Auf Wunsch der Studierenden fand im Rahmen der Vorlesung "Wissenschaftliche Methoden" ein äußerst kurz gehaltener R-Crashkurs statt. Anbei finden Sie die Unterlagen hierzu.

[1] Skript zum R-Crashkurs

[2] Datensatzbeschreibungen "Toothgrowth" und "Swiss" [in Englisch]

[3] Hinweise zu Statistik-Software

Weiterführende Informationen zu R finden sich auch im Online-Tutorial auf dieser Website: R-Datenanalyse

[1] Skript zum R-Crashkurs

###Datenimport###

# Eigener Datensatz kann über "Import Dataset" [siehe rechts "Environment"] geladen werden

# Wichtige Anmerkung: Kommas werden in Punkte umgewandelt, damit statistische Analysen funktionieren. Hierzu wurde auch der Generator für den Import gezeigt.

###Beispieldatensatz laden###

data("ToothGrowth")

###Datensatz kennenlernen/analysieren###

ls(ToothGrowth)

str(ToothGrowth)

View(ToothGrowth)

by(ToothGrowth$len, INDICES = list(ToothGrowth$supp, ToothGrowth$dose), summary)

plot (ToothGrowth$dose,ToothGrowth$len)

plot(ToothGrowth)

###Bestimmung von Datentypen###

# Anmerkung: Es gibt folgende Datentypen: numeric, complex, logical, character, raw

mode(ToothGrowth$len)

###Neue Variable generieren/löschen###

attach(ToothGrowth)

ToothGrowth$neuevariable <- ToothGrowth$len/ToothGrowth$dose

View(ToothGrowth)

ToothGrowth$neuevariable <- NULL

###Basisanalysen###

###Welch Two Sample Test Nr. 1: Ist Orangensaft effektiver als Ascorbinsäure? [Zahnwachstum]###

t.test(len~supp, data=ToothGrowth)

# Interpretation: Erster t-Test zeigt, dass generell OS effektiver als AS ist.Null-Hypothese (Differenz = 0) kann verworfen werden -> Indikation für H1. Signifikanz/p-Wert jedoch schwach (-> t-Test für dose = 2.0 zeigt Ursache hierfür)

t.test(len~supp, data=ToothGrowth[ToothGrowth$dose==0.5,])

t.test(len~supp, data=ToothGrowth[ToothGrowth$dose==1.0,])

t.test(len~supp, data=ToothGrowth[ToothGrowth$dose==2.0,])

###Welch Two Sample Test Nr. 2: Besteht eine Korrelation zwischen Zahnlänge und Dosierung?###

# Schritt 1: Dosierungen definieren, die verglichen werden sollen, z.B. dose1 = 0,5 und 1 mg

dose1 <- subset(ToothGrowth, dose %in% c(0.5, 1.0))

dose2 <- subset(ToothGrowth, dose %in% c(0.5, 2.0))

dose3 <- subset(ToothGrowth, dose %in% c(1.0, 2.0))

# Schritt 2: Tests für dose 1 bis 3

t.test(len ~ dose, paired = F, var.equal = F, data = dose1)

t.test(len ~ dose, paired = F, var.equal = F, data = dose2)

t.test(len ~ dose, paired = F, var.equal = F, data = dose3)

# Interpretation: Bei allen t-Tests kann die H0 verworfen werden -> Indikation für H1

###Korrelationsanalyse###

cor (ToothGrowth$len, ToothGrowth$dose, method = c("pearson"))

cor (ToothGrowth$len, ToothGrowth$dose, method = c("kendall"))

cor (ToothGrowth$len, ToothGrowth$dose, method = c("spearman"))

###Regressionsanalyse###

# Anmerkung: Datensatz ToothGrowth ist nicht geeignet für eine Regressionsanalyse -> Neuer Datensatz "swiss"

###Datensatz kennenlernen/analysieren###

# Folgende Variablen  sind enthalten:

# Fertility  Ig, "common standardized fertility measure"

# Agriculture % of males involved in agriculture as occupation

# Examination % draftees receiving highest mark on army examination

# Education % education beyond primary school for draftees.

# Catholic % "catholic" [as opposed to "protestant"].

# Infant.Mortality % live births who live less than 1 year.

data("swiss")

View(swiss)

plot(swiss)

cor(swiss)

###Einfache lineare Regression###

###Modellwahl###

# Anmerkung: Die Auswahl der Variablen, die ins Modell eingehen sollen, kann vorab per Akaikes Informationskriterium [AIC] erfolgen. Es gibt eine ganze Reihe weiterer Kriterien, die angelegt werden können.

step (lm(swiss$Fertility ~ swiss$Agriculture + swiss$Examination + swiss$Education + swiss$Catholic + swiss$Infant.Mortality))

regfert <- lm(formula = swiss$Fertility ~ swiss$Agriculture + swiss$Education + swiss$Catholic + swiss$Infant.Mortality)

###Ergebnisse###

regfert$coefficients

summary(regfert)

###Modellannahmen testen###

plot(regfert)

[2] Datensatzbeschreibungen "Toothgrowth" und "Swiss" [in Englisch]

Toothgrowth

• In 1947 data measuring the effect of vitamin C on tooth growth in guinea pigs  was collected.

• The response is the length of odontoblasts [cells responsible for tooth growth] in 60 guinea pigs. 

• Each animal received one of three dose levels of vitamin C [0.5, 1, and 2 mg/day] by one of two delivery methods, [orange juice or ascorbic acid (a form of vitamin C and coded as VC].

-> Data

Swiss

• Switzerland, in 1888, was entering a period known as the demographic transition; i.e., its fertility was beginning to fall from the high level typical of underdeveloped countries. 

• The data collected are for 47 French-speaking “provinces” at about 1888.

• Here, all variables are scaled to [0, 100], where in the original, all but "Catholic" were scaled to [0, 1].

-> Data

[3] Hinweise zu Statistik-Software

Open Source:

• R [freie Programmiersprache und zugleich Software-Umgebung]

• RStudio [integrierte Entwicklungsumgebung und grafische Benutzeroberfläche für R; Bedienung mittels syntaxbasierten "Scripts"]

• Weitere freie Softwares [z. T. auch R-basiert]

Proprietäre Software:

• Stata [Umfassende Software für empirische Analysen; Bedienung über Menü oder mittels syntaxbasierten "Do-Files"]

• SPSS [Umfassende Software für empirische Analysen; i. d. R. Bedienung über Menü]

• EViews [Einsatzschwerpunkt: Zeitreihenanalyse]

• MATLAB [Einsatzschwerpunkt: Numerische Berechnungen, insb. Matrizen]