Wichtige Links:


  • Server-Link für Remote-Desktop: teaching.psych.bio.uni-goettingen.de:49121


  • Anmeldung:
    • Name: ug-student\vorname.nachname (genau wie bei StudIP)
    • Passwort: wie bei StudIP



  • Eine Anleitung für die Herstellung der Remote-Desktop-Verbindung über die App aus dem Apple Store gibt es hier.


Hinweis:

Es kann beim Ansehen der Aufzeichnungen leider gelegentlich passieren (z.B. bei schlechter Internetverbindung), dass Ton und Bild irgendwann nicht mehr synchron sind.

In dem Fall hilft es, das Fenster zu aktualisieren und ab der gewünschten Stelle nochmal neu abzuspielen.


Einführung in R und Wiederholung von Inhalten aus Quanti I


1 Sitzung 1: Einführung in das Arbeiten mit R

  • Begleitendes R-Skript: NEIN

  • Anzahl Videos: 3

  • Zum 1. Video (Dauer: 18 min) geht es hier

  • Benötigte Datensätze: KEINE

  • Inhalt (Timestamps):

    • 00:00 Website
    • 05:00 Remote-Desktop
    • 12:30 R und R-Studio selber installieren


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • auf jeden Fall: eine Remotedesktopverbindung zum Gemi herstellen und RStudio öffnen können
    • optional: R und RStudio auf dem eigenen Rechner installiert haben


1.1 Erste Schritte in R (Teil 1)

  • Begleitendes R-Skript: NEIN

  • Zum Video (Dauer: 35 min) geht es hier

  • Benötigte Datensätze: KEINE

  • Inhalt (Timestamps):

    • 02:00 Erklärung der RStudio Benutzeroberfläche
    • 05:00 Erklärung Packages
    • 07:00 Erklärung der R-Hilfe
    • 09:45 Erklärung der Console
    • 12:20 Ein R-Skript anlegen
    • 13:20 Code und Kommentare in R-Skripts
    • 15:20 Code ausführen (oben rechts „Run“ klicken oder Strg+Enter / Ctrl + Enter)
    • 16:45 R-Skript abspeichern
    • 18:00 abgespeichertes R-Skript öffnen
    • 19:45 RMarkdown erstellen
    • 23:15 RMarkdown abspeichern
    • 24:00 Unterschiede zwischen Skript und Markdown
    • 25:30 Code Chunk in Markdown einfügen (Tasten-Kombination: Strg+Alt+I)
    • 29:00 Markdown knitten (Ausgabedatei erstellen)
    • 31:50 einzelne Code Chunks in Markdown ausführen


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • ein grobes Verständnis der Benutzeroberfläche von RStudio haben (welche Bereiche gibt es, wofür sind sie da)
    • ein Skript erstellen, abspeichern, und wieder öffnen können
    • ein RMarkdown-Dokument erstellen, abspeichern, und wieder öffnen können
    • ein grobes Verständnis über die Unterschiede zwischen Skripts und Markdowns haben (note: in der Klausur sollen später Markdowns genutzt werden)
    • verstehen, was es bedeutet, ein Markdown zu “knitten” (zB zu einer html-Datei) und ein simples Markdown knitten können


1.2 Erste Schritte in R (Teil 2)

  • Begleitendes R-Skript: NEIN

  • Zum Video (Dauer: 40 min) geht es hier

  • Benötigter Datensatz: t-test between (Kaffeedaten)

  • Inhalt (Timestamps):

    • 01:00 Daten zum Einlesen in R vorbereiten
    • 03:00 Daten aus Excel in eine csv-Datei speichern
    • 07:00 Unterschied Excel-Arbeitsmappe vs. csv-Datei
    • 09:00 csv-Datei in einem Text-Editor öffnen und anschauen
    • 11:00 Was ist in einer csv-Datei zu beachten? (Trennzeichen und Dezimalzeichen erkennen)
    • 14:20 Optionen zum Importieren von csv-Datei in R
    • 15:50 Option 1: Daten einlesen mit „base“
    • 20:00 Eingelesene Daten betrachten
    • 22:00 Variablentypen: Faktor vs. Integer
    • 25:30 Option 2: Dateien einlesen mit „readr“
    • 29:15 Eingelesene Daten betrachten
    • 31:15 Den in der Console generierten Code betrachten
    • 35:00 Code zum Einlesen von Daten in ein Markdown einfügen


