Posts mit dem Label R werden angezeigt. Alle Posts anzeigen
Posts mit dem Label R werden angezeigt. Alle Posts anzeigen

Montag, 30. April 2012

Speichern von Daten mit R

Um Daten in einer Text-Datei auf dem PC zu speichern, verwendet man den Befehl write.table. In diesem Beispiel wird eine Textdatei erzeugt, wobei die einzelnen Spalten durch Tabs getrennt sind:

write.table(DatenN3, "C:/Documents and Settings/My Documents/data/data.txt",quote=FALSE, sep = "\t")

Durch quote=FALSE wird verhindert, dass alle Texte in Anfürhungszeichen gesetzt werden

Durch sep = "\t" wird das Trennzeichen festgelegt, wobei \t für Tabulator steht.

Das Einlesen der Daten erfolgt dann mit:

Daten <- read.delim2("C:/Documents and Settings/data/data.txt")

(siehe auch: Einlesen von Daten in R)


Dienstag, 24. April 2012

Zufallsstichproben mit R

Konnte man keine echte Zufallsstichprobe ziehen, kann es sinnvoll sein, über das Quotenverfahren eine Stichprobe herzustellen, die in wesentlichen Merkmalen (z.B. Alter, Geschlecht oder Arbeitslosenquote) der Grundgesamtheit gleicht. Dieses Vorgehen wird auch Sampling genannt.

Um mit R zufällig bestimmte Fälle aus einer Stichprobe auszuwählen, wird folgender Befehl eingesetzt:

mydata.sub <- mydata[sample(100, 10), ]
 
Aus den Zeilen (Fällen) des Datensatzes mydata werden 10 von 100 Fällen zufällig gezogen.


Beispiel: In einer Stichprobe befinden sich zu viele weibliche Teilnehmer. Durch Sampling soll ein repräsentatives Geschlechtsverhältnis erreicht werden.

Vorgehen

Zunächst wird ein Datensatz gebildet, der alle männlichen Teilnehmer enthält

DatenM <- Daten[which(Daten$Sex=="männlich"),]

Und ein Datensatz, der alle weiblichen Teilnehmer umfasst.

DatenF <- Daten[which(Daten$Sex=="weiblich"),]

Aus dem Datensatz mit den weiblichen Teilnehmern werden durch Sampling so viele Fälle gezogen, bis das Verhältnis mit dem Merkmal in der Grundgesamtheit übereinstimmt.

DatenFS <- DatenF[sample(3134, 2466), ]

Die beiden Datensätze werden mit rbind wieder zusammengeführt.

DatenN <- rbind(DatenM,DatenFS)

Das Geschlechtsverhältnis wird kontrolliert.

table(DatenN$Sex)
table(DatenN$Sex)/length(DatenN$Sex)*100


Weiterführende Links


Dienstag, 30. August 2011

Mittelwertvergleiche mit R (boxplot, t-Test, ANOVA)

Ein einfacher Mittelwertvergleich beginnt mit einem Boxplot:

boxplot(Daten$IQ ~ Daten$Geschlecht)

Das Ergebnis ist eine Grafik, die sich leicht in anderen Anwendungen wiederverwenden oder speichern lässt:

Boxplot: IQ über Geschlecht und Missings
boxplot(Daten$IQ ~ Daten$Geschlecht, col="red")

zaubert rote Farbe in die Grafik.

t-Test

Für den t-Test gibt es den einfachen Befehl t.test(y~x), wobei y ein numerischer Wert (z.B. IQ) ist und x die Gruppenzugehörigkeit binär codiert.

