library(lmerTest) library(lattice) source(file.path(pfadu, "phoc.txt")) source(file.path(pfadu, "ph.step.R")) # Mixed Model # ########################## Frage 1 # In diesen Daten x24 = read.table(file.path(pfadu, "x24.txt")) # wurden für 3 Vokale (V) Entfernung zum Vokalmittelpunkt (ent) # für verschiedene Sprecher (Vpn), die verschiedene Wörter (Wort) produziert haben. # Inwiefern werden die Entfernungen vom Vokal beeinflusst? # Bild bwplot(ent ~ V, data = x24) # V ist ein fixed factor # Vpn, Wort sind random factors # within (V|Vpn) with(x24, table(Vpn, V)) # within (V|Wort) with(x24, table(Wort, V)) # MM x24.lmer = lmer(ent ~ V + (V|Vpn) + (V|Wort), data = x24) (x24.step = step(x24.lmer)) #Fixed effects: # Sum Sq Mean Sq NumDF DenDF F.value elim.num Pr(>F) #V 24.105 12.0525 2 803 23.5594 kept < 1e-07 # Die Entfernungen sind signifikant vom Vokal beeinflusst worden # (F[2, 803] = 23.6, p < 0.001). (phx24=ph.step(x24.step,"bonferroni")) # Die Entfernungen unterscheiden sich signifikant zwischen a und i (p < 0.001), # zwischen a und u (p < 0.001) und zwischen i und u (p < 0.05), wie bonferroni- # korrigierte t-tests zeigten. ########################## Frage 2 # Diese Studie von Bodo Winter pl = read.table(file.path(pfadu, "pl.df.txt")) # siehe auch: http://arxiv.org/pdf/1308.5499.pdf # befasst sich mit der Beziehung zwischen f0 (frequency), Höflichkeit (attitude), # und Gender. Höflichkeit hat zwei Stufen: pol (höflich) und inf (normal). # Die f0-Daten sind von verschiedenen Versuchspersonen (subject) und in # verschiedenen Sprechsituationen (scenario) erhoben worden. # Inwiefern wird f0 von der Höflichkeit und vom Gender beeinflusst? # welche fixed, random # fixed: attitude, gender # random: subject, scenario # (FF|subject) oder (1|subject) # (FF|scenario) oder (1|scenario) # within (attitude|scenario) with(pl, table(scenario, attitude)) # within (attitude|subject) with(pl, table(subject, attitude)) # within (gender|scenario) with(pl, table(scenario, gender)) # between (1|subject) with(pl, table(subject, gender)) # Bild bwplot(frequency ~ attitude | gender, data = pl, layout=c(2,1)) pl.lmer = lmer(frequency ~ attitude * gender + (attitude+gender|scenario) + (attitude|subject), data = pl) # Prüfstatistik (pl.step = step(pl.lmer)) #Fixed effects: # Sum Sq Mean Sq NumDF DenDF F.value elim.num Pr(>F) #attitude:gender 1255.485 1255.485 1 69.05 1.9697 1 0.1650 #attitude 8056.185 8056.185 1 70.05 12.4729 kept 0.0007 #gender 17225.135 17225.135 1 4.01 26.6686 kept 0.0066 # f0 wurde signifikant beeinflusst von attitude # (F[1, 70.1] = 12.5, p < 0.001) und von # gender (F[1, 4.0] = 26.7, p < 0.01) und es gab keine signifikante Interaktion zwischen diesen Faktoren. # Keine Interaktiuoin, also kein post-hoc notwendig ########################## Frage 3 # Diese Daten: asp = read.table(file.path(pfadu, "asp.txt")) # zeigen Dauerwerte von der Aspiration, die in verschiedenen Wörtern und von verschiedenen # Versuchspersonen produziert wurden. # Inwiefern wird die Aspirationsdauer von der Artikulationstelle (Faktor Kons) und von der Betonung (Faktor Bet) # beeinflusst? with(asp, table(Kons, Wort)) with(asp, table(Bet, Wort)) # also (1|Wort) with(asp, table(Kons, Vpn)) with(asp, table(Bet, Vpn)) # also (Kons + Bet | Vpn) asp.lmer=lmer(d ~ Kons * Bet + (Kons + Bet|Vpn) + (1 | Wort),data=asp) (asp.step=step(asp.lmer)) (phasp=ph.step(asp.step,"bonferroni")) # Bonferroni-korrigierte post-hoc-t-test zeigten weiterhin, dass sich k und t # nur in unbetonter Bedingung (p < 0.001), nicht aber in betonter, unterschieden, und # dass sowohl k (p < 0.001) als auch t (p < 0.001) sich je nach Betonungsbedingung # unterschieden. # phoc(phasp$res,1) #leider scheitert hier phoc; daher bitte nicht laufen lassen ########################## Frage 4 # In diesen Daten: laerm=read.table(file.path(pfadu, "laerm.txt")) # wurden Reaktionszeiten von verschiedenen Versuchspersonen # auf verschiedene Wörter gemessen. Inwiefern wird die Reaktionszeit # vom Lärm (Faktor Laerm) und von der Altersgruppe der Versuchsperson beeinflusst? head(laerm) bwplot(rt~Laerm | Alter, data=laerm) #rt~Laerm*Alter+(?|Wort)+(?