Der ALLBUS Datensatz
Die Allgemeine Bevölkerungsumfrage der Sozialwissenschaften (ALLBUS) ist eine standardisierte Befragung der deutschen Bevölkerung, die seit 1980 regelmäßig durch das GESIS Leibniz Institut für Sozialforschung durchgeführt wird. Im ALLBUS werden in der Regel alle zwei Jahre Daten über Einstellungen, Verhaltensweisen und Sozialstruktur der Bevölkerung in der Bundesrepublik Deutschland gesammelt. Dafür wird in persönlichen Interviews jeweils eine repräsentative Stichprobe aus der Bevölkerung Deutschlands befragt (jeweils ca. 2.800 bis 3.500 Befragte).
Abgefragt werden u.a. Einschätzungen und Einstellungen in den Bereichen:
- Wirtschaft
- Umwelt
- Immigration
- Politische Einstellungen und Partizipation
- Mediennutzung
- Einstellungen zu Ehe, Familie und Partnerschaft
- Einstellungen zu und Kontakte mit Behörden
- Freizeitaktivitäten
- Gesundheit und gesundheitsrelevantes Verhalten
Folgend arbeiten wir im Rahmen dieses Moduls durchgängig mit dem ALLBUS, speziell mit der Erhebnungswelle des Jahres 2021.
1 Data Management & Einlesen des ALLBUS
Wir beginnen damit, die notwendigen Pakete zu laden, die wir für die ersten Schritte mit den Daten benötigen. Das sind hier die Pakete haven (für das Einlesen der ALLBUS-Daten im Stata-Format) und das Pakete readr (für das Einlesen einiger Vorab vorbereiteter Samples aus dem Gesamtdatensatz), sowie das Paket dplyr, mit dem wir am Schluss einen Beispielhaften Teildatensatz bilden.
Nun lesen wir den ALLBUS-Datensatz mittels der Stata-Importfunktion read_dta aus dem Paket haven ein.
Als nächstes laden wir zudem noch drei zuvor erstellte Zufallssamples im Umfang von 20, 200 und 500 Zeilen aus dem Gesamtdatensatz. Diese enthalten weiterhin eine deutlich kleinere Anzahl relevanter Variablen und sind daher etwas übersichtlicher als der sehr große Hauptdatensatz.
2 Erste Schritte mit dem ALLBUS
Zunächst schauen wir uns die Daten an. Dies geschieht entweder daturch, dass man den Objektnamen verwendet (also im folgende Beispiel einfach sample_klein) oder indem man mit einem Klick in RStudio unter dem Reiter Environment oder mit dem Befehl View() aufruft. Bei diesem Vorgehen zeigt RStudio die Daten an, was i.d.R. den praktischsten Zugang darstellt.
# A tibble: 20 × 4
alter geschlecht bildung fernsehkonsum
<dbl> <fct> <fct> <dbl>
1 37 MANN FACHHOCHSCHULREIFE 3
2 38 MANN MITTLERE REIFE 7
3 47 FRAU VOLKS-,HAUPTSCHULE 6
4 66 MANN HOCHSCHULREIFE 2
5 47 FRAU HOCHSCHULREIFE 7
6 75 MANN VOLKS-,HAUPTSCHULE 7
7 41 FRAU MITTLERE REIFE 4
8 18 MANN NOCH SCHUELER 7
9 91 MANN <NA> NA
10 56 MANN HOCHSCHULREIFE 4
11 58 MANN HOCHSCHULREIFE 7
12 32 MANN MITTLERE REIFE 2
13 47 MANN FACHHOCHSCHULREIFE 1
14 49 MANN MITTLERE REIFE 1
15 23 MANN MITTLERE REIFE 0
16 48 FRAU MITTLERE REIFE 0
17 49 MANN HOCHSCHULREIFE 0
18 36 MANN FACHHOCHSCHULREIFE 7
19 70 MANN HOCHSCHULREIFE 7
20 43 FRAU MITTLERE REIFE 7Der kleine Beispieldatensatz illustriert den grundlegeenden Aufbau des ALLBUS. Dieser folgt (beim ALLBUS, aber auch den meisten anderen Befragungen) den folgenden Prinzipien
jede Befragungswelle ist ein einzeles Data Frame-Objekt (= eine große Tabelle)
die Zeilen der Tabelle sind die Beobachtungen (= RespondentInnen)
die Spalten der Tabelle sind die Variablen (= Antworten auf Survey-Fragen, oder bei der Möglichkeit zur Mehrfachnennung, die einzelnen Antwortoptionen)
die Zelleninhalte sind i.d.R. (Dummy)Zahlenwerte (= etwa “1” für wenig Zustimmung und “5” für hohe Zustimmung)
3 Einen Überblick über den ALLBUS gewinnen
Im Beispieldatensatz sind die Werte der Variablen alter, geschlecht und bildung recht leicht nachvollziebar, wobei sie etwas unterschiedliche Datentypen aufweisen, wie man mit Hilfe der Funktion str ermitteln kann.
