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"   # Names des Faktors eingeben 
AV <- "Lernerfolg"    # Name der abhängigen Variable eingeben

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

Grafiken