Letzte Änderung am 31. July 2025 um 20:21:25

“The average teacher explains complexity; the gifted teacher reveals simplicity.” — Robert Breault

Wir brauchen immer mal wieder etwas komplexere Daten und deshalb habe ich die Datensätze, die häufiger vorkommen, hier einmal gebündelt. Die komplexeren Datensätze werden dann in den Kapiteln zur Regressionsanalyse und Modellierung genutzt. Dafür brauchen wir dann größere Datensätze an denen wir dann auch was erkennen können.

7.1 Von der Olympiade der Tiere

Abbildung 7.1— Bei der Olympiade der Tiere geht es auch draum, wie hoch ein Tier springen kann. Moment, warum schaffen alle Tiere irgendwie immer die gleiche Höhe? Hat da nicht das Körpergewicht einen Einfluss?

Wir beschäftigen uns ja zu Beginn mit den Sprungweiten von verschiedenen Floharten. Hier habe ich dann nochmal einen anderen Datensatz mitgebracht. In meinem kleinen Datensatz zur Olympiade der Tiere habe ich die wissenschaftliche Arbeit von Yang et al. (2014) als Grundlage genommen. Wir haben hier das Körpergewicht und die durchschnittliche Dauer des Urinierens vorliegen. Diese Liste habe ich dann einmal erweitert. Ich habe dann noch die Sprungweiten und Sprunghöhen der Tiere ergänzt, soweit es mit möglich war die entsprechenden Informationen zu finden.

R Code [zeigen / verbergen] 
olymp_tbl <- read_excel("data/animal_olympics.xlsx")

In der folgenden Tabelle findest du dann einmal einen Auszug aus den Daten. Ich habe hier einige Leerstellen, da ich nicht zu allen Tierarten die entsprechenden Informationen vorliegen habe. Dann müssen wir eben mit Leerstellen leben.

Tabelle 7.1— Auszug aus dem Daten zu der Olympiade der Tiere.
animal sex mass duration jump_height jump_length
Bat F 0.03 0.32
Bison M 907 20 180 214
Cat F 5 18 150 183
Chihuahua M 3 4 40 76.2
Cow 510 21 150
Dog M 71 24 150 121
… … … … … …
Rhino M 2200 17
Squirrel 19 5 150 243
Tapir F 318 9
Tapir M 318 59
White horse F 470 10
Zebra M 430 8 80

Die Daten beinhalten dann die folgenden erhobenen Variablen. Teilweise sind die Informationen dann aus Yang et al. (2014) und Cadiergues et al. (2000) entnommen. In anderen Fällen habe ich das Internet befragt und die erste Information, die valide klang, übernommen.

  • animal, der Name der Tierart im allgemeinen Sprachgebrauch.
  • sex, das bestimmte Geschlecht der Tierart.
  • mass, das Gewicht der Tierart in [kg] entnommen Yang et al. (2014).
  • duration, die Dauer des Urinierens in [s] der Tierart entnommen Yang et al. (2014).
  • jump_height, die Sprunghöhe der Tierart in [cm].
  • jump_length, die Sprungweite der Tierart in [cm].

Dann können wir uns auch einmal einen Auszug aus den Daten in der folgenden Abbildung anschauen. Ich habe mit hier für den Zusammenhang zwischen der Dauer des Urinierens und dem Körpergewicht sowie dem Zusammenhang zwischen der Sprunghöhe und dem Sprunggewicht entschieden.

Abbildung 7.2— Scatterplot zu dem Zusammenahng von verschiedenen Variablen aus dem Datensatz zu der Olympiade der Tiere. Eine lineare Regressionsgleichung sowie die entsprechende Grade sind ergänzt. (A) Hängt die Dauer des Urinierens von dem Körpergewicht ab? (B) Gibt es einen Zusammenhang zwischen der dem Körpergewicht und der maximalen Sprunghöhe? [Zum Vergrößern anklicken]

Wir nutzen den Datensatz in verschiedenen Kapiteln.

Datei von den Kichererbsen in Brandenburg

Du findest die Datei animal_olympics.xlsx auf GitHub jkruppa.github.io/data/ als Excel Datei.

7.2 Von infizierten Ferkeln

Im Folgenden schauen wir uns den anonymisierten Datensatz zu einer Ferkelinfektion an. Wir haben verschiedene Gesundheitsparameter an den Ferkeln gemessen und wollen an diesen Rückschließen, ob diese Gesundheitsparameter etwas mit der Infektion zu tun haben. Insgesamt haben wir gut \(400\) Ferkel an vier verschiedenen Orten in Niedersachsen gemessen.

