imported>Mathling: /* growthexperiments-addlink-summary-summary:2|0|0 */

2025-02-03T17:58:32Z

growthexperiments-addlink-summary-summary:2|0|0

Neue Seite

Die '''explorative Datenanalyse''' (EDA) oder '''explorative Statistik''' ist ein Teilgebiet der [[Statistik]]. Sie untersucht und begutachtet [[Daten]], von denen nur ein geringes Wissen über deren Zusammenhänge vorliegt. Viele EDA-Techniken werden im [[Data-Mining]] eingesetzt. Außerdem werden sie häufig in Lehrveranstaltungen über die Statistik als Einführung in das statistische Denken gelehrt.

Diese Benennung wurde von [[John W. Tukey]] in den 1970er Jahren eingeführt. Tukey legte dar, dass ein zu großer Schwerpunkt in der Statistik auf das Auswerten und Testen von gegebenen [[Hypothese]]n gelegt wird. Ferner schlug er vor, Daten dazu zu verwenden, um mögliche Hypothesen zu erhalten, welche anschließend getestet werden.

== Ziele ==
[[Ziel]]e der explorativen Statistik sind:
* Annahmen (Hypothesen) über die Ursache und den Grund der [[Beobachtung|beobachteten]] Daten zu bilden
* Annahmen einzuschätzen, worauf [[Inferenzstatistik|statistische Inferenz]] basieren kann
* Die Auswahl von passenden statistischen Werkzeugen und [[Technik]]en zu unterstützen
* Eine Basis für die weitere Daten-Sammlung durch [[Umfrage]]n oder [[statistische Versuchsplanung]] bereitzustellen

== Verfahren ==
Grundlegende graphische Methoden, welche in der explorativen Statistik verwendet werden, sind:
<gallery>
Elements of a boxplot.svg|[[Box-Plot]]
Thist german.png|[[Histogramm]]
WarshipsWidthPPPlot.png|[[Quantil-Quantil-Diagramm|QQ-Diagramm]]
Lang-breit.svg|[[Streudiagramm]]
Mosaic-big.png|[[Mosaik-Plot]]
</gallery>
* [[MultiVari Chart]]
* [[Run Chart]]
* [[Paretodiagramm]]
* [[Stamm-Blatt-Diagramm]]

Grundlegende [[Quantitativ|quantitative]] Methoden sind:

* [[Median polish]]
* [[Letter values]]
* [[Resistant line]]
* [[Resistant smooth]]
* [[Rootogram]]

=== Spezielle Verfahren ===
* [[Grand Tour (Statistik)|Grand Tour]]
* [[Projection Pursuit]]
* [[Falscherkennungsrate]]

== Probleme ==
Problematisch kann das Bilden von Hypothesen anhand eines Datensatzes und das Testen dieser Hypothesen auf dem gleichen Datensatz sein. Dann können ''scheinbar'' signifikante Resultate oder [[Scheinkorrelation]]en erhalten werden, die sich aber auf einem unabhängigen Datensatz zum selben [[Sachverhalt]] nicht zeigen würden – dies ist das Problem von [[P-Hacking]]. Ein Ausweg aus diesem Problem ist das strikte Trennen von Datensätzen, die man zum Bilden von Hypothesen nutzt und Datensätzen, die man zum validieren der gefundenen Hypothesen benutzt (siehe [[Kreuzvalidierungsverfahren]]).

== Explorative Datenanalyse – Beurteilende Statistik ==
Die EDA, eine Weiterentwicklung der [[Deskriptive Statistik|deskriptiven Statistik]] zur Analyse von Daten, arbeitet mehr induktiv: Mit ihren Methoden soll Neues entdeckt, sollen Vermutungen generiert, Besonderheiten erkannt und Sachverhalte dargestellt werden.<ref>R. Fischer, G. Mal : ''Mensch und Mathematik'', BI Wissenschaftsverlag, Mannheim, Wien, Zürich 1989, ISBN 3-411-03117-4, S. 269</ref> Die Daten bestimmen die Vorgehensweise. Die Einfachheit der Methoden und ihre Praxisrelevanz machen die EDA als Schulstoff besonders interessant.<ref>R. Biehler: ''Explorative Datenanalyse - Neue Impulse für den Mathematikunterricht?''. In : Beiträge für den Mathematikunterricht, Franzbecker Verlag, Bad Salzdetfurth 1983, S. 72–75</ref> Tukey benutzt die Figur des Datendetektivs<ref>Tukey, J. W.: ''Exploratory Data Analysis'', Addison-Wesley, Reading MA, 1977, ISBN 0-201-07616-0, S. 1</ref>, von dem Einfallsreichtum und Intuition verlangt werden, um die Einstellung zur EDA zu kennzeichnen.
Die [[beurteilende Statistik]] arbeitet [[Deduktion|deduktiv]]: Eine [[Hypothese]] wird entweder verworfen oder beibehalten. Die dabei benutzten Verfahren sind hoch formalisiert, häufig schwer zu verstehen, ihre praktische Relevanz sowie die Interpretation der Ergebnisse umstritten.<ref>D. Vogel, G. Wintermantel: ''MATHE - explorative Datenanalyse - Statistik aktiv lernen'', Klett Verlag, Stuttgart 2003, ISBN 3-12-720049-8, S. 10</ref>
Beide, EDA und beurteilende Statistik, schließen jedoch einander nicht aus, sie ergänzen sich.<ref group="Anm.">Tukey schreibt auf S. 3: „Explorative Datenanalyse kann niemals alles sein, doch nichts sonst kann als Grundstein dienen – als erster Schritt.“</ref>

== Literatur ==
* {{DNB-Portal|041288963|TEXT=Literatur über}}
* Hoaglin, D C; [[Frederick Mosteller|Mosteller, F]] & Tukey, J W (Eds) (1985) ''Exploring Data Tables, Trends and Shapes'' ISBN 0-471-09776-4
* Hoaglin, D C; Mosteller, F & Tukey, J W (Eds) (1983) ''Understanding Robust and Exploratory Data Analysis'' ISBN 0-471-09777-2
* Tukey, J W (1977) ''Exploratory Data Analysis'' ISBN 0-201-07616-0
* Velleman, P F & Hoaglin, D C (1981) ''Applications, Basics and Computing of Exploratory Data Analysis'' ISBN 0-87150-409-X
* Wolfgang Polasek: ''EDA Explorative Datenanalyse. Einführung in die deskriptive Statistik'' (2. Auflage). Springer-Verlag, Berlin 1994, ISBN 978-3-540-58394-3
* [[Siegfried Heiler]], Paul Michels: ''Deskriptive und explorative Datenanalyse.'' Oldenbourg, München 1994, ISBN 3-486-22786-6

== Anmerkungen ==
<references group="Anm." />

== Einzelnachweise ==
<references />

{{Normdaten|TYP=s|GND=4128896-8}}

[[Kategorie:Deskriptive Statistik]]
[[Kategorie:Data-Mining]]
[[Kategorie:Datenanalyse]]

Explorative Datenanalyse - Versionsgeschichte

imported>Mathling: /* growthexperiments-addlink-summary-summary:2|0|0 */