Inhaltsverzeichnis
A-priori-Poweranalyse
t-Test für unabhängige Stichproben
range(pirates$tchests)
[1] 0 147
sd(pirates$tchests)
[1] 24.4599
pwr.t.test(
d = 15 / 24.6,
sig.level = .05,
power = .8,
type = "two.sample",
alternative = "two.sided"
)
Two-sample t test power calculation
n = 43.20227
d = 0.6097561
sig.level = 0.05
power = 0.8
alternative = two.sided
NOTE: n is number in *each* group
pwr.t.test(
d = 15 / 24.6,
sig.level = .05,
power = .8,
type = "two.sample",
alternative = "greater"
)
Two-sample t test power calculation
n = 33.95437
d = 0.6097561
sig.level = 0.05
power = 0.8
alternative = greater
NOTE: n is number in *each* group
t-Test für abhängige Stichproben
pwr.t.test(
d = -7 / 24.6,
sig.level = .05,
power = .8,
type = "paired",
alternative = "less"
)
Paired t test power calculation
n = 77.72665
d = -0.2845528
sig.level = 0.05
power = 0.8
alternative = less
NOTE: n is number of *pairs*
Einfaktorielle Varianzanalyse
pwr.anova.test(k = 3, f=.1, sig.level=.05, power=.95)
Balanced one-way analysis of variance power calculation
k = 3
n = 515.7746
f = 0.1
sig.level = 0.05
power = 0.95
NOTE: n is number in each group
Korrelation
pwr.r.test(r=-.3, sig.level=.05, power=.90, alternative="less")
approximate correlation power calculation (arctangh transformation)
n = 91.41024
r = -0.3
sig.level = 0.05
power = 0.9
alternative = less
Regressionsanalyse
pwr.f2.test(u=1, f2=.35/(1-.35), sig.level=.05, power=.8)
Multiple regression power calculation
u = 1
v = 14.73373
f2 = 0.5384615
sig.level = 0.05
power = 0.8
Post-hoc-Poweranalyse
library(effsize)
library(psych)
library(pwr)
library(yarrr)
t-Test für unabhängige Stichproben
pwr.t2n.test(d=-0.394, n1=658, n2=342, sig.level=.05)
t test power calculation
n1 = 658
n2 = 342
d = 0.394
sig.level = 0.05
power = 0.9999601
alternative = two.sided
pwr.t2n.test(d=cohen.d(pirates$tchests, pirates$college, hedges.correction=FALSE)$estimate,
n1=nrow(pirates[pirates$college == "CCCC",]),
n2=nrow(pirates[pirates$college == "JSSFP",]),
sig.level=.05)
t test power calculation
n1 = 658
n2 = 342
d = 0.3941082
sig.level = 0.05
power = 0.9999603
alternative = two.sided
t-Test für abhängige Stichproben
pwr.t.test(n=1000, d=.816, sig.level=.05, type="paired")
Paired t test power calculation
n = 1000
d = 0.816
sig.level = 0.05
power = 1
alternative = two.sided
NOTE: n is number of *pairs*
Einfaktorielle Varianzanalyse
fit <- aov(pirates$tchests ~ pirates$sword.type)
cohens_f(fit)
For one-way between subjects designs, partial eta squared is equvilant to eta squared.
Returning eta squared.
Parameter | Cohen's f | 90% CI
---------------------------------------------
pirates$sword.type | 0.07 | [0.00, 0.11]
Warnmeldung:
'cohens_f' is deprecated.
Use 'effectsize::cohens_f()' instead.