Tabelle 7.2— Auszug aus dem Daten zu den kranken Ferkeln.
age sex location activity crp frailty bloodpressure weight creatinin infected
61 male northeast 15.31 22.38 robust 62.24 19.05 4.44 1
53 male northwest 13.01 18.64 robust 54.21 17.68 3.87 1
66 female northeast 11.31 18.76 robust 57.94 16.76 3.01 0
59 female north 13.33 19.37 robust 56.15 19.05 4.35 1
63 male northwest 14.71 21.57 robust 55.38 18.44 5.27 1
55 male northwest 15.81 21.45 robust 60.29 18.42 4.78 1
… … … … … … … … … …
54 female north 11.82 21.5 pre-frail 55.32 19.75 3.92 1
56 male west 13.91 20.8 frail 58.37 17.28 7.44 0
57 male northwest 12.49 21.95 pre-frail 56.66 16.86 2.44 1
61 male northwest 15.26 23.1 robust 57.18 15.55 3.08 1
59 female north 13.13 20.23 robust 56.64 18.6 3.41 0
63 female north 10.01 19.89 robust 57.46 18.6 4.2 1

Auch hier haben wir nur eingeschränkte Informationen zu den erhobenen Variablen. Daher müssen wir schauen, dass die Variablen in etwa Sinn ergeben.

  • age, das Alter in Lebenstagen der untersuchten Ferkel.
  • sex, das bestimmte Geschlecht der Ferkel.
  • location, anonymisierter Ort der Untersuchung. Wir unterscheiden zwischen Norden, Nordosten, West und Nordwest in Niedersachsen.
  • activity, Minuten an Aktivität pro Stunde. Die Aktivität wurde über eine automatische Bilderkennung bestimmt. Dabei musste die Bewegung ein gewisses Limit übersteigen. Einfach rumgehen hat nicht gereicht um gezählt zu werden.
  • crp, der CRP-Wert in mg/l aus der Blutprobe. Das Ausmaß des CRP-Anstiegs gibt einen Hinweis auf die Schwere der zugrundeliegenden Krankheit.
  • frailty, die visuelle Einordnung des Gesundheitszustandes anhand der Beweglichkeit des Ferkels. Nach einem Punkteschema wurden die Ferkel in die drei Gruppen robust, pre-frail und frail eingeteilt.
  • bloodpressure, gemessener Blutdruck der Ferkel.
  • weight, das gemessene Gewicht der Ferkel in kg.
  • creatinin, der Creatinin-Wert aus der Blutprobe. Zu hohe Kreatinin-Werte können auf eine Nierenschwäche, Verletzungen der Muskulatur oder eine Entzündung der Haut und Muskulatur hindeuten.
  • infected, der Infektionsstatus zum Zeitpunkt der Untersuchung.

Wir nutzen den Datensatz unter anderem in der logistischen Regression in Kapitel 60.

Datei von den infizierten Ferkeln

Du findest die Datei infected_pigs.xlsx auf GitHub jkruppa.github.io/data/ als Excel Datei.

7.3 Von langnasigen Hechten

In der folgenden Datentabelle wollen wir uns die Anzahl an Hechten in verschiedenen nordamerikanischen Flüßen anschauen. Jede Zeile des Datensatzes steht für einen Fluss. Wir haben dann in jedem Fluss die Anzahl an Hechten gezählt und weitere Flussparameter erhoben. Wir fragen uns, ob wir anhand der Flussparameter eine Aussage über die Anzahl an Hechten in einem Fluss machen können. Die Daten zu den langnasigen Hechten stammt von Salvatore S. Mangiafico - An R Companion for the Handbook of Biological Statistics.

Tabelle 7.3— Auszug aus dem Daten zu den langnasigen Hechten.
stream longnose area do2 maxdepth no3 so4 temp
basin_run 13 2528 9.6 80 2.28 16.75 15.3
bear_br 12 3333 8.5 83 5.34 7.74 19.4
bear_cr 54 19611 8.3 96 0.99 10.92 19.5
beaver_dam_cr 19 3570 9.2 56 5.44 16.53 17
beaver_run 37 1722 8.1 43 5.66 5.91 19.3
bennett_cr 2 583 9.2 51 2.26 8.81 12.9
… … … … … … … …
seneca_cr 23 18422 9.9 45 1.58 8.37 20.1
south_br_casselman_r 2 6311 7.6 46 0.64 21.16 18.5
south_br_patapsco 26 1450 7.9 60 2.96 8.84 18.6
south_fork_linganore_cr 20 4106 10 96 2.62 5.45 15.4
tuscarora_cr 38 10274 9.3 90 5.45 24.76 15
watts_br 19 510 6.7 82 5.25 14.19 26.5

Wie immer haben wir nicht so viele Informationen über die Daten vorliegen. Einiges können wir aber aus den Namen der Spalten in dem Datensatz ableiten. Wir haben in verschiedenen Flüssen die Anzahl an Hechten gezählt und noch weitere Flussparameter gemessen. Ein wenig müssen wir hier auch unsere eigene Geschichte spinnen.

