Übung

Syntax wie bei Mann-Whytney-Test +: wilcox.test(x,y,paired=T) Ziel: Überprüfung ob sich die Mediane zweier verbundender Stichproben signifikant Unterscheiden > Verbunden Stichproben, zumindes Ordinalskaliert, keine Normalverteilung von nöten

Überprüfung ob sich die Vraianzen zweir Stichproben signifikant unterscheiden . Voraussetzung: Kardinalskaliert, Normalverteilt var.test(x,y,ratio=1,conf.level=0.95)

Var1/Var2

apply(x, 1|2(1=alle Reihen, 2= alle Spalten), sum|mean|Funktionen) bezieht sich immer auf den gesamten Ausschnitt, entweder Reihen1 oder Spalten2

%*%

Erfasst die gemeinsame Variabilität von x und y 1/n [Summe] (xi-xquer)(yi-yquer)

Ist die Kovarianz von x und y skaliert auf einen Wertebereich von-1 bis 1 >> dimensionslos

enspricht Pearson-Korrelationskoeffizient angewand auf nach größe gereihte Variablen Vorsicht bei Bindungen (ties) dann keine lineare Funktion möglich

Korrelation ist nicht Kausalität Probleme: Scheinkorrelation aufgrund ähnlich gerichtetem Trend 1 > absolute Übereinstimmung 0-0.2 sehr schwache 0,2-0,4 schwache, 0,4-0,6 mittlere, 0,6-0,8 starke, 0,8-1 sehr starke

1.f(x) ist eine lineare Funktion von x mit f(x)=beta+beta1*x 2. Y besteht aus f(x)(linearen Funktion) und einem Fehler Y=beta0+beta1*x+f 3. Die Fehler f sind unabhängig und normalverteilt mit Mittelwert 0 und Varianz (konstant)

Residual vs Fitted>> Sind Residuen unabhängig? >> je geradliniger desto unabhängiger Normal qq >> Sind Residuen normalverteilt ? >>Normalverteilung bei Übereinstimmung mit Linie Scale-Location>> Ist die Varianz der Residuen konstant? >>geradliniger konstanter (Homoskedastizität, Heteroskedastizität) Residuel vs Leverage>> Sind Ausreißer vorhanden wenn ja welcher Art und stärke Einfluss >> Innerhalb der CooksDistance vertretbar, je weiter entfernt desto einflussreicher, influence.measures(lm)

R²= (Var(ydachl)/(Var(y))

Untersuchung für jeden Punkt, die Auswirkungen auf verschiede Modellparameter wenn man diesen Punkt weglässt.

Untersuchung von Abhängigkeiten

any(v)

Ordinatenabstand und Steigung

Größere stärker gewichtet

Interval [= confidence]

Root mean square error

X-Wert 4/n Y-Wert 2, -2

Verfahren zur Untersuchung der Wirkung einer oder mehrere unabhängige Variablen auf eine oder mehrere abhängige Variablen  >> geht wie Regression von gerichtetem Zusammenhang aus >> die erklärende Variable darf Nominalskaliert sein !

Faktoren einzelnen Ausprägungen dieser sind Faktorenstufen

Test ob sich Faktoren (unabhängige Variablen) einzeln oder in kombination voneinander unterscheiden Vergleicht Mittelwerte anhand der Varianzen

>abhängige Variable wird durch einen Faktor erklärt >> Frage: bestizt der erklärende Faktor einen Signifikanten Niveauunterschied (Mittelwert) in den verschiedenen Faktorstufen (Gruppen) >>> dafür folgender Vergleich: Varianz innerhalb der Gruppe                                                    Varianz zwischen den Gruppen >>>> F-Test

→ Ist die Varianz zwischen den Gruppen relativ groß im Vergleich zu derVarianz innerhalb der Gruppen so spricht das dafür dass die Mittelwerteder Gruppen unterschiedlich sind

Normalverteilung Homogenität der Varianzen (bartlett.test) >> unabhängigkeit der Fehler Von Vorteil >> Balanced Data .. gleiche Gruppengrößen!

bartlett.test(x,g) >> p-Wert fligner.test leveneTest

Homogenität der Varianzen

Varianzanalyse

☐ es gibt keinen signifikanten Unterschied bei den Mittelwerten der Gruppen

aov()