library(lattice)
library(ez)
library(lmerTest)
library(multcomp)
source(file.path(pfadu, "phoc.txt"))
source(file.path(pfadu, "sig.fn.R"))
source(file.path(pfadu, "ph.step.R"))

#AV=Numerisch, UV=Numerisch, keine Random Factors
# aus f2.R, Aufgabe 2

# 2. Diese Daten:
tv = read.table(file.path(pfadu, "tv.df.txt"))
dim(tv)
# zeigen eine Messung der Sprachkompetenz (cdi) für 80 Schüler (Vpn) 
# sowie die Anzahl der Stunden am Tag, die sie fernsehen (tv.hours). 
# Prüfen Sie durch eine Abbildung und statistischen Test, 
# ob eine Verbindung zwischen Sprachkompetenz und Fernsehen vorliegt.






#AV=NUMERISCH, UV=KATEGORIAL, keine Random Factors
#aus f2.R, Aufgabe 3
# 3. Für diese Daten:
zweit = read.table(file.path(pfadu, "zweit.df.txt"))
dim(zweit)
head(zweit)
# nahmen Versuchspersonen (Vpn) an einem Test in einer 
# zweiten Sprache teil (l2score). Prüfen Sie durch eine Abbildung und statistischen Test, 
# ob l2score durch Geschlecht (G) beeinflusst wird.







#AV=NUMERISCH, UV=KATEGORIAL, ein Random Factor
# 5. Prüfen Sie durch eine Abbildung und statistischen Test für diese Daten:
votspan = read.table(file.path(pfadu, "votspan.txt"))
dim(votspan)
head(votspan)

# inwiefern VOT vom Alter und von der Stadt beeinflusst wird.





#AV=NUMERISCH, UV=KATEGORIAL, mehr als ein Random Factor
#z.B. Aufgabe 7 aus f2.R:
# 7. Diese Daten:
phr = read.table(file.path(pfadu, "phr.df.txt"))
dim(phr)
# zeigen eine Messung der Sprechgeschwindigkeit (tempo) in 
# verschiedenen prosodischen Kontexten (Faktor Kontext) und 
# in verschiedenen Äußerungslängen (Faktor L). 
# Die Sprechgeschwindigkeitsmessungen wurden von 30 Sprechern (Vpn) 
# in 10 verschiedenen Äußerungen (Ag) erhoben. 
# Prüfen Sie durch eine Abbildung und statistischen Test, 
# inwiefern die Sprechgeschwindigkeit vom 
# Kontext und von der Äußerungslänge beeinflusst wird.




#AV=NUMERISCH, UV1=KATEGORIAL, UV2=NUMERISCH, mehr als ein Random Factor
#z.B.: letzte Aufgabe aus mmuebung.R 
#  In diesen Daten
lex = read.table(file.path(pfadu, "lex.txt"))
# wurden Reaktionszeiten von verschiedenen Sprechern (Subj) auf verschiedene Wörter (Word) gemessen. 
#Die Sprecher waren entweder Muttersprache englisch oder nicht (Faktor Lang). 
# Zusätzlich gibt es eine Verschlüsselung für die Wortlänge (Length): je kleiner die Zahl, 
# umso kürzer das Wort.  I
# nwiefern werden die Reaktionszeiten von der Sprache und  der Wortlänge beeinflusst?








#AV=KATEGORIAL, UV=KATEGORIAL, kein Random Factor
# z.B. Aufgabe 5 aus muster.R
kj = read.delim(file.path(pfadu, "kj.txt"))
# 5. Prüfen Sie für diese Daten mit einer Abbildung und einem statistischen Test:
head(kj)
# inwiefern die Wahl des Frikatives (Faktor fric) als 's' (alveolar) oder 'S' (retroflex) 
# von der Emphase (Faktor emphatic) beeinflusst wird.
#wieviele less emphatic s, more emphatic s, less emphatic S, und more emphatic S gibt es?







#AV=KATEGORIAL, UV=NUMERISCH, kein Random Factor
#z.B. Aufgabe 4 aus f2.R
# 4. Für diese Daten:
elwi = read.table(file.path(pfadu, "elwi.df.txt"))
dim(elwi)
# wurde ein 13-stufiges F2-Kontinuum erstellt (F2) und 
# jede Versuchsperson musste pro Stimulus entscheiden, 
# ob 'will' oder 'wool' wahrgenommen wurde (Urteil). 
# Prüfen Sie durch eine Abbildung und statistischen Test, 
# ob die will/wool Entscheidung durch F2 beeinflusst wird. 
# Berechnen Sie den F2-Umkipppunkt, zu dem die Entscheidung 
# von 'will' nach 'wool' kippt, und überlagern Sie eine 
# Sigmoidalkurve mit der sig() Funktion auf die proportionalen Werte.