Entries Tagged as 'Statistik'

Ratingskala

Bei Onlinebefragungen sieht man immer häufiger die Ratingskala bei der Merkmalsausprägung, die in eine Rangordnung gebracht werden muss. Die Auswertung solcher Rangreihen hingegen ist eine nicht triviale Angelegenheit. Die ermittelten Rangwerte stellen eine Ordinalskala dar, die einfachste Darstellung kann mit Modalwert (Häufigster Wert) und Medianwert (50% Wert) erfolgen. Um mehr Informationen aus den Daten zu erhalten, sind die Werte der Rangskala in geeigneter Form zu transformieren. Eine Methode ist die Transformation der Rangreihen in die intervallskalierte Merkmale überführt werden. Die Grundidee dieser Methode geht auf Thurstone (1927) nach dem “Law of Categorical Judgement” zurück. Dabei werden die kumulierten Häufigkeiten in Normalverteilte z-Werte übergeführt und aus diesen die intervallskalierten Markmalsausprägungen gebildet.[1]
Mit R ist dies elegant zu berechnen. Mit den Funktionen tabel() und cumsum() lassen sich die kumulierten Häufigkeiten berechnen und mit der Funktion qnorm() die entsprechenden z-Werte.

Zur Veranschaulichung habe ich hier ein fiktives Beispiel. Es handelt von einer Befragung von Kunden eines Supermarktes. Die Kunden werden befragt, welche Art von Lebensmitteln sie bevorzugen: (a) Produkte aus konventioneller Landwirtschaft (Tab. 1) und (b) Produkte aus biologischer Landwirtschaft. Dabei Reihen die Kunden Begriffe die im Zusammengang mit den Produkten stehen nach Wichtigkeit, zu den Kriterien zählen Qualität, Aussehen, Vielfalt, Verfügbarkeit und Preis. Durch die Betrachtung der Häufigkeiten der Rangplätze lässt sich schon gut abschätzen, welcher Begriff an erster Stelle steht, hier ist bei den Produkte aus konventioneller Landwirtschaft der “Geschmack” an erster Stelle und bei Produkte aus biologischer Landwirtschaft die “Qualität”.
(a) Produkte aus konventioneller Landwirtschaft
konventionelle Produkte

Was sich nicht aus den Häufigkeiten ableitet, ist die Information wie bedeutend der Unterschied unter den Rangplätzen ist. Dafür kann die oben beschriebene Maßzahl angewendet werden. Da es sich um einen z-Transformierten Wert handelt, kann der Wert zum Abschätzen der “Wichtigkeit” dienen.
(b) Produkte aus biologischer Landwirtschaft
biologische Produkte
In diesem Beispiel zeigt sich, dass bei Kunden die Bioprodukte kaufen “Qualität” überdurchschnittlich an erster Stelle steht und das bei Kunden die konventionelle Produkte kaufen, “Geschmack”, “Preis” und “Vielfalt” gleichwertig sind und hier an erster Stelle stehen.

Rangreihe
(c)Gegenüberstellung biologischer Landwirtschaft mit konventioneller Landwirtschaft

Literatur:
[1]Bortz, J. & Döring, N. (2006). Forschungsmethoden und Evaluation für Human- und Sozialwissenschaftler (4. Auflage). Berlin: Springer. Seite 155

[1] Borz, Döring; Forschungsmethoden und Evaluation, Springer 2006; Seite 157

Image Profile mit R

Einen interessanten “Codeschnipsel” für die Visualisierung von Semantisches Differenzial habe ich in der R Graph Gallery entdeckt. Mehr Info findet man direkt beim Autor Detlev Reymann unter Wettbewerbsanalysen für kleine und mittlere Unternehmen (KMUs).

Kano-Modell

Die Kundenzufriedenheitsanalyse mit der Kano-Methode ist eine leider viel zu wenig beachtete Befragungsmethode.
Das Kano-Modell wurde von Noriaki Kano in den 70ern für die Firma Konica (Minolta Kameras) entwickelt. Die Marketingabteilung stellte damals fest, dass Kunden bei einer direkten Befragung nur geringfügige Änderungen am Produkt wünschten. Ein tief greifendes Verständnis der unausgesprochenen Bedürfnisse des Kunden konnte nicht abgeleitet werden.
Kano entwickelte daraufhin eine Methode die Wünsche und Erwartungen von Kunden zu erfassen.

