Die Daten laden
library(foreign)
dat <- read.dta("https://github.com/Japhilko/RSocialScience/blob/master/data/GPanel.dta?raw=true")
Eine Kreuztabelle erstellen
Beruf_Gefordert <- dat$a11c109a
Beruf_Anerkannt <- dat$a11c111a
table(Beruf_Gefordert,Beruf_Anerkannt)
## Beruf_Anerkannt
## Beruf_Gefordert Missing by design Ja Nein Weiß nicht
## Missing by design 93 0 0 0
## Ja 0 7 0 0
## Nein 0 0 0 0
## Weiß nicht 0 0 0 0
Eine Dreidimensionale Kreuztabelle - Array
Geschlecht <- dat$a11d054a
tab3 <- table(Beruf_Gefordert,Beruf_Anerkannt,Geschlecht)
tab3
## , , Geschlecht = Männlich
##
## Beruf_Anerkannt
## Beruf_Gefordert Missing by design Ja Nein Weiß nicht
## Missing by design 41 0 0 0
## Ja 0 2 0 0
## Nein 0 0 0 0
## Weiß nicht 0 0 0 0
##
## , , Geschlecht = Weiblich
##
## Beruf_Anerkannt
## Beruf_Gefordert Missing by design Ja Nein Weiß nicht
## Missing by design 52 0 0 0
## Ja 0 5 0 0
## Nein 0 0 0 0
## Weiß nicht 0 0 0 0
Indizieren eines Arrays
- nun muss man mit zwei Kommas arbeiten beim Indizieren
tab3[,,1]
## Beruf_Anerkannt
## Beruf_Gefordert Missing by design Ja Nein Weiß nicht
## Missing by design 41 0 0 0
## Ja 0 2 0 0
## Nein 0 0 0 0
## Weiß nicht 0 0 0 0
Edgar Anderson’s Iris Daten
data(iris)
head(iris)
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
petal length and width - Blütenblatt Länge und Breite
sepal length and width - Kelchblatt Länge und Breite
Zusammenhang zwischen stetigen Variablen
# Pearson Korrelationskoeffizient
cor(iris$Sepal.Length,iris$Petal.Length)
## [1] 0.8717538
- Korrelation zwischen Länge Kelchblatt und Blütenblatt 0,87
- Der Pearson’sche Korrelationskoeffizient ist die default methode in
cor().
Zusammenhang zwischen mehreren Variablen
pairs(iris[,1:4])
Zusammenhang zwischen mehreren Variablen
library("psych")
## Warning: package 'psych' was built under R version 3.3.3
pairs.panels(iris[1:4],bg=c("red","yellow","blue")
[iris$Species],pch=21,main="")
Verschiedene Korrelationskoeffizienten
# Pearson Korrelationskoeffizient
cor(iris[,1:4])
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length 1.0000000 -0.1175698 0.8717538 0.8179411
## Sepal.Width -0.1175698 1.0000000 -0.4284401 -0.3661259
## Petal.Length 0.8717538 -0.4284401 1.0000000 0.9628654
## Petal.Width 0.8179411 -0.3661259 0.9628654 1.0000000
# Kendall's tau (Rangkorrelation)
cor(iris[,1:4], method = "kendall")
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length 1.00000000 -0.07699679 0.7185159 0.6553086
## Sepal.Width -0.07699679 1.00000000 -0.1859944 -0.1571257
## Petal.Length 0.71851593 -0.18599442 1.0000000 0.8068907
## Petal.Width 0.65530856 -0.15712566 0.8068907 1.0000000
# Spearman's rho (Rangkorrelation)
cor(iris[,1:4], method = "spearman")
## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length 1.0000000 -0.1667777 0.8818981 0.8342888
## Sepal.Width -0.1667777 1.0000000 -0.3096351 -0.2890317
## Petal.Length 0.8818981 -0.3096351 1.0000000 0.9376668
## Petal.Width 0.8342888 -0.2890317 0.9376668 1.0000000
Zusammenhang zwischen kategorialen Variablen
chisq.test()testet, ob zwei kategoriale Merkmale stochastisch unabhängig sind.- Getestet wird gegen die Nullhypothese der Gleichverteilung
Levelplot
library("lattice")
## Warning: package 'lattice' was built under R version 3.3.3
library("AER")
## Warning: package 'AER' was built under R version 3.3.3
## Warning: package 'lmtest' was built under R version 3.3.3
data(BankWages)
levelplot(table(BankWages$education,BankWages$job))
Visualisierung von Zusammenhängen zwischen kategorialen Variablen
mosaicplot(~ Sex + Age + Survived,
data = Titanic, color = TRUE)
Shading
Flächen werden entsprechend der Residuen eingefärbt:
mosaicplot(~ Sex + Age + Survived,
data = Titanic, shade = TRUE)
Literatur zu Zusammenhangsmaßen
- Methodensammlung mit R
- Beispiele zu Zusammenhangsmaßen
- Umsetzung in R
Sachs - Angewandte Statistik mit R