See help("Deprecated")
by(pirates$tchests, pirates$sword.type, length)
pirates$sword.type: banana
[1] 46
---------------------------------------------------------------------------
pirates$sword.type: cutlass
[1] 830
---------------------------------------------------------------------------
pirates$sword.type: sabre
[1] 67
---------------------------------------------------------------------------
pirates$sword.type: scimitar
[1] 57
pwr.anova.test(f=0.07, k=4, n=250)
Balanced one-way analysis of variance power calculation
k = 4
n = 250
f = 0.07
sig.level = 0.05
power = 0.43093
NOTE: n is number in each group
Korrelation
pwr.r.test(r=-0.040, n=1000, sig.level=.05)
approximate correlation power calculation (arctangh transformation)
n = 1000
r = 0.04
sig.level = 0.05
power = 0.2439136
alternative = two.sided
pairwiseCount(pirates$tattoos, pirates$parrots)
[,1]
[1,] 1000
Regressionsanalyse
pwr.f2.test(f2=.35 / (1-.35), u=1, v=998, sig.level=.05)
Multiple regression power calculation
u = 1
v = 998
f2 = 0.5384615
sig.level = 0.05
power = 1
Verwendete Pakete und Funktionen
base
Funktion | Beschreibung |
---|---|
by(Variable, Gruppierungsvariable, length) | Anzahl Zeilen pro Subgruppe. |
by(Variable, Gruppierungsvariable, NROW) | Anzahl Zeilen pro Subgruppe. |
length() | Dimension Länge abfragen: – Vektor : Länge – Data Frame : Anzahl Variablen |
nrow(Data Frame) | Anzahl der Zeilen eines Data Frame oder einer Matrix. |
NROW(Vektor oder Data Frame) | Anzahl Zeilen: – Vektor : Anzahl Elemente. – Data Frame: Anzahl Zeilen. |
range(Variable) | Streubereich ermitteln. |
effsize
Funktion | Beschreibung |
---|---|
cohen.d( Variable, Gruppierungsvariable, hedges.correction=F) | Cohen’s d für unabhängige Stichproben berechnen. |
psych
Funktion | Beschreibung |
---|---|
pairwiseCount(Variable1, Variable2) | Abfragen der paarweise gültigen Fälle. |
pwr
Funktion | Beschreibung |
---|---|
pwr.t.test( d = Effektgröße, sig.level = Signifikanzniveau, power = Teststärke, type = “two.sample”, alternative = “two.sided” ) | A-priori-Poweranalyse für den t-Test in folgender Konstellation: – Unabhängige Stichproben – Ungerichtete Hypothese |
pwr.t.test( d = Effektgröße, sig.level = Signifikanzniveau, power = Teststärke, type = “two.sample”, alternative = “greater” ) | A-priori-Poweranalyse für den t-Test in folgender Konstellation: – Unabhängige Stichproben – Gerichtete Hypothese 👉 Das Vorzeichen der Effektgröße sollte mit der Richtung der Hypothese übereinstimmen. |
pwr.t.test( d = Effektgröße, sig.level = Signifikanzniveau, power = Teststärke, type = “paired”, alternative = “less” ) | A-priori-Poweranalyse für den t-Test in folgender Konstellation: – Abhängige Stichproben – Gerichtete Hypothese 👉 Das Vorzeichen der Effektgröße sollte mit der Richtung der Hypothese übereinstimmen. |
pwr.t.test( n = Stichprobe, d = Effektgröße, sig.level = Signifikanzniveau, type = “paired”) | Post-hoc-Poweranalyse für abhängige Stichproben in folgender Konstellation: – Abhängige Stichproben – Ungerichtete Hypothese |
pwr.t2n.test( d = Effektgröße, n1 = Stichprobe1, n2 = Stichprobe2, sig.level = Signifikanzniveau) | Post-hoc-Poweranalyse für unabhängige Stichproben in folgender Konstellation: – Unabhängige Stichproben – Ungerichtete Hypothese – Unterschiedliche Stichprobengrößen |
pwr.anova.test( k = Anzahl Gruppen, f = Effektgröße, sig.level = Signifikanzniveau power= Teststärke) | A-priori-Poweranalyse für die einfaktorielle Varianzanalyse. |
pwr.anova.test( f = Effektgröße, k = Anzahl der Subgruppen, n = Stichprobengröße) | Post-hoc-Poweranalyse für die einfaktorielle Varianzanalyse. |
pwr.r.test( r = Korrelationskoeffizient, sig.level = Signifikanzniveau, power = Teststärke, alternative = “less”) | A-priori-Poweranalyse für die Produkt-Moment-Korrelation mit: – gerichteter Hypothese |
pwr.r.test( r = Korrelationskoeffizient, n = Stichprobengröße, sig.level = Signifikanzniveau) | Post-hoc-Poweranalyse für die Produkt-Moment-Korrelation. |
pwr.f2.test( u = Zählerfreiheitsgrade, f2 = Effektgröße, sig.level = Signifikanzniveau, power = Teststärke) | A-priori-Poweranalyse für eine einfache lineare Regression. |
pwr.f2.test( f2 = Effektgröße, u = Zählerfreiheitsgrade, v = Nennerfreiheitsgrade, sig.level = Signifikanzniveau) | Post-hoc-Poweranalyse für eine einfache lineare Regression. |
sjstats
Funktion | Beschreibung |
---|---|
cohens_f(aov()) | Effektgröße Cohen’s f bestimmen. |
stats
Funktion | Beschreibung |
---|---|
aov(Abhängige Variable ~ Gruppierungsvariable) | Varianzanalyse durchführen. |
sd(Variable) | Standardabweichung berechnen. 👉 Es handelt sich dabei um die Populationsstandardabweichung mit dem Nenner (n-1). |