tibble [20 × 4] (S3: tbl_df/tbl/data.frame)
$ alter : num [1:20] 37 38 47 66 47 75 41 18 91 56 ...
$ geschlecht : Factor w/ 4 levels "KEINE ANGABE",..: 2 2 3 2 3 2 3 2 2 2 ...
$ bildung : Factor w/ 9 levels "NICHT BESTIMMBAR",..: 6 5 4 7 7 4 5 9 NA 7 ...
$ fernsehkonsum: num [1:20] 3 7 6 2 7 7 4 7 NA 4 ...Bei der Variable alter handelt es sich schlicht um eine Zahl (num), während geschlecht und bildung sogenannte Faktoren sind. Faktoren nutzt man in R, um wiederholende nicht numerische (typischerweise nominal oder ordinalskalierte) Werte zu speichern. Praktisch jeder Faktor könnte genausogut eine Zeichenkette (chr) sein, aber oftmals sind Faktoren praktischer, weil sie eine festen Reihenfolge haben können (“ranked factors”), die sich bei Bedarf auch in Zahlen umwandel lassen. Im konkreten Beispiel ist das Geschlecht ein ungerankter Faktor, der Bildungsgrad hat hingegen einen Rang. Der Fernsehkonsum ist schließlich eine Likert-skalierte Variable, die wir hier und auch an anderer Stelle als metrische Variable behandeln (und dafür den R-Datentypen numeric verwenden), auch wenn das strikt genommen nicht immer zulässig ist – zumindest dann nicht, wenn man nur auf Grundlage eines einzelnen Items misst und eine 5- oder 7-Punkt Skala verwendet (vgl etwa hier).
Wie sehen die anderen Samples aus? Wir sehen uns im nächsten Schritt das große Zufallssample (500 Fälle) an.
# A tibble: 500 × 29
alter geschlecht fernsehkonsum politisches_interesse links_rechts_einordnung
<dbl> <fct> <dbl> <fct> <dbl>
1 50 FRAU 7 MITTEL 5
2 77 MANN 7 STARK 3
3 64 FRAU 7 <NA> 5
4 53 MANN NA UEBERHAUPT NICHT 8
5 29 MANN 0 SEHR STARK 2
6 44 FRAU 3 MITTEL 7
7 79 MANN 5 MITTEL 4
8 32 MANN 7 MITTEL 5
9 36 FRAU 0 STARK 6
10 66 MANN 7 STARK 3
# ℹ 490 more rows
# ℹ 24 more variables: wahlabsicht_partei <fct>,
# zufriedenheit_demokratie <fct>, entwicklung_kriminalitaet <fct>,
# social_media_nachrichtenquelle <dbl>, glaubwuerdigkeit_oer_tv <fct>,
# glaubwuerdigkeit_privat_tv <fct>, glaubwuerdigkeit_zeitungen <fct>,
# glaubwuerdigkeit_social_media <fct>, vertrauen_mitmenschen <dbl>,
# vertrauen_gesundheitswesen <dbl>, …Da wir es jetzt mit einer größeren Zahl an Beobachtungen and Variablen zu tun haben kann es nützlich sein, sich einen Überblick zu verschaffen.
Zunächst lassen wir uns die Variablennamen (also die Spalten) ausgeben. Dies geschieht mit der Funktion colnames.
