Lösung zu Übung 7
Jonathan Harrington / Johanna Cronenberg
Daten & Packages laden
Laden Sie die folgenden Packages und Data-Frames:
library(tidyverse)
library(afex)
library(emmeans)
urla = "https://www.phonetik.uni-muenchen.de/studium_lehre/"
urlb = "lehrmaterialien/R_speech_processing/Rdf"
url = paste0(urla, urlb)
auf = read.table(file.path(url, "auf.txt"),
stringsAsFactors = T)
phr.m = read.table(file.path(url, "phrm.df.txt"),
stringsAsFactors = T)
phr.m = phr.m %>%
mutate(L = factor(L, levels = c("kurz", "mittel", "lang")))
dbc = read.table(file.path(url, "dbc.txt"),
stringsAsFactors = T)
nasals.df = read.table(file.path(url, "nasals.df.txt"),
stringsAsFactors = T)
school.df = read.table(file.path(url, "school.txt"),
stringsAsFactors = T) %>%
mutate(year = factor(year, levels=c("pre", "first", "second")))- Q1: Die Daten im Dataframe
aufzeigen Reaktionszeiten auf schwedische Wörter von französischen und englischen Versuchspersonen (FaktorLang) nach einem null- oder sechs-monatigen Aufenthalt (FaktorMonat) in Schweden. Wurden die Reaktionszeiten von der Sprache und/oder Aufenthaltsdauer beeinflusst?
# Monat ist within, Lang ist between
auf %>%
mutate(Factors = interaction(Lang, Monat)) %>%
select(Vpn, Factors) %>%
table()## Factors
## Vpn E.0m F.0m E.6m F.6m
## S1 0 1 0 1
## S10 1 0 1 0
## S2 0 1 0 1
## S3 0 1 0 1
## S4 0 1 0 1
## S5 0 1 0 1
## S6 1 0 1 0
## S7 1 0 1 0
## S8 1 0 1 0
## S9 1 0 1 0Abbildung:
Die Abbildung zeigt Unterschiede zwischen 0 und 6 Monaten für die Franzosen aber nicht für die Engländer. Die Abbildung zeigt ebenfalls Unterschiede zwischen den Engländern und Franzosen aber nur bei 0 Monaten. Da die Verhältnisse zwischen 0 und 6 Monaten anders sind für die Engländer im Vergleich zu den Franzosen, wird es höchst wahrscheinlich zu einer Interaktion im statistischen Test kommen.
## Contrasts set to contr.sum for the following variables: Lang## Anova Table (Type 3 tests)
##
## Response: RT
## Effect df MSE F ges p.value
## 1 Lang 1, 8 425.52 19.75 ** .514 .002
## 2 Monat 1, 8 566.87 11.05 * .441 .010
## 3 Lang:Monat 1, 8 566.87 12.87 ** .479 .007
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '+' 0.1 ' ' 1Die Reaktionszeit hatte einen signifikanten Einfluss auf die Sprache (F[1, 8] = 19.75, p < 0.01) und auf die Aufenthaltsdauer (F[1,8] = 11.05, p < 0.05) und es gab eine signifikante Interaktion zwischen diesen Faktoren (F[1, 8] = 12.87, p < 0.01).
Post-hoc test
auf %>%
aov_4(RT ~ Lang * Monat + (Monat|Vpn), .) %>%
emmeans(., ~ Lang * Monat) %>%
pairs(., simple = "each", combine=T)## Contrasts set to contr.sum for the following variables: Lang## Monat Lang contrast estimate SE df t.ratio p.value
## X0m . E - F -79.2 18.21 8 -4.348 0.0098
## X6m . E - F -2.8 8.08 8 -0.347 1.0000
## . E X0m - X6m -2.8 15.06 8 -0.186 1.0000
## . F X0m - X6m 73.6 15.06 8 4.888 0.0049
##
## P value adjustment: bonferroni method for 4 testsKonsistent mit der Abbildung zeigten post-hoc t-Tests signifikante Unterschiede zwischen den Engländern und den Franzosen in der Reaktionszeit bei 0 Monaten (p < 0.01); und zwischen 0 und 6 Monaten bei den Franzosen (p < 0.01). Sonst gab es keine weiteren signifikanten Unterschiede.
