84 Baustelle
Letzte Änderung am 22. October 2025 um 16:30:20
VorsichtStand des Kapitels: Konstruktion (seit 07.2025)
Dieses Kapitel wird in den nächsten Wochen geschrieben. Ich plane zum Beginn des WiSe 2025/26 eine neue Version des Kapitels erstellt zu haben. Während das Kapitel entsteht, funktioniert so manches dann nicht so wie es soll.
VorsichtDieses Kapitel ist archiviert
Ich benötige die Thematik aktuell nicht in meiner Lehre oder der statistischen Beratung. Mir ist es als Nachschlagewerk aber immer noch wichtig zu behalten. Archivierte Kapitel werden nicht von mir weiter gepflegt oder ergänzt. Auftretende Fehler werden aber natürlich beseitigt, wenn die Fehler mir auffallen oder gemeldet werden.
rnorm(): Erzeugt Zufallszahlen aus einer Normalverteilung.runif(): Erzeugt Zufallszahlen aus einer Gleichverteilung.rbinom(): Generiert Zufallszahlen aus einer Binomialverteilung.rpois(): Erzeugt Zufallszahlen aus einer Poisson-Verteilung.rgamma(): Generiert Zufallszahlen aus einer Gamma-Verteilung.rexp(): Erzeugt Zufallszahlen aus einer Exponentialverteilung.rt(): Generiert Zufallszahlen aus einer Student’s t-Verteilung.rchisq(): Erzeugt Zufallszahlen aus einer Chi-Quadrat-Verteilung.rbeta(): Erzeugt Zufallszahlen aus einer Beta-Verteilung.rf(): Erzeugt Zufallszahlen aus einer F-Verteilung.rlogis(): Erzeugt Zufallszahlen aus einer logistischen Verteilung.rweibull(): Erzeugt Zufallszahlen aus einer Weibull-Verteilung.
84.1 Genutzte R Pakete
Wir wollen folgende R Pakete in diesem Kapitel nutzen.
R Code [zeigen / verbergen]
pacman::p_load(tidyverse, gtsummary, marginaleffects, emmeans, scales,
ggpmisc, readxl, conflicted)
conflicts_prefer(dplyr::mutate)
conflicts_prefer(dplyr::summarize)
conflicts_prefer(dplyr::filter)
conflicts_prefer(ggplot2::annotate)
cb_pal <- c("#000000", "#E69F00", "#56B4E9",
"#009E73", "#F0E442", "#F5C710",
"#0072B2", "#D55E00", "#CC79A7")
##
nice_number <- label_number(style_negative = "minus", accuracy = 0.01)
nice_p <- label_pvalue(prefix = c("p < ", "p = ", "p > "))
find_intercept <- function(x1, y1, slope) {
intercept <- slope * (-x1) + y1
return(intercept)
}An der Seite des Kapitels findest du den Link Quellcode anzeigen, über den du Zugang zum gesamten R-Code dieses Kapitels erhältst.
84.2 Daten
R Code [zeigen / verbergen]
flea_model_tbl <- read_excel("data/fleas_model_data.xlsx") |>
mutate(feeding = as_factor(feeding),
stage = as_factor(stage),
bonitur = as.numeric(bonitur),
infected = factor(infected, labels = c("healthy", "infected"))) |>
select(feeding, stage, jump_length, weight, hatched, count_leg, bonitur, infected)84.3 Prädiktion
R Code [zeigen / verbergen]
simple_2_tbl <- flea_model_tbl |>
filter(stage == "adult")
simple_2_fit <- lm(jump_length ~ weight*feeding, simple_2_tbl)
coef(simple_2_fit) (Intercept) weight feedingblood
43.21968178 2.11178610 29.67377681
feedingketchup weight:feedingblood weight:feedingketchup
43.24721935 -0.03097599 -1.65129790 R Code [zeigen / verbergen]
simple_2_fit |> broom::augment()# A tibble: 24 × 9