Das Kano-Modell unterscheidet fünf Ebenen der Qualität:
Basis-Merkmale, selbstverständlich Eigenschaft (Must-be)
Leistungs-Merkmale, bewusste Eigenschaften (One-dimensional)
Begeisterungs-Merkmale, nutzen stiftende Merkmale (Attractive)
Unerhebliche Merkmale (Indifferent)
Rückweisungs-Merkmale (Reverse)

Der so genannte Kano-Fragebogen besteht aus zwei hypothetischen Fragen, die funktionale Frage und die dysfunktionale Frage. Für die Beantwortung steht eine sechsteilige Antwortskala bzw. eine dreiteilige modifizierte Antwortskala zur Verfügung.
Die funktionale Frage bezieht sich auf vorhandene Attribute eines Produkts
und die dysfunktionale Frage auf die Nicht-Existenz des Attributs.

Beispiel:
Das Geschäft ist leicht zu finden. Was denken Sie darüber?
• Das würde mich sehr freuen
• Das setze ich voraus
• Das ist mir egal

Das Geschäft ist nicht leicht zu finden. Was denken Sie darüber?
• Das ist mir egal
• Das könnte ich in Kauf nehmen
• Das würde mich sehr stören

Die Datenerhebung ist die eigentliche Herausforderung eines Kano-Umfrageprojektes. Durch den Aufbau der Fragen ist die Befragung sehr monoton und verlangt viel Einsatz vom Befragten. Es ist daher für den Erfolg der Untersuchung wichtig seine Untersuchungsgruppe genau zu kennen und Anweisungen zum richtigen Ausfüllen in Form von Beispielen dem Fragebogen beizulegen.

Die Datenanalyse der Kano-Methode erfolgt über Auswertung nach Häufigkeiten dazu existieren Auswertungsregeln. Technisch werden die Häufigkeiten mittels der Auswertungstabelle kodiert. Bei wenigen Daten empfiehlt es sich die Kodierung händisch zu erfassen. Bei großen Datenmengen mit Excel oder Open Office über Formeln (wenn dann Bezüge) mit SPSS geht es über Umcodieren der Variablen. Am eleganteste geht es mit der Statistik-Software R.

kano-auswertungs-tabelle

Category Strength ist eine Maßzahl die die angibt ob eine Anforderung nur in eine Kategorie gehört.
Cat = Häufigste Nennung – Zweithäufigste Nennung

Total Strength als zweite Maßzahl gibt an wie hoch der Anteil an bedeutenden Produktmerkmalen ist.
Tot = A + O + M

Eine detaillierte Datenanalyse stellen die Kundenzufriedenheitskoeffizienten dar (CS+ Zufriedenheits-Koeffizient und CS- Un-Zufriedenheits-Koeffizient ).

Cs+ = (A+O) / (A+O+M+I)
Cs- = (O+M) / (A+O+M+I)

Der Wertebereich reicht von eins bis null (CS+) und von null bis minus eins (CS-). Werte ab 0,5 bzw.-0,5 werden als bedeutsam betrachtet.

Self-Stated Importance (Fong-Test) Signifikanz der Zuordnung
abs(a-b) < 1.65 * sqrt(((a+b)(2n-a-b)) /2n)
a und b Häufigkeiten der stärksten Kategorien n Anzahl der Befragten

auswertung-kano
Beispiel Auswertung Kano-Methode

kano-zufriedenheit
Beispiel Grafik Kano-Methode Zufriedenheitsfaktoren

Die Ausführung der Auswertung als Grafik und in Tabellenform wurde von mir mit “R” durchgeführt. Sobald ich die Dokumentation fertig erstellt habe, werde ich es hier online stellen.

