nw = read.table(file.path(pfadu, "Nicole_grafik.txt"), header=T)
# Daten von Nicole Weidinger. 
# Inwiefern wird representation (BPO vs IO)
# vom Alter beeinflusst?

nw = read.table(file.path(pfad, "Nicole_grafik.txt"), header=T)
# convert to long-format. Separate BPO, IO
temp = nw$representation == "BPO"
nw.b = nw[temp,]
nw.o = nw[!temp,]
# check they are in the correct order
all(with(nw.b, interaction(vpn, age)) == with(nw.o, interaction(vpn, age)))

# then proceed with long-format conversion
vpn.b = with(nw.b, rep(as.character(vpn), freq))
age.b = with(nw.b, rep(as.character(age), freq))
darst.b = rep("BPO", sum(nw.b$freq))

vpn.o = with(nw.o, rep(as.character(vpn), freq))
age.o = with(nw.o, rep(as.character(age), freq))
darst.o = with(nw.o, rep("IO", sum(freq)))

vpn = c(vpn.b, vpn.o)
age = c(age.b, age.o)
darst = c(darst.b, darst.o)

# So hätte der Data-Frame aussehen sollen
d.df = data.frame(D = factor(darst), Age = factor(age), Vpn = factor(vpn))

# Bild malen
tab = with(d.df, table(Age, D))
prop = prop.table(tab, 1)
barchart(prop, auto.key=T, horizontal=F)
# BPO ist häufiger als IO für 5-jährige

# Statistik dazu
o = lmer(D ~ Age + (1|Vpn), family = binomial, data = d.df)
# Hat Alter einen Einfluss auf BPO/IO Proportionen?
o2 = update(o, ~ . -Age)
anova(o, o2)
# Alter hat einen Einfluss auf die BPO/IO Verteilung
# X^2[1] = 30.7, p < 0.001