nm = "Harrington_Jonathan" library(lattice) library(ez) library(lme4) source(file.path(pfadu, "phoc.txt")) source(file.path(pfadu, "ph.step.R")) ai = read.table(file.path(pfadu, "ai.txt")) amdat = read.table(file.path(pfadu, "amp.df.txt")) clara = read.table(file.path(pfadu, "clara.txt")) ga = read.table(file.path(pfadu, "gavowel.txt")) kj = read.delim(file.path(pfadu, "kj.txt")) stefan = read.table(file.path(pfadu, "stefan.txt")) form = read.table(file.path(pfadu, "f1.schwa.txt")) # 1# prüfen Sie durch eine Abbildung und statistischen Test, # ob die Kiefer- aus der Lippenposition vorhergesagt werden kann. # Was wäre die vorhergesagte Kieferposition für eine Lippenposition von -20? plot(Kiefer ~ Lippe, data = ai) ai.lm = lm(Kiefer ~ Lippe, data = ai) abline(ai.lm) summary(ai.lm) # Normalverteilt shapiro.test(resid(ai.lm)) # OK plot(resid(ai.lm)) # OK acf(resid(ai.lm)) # Es gibt eine signifikante lineare Beziehung zwischen der Kiefer- und Lippenposition # (R^2 = 0.27, F[1, 23] = 8.5, p < 0.01). predict(ai.lm, data.frame(Lippe=-20)) # -24.98412 # 2 # prüfen Sie durch eine Abbildung und statistischen Test, ob die Vokalkategorie (Faktor V) # aus der Amplitude (Faktor amp) vorhergesagt werden kann. # Zu welchem Amplituden-Wert kommt der Umkipppunkt zwischen den beiden Vokalkategorien vor? levels(amdat$V) P = amdat$V == "i" Q = !P amdat.m = aggregate(cbind(P, Q) ~ amp, sum, data = amdat ) p = with(amdat.m, P/(P+Q)) amdat.m = cbind(amdat.m, p) plot(p ~ amp, data = amdat.m) amp.glm = glm(V ~ amp, binomial, data = amdat) anova(amp.glm,test="Chisq") #Vokal wurde von Amplitude sig. beeinflusst # X^2[1,18]=4.1, p < 0.05 ##VORSICHT-EMAIL!!! cf = coef(amp.glm) -cf[1]/cf[2] # 49.37804 # Die Vokalkategorie kann aus den Amplitude signifikant vorhergesagt werden (X^2[1,18] = 4.14, p < 0.05). # Der Umkipppunkt liegt bei 49.37804 . # 3 # enthalten Messungen der proportionalen Vokaldauer (prdur) für verschiedene Wörter (wort) produziert # von verschiedenen Versuchspersonen (vp). Prüfen Sie durch eine Abbildung und statistischen Test, # ob die proportionale Vokaldauer von der Phrasenposition (pos) beeinflusst wird. bwplot(prdur ~ pos, data = clara) with(clara, table(vp, pos)) with(clara, table(wort, pos)) pos.lmer = lmer(prdur ~ pos + (1|wort) + (pos|vp), data = clara) pos.lmer1 = lmer(prdur ~ pos + (1|wort) + (1+pos|vp), data = clara) step(pos.lmer) #--> führt zu Fehlermeldung, daher anova(pos.lmer) # anova ist (das wir lmerTest geladen haben) ein Funktion aus lmerTest # Vorsicht: wenn lmerTest nicht geladen wurde, kann man den Befehlt anova(pos.lmer) auch eingeben, # bekommt aber einen völlig anderen output. # Der Einfluss von der Position auf die Vokaldauer ist nicht ganz signifikant (F[1,16.2] = 3.5, p = 0.078). # auch möglich, aber nicht gefragt (sehr ähnliches Ergebnis): # wir mitteln über alle Worte aus $wort, indem wir wort hier einfach aus der Formel weglassen # und die Funktion mean() anwenden: clara.ag=aggregate(prdur~pos+vp,mean,data=clara) ezANOVA(clara.ag,.(prdur),.(vp),.(pos)) # 4. Für diese Daten: dim(ga) # wurde für verschiedene Sprecher (Vpn) der zweite Formant (F2) in zwei Vokalen (Faktor V) # und in zwei Dialekten (Faktor Dialekt) erhoben. # Prüfen Sie durch eine Abbildung und statistischen Test, # ob F2 vom Vokal und/oder vom Dialekt beeinflusst wird. bwplot(F2 ~ Dialekt | V, data = ga) with(ga, table(Vpn, interaction(V, Dialekt))) ga.m = aggregate(F2 ~ V * Dialekt * Vpn, mean, data = ga) ezANOVA(ga.m, .