# pfadu = "http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf" library(ggplot2) library(dplyr) library(ez) library(lmerTest) library(emmeans) source(file.path(pfadu, "phoc.txt")) source(file.path(pfadu, "sig.fn.R")) proben <- function(unten = 1, oben = 6, k = 10, N = 50) { # default: wir werfen 10 Wuerfel 50 Mal alle <- NULL for (j in 1:N) { ergebnis = mean(sample(unten:oben, k, replace = T)) alle = c(alle, ergebnis) } alle } #Dann die benoetigten data.frames: alvr = read.table(file.path(pfadu, "alvrk.txt")) a.df = read.table(file.path(pfadu, "aufnahme.df.txt")) formAB = read.table(file.path(pfadu,"formAB.txt")) dbwort.df = read.table(file.path(pfadu,"dbwort.df.txt")) ######################################################################################################## # Ende des Headers ##################################################################################### ######################################################################################################## # 1. In diesen Daten head(alvr) # werden Vokalstimuli, deren F2 (Faktor Stimulus) zwischen 803 und 1436 Hz schwankt, # entweder als /Y/ oder /I/ wahrgenommen (Faktor Urteil). # Inwiefern beeinflusst die F2-Variation in den Stimuli das Urteil? # Bei welchem Hz-Wert kippt die Wahrnehmung von /I/ zu /Y/? alvr$P = alvr$Urteil == levels(alvr$Urteil)[2] alvr$Q = !(alvr$P) alvr.m = alvr %>% group_by(Stimulus) %>% summarise(P = sum(P), Q = sum(Q)) alvr.m = alvr.m %>% mutate(p = P / (P + Q)) alvr.glm = glm(Urteil ~ Stimulus, family = "binomial", data = alvr) anova(alvr.glm, test = "Chisq") # Die Variation entlang des Kontinuums beeinflusste die Wahrnehmung signifikant # (X^2[1,108] = 124.0, p < 0.001) k = coef(alvr.glm)[1] m = coef(alvr.glm)[2] umkipp = -k / m plot(p ~ Stimulus, data = alvr.m) sig(k, m, add = T) abline(v = umkipp, h = 0.5, lty = "dashed") umkipp # Die Wahrnehmung kippt von einer Kategorie zur Anderen bei 992,4 Hz. #2. Diese Daten head(a.df) # zeigen Reaktionszeiten von 12 Versuchspersonen (Vpn) auf unterschiedliche # Woerter (Faktor Wort); die Versuchspersonengruppen waren # entweder Kinder, Jugendliche, oder Erwachsene (Faktor Gruppe), und haben den Test # einmal unter ruhigen Studio-Bedingungen, einmal unter Laerm durchgefuehrt (Faktor Ort). # Inwiefern haben der Ort und die Gruppenzugehoerigkeit die Reaktionszeiten beeinflusst? ggplot(a.df) + aes(y = rt, x = Gruppe) + geom_boxplot() + facet_wrap( ~ Ort) with(a.df, table(Gruppe, Vpn)) with(a.df, table(Ort, Vpn)) with(a.df, table(Gruppe, Wort)) with(a.df, table(Ort, Wort)) a.df.step = step(lmer(rt ~ Gruppe * Ort + (Ort | Vpn) + (Gruppe | Wort), data = a.df)) a.df.step anova(get_model(a.df.step)) # Gruppe hatte einen Einfluss auf die rt-Werte (F[2,9] = 7.33, p < 0.05), und # der Aufnahmeort auch (F[1,10] = 31.0, p < 0.001); es gab allerdings keine Interaktion # zwischen Gruppe und Aufnahmeort. a.df.ph = pairs(emmeans(get_model(a.df.step), ~ Gruppe)) phsel(a.df.ph, 1) # Post-hoc durchgefuehrte Tukey-korrigierte Tests zeigten, # dass sich Kinder sowohl von Erwachsenen (p < 0.05) als auch von # Jugendlichen (p < 0.05) unterschieden; Erwachsene und Jugendliche # unterschieden sich hingegen nicht voneinander. # 3. In dem data.frame formAB # sind Daten dreier Wiederholungen (Faktor Wdh) von Aeusserungen, # die von 6 Sprechern gemacht wurden. # Beantworten Sie durch eine Abbildung und einen statistischen Test folgende Frage: # Inwiefern haengt in diesen Aeusserungen F1 vom Kontext ab? ggplot(formAB) + aes(y = F1, x = Kontext) + geom_boxplot() with(formAB,table(Wdh,Vpn)) with(formAB,table(Kontext,Vpn)) formAB.m = formAB%>% group_by(Vpn,Kontext)%>% summarise(F1 = mean(F1)) # zuerst mitteln (da es mehrere Wiederholungen gibt) ggplot(formAB.m) + aes(y = F1, x = Kontext) + geom_boxplot() # dann die Differenz bilden: formAB.diff = formAB.m%>% group_by(Vpn)%>% summarise(F1 = diff(F1)) shapiro.test(formAB.diff$F1) #Ok! boxplot(formAB.diff$F1) # trotz eines Ausreissers nicht sig. unterschiedlich von einer Normalverteilung!! t.test(formAB.diff$F1) # T1 veraendert sich in Abhaengigkeit vom Kontext # (t[5] =3.3, p < 0.05) # auch moeglich: ezANOVA(formAB.m, .(F1),.(Vpn),.