# pfadu = "http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf" nm = "Vorname_Name" # Dann die benoetigten data.frames: ai = read.table(file.path(pfadu, "aiclean.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")) pfric.df = read.table(file.path(pfadu, "pfric.df.txt")) form = read.table(file.path(pfadu, "formAB.txt")) ####################################################################################################### # 1. Pruefen Sie durch eine Abbildung und statistischen Test, # ob F1 aus der Kieferposition vorhergesagt werden kann. # Was waere die Vorhersage fuer F1 fuer eine Kieferposition von -25? dim(ai) plot(F1 ~ Kiefer, data = ai) ai.lm = lm(F1 ~ Kiefer, data = ai) abline(ai.lm) summary(ai.lm) # Ja, F1 haengt von der Kieferposition sig. ab. # (R^2=0.51, F[1,19]=19.7,p<0.001) plot(resid(ai.lm)) #Ok shapiro.test(resid(ai.lm)) #Ok acf(resid(ai.lm)) #OK predict(ai.lm, data.frame(Kiefer = -25)) #oder coef(ai.lm) # braucht man fuer x*m+k, wobei x = -25 (-25 * coef(ai.lm)[2] + coef(ai.lm)[1]) # Die Vorhersage fuer die Kieferposition -25 ist 785. ####################################################################################################### # 2 Fuer dim(amdat) # pruefen 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$V) amdat$P = amdat$V == "i" amdat$Q = !(amdat$P) amdat.m = amdat %>% group_by(amp) %>% summarise(P = sum(P), Q = sum(Q)) amdat.m = amdat.m %>% mutate(p = P / (P + Q)) plot(p ~ amp, data = amdat.m) amp.glm = glm(V ~ amp, family = "binomial", data = amdat) anova(amp.glm, test = "Chisq") #kleiner HINWEIS: es gibt eine Funktion binomial(), daher geht auch folgende Syntax ohne Anführungszeichen: amp.glm_oA1 = glm(V ~ amp, family = binomial, data = amdat) anova(amp.glm_oA1, test = "Chisq") # auch ohne "family = " moeglich: amp.glm_oA2 = glm(V ~ amp, binomial, data = amdat) anova(amp.glm_oA2, test = "Chisq") #Egal, weiter im Text: k = coef(amp.glm)[1] m = coef(amp.glm)[2] sig(k, m, add = TRUE) u = -k / m abline(v = u, h=0.5,lty="dashed") # Vokalkategorie wurde sig. von amp beeinflusst # (X^2[1] = 4.1,p<0.05). # Der Umkipppunkt liegt bei 49.4 ####################################################################################################### # 3 # Wenn ich 6 Lose aus einem Hut mit den Zahlen 1 bis 49 ziehe, # a) wie hoch ist dann die Wahrscheinlichkeit, dass der Mittelwert ueber 30 liegt? # b) fuehren Sie den obigen Vorgang (6 Lose aus einem Hut mit den Zahlen 1 bis 49 zu ziehen # und daraus je einen Mittelwert zu bilden) # 100 Mal mit der proben()-Funktion durch; erstellen Sie ein Histogramm, # dass die Wahrscheinlichkeitsdichte ihrer 100 Versuche abbildet. # Ueberlagern Sie die Normalverteilungsfunktion! (Sie sollen NICHT den Bereich ueber # x = 30 markieren!) #a) mu = mean(1:49) SE = sd(1:49) * sqrt(48 / 49) / sqrt(6) 1 - pnorm(30, mu, SE) #Antwort: 19.3% #b) o = proben(1, 49, 6, 100) hist(o, freq = F) curve(dnorm(x, mu, SE), add = T) ####################################################################################################### ####################################################################################################### # 4. Fuer diese Daten: dim(ga) # wurde fuer 20 verschiedene Sprecher (Vpn) der zweite Formant (F2) # in zwei Vokalen (Faktor V) (einem gespannten /i/ und einem ungespannten /I/) # und in zwei Dialekten (Faktor Dialekt: A (Oesterreich) vs. D (Dtl.)) erhoben. # Pruefen Sie durch eine Abbildung und statistischen Test, # ob F2 vom Vokal und/oder vom Dialekt beeinflusst wird. ggplot(ga) + aes(y = F2, x = V) + geom_boxplot() + facet_wrap( ~ Dialekt) with(ga, table(Vpn, V)) with(ga, table(Vpn, Dialekt)) ga.lmer = lmer(F2 ~ V * Dialekt + (V | Vpn), data = ga) ga.step = step(ga.lmer) anova(get_model(ga.step)) ga.ph = pairs(emmeans(get_model(ga.step), ~ V:Dialekt)) phsel(ga.ph, 1) phsel(ga.ph, 2) # Es gab sig. Haupteffekte fuer Dialekt (F[1,18]=41.9,p<0.001) und V # F[1,18]=28.9,p<0.001), und eine sig. Interaktion (F[1,18]=15.7,p<0.001)). # Tukey-korrigierte post-hoc-Tests ergaben sig. Unterschiede nur fuer i und I # bei Sprechern des Dialektes D (p<0.001), und A- und D-Sprecher unterscheiden # sich in ihren Is (p< 0.001). # Es wäre auch gegangen: # Mitteln: ga.m = ga %>% group_by(Vpn, V, Dialekt) %>% summarise(F2 = mean(F2)) with(ga.m, table(Vpn, V)) with(ga.m, table(Vpn, Dialekt)) ezANOVA(ga.m, .