Effektstärke berechnen (Cohens d)

Um auch die Effektstäre zu berechnen, benötigt man das Paket lsr

install.packages(„lsr“)

library(lsr)

cohensD(Daten$IQ ~ Daten$Geschlecht)


Für die Effektgröße gilt:

.20 ~ kleiner Effekt

.50 ~ mittlerer Effekt

.80 ~ großer Effekt

Mehr über t-Tests mit R:


Einfaktorielle Varianzanalyse

Eine einfache Varianzanalyse rechnet sich mit

Ergebnis<-aov(Daten$IQ ~ Daten$Geschlecht)
summary(Ergebnis)
plot(Ergebnis)
coefficients(Ergebnis) 

Mit dem Levene Test aus dem Modell car kann die Varianzhomogenität als Voraussetzung der Varinazanalyse überprüft werden (der Levene Test sollte nicht signifikant sein):

library(car)
leveneTest(Varianzanalyse)

Mit eta_sq aus dem Paket sjstats lässt sich zusätzlich die Varianzaufklärung R² berechnen ("between  group sum-of-squares" geteilt durch "total sum-of-squares".)

library(sjstats)
eta_sq(Varianzanalyse)

Wichtig: Vor dem Rechnen der Varianzanalyse müssen fehlende Werte (Missings) entsprechend gesetzt worden sein (siehe dazu Umgang mit fehlenden Werten in R in diesem Blog).

Korrelationen mit R

Korrelationen lassen sich sehr einfach mit der Funktion cor.test() des Zusatzpaketes psych berechnen. Die Funktion hat gegenüber der R-Standardfunktion cor( ) den Vorteil, dass sie nicht nur die Korrelationen berechnet, sondern auch auch das Signifikanzniveau. In diesem Beispiel werden die Korrelationen der Variablen 70 bis 75 im Datensatz "Daten" berechnet.

library(psych)
corr.test(Daten[c(70:75)])

Standardmäßig berechnet cor.test Pearson-Korrelationen und schließt fehlende Werte paarweise aus. Mehr dazu in der Dokumentation des Zusatzpaketes psych...


Montag, 27. Juni 2011

Wichtige R-Befehle

Bedienung allgemein

Befehl Beispiel Erklärung
help(xyz) help(summary) Zeigt die Online-Hilfe zu einem R-Befehl an
ls() ls() Alle Objekte (Datensätze) im Workspace anzeigen
options(digits=xyz) options(digits=2) Legt fest, dass Ausgaben auf zwei Nachkommastellen gekürzt werden. Funktioniert nicht für alle Berechnungen
history() history() Zeigt die letzten ausgeführten R-Befehle an
rm(list = ls(all = TRUE)) Löscht alle Inhalte des Workspaces

Daten einlesen und kontrollieren





Befehl Beispiel Erklärung
meineDaten <- read.delim2(Dateipfad) Experiment1Daten <- read.delim2("C:/Dokumente und Einstellungen/All Users/Dokumente/data-experiment1.txt") Liest Daten aus Textdatei ein, die durch Tabulator-Zeichen getrennt sind
meineDaten$Variable Experiment1Daten$Geschlecht Alle Werte einer Variablen am Bildschirm ausgeben
meineDaten[3] Experiment1Daten[3] Alle Werte der dritten Spalte ausgeben
meineDaten[3:5] Experiment1Daten[3:5] Alle Werte der dritten bis fünften Spalte ausgeben



Daten bearbeiten und verändern



Befehl Beispiel Erklärung
meineDaten$neueVar <- meineDaten$Var1 + meineDaten$Var2 + meineDaten$Var3 IQDaten$ZF <- IQDaten$folgen1 + IQDaten$folgen2 + IQDaten$folgen3 Neue Variable bilden als Summe bestehender Variablen



Einfache Statistiken

Befehl Beispiel Erklärung
summary(meineDaten) summary(Daten$Alter) Berechnet Minimum, Maximum, Median und Mittelwert

Freitag, 17. Juni 2011

Deskriptive Statistiken mit R

Auch hier gibt es wieder mehrere Wege. Im Standardumfang enthalten ist insbesondere der Befehl

summary(Daten$Alter): Gibt Minimum, Maximum, Median und Mittelwert aus

Möchte man diese deskriptiven Statistiken nach Gruppen berechnen, eignet sich der Befehl

tapply(Daten$N,Daten$Geschlecht,summary)

Hier werden einfache deskriptive Statistiken für die abhängige Variable Neurotizismus (N) gruppiert nach Geschlecht berechnet.