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • eine csv-Datei aus einer Excel-Arbeitsmappe erstellen können
    • bei einer csv-Datei erkennen, was die Spaltentrennzeichen und was die Dezimalzeichen sind
    • eine csv-Datei über mindestens einen der beschriebenen Wege in R einlesen können (auf Überschriften achten!)
    • ein grobes Verständnis der Variablentypen “Faktor” und “numerisch”/“integer” haben
    • den durch das Einlesen der Daten generierten Code in der Console erkennen und in ein Markdown übertragen können


2 Sitzung 2: Wiederholung deskriptive Statistik, Abbildung, t-Tests

2.1 Teil 1

  • Zum 1. Video (Dauer: 59 min) geht es hier

  • Benötigter Datensatz: IQ-Werte und Priming (between)

  • Inhalt (Timestamps):

    • 00:00 Willkommen
    • 05:00 Datenbeispiel in Excel ansehen
    • 06:30 Daten in R einlesen über Buttons
    • 10:00 Einlesen der Daten über R-Code
    • 10:30 R-Commander
    • 18:00 Deskriptive Statistik
    • 29:15 Mittelwertsabbildung über R-Commander
    • 38:00 Skalierung der Y-Achse ändern
    • 41:40 T-Test für unabhängige Stichproben (über R-Commander)
    • 52:50 Cohen’s d berechnen


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • den RCommander öffnen können
    • einen Datensatz im Commander laden können
    • Deskriptive Statistiken für einen Datensatz berechnen können
    • eine Abbildung über Mittelwerte mit Konfidenzintervallen erstellen können
    • einen t-Test im Commander und Cohen’s d außerhalb des Commanders berechnen können


2.2 Teil 2

  • Zum 2. Video (Dauer: 22 min) geht es hier

  • Benötigter Datensatz: IQ-Werte und Urlaub (within)

  • Inhalt (Timestamps):

    • 00:50 Daten in R einlesen (über R-Code)
    • 03:30 Deskriptive Statistik über R-Commander
    • 06:30 Verschiedene Datenformate (Wide- und Long-Format)
    • 17:45 Abbildung erstellen über R-Commander
    • 19:40 T-Test für abhängige Daten (über R-Commander)
    • 22:00 Cohen’s d berechnen


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • dieselben Schritte wie beim vorherigen Video für abhängige Daten ausführen können


3 Sitzung 3: Daten transformieren, weitere Abbildungen, Korrelationen, Rang- und Chi-Quadrat-Test

  • Begleitende R-Skripts: 2

  • Die zum Skript gehörende R-Markdown-Dateien (Sitzung 3a und 3b) gibt es hier als ZIP-Ordner

  • Anzahl Videos: 2

3.1 Teil 1


  • Begleitendes R-Skript: Skript zu Video Teil 1

  • Inhalt (Timestamps):

    • 00:00 Willkommen, Daten einlesen, Daten-Vorschau im Markdown
    • 07:20 R-Commander öffnen
    • 08:30 Datenmanagement im Commander: Numerisch zu Faktor
    • 11:00 Mittelwertsgrafik für Werte zu T1 und zu T2 im Commander
    • 14:00 Interpretation der Grafiken
    • 15:20 Neue Spalten im Datensatz anlegen: AV standardisieren im Commander
    • 19:15 Mittelwertsgrafik mit z-standardisierten Werten im Commander
    • 19:40 Histogramm erstellen mit Commander
    • 22:15 T-Test ohne Commander & Interpretation des Outputs zu T1
    • 26:15 Effektgröße
    • 27:00 T-Test ohne Commander & Interpretation des Outputs zu T2
    • 28:15 Subsets von Datensätzen erstellen nach Spalten
    • 31:45 Subsets von Datensätzen erstellen nach Zeilen
    • 36:00 Within-T-Tests für die erstellten Subsets mit Commander
    • 42:20 Umformatierung wide zu long (melt)
    • 44:20 Daten in Vorschau sortieren
    • 45:00 Umformatierung von long wieder zu wide (dcast)
    • 49:10 Abbildung des kompletten mixed Designs mit long format-Daten im Commander
    • 52:10 Abbildung andersrum (y-Achse und x-Achse vertauschen)
    • 54:10 Umgang mit fehlenden Werten


