Sitzung 3: selbst üben

1 Daten

Kaffee-Datensatz aus der ersten Einführungswoche.

2 Aufgaben

Zur Lösung der Aufgaben können Sie sich am R-Markdown-Script aus dem Video (1. Teil) orientieren.

1. Lesen Sie die Kaffee-Daten ein (Nennen Sie sie “kaffee_long”) und schauen Sie sich die Daten in R-Studio an.

2. Definieren Sie die UV Spalte als “Faktor” mit den Stufen “kein.kaffee” und “kaffee”.

3. Fügen Sie die standardisierten Konzentrationswerte als neue Spalte den Daten hinzu.

4. Erstellen Sie eine Grafik der standardisierten Gruppenmittelwerte. Bitte mit 95% KI als Fehlerindikator.

5. Erstellen Sie nun zwei Subsets des Datensatzes, je eins für jede Bedingung.

6. Erstellen Sie nun ein Subset des Gesamt-Datensatzes (in dem beide Gruppen drin sind), in dem die zuvor neu erstellte Spalte der z-Werte wieder weg ist.

7. transformieren Sie nun diesen Datensatz vom Long-Format ins Wide-Format (dabei nehmen wir an, dass die Daten einem within-subject-Design entstammen).

ACHTUNG: Um wie im Video das Paket “reshape2” dafür zu verwenden, braucht der Datensatz noch eine neue Spalte mit den Subject-Nummern. Diese müssen Sie versuchen, als neue Spalte dem Datensatz hinzuzufügen. Diese neue Spalte sollte “sID” heißen und Zahlen von 1 bis 20 enthalten: 1, 2, 3, […] 20. Nach den ersten zwanzig Einträgen für “kein.kaffee”, sollten sich die Zahlen von 1 bis 20 dann für “kaffee” wiederholen.

3 Lösung

library(Rcmdr)

## Loading required package: splines

## Loading required package: RcmdrMisc

## Loading required package: car

## Loading required package: carData

## Loading required package: sandwich

## Loading required package: effects

## Registered S3 methods overwritten by 'lme4':
##   method                          from
##   cooks.distance.influence.merMod car 
##   influence.merMod                car 
##   dfbeta.influence.merMod         car 
##   dfbetas.influence.merMod        car

## lattice theme set by effectsTheme()
## See ?effectsTheme for details.

## Das Commander GUI wird nur bei interaktiven Sessions gestartet

## 
## Attaching package: 'Rcmdr'

## The following object is masked from 'package:base':
## 
##     errorCondition

1. Daten einlesen

library(readr)
kaffee_long <- read_delim("Kaffeedaten.csv", ";", escape_double = FALSE, trim_ws = TRUE)

2. Faktorstufen festlegen

kaffee_long <- within(kaffee_long, {
  UV <- factor(UV, labels=c('kein.kaffee','kaffee'))
})

3. Standardisierte AV-Werte ergänzen

kaffee_long <- local({
  .Z <- scale(kaffee_long[,c("AV_Konzentrationsleistung")])
  within(kaffee_long, {
    Z.AV_Konzentrationsleistung <- .Z[,1] 
  })
})

4. Abbildung (mit z-Werten)

with(kaffee_long, plotMeans(Z.AV_Konzentrationsleistung, UV, error.bars="conf.int", level=0.95, connect=TRUE))

5. Zwei Subsets (je 1 pro Bedingung)

kein.kaffee <- subset(kaffee_long, UV == "kein.kaffee")
kaffee <- subset(kaffee_long, UV == "kaffee")

6. Subset aus Gesamtdaten (kaffee_long) ohne z-Werte

kaffee_long_sub <- subset(kaffee_long, select = c(1:2))

7. Umwandeln in Wide-Format

# sID hinzufügen
kaffee_long_sub$sID <- rep(c(1:20),2) # rep: "replicate"

library(reshape2)
kaffee_wide <- dcast(kaffee_long_sub, sID ~ UV, value.var="AV_Konzentrationsleistung")