Drei Messzeitpunkte in drei Spalten, warum R deine Daten im langen Format braucht und was pivot_longer() dabei tut
120 Personen, drei Messzeitpunkte und ein Datensatz, der aus SPSS oder einer Umfrage kommt, mit den Spalten t1, t2 und t3. Wer nach der Einführung in RStudio ein gemischtes Modell rechnen oder einen Verlauf zeichnen will, stößt schnell auf Fehlermeldungen oder seltsame Ergebnisse. Der Grund ist fast immer derselbe. Die Daten liegen im falschen Format.
Breites und langes Format im Vergleich
Im breiten Format hat jede Person genau eine Zeile, jeder Messzeitpunkt steht in einer eigenen Spalte. So erfassen die meisten Umfragewerkzeuge die Daten und so erwartet SPSS sie für die ANOVA mit Messwiederholung. Im langen Format hat jede Messung eine eigene Zeile. Eine Spalte gibt an, zu welchem Zeitpunkt die Messung gehört, eine andere enthält den Wert. Aus 120 Zeilen werden so 360.
Die Tabelle 1 zeigt den Unterschied an zwei erfundenen Personen.
Format | Spalten | Zeilen für Person 1 | Zeilen bei 120 Personen |
breit | id, gruppe, t1, t2, t3 | 1 | 120 |
lang | id, gruppe, zeit, wert | 3 | 360 |
Welches Format du brauchst, hängt von der Funktion ab. Für lmer() aus lme4, für ggplot2 und für viele Funktionen zur Messwiederholung ist das lange Format nötig. Für Korrelationen zwischen den Messzeitpunkten oder für den Export nach SPSS ist das breite Format praktischer.
Was pivot_longer() macht
Im Paket tidyr übernimmt die Funktion pivot_longer() die Umformung vom breiten ins lange Format. Du gibst an, welche Spalten zusammengefasst werden, wie die neue Spalte mit den Zeitpunkten heißen soll und wie die Spalte mit den Werten heißt. Eine typische Zeile sieht so aus:
lang <- pivot_longer(daten, cols = t1:t3, names_to = "zeit", values_to = "wert")
Alle Spalten, die du nicht in cols nennst, werden für jede Messung wiederholt. Die Personennummer und die Gruppe stehen deshalb in jeder der drei Zeilen einer Person. Das ist gewollt, denn nur so weiß ein gemischtes Modell später, welche Messungen zu derselben Person gehören. Den umgekehrten Weg geht pivot_wider().
pivot_wider() brauchst du zum Beispiel, wenn du nach einem Modell im langen Format eine Korrelationstabelle der Messzeitpunkte erstellen willst. Auch wenn deine Betreuung die Daten in SPSS nachrechnen möchte, ist das breite Format der übliche Weg. Wer beide Funktionen kennt, kann zwischen den Programmen wechseln, ohne Daten von Hand zu kopieren.
Eine häufige Stolperfalle ist der Zeitpunkt selbst. Nach der Umformung steht in der Spalte zeit der Text „t1“, „t2“ oder „t3“. Für ein Modell mit linearem Verlauf brauchst du eine Zahl, für einen Vergleich der Zeitpunkte einen Faktor. Welche Variante passt, entscheidet deine Fragestellung und nicht die Funktion.
Wir bereiten deine Daten in R so auf, wie dein Modell sie braucht. Auf Wunsch übernehmen wir die gesamte Auswertung in R.
So prüfst du das Ergebnis
Eine Umformung ist schnell geschrieben, ein Fehler darin fällt aber oft erst bei der Interpretation auf. Diese Kontrollen dauern nur wenige Minuten:
Die Zeilenzahl stimmt. Personen mal Messzeitpunkte muss die Zahl der Zeilen im langen Format ergeben, im Beispiel also 360.
Jede Person kommt gleich oft vor. Eine kurze Auszählung der Personennummern zeigt, ob jemand doppelt oder gar nicht auftaucht.
Die Mittelwerte bleiben gleich. Der Mittelwert von t1 im breiten Format muss dem Mittelwert der Zeilen mit zeit gleich „t1“ im langen Format entsprechen.
Fehlende Werte sind sichtbar. Fehlt bei einer Person der dritte Messzeitpunkt, steht im langen Format eine Zeile mit NA. Ob du sie behältst oder entfernst, hängt vom geplanten Verfahren ab.
Gerade der letzte Punkt ist wichtig. Gemischte Modelle können Personen mit einzelnen fehlenden Messungen behalten, die klassische ANOVA mit Messwiederholung schließt sie komplett aus. Wie solche Modelle ausgegeben werden, zeigt der Beitrag zur lmer-Ausgabe. Warum dort „fit by REML“ steht, erklärt der Beitrag REML oder ML in lme4.
Wann sich das lange Format besonders lohnt
Bei zwei Gruppen und drei Messzeitpunkten wirst du früher oder später einen Verlauf zeichnen wollen. Mit ggplot2 entsteht er aus dem langen Format mit wenigen Zeilen, weil zeit auf die x-Achse und gruppe auf die Farbe gelegt werden kann. Im breiten Format müsstest du jede Linie einzeln anlegen.
Dasselbe gilt für Abbildungen mit Fehlerbalken je Messzeitpunkt. Die Mittelwerte und Intervalle lassen sich im langen Format direkt je Gruppe und Zeitpunkt berechnen.
Arbeitest du mit SPSS-Daten, ist die gemischte ANOVA dort im breiten Format üblich. Die Logik dahinter beschreibt der Beitrag zur Mixed ANOVA. Wer R nutzt, rechnet dasselbe Design häufig als gemischtes Modell im langen Format. Damit die Umformung später nachvollziehbar bleibt, gehört sie ins Skript und nicht in eine von Hand bearbeitete Datei. Wie du Skript, Daten und Ergebnisse zusammenhältst, zeigt der Beitrag Quarto für die Abschlussarbeit. Meldet R einen Fehler, hilft der Beitrag zu Fehlermeldungen in R.
Noch offene Fragen zum langen Format in R
Brauche ich das tidyverse für pivot_longer()?
Die Funktion stammt aus dem Paket tidyr, das zum tidyverse gehört. Du kannst tidyr auch einzeln laden. Base R bietet mit reshape() eine ältere Alternative, die aber schwerer zu lesen ist.
Was mache ich, wenn meine Spaltennamen mehrere Informationen enthalten?
Spalten wie stress_t1 oder schlaf_t2 lassen sich mit pivot_longer() in zwei Spalten aufteilen, etwa Variable und Zeitpunkt. Dafür gibt es eigene Argumente. Lohnt sich das für deinen Datensatz, ist es meist einfacher, die Spalten vorher einheitlich zu benennen.
Wie aufwendig ist es, wenn ihr meine Daten aufbereitet?
Das hängt von der Zahl der Variablen und Messzeitpunkte und vom Zustand der Rohdaten ab. Eine reine Umformung mit Prüfung geht meist schnell. Wie wir abrechnen, steht unter Preise und Ablauf.
Kann ich die Daten auch in Excel umformen?
Möglich ist das, aber fehleranfällig und schwer nachvollziehbar. In R steht jeder Schritt im Skript und lässt sich jederzeit wiederholen. Gerade bei Korrekturen am Datensatz spart das viel Zeit.
Wenn dein Modell an der Datenstruktur scheitert Dann liegt das Problem selten am Verfahren. Wir bereiten deine Daten auf und rechnen die Analyse als Auswertung in R. Möchtest du dein Skript selbst schreiben, unterstützen wir dich im 1:1-Statistik-Coaching oder in der Statistik-Nachhilfe.