|Vpn) with(laerm,table(Laerm,Wort)) with(laerm,table(Alter,Wort)) # also (Laerm+Alter|Wort) with(laerm,table(Laerm,Vpn)) with(laerm,table(Alter,Vpn)) # also (Laerm|Vpn) # da Alter nicht innerhalb einer Vpn variiert laerm.lmer=lmer(rt~Laerm*Alter+(Laerm+Alter|Wort)+(Laerm|Vpn),data=laerm) (laerm.step=step(laerm.lmer)) # Die Reaktionszeiten wurden von Laerm beeinflusst (F[1,2.23]=22.2, p < 0.05), # jedoch nicht vom Alter der Versuchspersonen. (Außerdem gab es keine Interaktion zwischen Laerm und # Alter, weshalb kein post-hoc-Test notwendig war (auch, weil der signifikante Faktor laerm$Laerm # nur zwei Stufen hat)). ########################## Frage 5 # In diesen Daten: stefan = read.table(file.path(pfadu, "stefan.txt")) # wurde F2 (f2mid) in verschiedenen Wörtern (Word) produziert # von verschiedenen Versuchspersonen (Vpn) gemessen. Inwiefern wird # F2 vom Tempo und vom Vokal (Faktor (V)) beeinflusst? head(stefan) bwplot(f2mid~Tempo,data=stefan) bwplot(f2mid~V,data=stefan) bwplot(f2mid~V|Tempo,data=stefan) with(stefan,table(Word,Tempo)) #--> (Tempp|Word) with(stefan,table(Word,V)) # --> (1|Word) with(stefan,table(Vpn,Tempo)) # --> (Tempo|Vpn) with(stefan,table(Vpn,V)) #--> (V|Vpn) stefan.lmer=lmer(f2mid~Tempo*V+(Tempo|Word)+(Tempo+V|Vpn),data=stefan) (stefan.step=step(stefan.lmer)) # Vorsicht: Warnmeldung ignorieren #Fixed effects: # Sum Sq Mean Sq NumDF DenDF F.value elim.num Pr(>F) #Tempo 438.6722 438.6722 1 170.04 0.0632 kept 0.8017 #Vorsicht: kept heißt nicht immer "ist signifikant" #V 110850.5147 110850.5147 1 20.16 15.9807 kept 0.0007 #Tempo:V 53793.3120 53793.3120 1 170.04 7.7551 kept 0.0060 # Teilantwort eins: Tempo hatte keinen sig. Einfluss auf F2-Frequenzen, Vokalkategorie jedoch # schon (F[1,20.2]=16.0, p < 0.001); es gab auch eine signifikante Interaktion zwischen Tempo und Vokal # (F[1,170.0]=7.8, p < 0.01). stefan.ph=ph.step(stefan.step) # phsel(stefan.ph$res,1) leider Fehlermeldung stefan.ph # Teilantwort 2: Während sich Tempounterschiede weder auf F2 in o noch in e auswirkten, unterschieden sich # F2 aus o und e sowohl in schneller (p < 0.01) als auch langsamer (p < 0.005) Bedingung. ########################## Frage 6 # In diesen Daten lex = read.table(file.path(pfadu, "lex.txt")) # wurden Reaktionszeiten von verschiedenen Sprechern (Subj) auf verschiedene Wörter (Word) gemessen. #Die Sprecher waren entweder Muttersprache englisch oder nicht (Faktor Lang). # Zusätzlich gibt es eine Verschlüsselung für die Wortlänge (Length): je kleiner die Zahl, # umso kürzer das Wort. I # nwiefern werden die Reaktionszeiten von der Sprache und der Wortlänge beeinflusst? #Die Besonderheit hier: # während lex$Lang # ein steistufiger Faktor ist, ist lex$Length # eigentlich numerisch. Trotzdem kann das mit lmer() gelöst werden ... bwplot(rt~Lang,data=lex) xyplot(rt~Length,data=lex) with(lex, table(Lang, Subj))#-->(1|Subj) with(lex, table(Lang, Word))#-->(Lang,Word) with(lex, table(Length, Subj))#-->(Length|Subj) with(lex, table(Length, Word))#-->(1|Word) # in zwei Tests aufdröselm: sprache.lmer = lmer(rt ~ Lang + (1|Subj) + (1+Lang|Word), data = lex) step(sprache.lmer) # Die Reaktionszeiten wurden von Sprache beeinflusst (F[1,19.2]=6.3, p < 0.05) #und length.lmer = lmer(rt ~ Length + (Length|Subj) + (1|Word), data = lex) step(length.lmer) # Außerdem wurden die Reaktionszeiten von der Länge beeinflusst (F[1,53.1]=14.7, p < 0.001) # mehr müssen wir hier nicht beantworten # nur als Fleißaufgabe # geht es aber durchaus auch in einem Modell: lex.lmer = lmer(rt ~ Lang * Length + (Length|Subj) + (Lang|Word), data = lex) step(lex.lmer) # Die Reaktionszeiten wurden von Sprache beeinflusst (F[1,19.0]=6.3, p < 0.05), # die auch von der Länge (F[1,57.2]=19.1, p < 0.001) # Außerdem gab es eine signifikante Interaktion zwischen Länge und Sprache (F[1,18.5]=8.3, p< 0.01). # Da Length numerisch ist, können wir hier natürlich keinen Post-hoc-t-Test rechnen. # (es sei denn wir würden LEngth mit factor(Length) künstlich zu einem 8-Kategorien-Faktor machen, # was wir uns an dieser Stelle ersparen) # Dieser plot hier xyplot(rt~Length|Lang,data=lex, type = c("p", "smooth")) # zeigt uns jedoch, dass der Einfluss von Length bei Lang=="Other" offenbar stärker ausgeprägt ist # als bei Lang=="English", da bei Other der Anstieg der rt-Werte mit zunemender "Length" # deutlicher ist als bei English.