- Q2: Prüfen Sie für den Dataframe
dbc, inwiefern die Dauer (d) vom Dialekt (Dialekt) und/oder Einkommen (Eink) beeinflusst wurde.
# Beide Faktoren sind between
dbc %>%
mutate(Faktor = interaction(Dialekt, Eink)) %>%
select(Vpn, Faktor) %>%
table()## Faktor
## Vpn N.High S.High N.Low S.Low
## S1 0 0 1 0
## S10 0 0 1 0
## S11 1 0 0 0
## S12 1 0 0 0
## S13 1 0 0 0
## S14 1 0 0 0
## S15 1 0 0 0
## S16 1 0 0 0
## S17 1 0 0 0
## S18 1 0 0 0
## S19 1 0 0 0
## S2 0 0 1 0
## S20 1 0 0 0
## S21 0 0 0 1
## S22 0 0 0 1
## S23 0 0 0 1
## S24 0 0 0 1
## S25 0 0 0 1
## S26 0 0 0 1
## S27 0 0 0 1
## S28 0 0 0 1
## S29 0 0 0 1
## S3 0 0 1 0
## S30 0 0 0 1
## S31 0 1 0 0
## S32 0 1 0 0
## S33 0 1 0 0
## S34 0 1 0 0
## S35 0 1 0 0
## S36 0 1 0 0
## S37 0 1 0 0
## S38 0 1 0 0
## S39 0 1 0 0
## S4 0 0 1 0
## S40 0 1 0 0
## S5 0 0 1 0
## S6 0 0 1 0
## S7 0 0 1 0
## S8 0 0 1 0
## S9 0 0 1 0Abbildung:
Es gibt eventuell nur einen Unterschied zwischen Nord und Süd, wenn das Einkommen hoch ist. Es gibt nur einen Unterschied zwischen High und Low im Norden. Es wird zu einer Interaktion kommen, da die Verhältnisse zwischen Nord und Süd anders sind in High und Low.
## Contrasts set to contr.sum for the following variables: Dialekt, Eink## Anova Table (Type 3 tests)
##
## Response: d
## Effect df MSE F ges p.value
## 1 Dialekt 1, 36 223.59 4.21 * .105 .048
## 2 Eink 1, 36 223.59 12.03 ** .250 .001
## 3 Dialekt:Eink 1, 36 223.59 9.27 ** .205 .004
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '+' 0.1 ' ' 1Es gab einen signifikanten Einfluss vom Dialekt (F[1,36] = 4.21, p < 0.05) und vom Einkommen (F[1,36] = 12.03, p < 0.001) auf die Dauer und eine signifikante (F[1,36] = 9.27, p < 0.01) Interaktion zwischen diesen Faktoren.
dbc %>%
aov_4(d ~ Dialekt * Eink + (1|Vpn), .) %>%
emmeans(., ~ Dialekt | Eink) %>%
pairs(., simple = "each", combine=T)## Contrasts set to contr.sum for the following variables: Dialekt, Eink## Eink Dialekt contrast estimate SE df t.ratio p.value
## High . N - S 24.1 6.69 36 3.604 0.0038
## Low . N - S -4.7 6.69 36 -0.703 1.0000
## . N High - Low 30.8 6.69 36 4.606 0.0002
## . S High - Low 2.0 6.69 36 0.299 1.0000
##
## P value adjustment: bonferroni method for 4 testsKonsistent mit der Abbildung zeigten post-hoc Tests Unterschiede in der Dauer zwischen Nord und Süd für die hohe Einkommensgruppe (p < 0.01) und zwischen hohen und niedrigen Einkommensgruppen im Norden (p < 0.001) und sonst keine weiteren signifikanten Einflüsse.
- Q3: Der Dataframe
phr.menthält eine Messung der Sprechgeschwindigkeit (tempo) in verschiedenen Kontexten (Kontext) und in Äußerungen unterschiedlicher Länge (L). Prüfen Sie durch eine Abbildung und statistischen Test, inwiefern die Sprechgeschwindigkeit vom Kontext und von der Äußerungslänge beeinflusst wurde.