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, wie man numerische Variablen als Faktoren definieren kann
    • neue Spalten zu einem Datensatz hinzufügen können
    • gemessene Variablen standardisieren können
    • wissen, wie man Subsets von Datensätzen erstellen kann
    • Daten vom Wide- zum Long-Format oder vom Long- zum Wide-Format konvertieren können
    • eine 2x2 Interaktions-Grafik erstellen können
    • wissen, wie man mit fehlenden Messwerten (missing values) umgeht


3.2 Teil 2


  • Begleitendes R-Skript: Skript zu Video Teil 2

  • Das später im Video angesprochene PDF-File gibt es hier.

  • Inhalt (Timestamps):

    • 00:00 Willkommen
    • 01:15 Überblick
    • 03:00 Zwei Datensätze einlesen und betrachten
    • 07:20 Korrelationsbeispiel
    • 08:00 Commander öffnen
    • 08:35 Streudiagramm erstellen im Commander
    • 11:00 Regressionslinie hinzufügen
    • 12:50 Achsenbeschriftung
    • 15:00 Korrelationskoeffizient + Signifikanztest
    • 23:00 Korrelationsmatrix
    • 26:10 Wilcoxon-Rangsummentest im Commander
    • 32:10 Boxplots erstellen im Commander
    • 37:00 Chi-Quadrat-Test im Commander


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, wie man zwei numerische Variablen und deren Zusammenhang grafisch abbilden kann
    • wissen, wie man die Regressionslinie zu einem Streudiagramm hinzufügen kann
    • eine Korrelation berechnen und auf Signifikanz prüfen können
    • einen Rangtest durchführen können
    • Boxplots erstellen können
    • wissen, wie man einen Chi-Quadrat-Test in R durchführen kann


  • Selber üben: Ein R-Markdown-Script mit Aufgaben zum weiteren Üben finden Sie hier. Die Lösung folgt später.

  • Die Datei mit der Lösung ist jetzt hier.


Inhalte aus Quanti II


4 Sitzung 4: Multiple Regressionsanalyse I und II

  • Begleitende R-Skripts: 2

  • Die zum Skript gehörende R-Markdown-Dateien (Teil 1 und Teil 2) gibt es hier als ZIP-Ordner

  • Anzahl Videos: 2

  • Benötigte Datensätze: 2

4.1 Teil 1: Multiple Regressionanalyse in R durchführen


  • Zum begleitenden R-Skript geht es hier.

  • Inhalt (Timestamps):

    • 01:20 Einführung des Beispiels
    • 06:30 Multiple Regression in R durchführen
    • 10:00 Grafische Analyse der Zusammenhänge via Streudiagramm-Matrix
    • 16:40 Grafische Prüfung der linearen Zusammenhänge in der Streudiagramm-Matrix
    • 20:35 Grafische Prüfung der Zusammenhänge der Prädiktoren untereinander
    • 22:55 Multiples Regressionsmodell anpassen (über R-Commander)
    • 25:20 R-Code dafür
    • 26:00 Besprechung des Outputs (was sieht man, was ist F? was ist R-Quadrat?)
    • 39:00 Besprechung der Regressionsparameter/ Regressionskoeffizienten
    • 48:00 Standardisierung der Regressionskoeffizienten
    • 52:40 Effektstärken für Regressionsmodelle
    • 56:50 G-Power


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, wie man eine multiples Regressionsmodell in R erstellt
    • eine Streudiagrammmatrix erstellt
    • wichtige Annahmen mittels Streudiagramm grafisch beurteilen kann
    • den Output einer Regressionsanalyse richtig interpretieren können
    • wissen, warum es sinnvoll ist, Regressionskoeffizienten zu standardisieren (und wie man das macht)
    • wissen, wass die verschiedenen Effektgrößen bei einer Regression sind


4.1.1 Zusatz zum eigenständigen Üben

  • Die Daten für die am Ende des Video erwähnte Zusatzaufgabe gibt es hier.
  • Falls ihr allein nicht weiterkommt, gibt es das Skript dazu hier.


