#Vorlesung Multivariate Analysen #=============================== # #Kapitel 3.3: Varianzanalyse #=========================== # #Pisa # #Problemstellung als Boxplot #=========================== # #Darstellung des Aufwands in einer Rangfolge Pisa$AufwandMatheSort <- recode(Pisa$AufwandMathe, '"gering"="1_gering"; "mittel"="2_mittel"; "hoch"="3_hoch"; ', as.factor.result=TRUE) # #Mathepunkte in Abhängigkeit des Aufwands boxplot(Mathe~AufwandMatheSort,data=Pisa) # # # #Varianzanalyse #============== # #Klassicher Befehl der Varianzanalyse Model.1 <- aov(Mathe ~ AufwandMathe, data=Pisa) summary(Model.1) coef(Model.1) # # #Varianzanalyse über lineares Modell LinearModel.1 <- lm(Mathe ~ AufwandMathe, data=Pisa) summary(LinearModel.1) Anova(LinearModel.1, type="II") # # # #Prüfung der Modellvoraussetzungen #================================= # #Prüfung der Normalverteilung der Residuen Residuen<-resid(LinearModel.1) qqnorm(Residuen) qqline(Residuen) # #Prüfung mit Shapiro-Wilk-Test shapiro.test(Residuen) # # #Prüfung der konstanten Streuung Prognose<-predict(LinearModel.1) Residuen<-resid(LinearModel.1) plot(Prognose,Residuen) # #Prüfung mit Levene-Test require(car) levene.test(LinearModel.1) # # #Prüfung auf Autokorrelation der Residuen plot(Residuen, type="b") # #Prüfung mit Durbin-Watson-Test require(car) durbin.watson(LinearModel.1) # # ###