# L und Kontext beide within.
phr.m %>%
mutate(Faktor = interaction(L, Kontext)) %>%
select(Vpn, Faktor) %>%
table()## Faktor
## Vpn kurz.ip mittel.ip lang.ip kurz.paren mittel.paren lang.paren kurz.pp
## S1 1 1 1 1 1 1 1
## S10 1 1 1 1 1 1 1
## S11 1 1 1 1 1 1 1
## S12 1 1 1 1 1 1 1
## S13 1 1 1 1 1 1 1
## S14 1 1 1 1 1 1 1
## S15 1 1 1 1 1 1 1
## S16 1 1 1 1 1 1 1
## S17 1 1 1 1 1 1 1
## S18 1 1 1 1 1 1 1
## S19 1 1 1 1 1 1 1
## S2 1 1 1 1 1 1 1
## S20 1 1 1 1 1 1 1
## S21 1 1 1 1 1 1 1
## S22 1 1 1 1 1 1 1
## S23 1 1 1 1 1 1 1
## S24 1 1 1 1 1 1 1
## S25 1 1 1 1 1 1 1
## S26 1 1 1 1 1 1 1
## S27 1 1 1 1 1 1 1
## S28 1 1 1 1 1 1 1
## S29 1 1 1 1 1 1 1
## S3 1 1 1 1 1 1 1
## S30 1 1 1 1 1 1 1
## S4 1 1 1 1 1 1 1
## S5 1 1 1 1 1 1 1
## S6 1 1 1 1 1 1 1
## S7 1 1 1 1 1 1 1
## S8 1 1 1 1 1 1 1
## S9 1 1 1 1 1 1 1
## Faktor
## Vpn mittel.pp lang.pp
## S1 1 1
## S10 1 1
## S11 1 1
## S12 1 1
## S13 1 1
## S14 1 1
## S15 1 1
## S16 1 1
## S17 1 1
## S18 1 1
## S19 1 1
## S2 1 1
## S20 1 1
## S21 1 1
## S22 1 1
## S23 1 1
## S24 1 1
## S25 1 1
## S26 1 1
## S27 1 1
## S28 1 1
## S29 1 1
## S3 1 1
## S30 1 1
## S4 1 1
## S5 1 1
## S6 1 1
## S7 1 1
## S8 1 1
## S9 1 1Abbildung:
Das Bild zeigt Unterschiede zwischen ip,
paren, und pp. Das bild zeigt auch
Unterschiede zwischen kurz und
lang/mittel aber keine Unterschiede zwischen
lang und mittel. Da die Verhältnisse zwischen
ip, paren, pp ähnlich sind in
kurz und in mittel und in lang,
kommt es eventuell zu keiner Interaktion zwischen den Faktoren.
## Anova Table (Type 3 tests)
##
## Response: tempo
## Effect df MSE F ges p.value
## 1 L 1.49, 43.12 0.75 248.99 *** .331 <.001
## 2 Kontext 1.90, 54.99 0.36 237.53 *** .225 <.001
## 3 L:Kontext 2.53, 73.39 0.77 0.70 .002 .531
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '+' 0.1 ' ' 1
##
## Sphericity correction method: GGEs gab einen signifikanten Einfluss von der Länge (F[1.49, 43.12] = 248.99, p < 0.001) und vom Kontext (F[1.90, 54.99] = 237.53, p < 0.001) auf die Sprechgeschwindigkeit und keine signifikante Interaktion zwischen diesen Faktoren. Da es zu keiner Interaktion gekommen ist, sind post-hoc Tests eigentlich nicht notwendig.