Literatur:
Jörg A. Holzing; Die Kano-Theorie der Kundenzufriedenheitsmessung; 2008
Elmar Sauerwein; Das Kano-Modell der Kundenzufriedenheit; 2000
Wikipedia; Kano-Modell; http://de.wikipedia.org/wiki/Kano-Modell

Update:
Dieser Bericht über das Kano-Modell bringt einige Fragen und ich freue mich über die Kommentare. Leider ist es nicht möglich umfassende Fragen zum Modell in den Kommentaren auf Grund ihrer Komplexheit zu beantworten.

Ich biete aber gerne eine Beratung, die Beantwortung komplexer Fragen und die Unterstütztung der grafischen Aufbereitung an.

SPSS-Blog

Einer der “wichtigsten” Blogs ist mir doch tatsächlich entgangen der Statistik-Blog. Das Blog behandelt Themen rund um das Produkt SPSS wie neu Versionen oder die Ankündigungen von Workshops.

Befragung im Schwimmbad

Heute verbrachte ich den Vormittag im Hallenbad, schwimmen, lesen, entspannen, bis ein junge Frau mit einer Bitte auf mich zu kam.
Sie ist Studentin und ich solle ihr bitte einige Fragen des Fragebogens beantworten. Immer in Sachen Fragebogen interessiert, war ich gerne bereit den zweiseitigen Fragebogen zum Preis/Leistungsangebot der städtischen Hallenbädern zu beantworten.
Abgefragt wurde der Zweck und die Häufigkeit meiner Schimmbadbesuche, sowie die gewählte Zahlungsart, also Einzelticket oder Punktekarte.
So ging es weiter, würde ich eher eine Sommer- oder Wintersaisonkarte wünschen, oder vielleicht noch eine Kombination mit einer Regionalcard. Achja und gefragt wurde auch, ob ich die Regionalcard auch überhaupt kenne.

An und für sich durchaus interessante Fragen, wenn überlegt wird, andere Angebote einzuführen. Wozu aber eh statistisch vorhandene Fragen (ich nehme an, dass am Abend beim Automaten eine Aufstellung der verkauften Einzel, 10er Karten etc. ausgegeben wird) abgefragt werden.

Gefehlt haben mir vor allem die Fragen nach den Leistungsangebot. Habe ich Wünsche, Anregungen, Beschwerden.
Die Chance von den Besuchern ein Feedback zu bekommen. Vertan!

Wassertropfen

Wasser

Dieses tolle Bild ist von wetwater und auf flickr unter CC zu finden.

Kunden-Feedback

Ich biete Unterstützung bei Diplomarbeiten und Dissertationen an, dabei helfe ich den Studierenden bei der Auswertung ihrer Daten mit SPSS. Nun ist es so, dass diese Aufträge meist nach wenigen Stunden erarbeitet sind und ich eher in wenigen Fällen eine Rückmeldung bekomme. Aus diesem Grund habe ich eine Kundenbefragung durchgeführt. Dazu habe ich einen sehr kleinen Onlinefragebogen aufgesetzt und an die E-Mailadressen meiner Kunden versendet. Da die meisten Studierenden, wie es scheint, ihr Studium abgeschlossen hatten, waren leider nicht mehr alle Adressen aktuell, somit war der Rücklauf etwas geringer als erwartet.
Das Ergebnis der Umfrage ist sehr positiv: alle waren mit meiner Leistung zufrieden die meisten sogar sehr zufrieden. Es gab eine einzelne Stimmen die etwas kritisch waren. Alle waren war positiv überacht von der Schnelligkeit mit der wir die Daten analysiert haben. Bei der Preisgestaltung gaben die meisten an “Preis war ok.”, einige gaben sogar an “es sei sehr Kostengünstig”.
Bei der offenen Frage habe ich einige wertvolle Tipps erhalten die ich bereits aufgegriffen und in mein pädagogisches Konzept integriert habe.

Abschließend kann noch gesagt werden, dass ein durchgeführtes Kundenfeedback sehr spannend ist. Ich freue mich über die schnellen Feedbacks kurz nach dem Versand per E-Mail und ebenso freue ich mich über die positiven Feedbacks und danke allen für ihre Anregungen.

