Abschnitte:
Vorbereitung LST-Grundmodell Wachstumskurven Vorhersagen von Veränderung Autoregressive Modelle Vorbereitung Kontinuierliche vs. diskrete Zeit Kontinuierliche Zeit Zeit wird in “natürlichen” Einheiten (Millisekunden, Stunden, Tage, …) abgebildet Veränderung ist eine (stetige) Funktion der Zeit Eine funktionale Form wird vorgegeben (linear, quadratisch, logarithmisch) Aus der Funktion wird auf alle zeitlichen Abstände generalisiert Abstände zwischen Messungen können intra- und interindividuell variieren Diskrete Zeit Zeit wird in künstlichen Einheiten (meist Messzeitpunkten) angegeben Veränderung findet in Intervallen statt Die Form der Veränderung ist unbekannt Abstände zwischen Messungen müssen interindividuell identisch sein Datenbeispiel load(url('https://pandar.
Vorbereitung Datenbeispiel International College Survey (Diener, Kim-Pietro, Scollon, et al., 2001) Wohlbefinden in unterschiedlichen Ländern load(url('https://pandar.netlify.app/post/kultur.rda')) head(kultur)[, 1:8] # alle Zeilen und Spalten 1-8 für die ersten 6 Personen ## nation female auf_e kla_e lezu pa na bal ## 1 Turkey male 3.0 3.0 4.0 4.333333 4.250 0.08333333 ## 2 Turkey female 2.5 2.5 5.6 5.333333 7.375 -2.04166667 ## 3 Turkey female 3.0 3.0 4.0 5.666667 2.000 3.66666667 ## 4 Turkey female 3.
Vorbereitung Zunächst müssen wir das haven-Paket wieder aktivieren und einen Teil des Code aus dem letzten Tutorial wieder durchführen.
library(haven) setwd("~/Pfad/zu/Ordner") data <- read_sav(file = "fb22_mod.sav") data$geschl_faktor <- factor(data$geschl, # Ausgangsvariable levels = c(1, 2, 3), # Faktorstufen labels = c("weiblich", "männlich", "anderes")) # Label für Faktorstufen data$nr_ges <- rowMeans(data[,c("nr1", "nr2", "nr3", "nr4", "nr5", "nr6")]) data$prok <- rowMeans(data[,c("prok1", "prok4", "prok6", "prok9", "prok10")]) data$wohnen_faktor <- factor(data$wohnen, levels = c(1, 2, 3, 4), labels = c("WG", "bei Eltern", "alleine", "sonstiges")) lineare Modellierung Die Grundlage für die spätere hierarchische Ansetzung ist das lineares Modell ohne Hierarchie, dem wir uns demnach im Folgenden widmen werden.
Einordnung der Begriffe R und RStudio werden meist Synonym verwendet. Dabei gibt es eigentlich einen Unterschied. Während R eine Sprache ist, auf der also unsere ganze Syntax basieren wird, bietet RStudio eine benutzerfreundlichere Oberfläche. Weitere Infos zu den beiden Bestandteilen finden sich hier. Eine Beschreibung der Oberfläche kann man hier finden. Dort wird auch die Funktionalität der einzelnen Fenster beschrieben und die Wichtigkeit eines Skripts erläutert.
Überschriften und Kommentare Reiner Code als Skript ist aus mehreren Gründen nicht gut.