R installieren

Die offizielle Webseite von R lautet r-project.org, dort können Sie die aktuellste Version von R herunterladen und auf ihrem Computer installieren.

Erforderliche Pakete installieren

Wenn Sie diese Webseite zum ersten Mal besuchen oder R neu installiert haben, können Sie mit folgendem Befehl alle benötigten Packages installieren:

install.packages(c("ade4", "afex", "binom", "ca", "candisc", "car", "cluster", "coin", "crank", "DAAG", "emmeans", "EMT", "foreign", "FactoMineR", "factoextra", "fpc", "ggplot2", "gridExtra", "haven","heplots", "klaR", "lavaan", "leaps", "lsr", "MASS", "modeest", "mvoutlier", "nnet", "plotrix", "plyr", "PMCMR", "ppcor", "pROC", "psych", "pwr", "readxl", "rms", "smacof","xlsx"), repos = "https://stat.ethz.ch/CRAN/")


Ausgewähltes Verfahren ausführen

Jedes Verfahren können Sie für einen Beispieldatensatz laufen lassen. Anhand des Beispiels lässt sich die vorausgesetzte Datenstruktur überprüfen und im Zweifelsfall besser nachvollziehen, welche Variablennamen Ihres Datensatzes wo einzusetzen sind. Der Output des Beispiels zeigt Ihnen, was Sie an Auswertungen erwarten können.

Vorgehen mit eigenen Daten:

  1. Nötige Pakete mit dem library()-Befehl laden
  2. Datensatz laden und Variablennamen spezifizieren
    • Hier müssen Sie jeweils das R-Skript an Ihre Daten anpassen.
  3. R Skript für Verfahren ausführen
    • In diesem Block muss der Benutzer nichts anpassen.
  4. Output (gelb)
  5. Je nach Verfahren sind am Ende der Seite Links zu passenden Grafiken oder Tabellen aufgeführt

Beispiel: t-Test für unabhängige Stichproben

Naviagtion auf der Webseite
Startseite -> Signifikanztests -> Unterschiedshypothesen -> t-Test für unabhängige Stichproben

Schritt 1 und 2: Pakete laden, Beispieldatensatz laden und Variablen spezifizieren

In Schritt 1, müssen Sie das Paket pwr laden. Falls eine Fehlermeldung erscheint, haben Sie das Paket möglicherweise noch nicht installiert. Sie können mit dem oben beschriebenen Befehl gleich alle Pakete installieren oder über install.packages("pwr") das pwr-Paket installieren. Um die Funktionen des Pakets verwenden zu können, muss es nach der Installation über library(pwr) geladen werden.

Dann können Sie Ihren eigenen Datensatz einlesen und überprüfen, ob dieser die selbe Struktur wie der Datensatz im Beispiel hat. Dafür können Sie auch den Beispieldatensatz bei Ihnen in der R-Konsole laden und betrachten. Normalerweise liegt der Datensatz in wide-Format vor, d.h. für jede Versuchsperson gibt es nur eine Zeile. Bei Messwiederholung kommen gelegentlich auch Datensätze im long-Format vor, dies ist aber immer beim entsprechenden Verfahren beschrieben.

Wenn Sie Ihren Datensatz eingelesen haben, müssen Sie die rot markierten Variablennamen anpassen. Im vorliegenden Beispiel sind dies die Namen des Faktors und der abhängigen Variablen AV. Im Skript stehen oftmals hinter einem Doppelkreuz # (auch Raute, hash) Hinweise oder Kommentare zu den Befehlen. R verarbeitet alles was hinter einem # steht nicht.

Erforderliche Pakete laden

library(pwr)   # Poweranalyse

Datensatz einlesen und Variablen spezifizieren

# Datensatz einlesen
Methode <- c(rep(c("Methode A", "Methode B"), c(10,10))) 
Lernerfolg <- c(15,45,16,41,7,48,46,37,40,35,5,36,18,25,10,40,43,30,35,29)
data <- data.frame(Methode, Lernerfolg)

# Variablen spezifizieren
Faktor <- "Methode"   # Name des Faktors eingeben 
AV <- "Lernerfolg"    # Name der abhängigen Variable eingeben


Schritt 3 und 4: R-Skript ausführen und Output (gelb)
Diesen Teil des Skripts können Sie unverändert in Ihrer R Konsole ausführen. Deskriptive Statistik, Signifikanztest, Effektstärke und Teststärke

data2 <- na.omit(data[, c(AV, Faktor), drop=FALSE])
# Deskriptive Statistik
Kennwerte <- function(x) c(n=length(x), mean=mean(x), sd = sd(x), se=sd(x)/sqrt(length(x)))
Formel <- as.formula(paste(".~", paste(Faktor, collapse="+")))
deskriptive.statistik <- aggregate(Formel, data2[,c(Faktor, AV)], Kennwerte)

# Signifikanztest
model <- as.formula(paste(AV,"~",Faktor))
# var.equal=FALSE liefert auch bei ungleichen Varianzen ein brauchbares Ergebnis
test <- t.test(model, data=data2, var.equal=FALSE) 

# Effektstärke d
N1 <- table(data2[,Faktor])[1]; N2 <- table(data2[,Faktor])[2]
d <- abs(test$statistic*sqrt(1/N1+1/N2))

# Teststärke (Power)

# Zweiseitige Hypothese: alternative="two.sided"; alternative="greater" für Stufe 1 > Stufe 2; alternative="less" für Stufe 1 < Stufe 2:.
library(pwr)
power <- pwr.t2n.test(n1=N1, n2=N2, d=d, sig.level=0.05, alternative="greater")

list("Deskriptive Statistik" = deskriptive.statistik, Signifikanztest=test, Effektstärke=paste("Effektstärke d =", round(as.numeric(d),3)), Power = power) 
## $`Deskriptive Statistik`
##     Methode Lernerfolg.n Lernerfolg.mean Lernerfolg.sd Lernerfolg.se
## 1 Methode A    10.000000       33.000000     14.757296      4.666667
## 2 Methode B    10.000000       27.100000     12.653063      4.001250
## 
## $Signifikanztest
## 
##  Welch Two Sample t-test
## 
## data:  Lernerfolg by Methode
## t = 0.95979, df = 17.59, p-value = 0.3502
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -7.036339 18.836339
## sample estimates:
## mean in group Methode A mean in group Methode B 
##                    33.0                    27.1 
## 
## 
## $Effektstärke
## [1] "Effektstärke d = 0.429"
## 
## $Power
## 
##      t test power calculation 
## 
##              n1 = 10
##              n2 = 10
##               d = 0.4292313
##       sig.level = 0.05
##           power = 0.2354632
##     alternative = greater