[1] "alter" "geschlecht"
[3] "fernsehkonsum" "politisches_interesse"
[5] "links_rechts_einordnung" "wahlabsicht_partei"
[7] "zufriedenheit_demokratie" "entwicklung_kriminalitaet"
[9] "social_media_nachrichtenquelle" "glaubwuerdigkeit_oer_tv"
[11] "glaubwuerdigkeit_privat_tv" "glaubwuerdigkeit_zeitungen"
[13] "glaubwuerdigkeit_social_media" "vertrauen_mitmenschen"
[15] "vertrauen_gesundheitswesen" "vertrauen_bundesverfassungsgericht"
[17] "vertrauen_bundestag" "vertrauen_stadt_gemeindeverwaltung"
[19] "vertrauen_katholische_kirche" "vertrauen_evangelische_kirche"
[21] "vertrauen_justiz" "vertrauen_fernsehen"
[23] "vertrauen_zeitungswesen" "vertrauen_hochschulen"
[25] "vertrauen_bundesregierung" "vertrauen_polizei"
[27] "vertrauen_parteien" "vertrauen_eu_kommission"
[29] "vertrauen_eu_parlament" Eine etwas detailliertere Beschreibung erhalten wir durch die Funktion str. Diese liefert uns auch die Dimensionen (Anzahl der Zeilen und Spalten) des Data Frames, sowie die Variablen, deren Datentyp und die ersten zehn Ausprägungen.
tibble [500 × 29] (S3: tbl_df/tbl/data.frame)
$ alter : num [1:500] 50 77 64 53 29 44 79 32 36 66 ...
$ geschlecht : Factor w/ 4 levels "KEINE ANGABE",..: 3 2 3 2 2 3 2 2 3 2 ...
$ fernsehkonsum : num [1:500] 7 7 7 NA 0 3 5 7 0 7 ...
$ politisches_interesse : Factor w/ 7 levels "DATENFEHLER: MFN",..: 5 4 NA 7 3 5 5 5 4 4 ...
$ links_rechts_einordnung : num [1:500] 5 3 5 8 2 7 4 5 6 3 ...
$ wahlabsicht_partei : Factor w/ 13 levels "NICHT WAHLBERECHTIGT",..: NA 9 NA 13 10 NA 11 6 NA 9 ...
$ zufriedenheit_demokratie : Factor w/ 10 levels "DATENFEHLER: MFN",..: 5 6 7 8 6 5 8 NA NA 6 ...
$ entwicklung_kriminalitaet : Factor w/ 8 levels "DATENFEHLER: MFN",..: 6 5 4 4 6 5 5 5 NA 6 ...
$ social_media_nachrichtenquelle : num [1:500] 0 7 0 7 7 6 0 7 NA 0 ...
$ glaubwuerdigkeit_oer_tv : Factor w/ 7 levels "DATENFEHLER: MFN",..: 4 4 5 5 4 NA 5 5 5 5 ...
$ glaubwuerdigkeit_privat_tv : Factor w/ 7 levels "DATENFEHLER: MFN",..: 5 NA 5 5 5 NA 6 5 6 NA ...
$ glaubwuerdigkeit_zeitungen : Factor w/ 7 levels "DATENFEHLER: MFN",..: 5 4 5 5 5 NA 7 5 4 4 ...
$ glaubwuerdigkeit_social_media : Factor w/ 7 levels "DATENFEHLER: MFN",..: 6 5 NA 5 6 4 NA 6 6 NA ...
$ vertrauen_mitmenschen : num [1:500] 3 3 3 2 3 3 2 NA 3 3 ...
$ vertrauen_gesundheitswesen : num [1:500] 6 6 5 7 6 5 5 NA 5 5 ...
$ vertrauen_bundesverfassungsgericht: num [1:500] 6 6 4 1 6 6 2 NA 5 5 ...
$ vertrauen_bundestag : num [1:500] 5 5 5 1 2 7 1 NA 5 4 ...
$ vertrauen_stadt_gemeindeverwaltung: num [1:500] 5 5 5 1 5 6 4 NA 5 3 ...
$ vertrauen_katholische_kirche : num [1:500] 2 1 1 1 2 5 1 NA 2 1 ...
$ vertrauen_evangelische_kirche : num [1:500] 3 3 1 1 4 2 1 NA 2 2 ...
$ vertrauen_justiz : num [1:500] 5 3 3 4 4 1 3 NA 4 4 ...
$ vertrauen_fernsehen : num [1:500] 4 6 3 3 3 6 1 NA 4 4 ...