Für die gewohnten SPSS-Angaben lädt man am besten wieder das Zusatzpaket "psych" Mit

library(psych)
describe(Daten$Alter)

erhält man alle von SPSS gewohnten Statistiken, wie Mittelwert, Standardabweichung, Min, Max, Schiefe und Anzahl der Fälle. Sollen die Statistiken pro Gruppe berechnet werden, lautet der Befehl:

library(psych)
describe.by(Daten$Alter, Daten$Geschlecht)

Siehe auch in diesem Blog
Mehr im Internet

    Mittwoch, 15. Juni 2011

    R installieren

    Das Statistikprogramm R kann von einer regionalen Mirror-Seiten heruntergeladen werden. Die regionalen Mirror-Seiten findet man über die R Projekt-Homepage http://www.r-project.org/ .

    Eine deutsche Mirror-Seite ist z.B. http://cran.uni-muenster.de/. Dort findet man "Binaries" for Windows, also das compilierte R-Programm für Windows. Nach dem Download (ca. 40 MB) und Speichern der ausführbaren Datei (z.B. R-2.13.0-win.exe) auf dem eigenen PC führt man diese einfach aus (wie weit der Download fortgeschritten ist, sieht man bei Firefox erst, wenn man unter Extras > Downloads wählt).

    Nach der erfolgreichen Installation findet sich ein R-Icon auf dem Desktop. Nach dem Start meldet sich R mit der Console und wartet auf Eingaben.

    Die R-Konsole nach dem Start

    R: Grundlegende Konzepte

    Wer bisher mit SPSS gearbeitet hat, muss vor dem Umgang mit R nur wenige neue Konzepte lernen:

    Objekte: Tabellen, Datensätze, Matrizen werden in R als Objekte bezeichnet. Mit dem Befehl ls() können alle existierenden Objekte angezeigt werden

    Workspace: Die Gesamtheit aller geladenen oder angelegten Objekte wird als Workspace bezeichnet. Um den Workspace zu löschen, wird der Remove-Befehl verwendet:

    rm(list = ls(all = TRUE))

    Dataframe: So wird eine typische SPSS-Tabelle bezeichnet mit Fällen in den Zeilen und Variablen in den Spalten.

    Ausgabe: Die Ausgabe der Ergebnisse erfolgt normalerweise am Bildschirm nach der Eingabe des R-Befehls.
     

    Packages: Mit Hilfe von Packages kann der Funktionsumfang von R fast beliebig erweitert werden. Ein wichtiges Package ist das Erweiterungspaket “Psych”. Es enthält Funktionen, wie sie von Psychologen häufig gebraucht werden, z.B, zur Berechnung von Cronbachs Alpha oder zur Durchführung einer Faktorenanalyse. 

    CRAN: Alle R-Packages können direkt von CRAN (The Comprehensive R Archive Network; http://cran.r-project.org/) installiert werden. 

    R-Einführung und Download

    "R" ist ein kostenloses Statistikprogramm, das von Robert Gentleman and Ross Ihak an der University of Auckland entwickelt wurde. Heute ist "R" ein Gemeinschaftsprojekt mit der Homepage http://www.r-project.org/. Hier kann auch die aktuelle Version von R heruntergeladen werden.

    Viele Psychologen und Sozialwissenschaftler haben SPSS im Studium kennengelernt. Leider ist die SPSS-Lizenz alles andere als günstig, und Zusatzfunktionen müssen extra lizensiert werden. R ist komplett kostenlos und es gibt zahlreiche Erweiterungsmodule (Packages), die ebenfalls kostenlos installiert werden können. Beeindruckend ist zudem die Geschwindigkeit von R - selbst bei komplexen Berechnungen.

    Anders als SPSS verfügt R jedoch nicht über eine komfortable Menü-Führung, sondern wird über die R-Programmiersprache gesteuert. Wer jedoch schon mal mit der SPSS-Syntax gearbeitet hat, wird sich auch schnell in die R-Programmiersprache einarbeiten.

    In diesem Blog wird gezeigt, wie es geht.