine Daten von schlechter Qualität bewältigen. Im Folgenden finden Sie eine Checkliste der Dinge, die Sie tun müssen, bevor Sie statistische Modelle erstellen.

Datenformate prüfen

Ihre Analyse beginnt immer mit einer Rohdatendatei. Rohdatendateien gibt es in vielen verschiedenen Formen und Größen. Mainframe-Daten unterscheiden sich von PC-Daten, Tabellenkalkulationsdaten sind anders formatiert als Webdaten und so weiter. Und im Zeitalter der Big Data werden Sie sicherlich mit Daten aus verschiedenen Quellen konfrontiert sein. Ihr erster Schritt bei der Analyse Ihrer Daten besteht darin, dass Sie die Dateien, die Sie erhalten, lesen können.

Sie müssen sich tatsächlich ansehen, was in jedem Feld enthalten ist. Zum Beispiel ist es nicht klug, dem zu vertrauen, nur weil ein Feld als ein Zeichenfeld aufgeführt ist, enthält es tatsächlich Zeichendaten.

Datentypen überprüfen

Alle Daten fallen in eine von vier Kategorien, die sich darauf auswirken, welche Art von Statistik Sie entsprechend anwenden können:

Nominaldaten sind im Wesentlichen nur ein Name oder ein Bezeichner.
Ordinaldaten ordnen die Datensätze vom niedrigsten bis zum höchsten Wert in Reihenfolge.
Intervalldaten stellen Werte dar, bei denen die Unterschiede zwischen ihnen vergleichbar sind.
Verhältnisdaten sind wie Intervalldaten, außer dass sie auch einen Wert von 0 zulassen.

Es ist wichtig zu verstehen, in welche Kategorien Ihre Daten fallen, bevor Sie sie in die Statistiksoftware einspeisen. Andernfalls riskieren Sie, mit perfekt vernünftigem Kauderwelsch zu enden.

Zeichnen Sie Ihre Daten auf

Es ist wichtig, ein Gefühl dafür zu bekommen, wie Ihre Daten verteilt sind. Sie können statistische Prozeduren ausführen, bis Sie blau im Gesicht sind, aber keine von ihnen wird Ihnen so viel Einblick geben, wie Ihre Daten als einfaches Diagramm aussehen.

Überprüfen der Datengenauigkeit

Sobald Sie sich damit vertraut gemacht haben, dass die Daten so formatiert sind, wie Sie es möchten, müssen Sie sicherstellen, dass sie genau und sinnvoll ist. Dieser Schritt setzt voraus, dass Sie über Kenntnisse des Fachgebiets verfügen, in dem Sie arbeiten.

Es gibt keinen wirklich einfachen Ansatz zur Überprüfung der Datengenauigkeit. Die Grundidee besteht darin, einige Eigenschaften zu formulieren, von denen Sie denken, dass die Daten diese anzeigen sollten, und die Daten zu testen, um zu sehen, ob diese Eigenschaften gültig sind. Sind Aktienkurse immer positiv? Stimmen alle Produktcodes mit der Liste der gültigen Codes überein? Im Wesentlichen versuchen Sie herauszufinden, ob die Daten wirklich das sind, was Ihnen gesagt wurde.

Ausreißer identifizieren

Ausreißer sind Datenpunkte, die nicht mit den übrigen Daten übereinstimmen. Sie sind entweder sehr große oder sehr kleine Werte im Vergleich zum Rest des Datensatzes.

Ausreißer sind problematisch, weil sie Statistiken und statistische Verfahren ernsthaft gefährden können. Ein einzelner Ausreißer kann einen großen Einfluss auf den Wert des Mittelwerts haben. Da der Mittelwert das Zentrum der Daten darstellen soll, macht dieser eine Ausreißer den Mittelwert nutzlos.

Wenn Sie mit Ausreißern konfrontiert werden, besteht die häufigste Strategie darin, sie zu löschen. In einigen Fällen möchten Sie diese jedoch möglicherweise berücksichtigen. In diesen Fällen ist es normalerweise wünschenswert, die Analyse zweimal durchzuführen - einmal mit Ausreißern und einmal mit Ausreißern. Auf diese Weise können Sie bewerten, welche Methode nützlichere Ergebnisse liefert.

Umgang mit fehlenden Werten

Fehlende Werte sind eines der häufigsten (und ärgerlichsten) Datenprobleme, denen Sie begegnen werden. Ihr erster Impuls könnte sein, Datensätze mit fehlenden Werten aus Ihrer Analyse zu löschen. Das Problem dabei ist, dass fehlende Werte häufig nicht nur zufällige kleine Datenfehler sind.