$ vertrauen_zeitungswesen : num [1:500] 4 6 3 3 3 6 1 NA 4 4 ...
$ vertrauen_hochschulen : num [1:500] 5 6 5 1 6 7 3 NA 5 5 ...
$ vertrauen_bundesregierung : num [1:500] 5 5 5 1 3 7 1 NA 5 4 ...
$ vertrauen_polizei : num [1:500] 5 5 4 5 4 7 3 NA 5 4 ...
$ vertrauen_parteien : num [1:500] 4 4 3 1 3 4 1 NA 2 3 ...
$ vertrauen_eu_kommission : num [1:500] 5 5 3 1 3 5 3 NA 4 4 ...
$ vertrauen_eu_parlament : num [1:500] 5 5 3 1 3 6 3 NA 4 4 ...Eine alternative (aber etwas ordentlichere) Ansicht erhält man mit dem Befehl glimpse aus dem Paket tibble (im tidyverse enthalten).
Rows: 500
Columns: 29
$ alter <dbl> 50, 77, 64, 53, 29, 44, 79, 32, 36,…
$ geschlecht <fct> FRAU, MANN, FRAU, MANN, MANN, FRAU,…
$ fernsehkonsum <dbl> 7, 7, 7, NA, 0, 3, 5, 7, 0, 7, 7, 7…
$ politisches_interesse <fct> MITTEL, STARK, NA, UEBERHAUPT NICHT…
$ links_rechts_einordnung <dbl> 5, 3, 5, 8, 2, 7, 4, 5, 6, 3, 4, 7,…
$ wahlabsicht_partei <fct> NA, DIE GRUENEN, NA, WUERDE NICHT W…
$ zufriedenheit_demokratie <fct> SEHR ZUFRIEDEN, ZIEMLICH ZUFRIEDEN,…
$ entwicklung_kriminalitaet <fct> IST GLEICH GEBLIEBEN, HAT ETWAS ZUG…
$ social_media_nachrichtenquelle <dbl> 0, 7, 0, 7, 7, 6, 0, 7, NA, 0, 0, N…
$ glaubwuerdigkeit_oer_tv <fct> SEHR GLAUBWUERDIG, SEHR GLAUBWUERDI…
$ glaubwuerdigkeit_privat_tv <fct> EHER GLAUBWUERDIG, NA, EHER GLAUBWU…
$ glaubwuerdigkeit_zeitungen <fct> EHER GLAUBWUERDIG, SEHR GLAUBWUERDI…
$ glaubwuerdigkeit_social_media <fct> EHER N. GLAUBWUERDIG, EHER GLAUBWUE…
$ vertrauen_mitmenschen <dbl> 3, 3, 3, 2, 3, 3, 2, NA, 3, 3, 1, 3…
$ vertrauen_gesundheitswesen <dbl> 6, 6, 5, 7, 6, 5, 5, NA, 5, 5, 3, N…
$ vertrauen_bundesverfassungsgericht <dbl> 6, 6, 4, 1, 6, 6, 2, NA, 5, 5, 7, N…
$ vertrauen_bundestag <dbl> 5, 5, 5, 1, 2, 7, 1, NA, 5, 4, 4, N…
$ vertrauen_stadt_gemeindeverwaltung <dbl> 5, 5, 5, 1, 5, 6, 4, NA, 5, 3, 5, N…
$ vertrauen_katholische_kirche <dbl> 2, 1, 1, 1, 2, 5, 1, NA, 2, 1, 1, N…
$ vertrauen_evangelische_kirche <dbl> 3, 3, 1, 1, 4, 2, 1, NA, 2, 2, 4, N…
$ vertrauen_justiz <dbl> 5, 3, 3, 4, 4, 1, 3, NA, 4, 4, 5, N…
$ vertrauen_fernsehen <dbl> 4, 6, 3, 3, 3, 6, 1, NA, 4, 4, 5, N…
$ vertrauen_zeitungswesen <dbl> 4, 6, 3, 3, 3, 6, 1, NA, 4, 4, 6, N…
$ vertrauen_hochschulen <dbl> 5, 6, 5, 1, 6, 7, 3, NA, 5, 5, 6, N…
$ vertrauen_bundesregierung <dbl> 5, 5, 5, 1, 3, 7, 1, NA, 5, 4, 2, N…
$ vertrauen_polizei <dbl> 5, 5, 4, 5, 4, 7, 3, NA, 5, 4, 6, N…
$ vertrauen_parteien <dbl> 4, 4, 3, 1, 3, 4, 1, NA, 2, 3, 2, N…
$ vertrauen_eu_kommission <dbl> 5, 5, 3, 1, 3, 5, 3, NA, 4, 4, 2, N…
$ vertrauen_eu_parlament <dbl> 5, 5, 3, 1, 3, 6, 3, NA, 4, 4, 2, N…Die hier verwendete Syntax PAKETNAME::FUNKTION ist vielleicht zunächst etwas irritierend. Mit ihr rufen wir ein Paket auf, welches wir nicht vorher geladen haben. Das ist mitunter nützlich und kommt hier zur Anwendung, weil wir das Paket tibble hier ansonsten nicht benutzen.
