27
Statistik 2 (Subject) / R (Lesson)
shortcutz und co
This lesson was created by makem.
This lesson is not released for learning.
Advertisement
- Einzelne Spalte aus einem Datensatz ziehen und in eine extra Variable speichern Alter <- StudProg_Daten$Age_FB_Angabe Alter ist die Variable
- Spalte aus einem Datensatz ziehen Alter1 <- StudProg_Daten[ ,2] [ ] ermöglicht Zugriff auf einzelne Zeilen und Spalten [Zeilennummer,Spaltennummer]
- 50. Zeile und 3. Spalte aus einem Datensatz ziehen StudProg_Daten[50,3] StudProg_Daten ist der Name des Datensatzes
- Zeile 10-15 und Spalte 3-6 aus einem Datensatz herausziehen StudProg_Daten[10:15,3:6]
- Mittelwert einer abgespeicherten Variable berechnen mean(Alter) auch auf Spalten anwendbar: mean(StudProg_Daten$Age_FB_Angabe)
- Sd einer abgespeicherten Variable berechnen sd(Alter)
- Variablen benennen – ... sollten nicht zu lange sein. – beginnen mit einem Buchstaben (können aber sonst aus Buchstaben und Zahlen bestehen). – enthalten keine Sonderzeichen außer _ [Unterstrich], .[Punkt], @ und #. – enthalten keine Leerzeichen. – Groß- und Kleinschreibung ist für die meisten Programme nicht relevant, dennoch ist eine einheitliche Schreibweise sinnvoll – stehen in der ersten Zeile unmittelbar über dem Datensatz (kein Umbruch)
- Kodierung fehlender Variablen NA
- help Funktionen help.start() um online Hilfe in Form von Anleitungen zu erhalten • help(Funktionsname) oder ?(Funktionsname) um Hilfe zu einer spezifischen Funktion, einem spezifischen Befehl zu erhalten, den man nicht gut kennt oder wo Fehler auftreten • ?help.search für mehr online Hilfe und Definitionen von Befehlen/Funktionen • ??Funktionsname bietet auch Hilfe für einzelne Befehle
- Gleich-Kurzbefehle == ist gleich != ist ungleich > ist größer >= ist größer gleich < ist kleiner <= ist kleiner gleich
- Advertisement
- Grundrechenarten-Shortcuts + Plus - Minus * Mal / Geteilt ^ Potenz sqrt Wurzel
- wichtige Shortcuts mean() Mittelwert sd() Standardabweichung var() Varianz sum() Summe min() kleinster Wert max() größter Wert round( , digits = 2) rundet den Wert auf 2 Nachkommastellen ------------------------------------------------> Befehle gelten für ab Typ Vektor…
- Möchte man sich anschauen, wie viele und welche Objekte man innerhalb des Skripts schon zugewiesen hat, kann man die folgende Funktion verwenden ls () zum Löschen der zuvor gemachten Angaben, verwendet man: rm()
- Zuweisungsoperator <- zB: x <- 3+4
- Datentypen in R - numeric (Zahlenl) - factor (z.B. Geschlecht oder Beruf) - logical für logische Werte (und- oder Verknüpfungen z.B.) - character für Zeichen - mit z.B. is.character kann man erfragen, ob eine Variable einen bestimmten Datentyp entspricht - Mit as.charachter kann man einen Variablentyp ändern - Auch eine Variable kann in einem bestimmten Datentyp abgespeichert werden
- unterschiedliche Formen zur Abspeicherung einer Variablen - vector Einem Vektor, hier dürfen nur Elemente vom gleichen Typ stehen, z.B. nur numeric oder nur factor - list Elemente in einer Liste können unterschiedliche Datentypen haben z.B. numeric und factor - matrix Zusammenschluss aus mehreren z.B. Vektoren - data.frame normale Tabelle - Für manche Berechnungen braucht man einen ganzen bestimmten Datentyp in R, dann kann man die Datentypen wenn nötig ineinander transformieren
- Packages 1. library() um zu schauen, welche Pakete auf R schon installiert sind 2. search() welche Pakete schon geladen sind 3. install.packages(“Paketname“) Paket installieren, wenn man Name weiß 4. library(Paketname) um das schon installierte Paket in R zu laden
- Löschen einer Spalte Uebung_Test$X <- NULL
- Löschen mehrerer Spalten oder Zeilen Uebung_Test <- Uebung_Test[ ,-5] (Spalte 5 wird gelöscht) Uebung_Test <- Uebung_Test[ -15,] (Zeile 15 wird gelöscht)
- Zeile 1,4,10 sollen gelöscht werden Uebung_Test <- Uebung_Test[ -c(1,4,10),] um die Veränderung zu sehen muss in dem Environment der Datensatz erneut angeklickt werden lässt man das - vor dem c weg würde man so auf die Zeilen und Spalten zugreifen
- mehrere Spalten löschen Uebung_Test <- Uebung_Test[ ,-c(5:6)]
- F-Test H0: Die Varianzen sind gleich HA: Die Varianzen sind nicht gleich leveneTest(dietstudy$gewicht0, dietstudy$Geschlecht) # zuerst kommt die av (Gewicht), dann die UV # Pr(>F) gibt den p emp an, ist dieser > 0,5 wird H0 beibehalten
- Paket installieren # install packages oben muss repository stehen, paketnamen eingeben, install # danach noch häckchen an dem paket in der liste setzen
- Faktorvariable vor f- & t-test umändern gender muss weiblich/männlich sein und nicht 0/1 um t-test rechnen zu können dietstudy$Geschlecht <- as.factor(dietstudy$Geschlecht) ##zusätzlich müssen noch die sogenannten Stufen des Faktors angegeben werden (immer mit der Ebene anfangen, die den niedrigeren Zahlenwert hat) levels(dietstudy$Geschlecht) = c('male', 'female')
- t-test für abhängige Stichproben einseitig paired=TRUE -> ja ich habe abhängige Stichproben t.test(dietstudy$gewicht0, dietstudy$gewicht4, alternative=c("greater"), paired=TRUE) erst AV dann UV alternative "greater" steht für einseitig
- T-test für unabhängige Stichproben, beidseitig t.test(StudProg_Daten$Stat.I ~ StudProg_Daten$gender, var.equal=TRUE, alternative=c("two.sided"), paired=FALSE) ### Auch hier ist p-Value entscheident: p<0.05 -> p emp > p krit -> nicht signifikant, da wir immer wollen das p kleiner ist!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! ## ein kleiner mean ist besser als ein großer -> die frauen sind in statistik 1 besser
- Korrelation zweier Variablen berechnen Paket Hmisc installieren rcorr(StudProg_Daten$Stat.I, StudProg_Daten$Stat.II) # ab .30 spricht man von mittlerem positiven Zusammenhang -> Wert x/y ist r der Korrelationskoeffizient -> 0.42 -> mittleres positives Ergebnis # p emp < p krit -> HA wird angenommen, Ergebnis ist signifikant