Überprüfen Sie Ihre Annahmen über die Verteilung der Daten

Viele statistische Verfahren hängen von der Annahme ab, dass die Daten auf eine bestimmte Weise verteilt sind. Wenn diese Annahme nicht der Fall ist, leidet die Genauigkeit Ihrer Vorhersagen.

Die häufigste Annahme für die in diesem Buch diskutierten Modellierungstechniken ist, dass die Daten normal verteilt sind.

Oder nicht. In Fällen, in denen die Daten nicht so verteilt werden, wie Sie es benötigen, geht nicht alles verloren. Es gibt eine Vielzahl von Möglichkeiten, Daten zu transformieren, um die Verteilung in die Form zu bringen, in der sie benötigt wird.

Eine der besten Möglichkeiten, die Genauigkeit eines statistischen Modells zu überprüfen, besteht darin, es tatsächlich anhand der Daten zu testen, sobald es erstellt wurde. Eine Möglichkeit, dies zu tun, ist die zufällige Aufteilung Ihres Datensatzes in zwei Dateien. Sie können diese Dateien jeweils Analysis und Test nennen.

Sie müssen die Daten nach dem Zufallsprinzip aufteilen, um wirksam zu sein. Sie können den Datensatz beispielsweise nicht einfach in die obere und die untere Hälfte aufteilen. Fast alle Datendateien sind irgendwie sortiert - nach Datum, wenn nichts anderes. Dies führt zu systematischen Mustern, die verschiedenen Teilen der Datei unterschiedliche statistische Eigenschaften verleihen. Wenn Sie die Datei zufällig teilen, geben Sie jedem Datensatz die gleiche Chance, in einer der beiden Dateien zu sein. Im übertragenen Sinn werfen Sie für jeden Datensatz eine Münze, um zu entscheiden, in welche Datei sie geht. Zufälligkeit gibt beiden Dateien die gleichen statistischen Eigenschaften wie die Originaldaten.

Nachdem Sie den Datensatz geteilt haben, legen Sie die Testdatei beiseite. Fahren Sie dann mit dem Erstellen Ihres Vorhersagemodells mithilfe der Analysedatei fort. Sobald das Modell erstellt ist, wenden Sie es auf die Testdatei an und sehen Sie, wie es funktioniert.

Das Testen von Modellen auf diese Weise hilft gegen ein Phänomen zu schützen, das als Überanpassung bekannt ist. Im Wesentlichen ist es für statistische Verfahren möglich, die Datendatei zu speichern, anstatt sinnvolle Beziehungen zwischen den Variablen zu entdecken. Wenn es zu einer Überanpassung kommt, testet das Modell recht schlecht mit der Testdatei.

Sichern und dokumentieren Sie alles, was Sie tun

Da statistische Software so einfach zu bedienen ist, ist es ein Kinderspiel, Berichte und Grafiken zu erstellen, ganz zu schweigen von Datendateien.Sie können Prozeduren buchstäblich auf Knopfdruck ausführen. Sie können mehrere Dutzend Graphen basierend auf verschiedenen Datentransformationen in wenigen Minuten generieren. Das macht es ziemlich einfach, den Überblick darüber zu verlieren, was Sie getan haben und warum.

Es ist wichtig sicherzustellen, dass Sie eine schriftliche Aufzeichnung darüber führen, was Sie vorhaben. Diagramme sollten mit dem Namen (und der Version) der Daten gekennzeichnet werden, mit denen sie erstellt wurden. Statistische Verfahren, die Sie erstellen, müssen gespeichert und dokumentiert werden.

Es ist auch wichtig, Ihre Datendateien zu sichern. Im Verlauf Ihrer Analyse werden Sie wahrscheinlich mehrere Versionen Ihrer Daten erstellen, die verschiedene Korrekturen und Transformationen von Variablen widerspiegeln. Sie sollten die Prozeduren speichern, die diese Versionen erstellt haben. Sie sollten auch so dokumentiert werden, dass sie beschreiben, welche Transformationen Sie vorgenommen haben und warum.

Dokumentation ist keine Lieblingsaufgabe von jemandem, aber wir sprechen aus Erfahrung, wenn wir Sie dringend dazu auffordern, sich nicht auf Ihr Gedächtnis zu verlassen, wenn es um Ihre Analyseprojekte geht.

Indem Sie die eben beschriebenen Schritte ausführen, maximieren Sie die Zuverlässigkeit Ihrer statistischen Modelle. In vielen Fällen ist die Vorbereitung tatsächlich zeitaufwändiger als die eigentliche Modellbildung. Aber es ist notwendig. Und Sie werden sich am Ende dafür bedanken, dass Sie es methodisch durchgearbeitet haben.