-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path04_warmup_2.Rmd
84 lines (63 loc) · 3.65 KB
/
04_warmup_2.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
# Warmup 2: Wissenschaftliche Datenanalyse
## 📢 Zielsetzung dieser Einheit {.unnumbered}
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**.
------------------------------------------------------------------------
## Daten analysieren - aber wie?
Unabhängig vom gewählten statistischen Verfahren, bestehen Datenanalysen aus einer Abfolge unterschiedlicher **Arbeitsschritte**:
{.videoframe .fullscreen-enabled}
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
## 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")](https://open-science-training-handbook.gitbook.io/book/) - genügen. Einen ersten Einblick in diese Kriterien bieten (neben dem obigen Link) folgende Folien:
```{r echo=FALSE}
mySlideshow <- "eh4_warmup2a_wissenschaftlich"
mySlideWidth <- 600
mySlideHeight <- 450
knitr::asis_output(paste(
"<iframe src=\"https://kamihoeferl.at/lehre/vu_sozwiss2_slides/",
mySlideshow,
".html#1\" width=\"",
mySlideWidth,
"px\" height=\"",
mySlideHeight,
"px\" class=\"videoframe\" allowfullscreen>Your browser doesnot support iframes <a href=\"<https://kamihoeferl.at/lehre/vu_sozwiss2_slides/",
mySlideshow,
".html#1\">click here to view the page directly.</a></iframe>", sep = ""))
knitr::asis_output(paste(
"<div><a href=\"https://kamihoeferl.at/lehre/vu_sozwiss2_slides/",
mySlideshow,
".pdf\">Die Slides als PDF</a></div>",
sep = ""))
```
## 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:
```{r echo=FALSE}
mySlideshow <- "eh4_warmup2b_datenqualitaet"
mySlideWidth <- 600
mySlideHeight <- 450
knitr::asis_output(paste(
"<iframe src=\"https://kamihoeferl.at/lehre/vu_sozwiss2_slides/",
mySlideshow,
".html#1\" width=\"",
mySlideWidth,
"px\" height=\"",
mySlideHeight,
"px\" class=\"videoframe\" allowfullscreen>Your browser doesnot support iframes <a href=\"<https://kamihoeferl.at/lehre/vu_sozwiss2_slides/",
mySlideshow,
".html#1\">click here to view the page directly.</a></iframe>", sep = ""))
knitr::asis_output(paste(
"<div><a href=\"https://kamihoeferl.at/lehre/vu_sozwiss2_slides/",
mySlideshow,
".pdf\">Die Slides als PDF</a></div>",
sep = ""))
```
------------------------------------------------------------------------
🏆 **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** ...
{.videoframe width="210"}