Statistische Tests (Chi²)

Die Untersuchungen von Zusammenhängen zwischen Gruppen (Beruf, Einkommen, oder Geschlecht von Personen) ist eine sehr häufige Fragestellung. Die einfachste Methode zur Veranschaulichung dieser Zusammenhängen ist eine Kreuztabelle (Kontingenztabelle). Für die Beschreibung der systematischen Zusammenhänge existieren verschiedene Zusammenhangsmaße, der bekannteste ist der Chi² -Test. Der Chi² -Test prüft ob ein Merkmal in zwei oder mehren Stichproben identisch verteilt ist. Die dazugehörige Nullhypothese lautet: H0: Der Anteil jeder Merkmalsausprägung ist in beiden Stichproben gleich.

Beispiel für eine zwei mal zwei Tabelle
1. Frage: Kreuzen Sie ihr Geschlecht an.
Antwortmöglichkeiten: männlich/weiblich

2 Frage: Sehen sie sich die Fußball-EM im TV an?
Antwortmöglichkeiten: ja/nein


Tab 1: Kreuztabelle
.
H0: Zwischen Männern und Frauen besteht hinsichtlich der Absicht sich die EM im TV anzusehen kein signifikanter Unterschied.

Wenn die Analyse mit SPSS durchgeführt wird, ergibt der Output eine Tabelle mit einer Vielzahl an Signifikanzen: Asymptotische Signifikanz, Exakte Signifikanz, Chi-Quadrat nach Pearson Kontinuitätskorrektur, Likelihood-Quotient, Exakter Test nach Fisher, Zusammenhang linear-mit-linear. Welcher Wert zu interpretieren ist, ist für einen Anfänger oft nicht sofort ersichtlich.

Chi-Quadrat-Test
Tab 2: Ergebnisse Chi-Quadrat-Test (SPSS-Output)

Um den richtigen Wert herauszufinden sind ein paar Grundüberlegungen zu tätigen. Die erste Frage ist immer, welches Skalenniveau liegt vor. Die zweite Frage lautet nach der Größe der Stichprobe. Und die letzte, welche ist die unabhängige und Welche ist die abhängige Variable.

Dabei gelten folgende Faustregeln:
Wenn die Stichprobe weniger als 20 Fälle hat, wird der exakte Fisher-test verwendet. Zwischen 20 und 60 Fällen, wird bei der Teststatistik die Yates-Korrektur (Kontinuitätskorrektur) verwendet. Bei mehr als 60 Fällen der Chi-Quadrat-Test nach Pearson.[1]

In diesem Beispiel ist ganz klar ersichtlich, welche die unabhängige und die abhängige Variable ist. Es ist nicht vom Fernsehen abhängig, welches Geschlecht die Personen haben. Also ist Geschlecht die unabhängige Variable.
Aus dieser Angabe lässt sich die Hypothese ableiten.
Die Hypothese lautet: H0: Es besteht kein signifikanter Unterschied zwischen den Geschlechtern.

Da die Stichprobengröße zwischen 20 und 60 liegt, wird bei der Teststatistik Chi-Quadrat-Test die Yates-Korrektur (Kontinuitätskorrektur) verwendet.
Die Geschlechter unterscheiden sich signifikant (p=0,027) hinsichtlich ihrer Bereitschaft Die Fußball-EM im Fernsehen zu sehen. Will man mehr über die Zusammenhänge wissen, muss man noch weitere Assoziationsmaße berechnen. Die bekanntesten Tests dazu sind der Phi-Koeffizient und die Korrelation. In unserem Fall ist der Phi-Koeffizient ein gutes Maß um die Stärke des Zusammenhang zu testen. Auch hier kann bei SPSS eine Vielzahl von Tests gewählt werden und die Ausgabe ist umfangreich.

Phi Qhi-Quadrat
Tab 3: Assoziationsmaße

Für den Phi -Wert besteht folgende Faustregel; ein Wert größer 0,30 wird als bedeutend betrachtet [1]. In unserem Fall besteht also ein bedeutender Zusammenhang. Zur Veranschaulichung des Zusammenhangs sind aber die vorgestellten Maßzahlen nur für Experten brauchbar. Anschaulicher ist immer ein Diagramm und da ist leider SPSS etwas aufwendiger zu bedienen, weshalb oft auf Open Office oder Ms-Offfice zurückgegriffen werden muss.