4.2 Teil 2: Modellvergleiche


  • Zum begleitenden R-Skript geht es hier.

  • Inhalt (Timestamps):

    • 00:00 Willkommen und Recap
    • 03:10 Warum Modellvergleich?
    • 04:00 Einführung Beispiel Prüfungsbeispiel
    • 06:40 Commander öffnen und Datensatz auswählen
    • 07:00 Regressionsmodell anpassen im Commander: bisher bekanntes Menü und ein kurzer rant
    • 10:15 Zweites Menü zum Anpassen eines Regressionsmodells im Commander
    • 13:50 Output Modell mit allen Prädiktoren
    • 17:00 Anpassen eines zweiten Modells nur mit Prüfungsangst im Commander
    • 18:35 Output des zweiten Modells
    • 24:10 Modellvergleich, Erklärung
    • 26:10 Modellvergleich über Code und im Commander
    • 28:50 Output Modellvergleich
    • 36:00 Adjustiertes R-Quadrat: Erklärung
    • 43:00 Vergleich R-Quadrat-Adjustiert der beiden Modelle
    • 46:40 AIC berechnen
    • 50:00 Teststärke für Modellvergleich in G-Power
    • 58:40 Outro + ein paar Worte zur Zusatzaufgabe


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, warum man oft verschiedene Regressionsmodelle vergleicht (und wie das in R geht)
    • was es bedeutet, wenn das R^2 eines Modells signifikant höher ist als das eines anderen
    • wie man die Teststärke für einen Modellvergleich in G-Power bestimmen kann


4.2.1 Zusatz zum eigenständigen Üben

  • Die Daten für die am Ende des Video erwähnte Zusatzaufgabe gibt es hier.

  • Falls ihr allein nicht weiterkommt, gibt es das Skript dazu hier.

  • Auf dieser Seite gibt es nochmal eine Berechnung der verschiedenen Quadratsummen per Hand, zum Nachvollziehen und Verstehen (bei Bedarf).


5 Sitzung 5: Multiple Regressionsanalyse III (Prüfung Annahmen)

  • Begleitende R-Skripts: 1, das gibt es hier

  • Die zum Skript gehörende R-Markdown-Dateien (Haupt- plus Zusatzaufgabe) gibt es hier als ZIP-Ordner

  • Anzahl Videos: 1 (Dauer ca. 66 min), zum Video geht es hier

  • Benötigte Datensätze: 1, den gibt es hier


  • Inhalt (Timestamps):
    • 00:00 Einführung “Prüfung annahmen”
    • 04:20 Daten einlesen und Streudiagramm machen und wichtige Annahmen optisch prüfen
    • 09:30 RESET-Test zur Prüfung linearer Zusammenhänge
    • 15:10 Multikollinearität (Korrelationen der Prädiktoren untereinander) statistisch prüfen
    • 18:30 VIFs mit R-Commander bestimmen
    • 22:00 Normalverteilung der Residuen
    • 26:00 Regressionstatistken über R-Commander zum Datensatz hinzufügen
    • 28:30 Grafische Analyse der Residuen (Histogramm)
    • 29:50 Grafische Analyse der Residuen (Q-Q-Plot)
    • 36:00 Test auf Normalverteilung der Residuen (Shapiro-Wilk Test)
    • 37:50 Homoskedastizität grafisch prüfen
    • 44:15 Statistischer Test auf Heteroskedastizität (Breusch-Pagan Test)
    • 48:25 Statistische Ausreißer (einzelne Werte, die angepasste Regressionslinie stark beeinflussen)
    • 55:30 Unabhängigkeit der Messungen (ein Messwert ist unabhängig von anderen Messwerten)


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, welche Annahmen erfüllt sein müssen, damit eine multiple Regressionsanalyse vertrauenswürdige Ergebnisse liefert
    • wissen, wie man diese Annahmen für ein gegebenes Szenario in R prüfen kann


5.1 Zusatz zum eigenständigen Üben

  • Die Daten für eine Zusatzaufgabe gibt es hier.
  • Das Script dazu, gibt es hier.