Schließlich lassen sich mit dem Befehle summary auch noch Eckwerte wie die Ausprägung von Faktorenstufen (bei Faktoren) oder Lageparameter (bei metrischen Variable) ermitteln.
alter geschlecht fernsehkonsum politisches_interesse
Min. :18.00 KEINE ANGABE: 0 Min. :0.000 MITTEL :231
1st Qu.:38.00 MANN :245 1st Qu.:4.000 STARK :138
Median :56.00 FRAU :254 Median :7.000 WENIG : 58
Mean :53.78 DIVERS : 1 Mean :5.305 SEHR STARK : 53
3rd Qu.:68.00 3rd Qu.:7.000 UEBERHAUPT NICHT: 17
Max. :93.00 Max. :7.000 (Other) : 0
NA's :3 NA's :8 NA's : 3
links_rechts_einordnung wahlabsicht_partei zufriedenheit_demokratie
Min. : 1.000 CDU-CSU : 97 ZIEMLICH ZUFRIEDEN:151
1st Qu.: 4.000 DIE GRUENEN: 89 ETWAS ZUFRIEDEN : 63
Median : 5.000 SPD : 51 ETWAS UNZUFRIEDEN : 46
Mean : 4.935 FDP : 50 SEHR ZUFRIEDEN : 32
3rd Qu.: 6.000 AFD : 33 ZIEML. UNZUFRIEDEN: 25
Max. :10.000 (Other) : 56 (Other) : 3
NA's :23 NA's :124 NA's :180
entwicklung_kriminalitaet social_media_nachrichtenquelle
HAT ETWAS ZUGENOMMEN:168 Min. :0.000
HAT STARK ZUGENOMMEN:163 1st Qu.:0.000
IST GLEICH GEBLIEBEN:118 Median :1.000
HAT ETWAS ABGENOMMEN: 34 Mean :2.921
HAT STARK ABGENOMMEN: 3 3rd Qu.:7.000
(Other) : 0 Max. :7.000
NA's : 14 NA's :45
glaubwuerdigkeit_oer_tv glaubwuerdigkeit_privat_tv
EHER GLAUBWUERDIG :233 EHER GLAUBWUERDIG :232
SEHR GLAUBWUERDIG :177 EHER N. GLAUBWUERDIG:154
EHER N. GLAUBWUERDIG: 62 SEHR GLAUBWUERDIG : 40
GAR NICHT GLAUBWUERD: 13 GAR NICHT GLAUBWUERD: 23
DATENFEHLER: MFN : 0 DATENFEHLER: MFN : 0
(Other) : 0 (Other) : 0
NA's : 15 NA's : 51
glaubwuerdigkeit_zeitungen glaubwuerdigkeit_social_media
EHER GLAUBWUERDIG :273 EHER N. GLAUBWUERDIG:230
SEHR GLAUBWUERDIG :124 GAR NICHT GLAUBWUERD:109
EHER N. GLAUBWUERDIG: 53 EHER GLAUBWUERDIG : 74
GAR NICHT GLAUBWUERD: 11 SEHR GLAUBWUERDIG : 11
DATENFEHLER: MFN : 0 DATENFEHLER: MFN : 0
(Other) : 0 (Other) : 0
NA's : 39 NA's : 76
vertrauen_mitmenschen vertrauen_gesundheitswesen
Min. :1.000 Min. :1.000
1st Qu.:2.000 1st Qu.:4.000
Median :2.000 Median :5.000
Mean :2.225 Mean :4.975
3rd Qu.:3.000 3rd Qu.:6.000
Max. :3.000 Max. :7.000
NA's :15 NA's :175
vertrauen_bundesverfassungsgericht vertrauen_bundestag
Min. :1.000 Min. :1.000
1st Qu.:4.000 1st Qu.:3.000
Median :6.000 Median :4.000
Mean :5.212 Mean :4.076
3rd Qu.:7.000 3rd Qu.:5.000
Max. :7.000 Max. :7.000
NA's :179 NA's :183
vertrauen_stadt_gemeindeverwaltung vertrauen_katholische_kirche
Min. :1.000 Min. :1.000
1st Qu.:4.000 1st Qu.:1.000
Median :5.000 Median :2.000
Mean :4.495 Mean :2.259