Kreuztabellen mit R

Unter Umständern ist es etwas einfacher ist die Auswertung mit der freien Statistik Software R zu machen. R berechnet bei der Auswahl des Chi² -Test sofort den richtigen Wert. Phi kann über das Zusatzpaket “Psych” berechnet werden (oder man rechnet die Teststatistik selbst aus).

# Erstellung der Kreuztabelle
my.table <- matrix(c(6,14,21,11),2,2)
dimnames(my.table)<- list( Sex=c("Frauen","Männer" ) ,Fußball=c("Ja","Nein" ))

# Chi-Test
chisq.test(my.table)

R Chi -Quadrat- Test
Tab 4: Chi -Quadrat- Test mit R

Die eigentliche Stärke von R ist die Möglichkeit das statistische Grafiken mit vergleichsweise wenig Aufwand erstellt werden können.
Balkendiagramme
Abb 1: Balkendiagramm, Mosaicplot und Gestapelte Balkendiagramme
Im ersten Diagramm sieht man eine einfache Häufigkeitsverteilung. Der zweite Plot ist ein Mosaicplot der die Residuen (die Abweichungen zwischen den beobachteten Häufigkeiten und den zu erwarteten Häufigkeiten) darstellt. Die beiden unteren Plots sind jeweils gestapelte Balkendiagramme die die Zeilen bzw. Spaltenprozent der Kreuztabelle grafisch darstellen.

Eine noch anspruchsvollere Darstellung der Residuen kann über das R-modul vcd (Visualizing Categorical Data) aufgerufen werden (assoc).

Residuen
Abb 2: Darstellung der Residuen als Flächen

Download:
SPSS Syntax- File
R-File

Literatur:
[1] Backhaus Erichson Plinke Weiber 2006, Multivariate Analysemethoden, Eine anwendungsorientierte Einführung - 11. Auflage; Springer-Lehrbuch Seite 244 - 257

R-Module:
Mosaik

Stichprobengröße

Immer wieder werde ich nach dem optimalen Stichprobenumfang gefragt, überschlagsmässig verwende ich meist die Formel von Yamane der die Abhängigkeit der Stichprobengröße (n) über die Population (N) und die Intervallbreite (e) beschreibt. n = N/(1 + N*e2). Wichtiger aber als die Anzahl “je mehr umso besser“ ist das Verfahren der Stichprobenziehung.

Mehr Information zu dem Thema findet man auf dem Weblog von Christian Reinboth statistikberatung.blogspot.com. Christian Reinboth hat dort auch ein kleines Programm zum Berechnen der Stichprobengröse zum Download bereitgestellt.

Weitere Artikel zum Thema:
Determining Sample Size (Glenn D. Israel)
Auswirkungen der Stichprobengröße auf die Repräsentativität von Online-Befragungen(Christian Reinboth)
Stichprobengrößen berechnen (formularium.org)

Wie man unsinnige Korrelation herstellt

Auf ORF Science gibt es einen kleinen Artikel von Thomas Benesch zum Thema “Anleitung zum statistischen Lügen“. Das Thema ist zwar nicht ganz neu und der Artikel sehr kurz, doch die Grafik im Artikel beschreibt sehr anschaulich, wie einfach sich Korrelationen verzerren lassen.

Interpretation von Mittelwerten

Mittelwerte sind eine beliebte Darstellungsart bei Mitarbeiterbefragungen und Evaluationen. In einem fiktiven Beispiel möchte ich etwas näher drauf eingehen.
Folgende Situation: In einem kleinem Betrieb, mit 16 Angestellten, der Medizinprodukte herstellt, wurde eine Mitarbeiterbefragung mittels Onlinfragebogen durchgeführt. Die Daten wurden statistisch ausgewertet. Im folgendem sind die Ergebnisse dargelegt.