Die Faktoren haben aber beide mehr als 2 Stufen. Aus dem obigen Test kann man nicht sagen, ob sich z.B. ‘kurz’, ‘mittel’, und ‘lang’ unterscheiden. Sollten man wissen wollen, ob solche Unterschiede vorliegen (und dies ist nur notwendig, wenn ein Faktor mehr als 2 Stufen hat) dann:
# Für `L`
phr.m %>%
aov_4(tempo ~ L * Kontext + (L+Kontext|Vpn), .) %>%
emmeans(., ~ L) %>%
pairs(., simple = "each", combine=T)## contrast estimate SE df t.ratio p.value
## kurz - mittel -2.095 0.0808 29 -25.940 <.0001
## kurz - lang -2.203 0.1076 29 -20.463 <.0001
## mittel - lang -0.107 0.1380 29 -0.778 1.0000
##
## Results are averaged over some or all of the levels of: Kontext
## P value adjustment: bonferroni method for 3 tests# Für `Kontext`
phr.m %>%
aov_4(tempo ~ L * Kontext + (L+Kontext|Vpn), .) %>%
emmeans(., ~ Kontext) %>%
pairs(., simple = "each", combine=T)## contrast estimate SE df t.ratio p.value
## ip - paren -1.069 0.0771 29 -13.861 <.0001
## ip - pp -1.895 0.0887 29 -21.361 <.0001
## paren - pp -0.826 0.0948 29 -8.716 <.0001
##
## Results are averaged over some or all of the levels of: L
## P value adjustment: bonferroni method for 3 testsPost-hoc t-Tests zeigten signifikante Unterschiede zwischen
kurz und lang (p < 0.001) und zwischen
kurz und mittel (p < 0.001) aber nicht
zwischen lang und mittel. Post-hoc
t-Tests zeigten auch signifikante Unterschiede zwischen
ip und paren (p < 0.001), zwischen
ip und pp (p < 0.001) und zwischen
paren und pp (kurz: p < 0.001;
lang: p < 0.01; mittel: p < 0.05)
- Q4: Der Dataframe
nasals.dfenthält verschiedene Messungen verbunden mit dieser Publikation. Die Spalteendv_timeenthält die Werte der Vokaldauer für die Wörter in Spalteorthgesprochen von den Sprechern in Spaltespeaker. Die Sprecher sind aufgeteilt in zwei Dialektgruppen (Spaltelanguage):BRE, Britisch-Englisch, undUSE, Amerikanisch-Englisch. Prüfen Sie, ob sich die Vokaldauern vor /nt/ im Vergleich zu /nd/ (Spaltecoda) und in den beiden Dialektgruppen von einander unterscheiden. Da es mehrere Wiederholungen pro Sprecher gibt, muss zuerst gemittelt werden, sodass es pro Sprecher nur einen /nt/ und einen /nd/ Dauerwert gibt.
Zuerst mitteln, sodass es einen /nt/ und einen /nd/ Wert pro Sprecher gibt. Wir brauchen aber auch für später Information zum Dialekt und zum Sprecher:
m.df = nasals.df %>%
group_by(coda, language, speaker) %>%
summarise(mdur = mean(endv_time)) %>%
ungroup()## `summarise()` has grouped output by 'coda', 'language'. You can override using
## the `.groups` argument.Language muss ‘between’ und ‘coda’ ist sicherlich ‘within’. Um zu bestätigen (ja, das ist so).
## Fac
## speaker nd.BRE nt.BRE nd.USE nt.USE
## S1 1 1 0 0
## S10 1 1 0 0
## S11 1 1 0 0
## S12 1 1 0 0
## S13 1 1 0 0
## S14 0 0 1 1
## S15 1 1 0 0
## S16 1 1 0 0
## S17 1 1 0 0
## S18 1 1 0 0
## S2 0 0 1 1
## S20 1 1 0 0
## S21 1 1 0 0
## S22 1 1 0 0
## S23 1 1 0 0
## S24 0 0 1 1
## S25 0 0 1 1
## S26 1 1 0 0
## S27 0 0 1 1
## S28 0 0 1 1
## S29 1 1 0 0
## S3 0 0 1 1
## S30 0 0 1 1
## S31 0 0 1 1
## S32 1 1 0 0
## S33 1 1 0 0
## S34 0 0 1 1
## S35 0 0 1 1
## S36 1 1 0 0
## S37 1 1 0 0
## S38 1 1 0 0
## S39 1 1 0 0
## S4 0 0 1 1
## S40 1 1 0 0
## S42 0 0 1 1
## S43 1 1 0 0
## S44 1 1 0 0
## S45 1 1 0 0
## S5 0 0 1 1
## S6 0 0 1 1
## S7 0 0 1 1
## S8 1 1 0 0
## S9 1 1 0 0Abbildung. Dies zeigt /nd/ > /nt/; und USE > BRE und, dass es nicht zu einer Interaktion zwischen den Faktoren kommt (weil die /nt, nd/ Unterschiede in den beiden Dialekten ähnlich sind).