3rd Qu.:5.000 3rd Qu.:3.000
Max. :7.000 Max. :7.000
NA's :177 NA's :179
vertrauen_evangelische_kirche vertrauen_justiz vertrauen_fernsehen
Min. :1.000 Min. :1.000 Min. :1.000
1st Qu.:1.000 1st Qu.:4.000 1st Qu.:3.000
Median :3.000 Median :5.000 Median :4.000
Mean :3.016 Mean :4.567 Mean :3.642
3rd Qu.:4.000 3rd Qu.:6.000 3rd Qu.:5.000
Max. :7.000 Max. :7.000 Max. :7.000
NA's :182 NA's :179 NA's :176
vertrauen_zeitungswesen vertrauen_hochschulen vertrauen_bundesregierung
Min. :1.000 Min. :1.000 Min. :1.00
1st Qu.:3.000 1st Qu.:5.000 1st Qu.:3.00
Median :4.000 Median :5.000 Median :4.00
Mean :4.006 Mean :5.176 Mean :4.08
3rd Qu.:5.000 3rd Qu.:6.000 3rd Qu.:5.00
Max. :7.000 Max. :7.000 Max. :7.00
NA's :177 NA's :177 NA's :177
vertrauen_polizei vertrauen_parteien vertrauen_eu_kommission
Min. :1.000 Min. :1.000 Min. :1.000
1st Qu.:4.000 1st Qu.:2.000 1st Qu.:2.000
Median :5.000 Median :3.000 Median :4.000
Mean :4.994 Mean :3.205 Mean :3.516
3rd Qu.:6.000 3rd Qu.:4.000 3rd Qu.:5.000
Max. :7.000 Max. :6.000 Max. :7.000
NA's :177 NA's :178 NA's :178
vertrauen_eu_parlament
Min. :1.000
1st Qu.:2.000
Median :4.000
Mean :3.575
3rd Qu.:5.000
Max. :7.000
NA's :178 Nun schauen wir uns den ALLBUS selbst – also den Gesamtdatensatz – genauer an.
# A tibble: 5,342 × 544
za_nr doi version respid substudy mode splt21 eastwest german
<dbl+lbl> <chr> <chr> <dbl> <dbl+lb> <dbl+l> <dbl+l> <dbl+lb> <dbl+>
1 5280 [ALLBUS 2… http… 2.0.0 … 1 1 [SIMU… 4 [MAI… 2 [SPL… 1 [ALTE… 1 [JA]
2 5280 [ALLBUS 2… http… 2.0.0 … 2 1 [SIMU… 4 [MAI… 1 [SPL… 1 [ALTE… 1 [JA]
3 5280 [ALLBUS 2… http… 2.0.0 … 3 1 [SIMU… 4 [MAI… 1 [SPL… 1 [ALTE… 1 [JA]
4 5280 [ALLBUS 2… http… 2.0.0 … 4 1 [SIMU… 4 [MAI… 2 [SPL… 2 [NEUE… 1 [JA]
5 5280 [ALLBUS 2… http… 2.0.0 … 5 1 [SIMU… 4 [MAI… 2 [SPL… 1 [ALTE… 1 [JA]
6 5280 [ALLBUS 2… http… 2.0.0 … 6 1 [SIMU… 3 [CAW… 2 [SPL… 1 [ALTE… 1 [JA]
7 5280 [ALLBUS 2… http… 2.0.0 … 7 2 [SEQU… 3 [CAW… 3 [SPL… 1 [ALTE… 1 [JA]
8 5280 [ALLBUS 2… http… 2.0.0 … 8 1 [SIMU… 4 [MAI… 2 [SPL… 1 [ALTE… 1 [JA]
9 5280 [ALLBUS 2… http… 2.0.0 … 9 2 [SEQU… 3 [CAW… 3 [SPL… 2 [NEUE… 1 [JA]
10 5280 [ALLBUS 2… http… 2.0.0 … 10 1 [SIMU… 4 [MAI… 2 [SPL… 1 [ALTE… 1 [JA]
# ℹ 5,332 more rows
# ℹ 535 more variables: ep01 <dbl+lbl>, ep03 <dbl+lbl>, ep04 <dbl+lbl>,
# ep06 <dbl+lbl>, lm01 <dbl+lbl>, lm02 <dbl+lbl>, lm19 <dbl+lbl>,
# lm20 <dbl+lbl>, lm21 <dbl+lbl>, lm22 <dbl+lbl>, lm14 <dbl+lbl>,
# xr19 <dbl+lbl>, xr20 <dbl+lbl>, lm27 <dbl+lbl>, lm28 <dbl+lbl>,
# lm29 <dbl+lbl>, lm30 <dbl+lbl>, lm31 <dbl+lbl>, lm32 <dbl+lbl>,
# lm33 <dbl+lbl>, lm34 <dbl+lbl>, lm35 <dbl+lbl>, lm36 <dbl+lbl>, …Es wird schnell klar, das weniger die Anzahl der Beobachtungen als vielmehr die Anzahle der Variablen (544) eine Herausforderung darstellt, zumal diese eher kryptische Namen wie hp06 haben. Wie sich also zurechfinden?
4 Die Variablen des ALLBUS
