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.
Pakete laden # Benötigte Pakete --> Installieren, falls nicht schon vorhanden library(lme4) # Für die Mehrebenen-Regression library(dplyr) # Komfort-Funktionen für die Datentransformationen library(ICC) # Für die einfache Berechung von ICCs library(ggplot2) # Für Grafiken library(interactions) # Zur Veranschaulichung von Moderator-Effekten Einleitung und Datenbeispiel Daten in der klinisch-psychologischen Forschung haben häufig eine sogenannte hierarchische Struktur oder Mehrebenen-Struktur, in der Beobachtungen auf einer ersten Ebene in Beobachtungseinheiten auf einer übergeordneten Ebene gruppiert sind.