  • stream, beschreibt den Fluss, wo die Messung der Anzahl an langnasigen Hechten stattgefunden hat.
  • longnose, die Anzahl der Hechte, die in einem Flussarm in einer definierten Zeit gezählet wurden.
  • area, erfasste Oberfläche des Flusses in dem gemessenen Gebiet. Die Fläche wurde über Satelietenbilder bestimmt.
  • do2, gemessener Partialdruck von Sauerstoiff \(O_2\) im Wasser und damit auch der verfügbarer Sauerstoff (engl. Oxygen-Delivery, DO2) im Wasser.
  • maxdepth, die maximale Tiefe des Flusses über mindestens einen Kilometer. Kürze Tiefen wurden nicht berücksichtigt.
  • no3, die gemessene Nitratkonzentration im Wasser.
  • so4, die gemessene Schwefelkonzentration im Wasser.
  • temp, gemessene Temperatur in dem Flussarm zur Zeit der Zählung.

Wir nutzen den Datensatz unter anderem in der Poisson Regression in Kapitel 57.

Datei von den langnasigen Hechten

Du findest die Datei longnose.csv auf GitHub jkruppa.github.io/data/ als Csv Datei.

7.4 Von den Kichererbsen in Brandenburg

Im Folgenden schauen wir uns die Daten eines Pilotprojektes zum Anbau von Kichererbsen in Brandenburg an. Wir haben an verschiedenen anonymisierten Bauernhöfen Kichererbsen angebaut und das Trockengewicht als Endpunkt bestimmt. Darüber hinaus haben wir noch andere Umweltparameter erhoben und wollen schauen, welche dieser Parameter einen Einfluss auf das Trockengewicht hat.

Tabelle 7.4— Auszug aus dem Daten zu den Kichererbsen in Brandenburg.
temp rained location no3 fe sand forest dryweight
25.26 high north 5.56 4.43 63 >1000m 253.42
21.4 high northeast 9.15 2.58 51.17 <1000m 213.88
27.84 high northeast 5.57 2.19 55.57 >1000m 230.71
24.59 low north 7.97 1.47 62.49 >1000m 257.74
26.51 low north 6.29 4.3 59.09 >1000m 242.03
22.3 low northeast 6.69 4.78 58.72 >1000m 236.98
… … … … … … … …
25.04 low northeast 5.64 2.22 59.47 >1000m 240.28
28.77 low west 6.55 2.26 61.11 >1000m 268.39
25.47 low north 6.92 3.18 64.55 <1000m 268.58
29.04 low north 5.64 2.87 53.27 >1000m 236.07
24.11 high northeast 4.31 3.66 63 <1000m 259.82
28.88 low northeast 7.92 2 65.75 >1000m 274.75

Es ist ja schon fast Mode, aber auch hier haben wir wenig bis gar keine Informationen zu den erhobenen Variablen. Daher machen wir das Beste aus der Sachlage und überlegen uns was hier passen könnte.

  • temp, die mittlere Temperatur über die Wachstumsperiode.
  • rained, erfasste Regenmenge im Vergleich zum 10jähigen Mittel.
  • location, anonymisierter Ort der Untersuchung.
  • no3, die gemessene Nitratkonzentration im Boden.
  • so4, die gemessene Eisenkonzentration im Boden.
  • sand, der Anteil an Sand im Boden.
  • forest, der Abstand zum nächsten geschlossenen Waldstück.
  • dryweight, das Trockengewicht der Kichererbsen gemittelt über eine Hektar.

Wir nutzen den Datensatz unter anderem in der Gaussian Regression in Kapitel 56.

Datei von den Kichererbsen in Brandenburg

Du findest die Datei chickpeas.xlsx auf GitHub jkruppa.github.io/data/ als Excel Datei.

Referenzen

Cadiergues, M.-C., Joubert, C., & Franc, M. (2000). A comparison of jump performances of the dog flea, Ctenocephalides canis (Curtis, 1826) and the cat flea, Ctenocephalides felis felis (Bouché, 1835). Veterinary parasitology, 92(3), 239–241.
Yang, P. J., Pham, J., Choo, J., & Hu, D. L. (2014). Duration of urination does not change with body size. Proceedings of the National Academy of Sciences, 111(33), 11932–11937.