Zum Glück lassen sich die sog. Labels, also die sprechenden Beschriftungen die sowohl Fragen and auch Antwortoptionen im ALLBUS-Stata-Datensatz haben, mittels R extrahieren (dies geschieht mit dem Paket labelled). Wir haben dies bereits vorbereitend für den ALLBUS gemacht und laden die entsprechenden Tabellen nun nur noch.
Es lohnt sich, beide Objekte mittels View() oder durch eine Klick ob die beiden Objekte variablen und variablen_optionen in RStudio anzuschauen. Interessant sind die Felder variable (der Name der Variable im ALLBUS) und label (eine sprechende Beschreibung).
Suchen wir etwa nach hp06 finden wie die Label-Beschreibung “EPIDEMIE: STAAT DARF KRANKE ISOLIEREN”, die schon deutlich besser interpretierbar ist als hp06. Eine genaue Dokumentation und (vor allem wichtig) der genaue Fragetext findet sich in den Dokumenten ZA5280_fb_CAWI.pdf (Fragebogen) und ZA5280_cdb.pdf (Variablenreport). Beide sind wie der ALLBUS selbst abgelegt im Ordner Datensatz, werden aber ausserhalb von RStudio geöffnet.
Der Fragebogen reicht normalerweise aus, um sich einen Überblick zu verschaffen, aber der Variablenreport ist dann nützlich, wenn man den Zusammenhang zwischen einem Dummywert (bspw. “4”) und dessen Bedeutung in Verbindung mit einer bestimmten Variable herausfinden möchte. Die Fragen lauter bei hp06
Und was denken Sie über folgende Maßnahmen: Sollte in Deutschland in Zeiten schwerer Epidemien der Staat das Recht haben, Folgendes zu tun?
Nachweislich infizierte Personen isolieren
Und der Dummy-Wert “4” steht bei dieser Frage für die Antwort Auf keinen Fall.
Wenn man die drei kleinen Zufallssamples mit dem Hauptdatensatz vergleicht, fällt schnell auf, dass die Samples ausschließlich (echte) Zahlenfelder für (vor allem) ordinale Likert-skalierte Variablen enthalten. Bei diesen bedeutet ein höherer Wert i.d.R. mehr Zustimmung oder eine ausgeprägtere Verhaltensausprägung gegenüber geringeren Werten. Es gibt aber auch Fälle in denen diese sog. Polarität der Variablenwerte umgedreht ist und geringe Werte “stärker” sind als hohe, order solche, in denen wir es mit nominalen Skalen zu tun haben, die Zahlen also in keinerlei logischem Zusammenhang stehen.