jump_length weight feeding .fitted .resid .hat .sigma .cooksd .std.resid
<dbl> <dbl> <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 77.2 16.4 sugar_wat… 77.9 -0.695 0.128 25.0 2.30e-5 -0.0306
2 56.2 12.6 sugar_wat… 69.9 -13.6 0.350 24.7 4.34e-2 -0.695
3 73.4 15.6 sugar_wat… 76.1 -2.68 0.147 25.0 4.11e-4 -0.119
4 85.2 24.4 sugar_wat… 94.7 -9.56 0.797 24.5 5.01e-1 -0.874
5 79.3 16.4 sugar_wat… 78.0 1.32 0.128 25.0 8.28e-5 0.0582
6 77.3 14.8 sugar_wat… 74.5 2.87 0.180 25.0 6.21e-4 0.130
7 90.2 17.0 sugar_wat… 79.2 11.0 0.125 24.8 5.57e-3 0.484
8 93.0 18.2 sugar_wat… 81.6 11.4 0.144 24.8 7.19e-3 0.506
9 150. 11.1 blood 96.1 54.3 0.139 20.6 1.56e-1 2.41
10 94.4 9.77 blood 93.2 1.15 0.169 25.0 9.08e-5 0.0518
# ℹ 14 more rowsR Code [zeigen / verbergen]
predictions(simple_2_fit)
Estimate Std. Error z Pr(>|z|) S 2.5 % 97.5 %
77.9 8.70 8.96 <0.001 61.4 60.8 94.9
69.9 14.37 4.86 <0.001 19.7 41.7 98.0
76.1 9.33 8.16 <0.001 51.4 57.8 94.4
94.7 21.70 4.37 <0.001 16.3 52.2 137.2
78.0 8.69 8.98 <0.001 61.6 60.9 95.0
74.5 10.31 7.23 <0.001 40.9 54.3 94.7
79.2 8.59 9.21 <0.001 64.8 62.3 96.0
81.6 9.22 8.85 <0.001 60.0 63.6 99.7
96.1 9.06 10.61 <0.001 84.9 78.3 113.8
93.2 9.98 9.34 <0.001 66.5 73.7 112.8
99.4 8.59 11.56 <0.001 100.3 82.5 116.2
126.4 22.64 5.58 <0.001 25.3 82.1 170.8
98.2 8.67 11.33 <0.001 96.5 81.3 115.2
86.3 13.58 6.35 <0.001 32.2 59.7 112.9
101.0 8.65 11.68 <0.001 102.3 84.1 118.0
97.1 8.84 10.99 <0.001 90.9 79.8 114.4
90.1 12.68 7.11 <0.001 39.6 65.2 114.9
90.8 10.59 8.57 <0.001 56.4 70.0 111.5
96.3 20.50 4.70 <0.001 18.5 56.1 136.4
92.7 8.91 10.40 <0.001 81.8 75.2 110.1
93.0 9.34 9.95 <0.001 75.1 74.7 111.3
92.6 8.81 10.51 <0.001 83.5 75.3 109.8
91.9 8.70 10.56 <0.001 84.2 74.8 108.9
90.0 12.95 6.95 <0.001 38.0 64.6 115.4
Type: responseR Code [zeigen / verbergen]
predictions(simple_2_fit, by = "feeding")
feeding Estimate Std. Error z Pr(>|z|) S 2.5 % 97.5 %
sugar_water 79.0 8.59 9.19 <0.001 64.5 62.1 95.8
blood 99.7 8.59 11.61 <0.001 101.1 82.9 116.5
ketchup 92.1 8.59 10.73 <0.001 86.8 75.3 109.0
Type: responseR Code [zeigen / verbergen]
tibble(weight = simple_2_tbl$weight,
jump_length = simple_2_tbl$jump_length,
feeding = simple_2_tbl$feeding,
estimate = predictions(simple_2_fit)$estimate) |>
ggplot(aes(weight, estimate, shape = feeding)) +
geom_point(aes(weight, jump_length), color = "blue") +
geom_point(color = "red") +
geom_line(aes(y = predict(simple_2_fit))) +
geom_hline(yintercept = avg_predictions(simple_2_fit, by = "feeding")$estimate)
84.4 Weitere R Pakete
84.5 Analyse von Zeitreihen
Hier nochmal {mgcv} und {gamm4}
Introduction to Generalized Additive Mixed Models
s() und Interaktion mit s(x_1, by = f_1)
84.6 Links
- Mixed
- Mixed II
- Marginal and conditional effects for GLMMs with {marginaleffects} | Andrew Heiss – Andrew Heiss
- R Paket
{gapminder} - Gapminder
- Lists are my secret weapon for reporting stats with knitr - Higher Order Functions
- Visualizing {dplyr}’s mutate(), summarize(), group_by(), and ungroup() with animations | Andrew Heiss – Andrew Heiss