(Kontext)) # gleiche Antwort, aber Angabenaenderung: (F[1,5] = 10.9, p < 0.05) # 4. Diese Daten dbwort.df # enthaelt db-Werte, die in verschiedenen Woertern (Wort), # produziert von mehreren Versuchspersonen, gemessen wurden. # a) Inwiefern beeinflussten Vokale (V) und das Geschlecht (G) der Sprecher # die db-Werte? Beantworten Sie diese Frage mit einer Abbildung und einem statistischen Test! # b) Laesst sich Ihr Befund auf alle 6 Woerter verallgemeinern? # Erstellen Sie zur Beantwortung dieser Frage eine neue Abbildung # und eine andere statistische Analyse! #a) ggplot(dbwort.df) + aes(y = db, x=G,col=V) + geom_boxplot() with(dbwort.df,table(Vpn,V)) with(dbwort.df,table(Vpn,G)) with(dbwort.df,table(Wort,V)) with(dbwort.df,table(Wort,G)) dbwort.lmer = lmer(db~V*G + (V|Vpn) + (V+G|Wort),data = dbwort.df) dbwort.step = step(dbwort.lmer) anova(get_model(dbwort.step)) # Sowohl V (F[1,8] = 29.8, p < 0.001) als auch G (F[1,8] = 11.1, p < 0.05) # hatten sig. Einfluesse auf die db-Werte, # und es gab eine sig. Interaktion zwischen V und G (F[1,8] = 7.5, p < 0.05). db.ph = pairs(emmeans(get_model(dbwort.step),~V:G)) phsel(db.ph,1) phsel(db.ph,2) # a und i unterschieden sich bei den Maennern (p < 0.01), nicht aber bei Frauen, # Sig. Unterschiede zwischen Maennern und Frauen gab es zwar bei /a/ (p < ), # nicht jedoch bei /i/. # b) Laesst sich Ihr Befund auf alle 6 Woerter verallgemeinern? ggplot(dbwort.df) + aes(y = db, x=G,col=V) + geom_boxplot() + facet_wrap(~Wort) ezANOVA(dbwort.df,.(db),.(Vpn),.(V,Wort),between = .(G)) #N.B.: Greenhouse-Geiser-Korrektur bei "Wort" wäre: 0.5759614*40 0.5759614*5 # "Ja, der Befund laesst sich verallgemeinern, gab es doch keine einzige # Interaktion, an der Wort beteiligt war." # Damit ist die Frage eigentlich schon beantwortet, und wir muessen nichts mehr tun. # # ################Fuer ganz Fleissige (ohne Extrapunkte): ################################################## # Stattdessen zeigte eine ANOVA # sig. Effekte von G (F[1,8] = 11.1, p < 0.05), von V(F[1,8] = 29.8, p < 0.001), # von Wort (F[4.67,37.37] = 1195.5, p < 0.001), und eine Interaktion zwischen # G und V (F[1,8] = 7.5, p < 0.05). # N.B. Dies sind die gleichen F-Werte fuer G, V, und der G:V-Interaktion wie im Mixed Model! # da bei MMs Schätzmethoden angewendet werden, können trotzdem die p-Werte LEICHT abweichen; # hier sind aber (da jeweils sowohl bei MMs und ANOVA von den Freiheitsgraden [1,8] ausgegangen wird) # bei G und bei V und bei der V:G-Interaktion auch die p-Werte bei MM und ANOVA identisch # (von Rundungsfehlern abgesehen) #im Vergleich nochmal: ezANOVA(dbwort.df,.(db),.(Vpn),.(V,Wort),between = .(G))$ANOVA #2 G 1 8 11.1428292 1.026028e-02 * 0.5403048577 #3 V 1 8 29.8298201 6.003429e-04 * 0.3444898938 #4 G:V 1 8 7.5290588 2.529576e-02 * 0.1171099445 anova(get_model(dbwort.step)) # V 126.660 126.660 1 8 29.8298 0.0006003 *** # G 47.313 47.313 1 8 11.1428 0.0102603 * # V:G 31.969 31.969 1 8 7.5291 0.0252958 * #Vorsicht: In diesem Fall ist das so, weil wir MMs und ANOVA # ueber die gleichen Daten rechnen. Meistens müssen wir # fuer ANOVA mitteln (und reduzieren damit die Datenmenge, und damit auch die Zufallsvariation) # wo wir sonst ein MM rechnen würden; vergleichen wir die Ergebnisse zwischen MM und ANOVA, # ist in den meisten Fällen nicht damit zu rechnen, dass die F-Werte etc. identisch sind, # da wir zumeist die MMs über den groesseren Datensatz rechnen, und die ANOVA über gemittelte Daten. # Mitteln war hier nicht noetig, da es in der ANOVA einen zusaetzlichen Fixed Factor gab. # Daher hier ausnahmsweise identische F-Werte bei MM und ANOVA fuer die beiden Modellen gemeinsamen # Fixed Factors G, V, und G:V-Interaktion. # Will man nun post-hoc-Tests nur ueber V:G-Paarungen rechnen, # muesste man ueber die Woerter mitteln: dbwort.m = dbwort.df%>% group_by(Vpn,V,G)%>% summarise(db = mean(db)) ezANOVA(dbwort.m,.(db),.(Vpn),.(V),between = .(G)) ph = phoc(dbwort.m,.(db),.(Vpn),.(V,G)) phsel(ph$res,1) phsel(ph$res,2) # a und i unterschieden sich bei den Maennern (p < 0.05), nicht aber bei Frauen, # Sig. Unterschiede zwischen Maennern und Frauen gab es zwar bei /a/ (p < 0.05), # nicht jedoch bei /i/.