Was heißt das konkret? Zur Sicherheit sollte man im Rahmen einer eigenen Analyse in den Hauptdatensatz und in die Dokumentatuin schauen um absolut sicher zu sein, dass man keine unzulässigen Umformungen oder Berechnungen vornimmt (und etwa den Mittelwert einer nominalskalierten Variable bestimmt), oder die Ergebnisse misinterpretiert (etwa wenn die Polarität einer Variablen umgedreht codiert wurde). Es gilt immer: know your data.
Zunächst ist es aber vollkommen legetim, um die Variablenliste oder das Befragungsdokument nach interessanten Variablen zu durckforsten. Wir können in der View()-Ansicht des Objekts variable nach Begriffen suchen, die in den Labels vorkommen. Beispielsweise finden wir mit einer Suche nach dem Begriff ‘medien’ die Variablen lm35 (Nutzung von sozialen Medien als Nachrichtenquelle) und lm39 (Glaubwürdigkeit sozialer Medien mit Blick auf Kriminalität), die uns vielleicht interessieren.
5 Bildung eines Teilsamples
Ein Schritt, der praktisch für alle Studienprojekte im Verlauf des Semesters relevant sein wird, ist die Bildung eines Teildatensatzes, welcher die Variablen (und ggf. Fälle) enthält, die für Ihre Analyse relevant sind.
Technisch gesehen ist das gar nicht unbedingt notwendig – wir können jeder Zeit Berechnungen am Gesamtdatensatz anstellen. Aber oft ist ein Teildatensatz übersichtlicher und ermöglicht ein besseres Verständnis der Daten.
Wie bildet man ein solches Teilsample? Entscheidend ist hier die Funktion select.
Wir extrahieren hier mittels select drei Variablen, nämlich Alter (age), Geschlecht (sex) und den Fernsehkonsum in Minuten (lm02).
Das Ergegnis ist ein Datensatz, der weiterhin alle 5.342 Fälle, aber nur drei (statt 544) Variablen enthält.
# A tibble: 5,342 × 3
age sex lm02
<dbl+lbl> <dbl+lbl> <dbl+lbl>
1 54 2 [FRAU] 210
2 53 1 [MANN] 90
3 89 2 [FRAU] 135
4 79 1 [MANN] 60
5 62 2 [FRAU] 180
6 23 1 [MANN] 45
7 31 2 [FRAU] 30
8 57 2 [FRAU] -9 [KEINE ANGABE]
9 68 1 [MANN] 180
10 51 2 [FRAU] 180
# ℹ 5,332 more rowsEine gewisse Komplikation ist allerdings die Tatsache, dass in diesem Ausschnitt die Variablen sex noch eine Dummy-Zahl ist (1 = männlich, 2 = weiblich, 3 = divers) und zudem die Variable lm02 negative Werte enthät. Diese zeigen keinen negativen Fernsehkonsum an, sondern werden für Spezialwerte verwendet (“keine Angabe”, “durch Filterbedingung weggefallen”). Als Faustregel gilt: Negative Werte im ALLBUS sollten praktisch immer durch NAs ersetzt werden. Das ist unbedingt von “0” als Wert zu unterscheiden. Mit einer “echten” Null kann ebenso wie mit “echten” Negtivwerten gerechnet werden, dies führt aber zu substantiellen Verzerrungen, wenn es sich um Dummy-Werte handelt.
Der folgenden Codeblock bereinigt die Daten zum Fernsehkomsum. Dazu benennte er die drei Variablen znnächst in transparentere Were um. Anschlißend werden negative Werte in NAs umgewandelt (hier mit der Funktion replace_with_na_all aus dem Paket naniar). Dann wird das Geschlecht faktorisiert, was die Zahlen durch das Label (also MANN / FRAU / DIVERS) ersetzt. Und schließlich werden die Labels und Attribute entfernt, die nun nicht mehr benötigt werden.
6 Zusammenfassung
Wir sind jetzt in einer guten Position, um mit der praktischen Arbeit am ALLBUS zu beginnnen, also der Analyse und Interpretation konkreter Daten.