6 Sitzung 6: Einfaktorielle ANOVA (oder: Lineares Modell bei Faktoren mit mehr als zwei Ausprägungen )

  • Begleitende R-Skripts: 1, das gibt es hier

  • Anzahl Videos: 1 (Dauer ca. 75 min), zum Video geht es hier

  • Benötigte Datensätze: 1, den gibt es hier

Optional:

  • Die im Video zur Vertiefung des Verständnisses gezeigte Excel-Datei (bei Minute 26:40) gibt es hier

  • Den Datensatz (als Excel-Datei) mit Dummy-Codierung, der im Verlauf des Videos erstellt wird, gibt es zum Download auch hier


  • Inhalt (Timestamps):
    • 00:00 Intro: Faktoren mit mehr als zwei Ausprägungen
    • 03:00 Szenario
    • 07:00 Statistische Hypothesen bei klassischem Anova-Vorgehen
    • 08:30 Datensatz in R angucken
    • 10:40 “music” zum Faktor umwandeln
    • 11:00 Abbildung über Mittelwerte im Commander
    • 14:40 Abbildung über Mittelwerte mit ggplot2
    • 16:30 Homoskedastizität / Varianzhomogenität, Levene-Test
    • 22:00 Varianzanalyse rechnen
    • 24:00 Anova-Output interpretieren
    • 26:40 Anova-Erklärung in Excel
    • 37:40 Bonferroni post hoc test in R
    • 44:45 Anova als lineares Modell & Dummy-Kodierung
    • 52:30 Modell erstellen und Output interpretieren
    • 59:15 direkt music
    • 63:15 Referenzkategorie ändern
    • 68:50 Effektgrößen und Teststärke


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, welche Annahmen erfüllt sein müssen, damit eine einfaktorielle Varianzanalyse vertrauenswürdige Ergebnisse liefert
    • wissen, wie man diese Annahmen für ein gegebenes Szenario in R prüfen kann
    • eine einfaktorielle ANOVA in R durchführen (und natürlich die Ergebnisse interpretieren) können
    • wissen, wie man post-hoc tests für spezifische Gruppenvergleiche erhält
    • verstehen, wieso eine einfaktorielle ANOVA eigentlich auch ein lineares Modell ist
    • welche Effektgrößen es gibt, wie man sie bestimmt, und wie man die Teststärke in G-Power bestimmen kann


6.1 Zusatz zum eigenständigen Üben

  • Im Video führen wir die ANOVA nur für “Tag 1” des Festivals durch. Es gibt aber auch Daten für “Tag 3”. Dafür können Sie die Analyse selbständig machen. Zur Not finden sie das Script aber auch weiter unten im begleitenden und oben angegeben HTML-Script.

  • Zum Üben in den Übungen am Dienstag: R-Markdown-Dateien mit Aufgaben gibt es hier als ZIP-Ordner. Die Lösungsdateien folgen später hier.


Zwischensitzung Pfingstwoche: Bisheriges vertiefen

In dieser Woche ist Zeit für zusätzliche Übungen. Eine gute Möglichkeit dafür sind die in R bereits integrierten Datensätze.

Um zu sehen, welche Datensätze es in R gibt, tippt man einfach “data()” in die Console (oder in einen Code-Chunk).

Um dann für einen der unzähligen Datensätze zu sehen, was sich dahinter verbirgt, tippt man einfach “?NAME_DATENSATZ” in die Console (oder einen Code-Chunk).