Arbeitszufriedenheit

Im Diagramm sind die Mittelwerte der einzelnen Zufriedenheitsskalen im Vergleich der zwei Abteilungen “Produktion” und “Verwaltung” dargestellt. Die Werte sind so codiert, je höher der Skalenwert, desto größer die Zufriedenheit.
Die Mittelwerte der Skalen „Zufriedenheit” setzt sich aus den “Bedingungen des Arbeitsplatzes“ , der Bewertung des “Vorgesetzter”, die Zufriedenheit mit der “Arbeit” und der Bewertung der “zwischenmenschlichen Beziehung zu den Kollegen” zusammen.
Der Mittelwert der Skala „Zufriedenheit mit der Arbeitssituation“ Zeigt bei den Mitarbeitern in der Verwaltung einen höherem Mittelwert m=2,11 als die Mitarbeiter aus der Produktion m=2,03. Aus dem vorliegenden Ergebnis kann geschlossen werden, dass in Beiden Abteilungen die Zufriedenheit mit der Arbeitssituation mit “gut” bewertet wird. (Ein Wert von 2 entspricht einer Bewertung mit gut.) In der Produktion werden aber die Bedingungen am Arbeitsplatzes sehr negativ bewertet m=3,78 was einer Bewertung mit “eher schlecht” entspricht.
Fazit: Dem Betrieb geht es gut einzig in der Produktion sollte die Arbeitsplatzsizuation verbessert werden.
Einen Schönheitsfehler hat die Interpretation das Ergebnis ist komplett falsch!!!

Wenn man schon Mittelwerte betrachten will, dann wenigstens einen Boxplot. Der ist zwar in dem Beispiel auch falsch aber im Plot ist wenigstens deutlich ersichtlich, dass die Werte bei den Mitarbeitern aus der Verwaltung stark streuen.

Arbeit Boxplot

Eine andere genauere Möglichkeit der Darstellung, ist die Verteilung mittels Histogramm zu beschreiben. Durch eine geeignete Wahl der Klassengrenzen lassen sich gut die Unterschiede hervorheben. Die zwei Gruppen in meinem Beispiel sind gut zu vergleichen, man erkennt recht gut die “Lücke” bei den Mitarbeitern aus der Verwaltung.

Histogramm

Nachteil des Histogramms ist, dass bei Wahl der falschen Klassengrenzen die Interpretation erschwert wird und wenn man mehre Gruppen vergleichen will stößt man sehr schnell an die Grenzen des Histogramms.
Eine Andere sehr gute Möglichkeit ist es die ECDF (Summenhäufigkeit) als Liniendiagramm darzustellen. (Oft wird auch der Begriff CDF (cumulative distribution function) oder kumulative Verteilungsfunktion verwendet). Im Prinzip ist die Summenhäufigkeit eine einfache Angelegenheit. Man summiert einfach alle Werte auf zeichnet sie in ein Diagramm und kann sofort alle Werte ablesen.

ECDF

Das Diagramm ist von links nach rechts zu lesen alles was rechts liegt ist besser. Die Erste Linie startet bei den Mitarbeitern aus der Verwaltung uns steigt bis ca. 15% an. Das heißt 15% der Mitarbeiter aus der Verwaltung geben an sehr schlecht. Ein bisschen weiter rechte kommt der nächste Knick die Werte steigen bis 40%. Das heißt 40% geht es mindestens schlecht und so weiter. Die grüne Linie stellt sie Produktion dar, hier zeigt sich das es allen Mitarbeitern gut geht einigen sogar sehr gut.
Interpretation: in der Verwaltung gibt es große Probleme 40% der Mitarbeiter sind unzufrieden. Der Produktion geht es trotz schlechterem Arbeitsplatz gut, die Mitarbeiter sind zufriedener.
Ich will mit dem Beispiel nicht sagen, dass es prinzipiell falsch ist einen Mittelwert zu berechnen, ein Mittelwertdiagramm eignet sich hervorragend um einen schnellen Überblick zu gewinnen. Um Strukturen in einem Datensatz zu erkennen muss der Datensatz tiefer greifend analysiert werden und da reichen bunte Folien mit Balken nicht aus. (Die Daten zu dem Beispiel stammen aus einer realen Umfrage nur die Labels und Fragen habe ich geändert. Die Grafiken habe ich mit der freieren Statistik-Software R erstellt.)