Ein Bild sagt mehr als tausend Zahlen! Mit einer guten Grafik lassen sich viele Informationen übersichtlich darstellen, Sachverhalten schnell erkennen und auch an Laien komplizierte Datenlagen verständlich kommunizieren. Dabei ist eine gute Visualisierung nicht einfach: komplexe Inhalte müssen klar, präzise und effizient dargestellt werden und sollen idealerweise auch noch hübsch aussehen. ggplot ist die R-Antwort auf diese Probleme und kann um diverse Aspekte - z.B. Animationen mit gganimate - erweitert werden!

Den Foliensatz zum Workshop gibt es hier.

Git kann der Versionskontrolle dienen. In Kombination mit einem Cloud-Service wie beispielsweise GitHub kann die Kollaboration an Coding-Projekten vereinfacht werden. Für erhöhte Anwendungsfreundlichkeit wurde bspw. SmartGit entwickelt. In den nächsten Wochen werden hier verschiedene Einführungen in diese Programme veröffentlicht.

This is a guide, specifically designed for students, to help with your handling of R - especially when working with your own data. Here you will find detailed examples for working with R, data aggregation, descriptive and inferential statistics and much more.

A student’s guide to independence in R

In dem Modul Grundlagen der Diagnostik (PsyBSc8) lernt ihr im Praktikum ein psychologisches Testverfahren zu erstellen und empirisch zu überprüfen. In diesem Zusammenhang führen viele von euch wahrscheinlich das erste Mal eine Itemanalyse und eine Exploratorische Faktorenanalyse durch. Hier könnt ihr noch einmal in aller Ruhe nachlesen, was euch im Praktikum schon einmal vorgeführt wurde.

Hier findet sich das (vorläufige) Material zum mini-R-Workshop für die Abt. Kinder- und Jugendlichenpsychotherapie.

Die hier präsentierten Unterlagen sind während des Forschungsmoduls A&O (SoSe 2020 und WiSe 2020/21) entstanden. Es kann als ergänzende Ressource behandelt werden, in der die Meta-Analyse in einem anderen Bereich der Psychologie (neben der klinischen) angewendet wird.

Haben Sie es satt in Ihren Analysen immer nur in die letzte Spalte (auf den p-Wert) zu gucken und wollen endlich erfahren, wie Sie auch dann Ergebnisse Ihrer Untersuchung interpretieren können, wenn absolut nichts raus kommt oder die Stichprobe viel zu klein ist? Für genau solche Fälle bieten wir hier eine kurze Einführung in Bayesianische Statistik. Auch diejenigen, die daran interessiert sind, auch in ihren Auswertung tatsächlich kumulativen Erkenntnisfortschritt zu praktizieren oder klassisches Nullhypothesen-Testen aus ethischen Gründen ablehnen, sind herzlich willkommen!