Man könnte z.B. nachschlagen, was in dem Datensatz “TitanicSurvival” enthalten ist mit “?TitanicSurvival”.

Eine Reihe von Übungsaufgaben basierend auf diesen Datensätzen sind in einem Zip-Ordner für Sie vorbereitet. Diesen können Sie hier runterladen.


Kurze Einführung in ggplot2

Ein sehr gutes Paket zum Erstellen von Abbildungen ist “ggplot2”. Eine gute Übersicht gibt es hier: https://ggplot2-book.org/introduction.html

Für die Zusatzübung zu ggplot gibt es ein Markdown-Script, das hier heruntergeladen werden kann.


7 Sitzung 7: Mehrfaktorielle ANOVA

  • Begleitende R-Skripts: 1, das gibt es hier

  • Das Markdown-File zum Script gibt es als ZIP-File hier

  • Anzahl Videos: 1 (Dauer ca. 40 min), zum Video geht es hier

  • Benötigte Datensätze: 1, den gibt es hier


  • Inhalt (Timestamps):
    • 00:00 Einführung zweifaktorielle ANOVA
    • 02:15 Datensatz ansehen
    • 03:00 Hypothesen und Logik der Modellvergleiche
    • 10:00 Abbildung machen
    • 24:00 ANOVA als lineares Modell


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, wie man eine ANOVA für mehrfaktorielle Designs durchführt und interpretiert,
    • verstehen, dass auch die ANOVA für mehrfaktorielle Designs mit der Logik Linearer Modelle erklärt werden kann,
    • wie man Haupteffekte und Interaktionseffekte grafisch darstellen kann, und
    • wissen, wie man Haupteffekte und Interaktionseffekte ahand von Abbildungen interpretieren kann


7.1 Zusätzliche Aufgaben zum eigenständigen Üben

  • Am Ende des Videos sprechen wir kurz über einen weiteren Datensatz zum eigenständigen Üben. Den findet ihr hier.

  • Das Html-R-Script dazu gibt es hier.

  • Die Markdown-Files mit Aufgaben und Loesung gibt es als ZIP-File hier.


8 Sitzung 8: Interaktionen bei Prädiktoren auf verschiedenen Skalenniveaus

  • Begleitende R-Skripts: 2
  • Anzahl Videos: 0
  • Benötigte Datensätze: 2


  • Eine Übungsaufgabe zu Interaktionen zwischen einer kontinuierlichen Variablen und einem kategorialen Faktor gibt es hier als zip-File mit allen notwendigen Dateien (Aufgabe, Lösung, Daten).

    • Die Lösung zum online ansehen gibt es hier

  • Eine Übungsaufgabe zu Interaktionen bei ausschließlich kontinuierlichen Prädiktoren gibt es hier als zip-File mit allen notwendigen Dateien.

  • Außerdem gibt es noch: Eine Übersicht über mögliche Interaktionsmuster bei 2x2 faktoriellen Designs und ihre Interpretation (inklusive Möglichkeit zum eigenständigen Simulieren von Daten) gibt es hier (als zip-File mit Rmd-Datei) oder als reine Übersicht hier.


  • Lernziele: Nach dieser Sitzung solltet ihr…

    • wissen, dass Interaktionen auch vorliegen und analysiert werden können, wenn die Prädiktoren (oder UVs) nicht ausschließlich kategorial sind
    • wissen, wie man solche Analysen in R mit Hilfe von Regressionsmodellen durchführen kann


