4 Warmup 2: Wissenschaftliche Datenanalyse

📢 Zielsetzung dieser Einheit

In dieser Einheit werden zunächst die unterschiedlichen Phasen eines idealtypischen Analyseprozesses dargelegt. in einem zweiten Schritt werden wir die Implikationen wissenschaftlicher Qualitätskriterien für einen solchen Analyseprozess behandeln. Dabei legen einen Schwerpunkt auf die Phase der Datenbeschaffung.

4.1 Daten analysieren - aber wie?

Unabhängig vom gewählten statistischen Verfahren, bestehen Datenanalysen aus einer Abfolge unterschiedlicher Arbeitsschritte:

Ein idealtyptischer Analyseworkflow

Dieser hier idealtypisch dargestellte Workflow muss dabei nicht zwingend linear durchlaufen werden. Die Farbgebung in obiger Darstellung deutet bereits an, dass wir in diesen Prozess drei große Abschnitte unterscheiden können:

  1. Die initiale Datenbeschaffung
  2. Die Aufbereitung und Analyse dieser Daten
  3. Die Dokumentation der erzeugten Daten und Ergebnisse

4.2 Anforderungen an eine wissenschaftliche Datenanalyse

Damit Analysen den Anspruch auf Wissenschaftlichkeit erheben können, müssen sie einer Reihe von Kriterien - beispielsweise jenen einer Offenen Wissenschaft (“Open Science”) - genügen. Einen ersten Einblick in diese Kriterien bieten (neben dem obigen Link) folgende Folien:

4.3 Daten finden und validieren

Aber nicht nur das Abarbeiten der einzelnen Analyseschritte, sondern auch die dabei genutzten Datensätze müssen wissenschaftlichen Kriterien genügen. Wie wir Sekundärdaten erschließen und deren Qualität beurteilen können, findet sich in diesen Folien:

🏆 Nun wissen wir, …

  • welche Schritte eine Datenanalyse ausmachen.
  • welchen wissenschaftlichen Qualitätskriterien das Abarbeiten dieser Schritte zu genügen hat.
  • wie wir Sekundärdaten erschließen können.
  • welche Qualitätsanforderungen an die dabei genutzten Daten erfüllt sein müssen.

And now it’s time for some action …