(F2), .(Vpn), .(V), between = .(Dialekt)) p = phoc(ga.m, .(F2), .(Vpn), .(V, Dialekt)) round(phsel(p$res), 3) round(phsel(p$res, 2), 3) # Dialekt (F[1, 18] = 41.9, p < 0.001) sowie Vokal (F[1, 18] = 28.9, p < 0.001) hatten einen # signifikanten Einfluss auf F1 und es gab eine signifikante Interaktion zwischen diesen # Faktoren (F[1, 18] = 15.7, p < 0.001). # Bonferroni-korrigierte post-hoc t-Tests zeigten einen Unterschied zwischen /i, I/ für Dialekt D (p < 0.01) # jedoch nicht für A; und einen Unterschied zwischen den Dialekten in /I/ (p < 0.01) jedoch nicht in /i/. # 5. Prüfen Sie für diese Daten mit einer Abbildung und einem statistischen Test: dim(kj) # inwiefern die Wahl des Frikatives (Faktor fric) als 's' (alveolar) oder 'S' (retroflex) # von der Emphase (Faktor emphatic) beeinflusst wird. tab = with(kj, table(emphatic, fric)) p = prop.table(tab, 1) barchart(p, auto.key=T, horizontal=F) e.glm = glm(fric ~ emphatic, binomial, data = kj) anova(e.glm,test="Chisq") # Die Wahl des Frikatives wird signifikant von der Emphase beeinflusst (X^2[1] = 20.1, p < 0.001). # 6. Die Reaktionszeiten (ms) von 10 Versuchspersonen in der Labor-, Lese- und Spontansprache # um ein Wort zu identifizieren sind wie folgt: labo = c(23.0, 5.0, 30.7, 17.4, 18.5, 15.7, 16.8, 30.8, 14.1, 13.5) lese = c(3.1, 27.7, 46.1, 55.4, 22.1, 19.5, 8.0, 53.8, 28.0, 36.4) spon = c(39.8, 34.2, 40.5, 47.3, 42.5, 38.4, 40.8, 38.6, 43.8, 40.9) # Prüfen Sie durch eine Abbildung und statistischen Test, ob der Sprechstil # (ob Labor-, Lese-, oder Spontansprache) einen Einfluss auf die Reaktionszeiten hat. stil = c(rep("labo", 10), rep("lese", 10), rep("spon", 10)) vpn = rep(paste("S", 1:10, sep=""), 3) rt = c(labo, lese, spon) rt.df = data.frame(rt, Stil = factor(stil), Vpn = factor(vpn)) ezANOVA(rt.df, .(rt), .(Vpn), .(Stil)) round(c(2, 18) * 0.6699608, 1) # Die Reaktionszeit wurde signifikant vom Sprachstil beeinflusst (F[1.3, 12.1] = 11.2, p < 0.01). # 7. Für diese Daten: dim(stefan) # erzeugen Sie eine Abbildung, OHNE einen statistischen Test durchzuführen, # mit der (F1) als Funktion der Dauer (Dur), getrennt für die zwei Sprechtempi (Tempo) # gezeigt wird (also eine Abbildung, die zwei Bilder enthält, eins für 'slow' und eins für 'fast'). # Schätzen Sie anhand der Abbildung ein, ob F1 von der Dauer vorhergesagt werden kann. xyplot(F1 ~ Dur | Tempo, auto.key=T, data = stefan) # Je größer die Dauer, umso höher F1, besonders in 'fast'. # 8. Für diese Daten: dim(form) # wurde der erste Formant (F1) von einem Schwa von verschiedenen Sprechern (Vpn) # in drei Kontexten erhoben (Kontext). Prüfen Sie durch eine Abbildung und statistischen Test, # ob F1 durch den Kontext beeinflusst wird. bwplot(F1 ~ Kontext, data = form) with(form, table(Vpn, Kontext)) kon.lmer = lmer(F1 ~ Kontext + (Kontext|Vpn), data = form) anova(kon.lmer) # hier geht step wieder: kon.step=step(kon.lmer) # F1 wurde signifikant vom Kontext beeinflusst (F[2,5.5] = 46.1, p < 0.001). ph.step(kon.step,"bonferroni") # t-value DF prob.adj #Kontext A - B -3.62 5.9 0.0345 #Kontext A - C -9.49 5.5 0.0003 #Kontext B - C -2.43 5.3 0.1716 # Hierbei zeigten sich, wie Bonferroni-korrigierte post-hoc t-Tests zeigten, # zwar signifikante Unterschiede zwischen den Kontexten A und B (p < 0.05) und # zwischen A und C (p < 0.001), nicht jedoch zwischen den Kontexten B und C.