9 Sitzung 9: Kontraste

  • Begleitende R-Skripts: 1, das gibt es hier

  • Das Markdown-File zum Script gibt es als ZIP-File hier

  • Anzahl Videos: 1 (Dauer ca. 60 min), zum Video geht es hier

  • Benötigte Datensätze: 1, den gibt es hier


  • Inhalt (Timestamps):
    • 01:00 Intro Kontraste Zweifaktoriell
    • 02:20 Intro Szenario
    • 03:00 Daten einlesen, “character”-Variablen als Faktoren definieren über code und über base-Menü
    • 08:00 Plots
    • 09:40 Statistische Hypothesen über Kontraste, mit Formelsammlung
    • 15:00 Kontrastkeffizienten auswählen im Commander
    • 19:30 Kontrastkoeffizienten manuell vergeben im Commander (orthogonale Kontraste für Haupteffekte und Interaktionen)
    • 25:35 Interaktionskontrast im Detail
    • 33:00 Lineares Modell mit Kontrasten
    • 34:15 Output interpretieren
    • 39:45 Voreingestellte Kontraste nutzen (“Differenz”)
    • 44:20 Output interpretieren
    • 52:15 Effektstärken und Teststärkeberechnung


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, wie man in einem faktoriellen Design spezifische Hypothesen mittels Kontrasten testen kann
    • diese Art der Analyse in R durchführen können


9.1 Zusatzaufgabe


Ihr könnt mit dem Katzendatensatz, der als Zusatz in Übung 7 verwendet wurde, noch einmal eigenständig diese Art der Kontrastanalyse üben. In dem oben zu dieser Sitzung verlinkten ZIP-File sind die Daten (und auch ein Script) mit enthalten.

Helmert-Kontraste können anhand des Glastonbury-Datensatzes geübt werden, alle benötigten Dateien gibt es als zip-Ordner hier und eine Lösung zum online ansehen hier.


10 Sitzung 10: Multi-Level-Analysen

  • Begleitende R-Skripts: 1, das gibt es hier

  • Das Markdown-File und die Daten gibt es als ZIP-File hier

  • Anzahl Videos: 1 (Dauer ca. 65 min), zum Video geht es hier


  • Inhalt (Timestamps):
    • 00:00 Intro (das beste Intro ever)
    • 03:00 Einführung Bsp. und kurzer theoretischer Hintergrund
    • 15:00 Multi-Level Analyse als Vergleich mehrer Modelle
    • 18:00 Das Beispiel in R
    • 21:00 Grafiken erstellen
    • 29:00 Modelle definieren (erst Nullmodell)
    • 33:00 Dann “Random Intercept Modell” anpassen
    • 43:00 Random Intercept Modell testen gegen Nullmodell - Likelihood-Test
    • 44:40 Modell dass den Prädiktor nun aufnimmt. Danach testen gegen Random Intercept Modell
    • 48:30 Modell mit zusätzlichem “Random Slope” und wieder testen. Danach Effektstärke
    • 59:00 Warum nicht einfach ANOVA oder ein “normales” lineares Modell?


  • Lernziele: Nach dem Durcharbeiten des Videos solltet ihr…

    • wissen, was Multi-Level-Analysen sind und wie man damit hierarchische Daten-Strukturen statistisch analysieren kann.


10.1 Zusatzaufgabe(n)


Aufgaben zum eigenständigen Üben:

In einer weiteren Übungsaufgabe für euch geht es um die Wirksamkeit von Lernkompetenztrainings, die an verschiedenen Schulen untersucht werden soll. Alle benötigten Dateien gibt es als zip-Ordner hier.

Außerdem ist hier noch eine weitere Anwendungsillustration von Multi-Level-Analysen anhand des “ChickWeight”-Datensatzes, den Sie von den Pfingstaufgaben schon kennen. Dieser Fall ist interessanta, da auch Messwiederholungen (das Gewicht der Küken an den verschiedenen Tagen) berücksichtigt werden. Die Illustration richtet sich eng nach den “Mixed-effect models”-Kapiteln in einem Online-Buch, das sie hier finden: https://psych252.github.io/psych252book/linear-mixed-effects-models-1.html


11 Sitzung 11: Wiederholung und Vertiefung Kontraste

Vor der Klausur wollten Sie noch einmal das Thema “Kontraste” wiederholen und vertiefen. Ein Zip-Ordner mit Aufgaben dazu gibt es hier.

Die Lösungen folden dann später hier.

12 Zusätzliche Übungsaufgaben (gemischte Themen)

…gibt es als zip-folder hier

Copyright © 2020 Simon Stephan. All rights reserved.