# 4. Fuer den Data-Frame
rating = read.table(file.path(pfadu, "r.m.txt"))
# Inwiefern wird Rating von der Grammatikalitaet (Gram) und Bekanntheit (Fam) beeinflusst?

# beide Faktoren sind within
with(rating, table(Vpn, interaction(Gram, Fam)))

# Bild
ggplot(rating) + 
  aes(y = Rating, x = Gram, col = Fam) + 
  geom_boxplot()

# 1. Gram: (High > Moderate)
# 2. Fam: Old > New aber eventuell nur in 'Moderate'
# 3. daher wahrscheinlich eine Interaktion, da der Abstand zwischen High
# und Moderate groesser ist fuer New

ezANOVA(rating, .(Rating), .(Vpn), .(Gram, Fam))
#Effect DFn DFd          F            p p<.05        ges
#2     Gram   1  25 241.352814 2.368171e-14     * 0.52778958
#3      Fam   1  25  13.504271 1.136189e-03     * 0.07594048
#4 Gram:Fam   1  25   8.850306 6.412278e-03     * 0.03578053

# Rating wurde signifikant von der Grammatikalitaet beeinflusst
# (F[1,25] = 241.4, p < 0.001), und von Fam (F[1, 25] = 13.5, p < 0.01) 
# und es gab eine signifikante Interaktion zwischen diesen Faktoren (F[1, 25] = 8.9, p < 0.001).
ph = phoc(rating, .(Rating), .(Vpn), .(Gram, Fam))
round(phsel(ph$res), 3)
round(phsel(ph$res, 2), 3)

#                             t   df prob-adj
#High:New-Moderate:New       10.844 25     0
#High:Old-Moderate:Old     13.090 25        0
#High:New-High:Old         -1.251 25    1.000
#Moderate:New-Moderate:Old -3.926 25    0.004

# Post-hoc Bonferroni t-tests zeigten signifikante Unterschiede 
# zwischen High und Moderate sowohl fuer New (p < 0.001) 
# als auch fuer Old (p < 0.001); 
# es gab auch signifikante Unterschiede zwichen New und Old fuer Moderate 
# (p < 0.01), jedoch nicht fuer High.


# 5. Diese Tabelle
# http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf/stable.pdf
# aus Sussman et al (1997) zeigt sogenannte Lokus-Steigungen fuer 5 Sprecher (M# bis M#5) und 5 Sprecherinnen (F#1 bis F#5). Die Lokus-Steigungen sind in der Spalte unter `k` und sie kommen vor in silbeninitialer, silbenmedialer, und silbenfinaler Position (daher 10 k-Eintraege  pro Position; 3 k-Eintrage pro Sprecher oder Sprecherin).Inwiefern wird `k` vom Geschlecht und/oder der Silbenposition beeinflusst?

# Data-Frame bauen
werteinit = c(.75, .74, .82, .75, .61, .71, .88, .78, .84, .77)
wertemed = c(.79, .81, .79, .68, .69, .74, .81, .77, .84, .73)
wertefin = c(.68, .74, .62, .52, .45, .26, .34, .49, .58, .24)
werte = c(werteinit, wertemed, wertefin)
posn = c(rep("i", 10), rep("m", 10), rep("f", 10))
g = c(rep("M", 5), rep("W", 5), rep("M", 5), rep("W", 5), rep("M", 5), rep("W", 5))
vpn = rep(c(paste("M", 1:5, sep=""), paste("F", 1:5, sep="")), 3)

lok.df = data.frame(werte, P = posn, G = g, Vpn = vpn)
head(lok.df); dim(lok.df)

with(lok.df, table(Vpn, interaction(P, G)))
# Position within, Geschlecht between

lok.df$P = factor(lok.df$P,levels=c("i","m","f"))

ggplot(lok.df) + 
  aes(y = werte, x = P, col = G) + 
  geom_boxplot()


# Position: 
ggplot(lok.df) + 
  aes(y = werte, x = P) + 
  geom_boxplot()
# kaum Unterschiede zwischen initial und medial;
# final ist tiefer als die anderen beiden
# Geschlecht: wahrscheinlich kaum Unterschiede, wie man hier sieht:
ggplot(lok.df) + 
  aes(y = werte, x = G) + 
  geom_boxplot()

ggplot(lok.df) + 
  aes(y = werte, x = G, col = P) + 
  geom_boxplot()
# es wird sicherlich eine Interaktion geben,
# da der Abstand final vs. initial/medial groesser
# ist fuer Frauen als fuer Maenner.

ezANOVA(lok.df, .(werte), .(Vpn), .(P), between = .(G))
# Hier muessen die Freiheitsgrade wegen Sphericity geaendert werden
# Greenhouse-Geisser korrigierte Freiheitsgrade fuer P
round (c(2, 16) * 0.6553049, 1)
# fuer G:P
round (c(2, 16) * 0.6553049, 1)

# Die Steigungen wurden signifikant von der Position 
# (F[1.3, 10.5] = 60.0, p < 0.001) jedoch nicht vom Geschlecht beeinflusst 
# und es gab eine signifikante Interaktion zwischen diesen
# Faktoren (F[1.3, 10.5] = 14.2, p < 0.001).

# Post-hoc tests
p = phoc(lok.df, .(werte), .(Vpn), .(P,G))
round(phsel(p$res), 3)
#            t df prob-adj
#i:M-m:M -0.616  4    1.000
#i:M-f:M  3.099  4    0.544
#i:W-m:W  1.050  4    1.000
#i:W-f:W  7.012  4    0.033
#m:M-f:M  5.207  4    0.097
#m:W-f:W  7.669  4    0.023

round(phsel(p$res, 2), 3)
#           t    df prob-adj
#i:M-i:W -1.375 7.829    1.000
#m:M-m:W -0.751 7.436    1.000
#f:M-f:W  2.602 7.609    0.493

# Post-hoc tests zeigten einen signifikanten Einfluss
# zwischen initialen und finalen Steigungen in Frauen (p < 0.05) 
# und zwischen medialen und finalen Steigungen in Frauen (p < 0.05).
# Die Position hatte keinen signifikanten Einfluss auf die
# Steigungen fuer Maenner.
# Die Tests bestaetigten, dass die Steigungen
# nicht vom Geschlecht beeinflusst wurden.