Tipps

Als Tipp zur Reskalierung, können Sie sich Folgendes überlegen: wenn sie 1:3 in R eingeben so erhalten Sie:

1:3

## [1] 1 2 3

also einen Vektor von 1 bis 3. Dies kann als die Ausprägungen eines 3-stufigen Likert-Items angesehen werden. Sie können nun diese Skala “umdrehen”, indem Sie mit -1 multiplizieren:

-1*(1:3)

## [1] -1 -2 -3

Nun sind allerdings nur noch negative Ausprägungen möglich. Wir können diese “umgedrehte” Skala wieder in die ursprüngliche transformieren, indem wir 4 addieren:

-1*(1:3) + 4

## [1] 3 2 1

Sie sehen, dass sich dadurch die Skala umdrehen lässt:

cbind(1:3, -1*(1:3) + 4)

##      [,1] [,2]
## [1,]    1    3
## [2,]    2    2
## [3,]    3    1

Wenden Sie dieses Wissen auf die jeweiligen Skalen an, die reskaliert werden müssen.

Weitere Tipps zum Auswählen von Variablen aus einem Datensatz und zum Verarbeiten der Daten sind, dass Sie aus einem Datensatz via [, c("NameV1", "NameV2")] einen Subdatensatz ziehen können (hier nur die Variablen mit den Namen NameV1 und NameV2). Bspw. können Sie den Schulleistungen-Datensatz herunterbrechen und nur noch die Matheleistung und die Leseleistung betrachten, indem Sie Folgendes tippen (wir nennen den resultierenden Datensatz mal Schulleistungen_short):

Schulleistungen_short <- Schulleistungen[, c("math", "reading")]
head(Schulleistungen_short)

##       math  reading
## 1 451.9832 449.5884
## 2 589.6540 544.8495
## 3 509.3267 331.3466
## 4 560.4300 531.5384
## 5 659.4524 604.3759
## 6 602.8577 308.7457

Außerdem lassen sich Skalenwerte als Mittel über die Items mit rowMeans bestimmen.

Als Beispiel hier eine (denn es gibt viele verschiedene!) Lösung zur Berechnung der Nerd-Skala sowie der Extraversion:

NerdData$Nerdiness <- rowMeans(NerdData[,1:26])
NerdData$Extraversion <- rowMeans(cbind(NerdData$TIPI1, -1*NerdData$TIPI6+8))

cbind bindet die beiden Vektoren (erstes und zweites Item der Extraversion, wobei das zweite rekodiert wurde) zu einer 2-Spaltenmatrix, auf welche anschließend rowMeans angewandt werden kann, um die Skalenwerte pro Person zu erhalten. Anschließend können Sie dann die entsprechenden wichtigen Skalen in einen neuen Datensatz schreiben (hier besteht dieser biespielhaft aus der Nerdiness und der Extraversion):

NerdData_relevant <- NerdData[, c("Nerdiness", "Extraversion")]

Zusatz-Sitzung: PCA

Bis zum 25.11.2020 konnten Studierende des Masterkurses zu folgenden Weihnachtssongs einschätzen, wie gut diese Ihnen gefallen sowie Auskunft darüber geben, welche Aspekte der Weihnachtszeit ihnen besonders am Herzen liegen:

Wir wollen untersuchen, ob es in diesen Daten Regelmäßigkeiten gibt.

Sie können den Datensatz “Xmas.rda” hier herunterladen und diesen anschließend mit load laden (bspw. auf dem Desktop von Frau “Musterfrau”).

load("C:/Users/Musterfrau/Desktop/Xmas.rda")

Genauso können Sie die Daten direkt von der Website laden:

load(url("https://pandar.netlify.app/post/Xmas.rda"))

Zusatz-Sitzung: MANOVA

Wir wollen uns Mittelwertsunterschiede der Big-5 eines entsprechenden Fragebogens ansehen. Der Originaldatensatz ist ein Onlinedatensatz, wird seit 2012 erfasst und ist auf openpsychometrics.org als .zip downloadbar. Bisher haben über 19700 Proband*innen aus der ganzen Welt teilgenommen. Zu jeder der fünf Facetten gibt es 10 Fragen. Der Fragebogen ist hier einzusehen und durchführbar. Im Datensatz Big5.rda befindet sich eine gekürzte Version des Fragebogen. Der Itemwortlaut der Persönlichkeitseigenschaften ist:

Hierbei steht E für Extraversion, N für Neurotizismus, A für Agreeableness (Verträglichkeit), C für Conscientiousness (Gewissenhaftigkeit) und O für Offenheit für Erfahrung. Sie müssen zur Vorbereitung auf die Übungen Items invertieren (inverse Items sind mit “*” gekennzeichnet) und jeweils Skalenmittelwerte (z.B. geschickt mit colMeans) für jede Persönlichkeitsfacette bestimmen (wir nehmen hier der Einfachheit halber an, dass die Items \(\tau\)-äquivalent sind und somit gleiche wahre Anteile der dahinterliegenden latenten Variable messen - dazu mehr im nächsten Semester - in kurz: Sie dürfen einfach Items mitteln, um Skalenwerte zu erhalten).

Sie können den gekürzten Datensatz “Big5.rda” hier herunterladen und diesen anschließend mit load laden (bspw. auf dem Desktop von Frau “Musterfrau”).

load("C:/Users/Musterfrau/Desktop/Big5.rda")

Genauso können Sie die Daten direkt von der Website laden:

load(url("https://pandar.netlify.app/post/Big5.rda"))

Außerdem können Sie den Datensatz selbst wie folgt kürzen. Dazu müssen Sie nur das .zip-File herunterladen und das Working Directory entsprechend legen, sodass Sie die Daten einlesen können. Wir verwenden nur Daten aus Deutschland, Frankreich und den Vereinigten Arabischen Emiraten.

data_full <- read.table("BIG5/data.csv", header = T, sep = "\t") # nach entpacken des .zip liegen die Daten in einem Ordner namens Big5

### Entferne leere Zeilen und Zeilen mit Missings aus dem Datensatz
ind <- apply(data_full, 1, FUN = function(x) any(is.na(x))) # erzeuge eine Variable, welche TRUE ist, wenn mindestens ein Eintrag pro Zeile fehlt und ansonsten FALSE anzeigt
data_full <- data_full[!ind, ] # Wähle nur diejenigen Zeilen, in denen unsere Indikatorvariable "ind" NICHT TRUE anzeigt, also wo alle Einträge vorhanden sind
# !ind (Ausrufezeichen vor ind) negiert die Einträge in ind (Prüfe bspw. !FALSE == TRUE, nicht false ist gleich true)

### Shorten Data Set
Big5 <- data_full[data_full$country %in% c("DE", "FR", "AE") , ]
# Verwende nur Daten aus den Ländern: Deutschland (DE), Frankreich (FR) und den Vereinigten Arabischen Emiraten (AE)
Big5 <- Big5[Big5$gender %in% c(1,2),] # verwende nur ausgefüllte Fälle
Big5$gender <- as.factor(Big5$gender)
Big5$country <- as.factor(Big5$country)
Big5 <- data.frame(Big5) # Schreibe Datensatz als data.frame
save(list = c("Big5"), file = "Big5.rda")
# Speichere gekürzten Datensatz in .rda file (dem R-internen Datenformat)
## --> Das ist auch der Datensatz, den wir weiter verwendet haben!

Das Geschlecht hat nach der Datensatzkürzung nur zwei Ausprägungen: 1 = Männern und 2 = Frauen.