(F2), .(Vpn), .(V), between = .(Dialekt)) ga.ph = phoc(ga.m, .(F2), .(Vpn), .(V, Dialekt)) ga.ph phsel(ga.ph$res, 1) phsel(ga.ph$res, 2) # Dann wäre die Antwort wie folgt # (man sieht, sie ist (fast) identisch mit der lmer()-Antwort; # einziger Unterschied ist, dass durch die "konservativere" # Bonferroni-Korrekturmethode das p bei i:D-I:D hier # "nur" noch p < 0.01, und nicht mehr < 0.001 ist): # Es gab sig. Haupteffekte fuer Dialekt (F[1,18]=41.9,p<0.001) und V # F[1,18]=28.9,p<0.001), und eine sig. Interaktion (F[1,18]=15.7,p<0.001)). # Bonferroni-korrigierte post-hoc t-Tests ergaben sig. Unterschiede nur fuer # i und I bei Sprechern des Dialektes D (p<0.01), # und A- und D-Sprecher unterscheiden sich in ihren Is # (p< 0.001). ####################################################################################################### # 5. Pruefen Sie fuer diese Daten mit einer Abbildung und einem statistischen Test: dim(kj) # inwiefern die Wahl des Frikatives (Faktor fric) als 's' oder 'S' # von der Emphase (Faktor emphatic) beeinflusst wird. ggplot(kj) + aes(fill = fric, x = emphatic) + geom_bar(position = "fill") kj.glm = glm(fric ~ emphatic, family = "binomial", data = kj) anova(kj.glm, test = "Chisq") # fric wurde von emphatic sig. beeinflusst # (X^2[1,238]=20.1,p<0.001). ####################################################################################################### # 6. # 10 Sprecher produzierten /a/-Vokale mit # 1. Knarrstimme, # 2. in einer gefluesterten und # 3. in einer modalen Stimme. # Die dB-Werte sind wie folgt: # Knarrstimme: 10 Werte, ein Wert pro Sprecher knarr = c(49.5, 37.5, 51.8, 38.0, 41.6, 50.2, 50.7, 42.0, 48.6, 35.0) # Gefluesterte Stimme: 10 Werte, ein Wert pro Sprecher gefl = c(32.2, 27.3, 43.2, 14.0, 28.5, 26.6, 35.6, 31.1, 38.8, 36.7) # Modale Stimme: 10 Werte, ein Wert pro Sprecher modal = c(43.0, 44.8, 45.1, 46.1, 46.6, 52.9, 47.1, 46.8, 52.5, 37.2) # Pruefen Sie fuer diese Daten mit # a.) einer Abbildung und # b.) einem statistischen Test, # inwiefern die dB-Werte von der Stimmqualitaet # (knarr vs. gefluestert vs. modal) beeinflusst werden. # Fuehren Sie KEINE paarweisen Vergleiche fuer Stimmqualitaet durch! dB = c(knarr, gefl, modal) Vpn = factor(rep(1:10, 3)) SQ = factor(rep(c("knarr", "gefluestert", "modal"), each = 10)) Stimme = data.frame(dB, Vpn, SQ) ggplot(Stimme) + aes(y = dB, x = SQ) + geom_boxplot() ezANOVA(Stimme, .(dB), .(Vpn), .(SQ)) #Freiheitsgrade korrigieren und den p[GG]-Wert berichten # (acu wenn sich p<0.001 hier nicht von p[GG]<0.001 unterscheidet): 2 * 0.7196355 18 * 0.7196355 # Stimmqualitaet beeinflusste die dB Werte signifikant # F[1.4,13.0]=21.8,p[GG]<0.001 # Das hier war ausdruecklich NICHT (!!!) gefordert # (Fuehren Sie KEINE paarweisen Vergleiche fuer Stimmqualitaet durch!) # (hier funktioniert's, ohne dass man vorher mitteln muesste): phoc(Stimme, .(dB), .(Vpn), .(SQ)) # "gefluestert unterscheidet sich jeweils von den beiden anderen # (jeweils p < 0.01) # TROTZDEM, WIR BLEIBEN DABEI: phoc() NUR DANN ANWENDEN, wenn ezANOVA() eine INTERAKTION anzeigt. ####################################################################################################### # 7. Fuer diese Daten: dim(pfric.df) head(pfric.df) # Erzeugen Sie - OHNE einen statistischen Test durchzufuehren - folgende Abbildung: # - k2 in Abhaengigkeit von k3 # - ein Panel pro Vokalstufe (Spalte "V": 'a', 'o', 'e') # - farblich getrennt nach Konsonant (Spalte "K") 'C', 's', und 'S' (mit Legende, die die # farbliche Kodierung der Konsonanten aufschluesselt) ggplot(pfric.df) + aes(y = k2, x = k3, col = K) + geom_point() + facet_wrap( ~ V)