Test:
## Contrasts set to contr.sum for the following variables: language## Anova Table (Type 3 tests)
##
## Response: mdur
## Effect df MSE F ges p.value
## 1 language 1, 41 0.00 9.69 ** .175 .003
## 2 coda 1, 41 0.00 205.43 *** .335 <.001
## 3 language:coda 1, 41 0.00 2.22 .005 .144
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '+' 0.1 ' ' 1Ergebnis: Die Vokaldauer wurde signifikant vom Coda (F[1,41] = 205.4, p < 0.001) und vom Dialekt (F[1,41] = 9.69, p < 0.01) beeinflusst, und es gab keine Interaktion zwischen diesen Faktoren.
- Q5: Der Dataframe
school.dfzeigt die durchnittliche Anzahl der Silben in einer prosodischen Phrase (syll) erzeugt von verschiedenen Sprechern (subj) über drei Jahren (year) in einer Grundschule. Die Sprecher sind auch für Geschlecht (gender) kodiert. Prüfen Sie, ob die Silbenanzahl vonyearodergenderbeeinflusst wird.
# year within, age between
school.df %>%
mutate(Fac = interaction(year, gender)) %>%
select(subj, Fac) %>%
table()## Fac
## subj pre.F first.F second.F pre.M first.M second.M
## S1 1 1 1 0 0 0
## S10 1 1 1 0 0 0
## S11 0 0 0 1 1 1
## S12 0 0 0 1 1 1
## S13 0 0 0 1 1 1
## S14 0 0 0 1 1 1
## S15 0 0 0 1 1 1
## S16 0 0 0 1 1 1
## S17 0 0 0 1 1 1
## S18 0 0 0 1 1 1
## S19 0 0 0 1 1 1
## S2 1 1 1 0 0 0
## S20 0 0 0 1 1 1
## S3 1 1 1 0 0 0
## S4 1 1 1 0 0 0
## S5 1 1 1 0 0 0
## S6 1 1 1 0 0 0
## S7 1 1 1 0 0 0
## S8 1 1 1 0 0 0
## S9 1 1 1 0 0 0
## Contrasts set to contr.sum for the following variables: gender## Anova Table (Type 3 tests)
##
## Response: syll
## Effect df MSE F ges p.value
## 1 gender 1, 18 4.78 0.10 .004 .760
## 2 year 1.64, 29.45 0.98 12.90 *** .153 <.001
## 3 gender:year 1.64, 29.45 0.98 5.77 * .075 .011
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '+' 0.1 ' ' 1
##
## Sphericity correction method: GG# post-hoc
school.df %>%
aov_4(syll ~ gender * year + (year|subj), .) %>%
emmeans(., ~ gender * year) %>%
pairs(., simple="each", combine=T)## Contrasts set to contr.sum for the following variables: gender## year gender contrast estimate SE df t.ratio p.value
## pre . F - M 1.273 0.585 18 2.176 0.3878
## first . F - M -0.221 0.616 18 -0.358 1.0000
## second . F - M -0.528 0.745 18 -0.708 1.0000
## . F pre - first 0.505 0.413 18 1.224 1.0000
## . F pre - second -0.450 0.470 18 -0.957 1.0000
## . F first - second -0.955 0.301 18 -3.170 0.0477
## . M pre - first -0.988 0.413 18 -2.395 0.2495
## . M pre - second -2.250 0.470 18 -4.787 0.0013
## . M first - second -1.262 0.301 18 -4.189 0.0050
##
## P value adjustment: bonferroni method for 9 tests