rope3

rope
bayes
Published

December 15, 2022

Exercise

Einer der (bisher) größten Studien der Untersuchung psychologischer Konsequenzen (oder Korrelate) der Covid-Zeit ist die Studie COVIDiStress.

Im Folgenden sollen Sie folgende Forschungsfrage untersuchen:

Ist der Zusammenhang von Stress (PSS10_avg, AV) und Neurotizismus (neu, UV) vernachlässigbar klein?

Den Datensatz können Sie so herunterladen (Achtung, groß):

osf_d_path <- "https://osf.io/cjxua/?action=download"

d <- read_csv(osf_d_path)

Hinweise:

  • Sie benötigen einen Computer, um diese Aufgabe zu lösen.
  • Verwenden Sie die statistischen Methoden, die im Unterricht behandelt wurden.
  • Verwenden Sie Ansätze aus der Bayes-Statistik zur Lösung dieser Aufgabe.
  • Bei der Variable für Geschlecht können Sie sich auf Fälle begrenzen, die Männer und Frauen umfassen.
  • Wandeln Sie die die Variable für Geschlecht in eine binäre Variable - also Werte mit 0 und 1 - um.
  • Alle Daten (und weitere Informationen) zum Projekt sind hier abgelegt.
  • Eine Beschreibung der Variablen der Studie finden Sie hier.
  • Das Codebook findet sich hier.
  • Der Datensatz ist recht groß (ca. 150 MB).
  • Fixieren Sie die Zufallszahlen auf den Startwert 42.
  • Berechnen Sie 89%-PIs, wenn Sie Ungewissheit quantifizieren.

Antwortoptionen

Answerlist

  • Ja
  • Nein
  • Die Daten sind nicht konkludent; es ist keine Entscheidung möglich.
  • Auf Basis der bereitgestellten Informationen ist keine Entscheidung möglich.











Solution

Pakete laden:

library(tidyverse)
library(rstanarm)
library(easystats)

Relevante Spalten auswählen:

d2 <-
  d %>% 
  select(PSS10_avg, neu)

Datensatz aufbereiten:

d3 <-
  d2 %>% 
  drop_na()

Modell berechnen:

m1 <-
  stan_glm(PSS10_avg ~ neu, 
           refresh = 0,
           seed = 42,
           data = d3)

Modellkoeffizienten auslesen:

coef(m1)
(Intercept)         neu 
  1.4533911   0.3509393 

Posteriori-Verteilung auslesen:

parameters(m1, ci = .89)
Parameter Median CI CI_low CI_high pd Rhat ESS Prior_Distribution Prior_Location Prior_Scale
(Intercept) 1.4533911 0.89 1.4428916 1.463608 1 0.9999767 4301.909 normal 2.625455 1.841433
neu 0.3509393 0.89 0.3480155 0.353949 1 0.9997235 4475.252 normal 0.000000 1.747465

Warum 89%? Kein besonderer Grund. Aber ich mag Primzahlen :-)

Posteriori-Verteilung plotten:

plot(parameters(m1, ci = .89), show_intercept = TRUE)

Rope berechnen:

rope_m1 <- rope(m1)

Rope visualisieren:

plot(rope_m1)

Wie man sieht, kreuzt das “blaue Band” nicht den “roten Berg”. Damit ist die Nullhypothese (ROPE) zu verwerfen.

Answerlist

  • Falsch
  • Wahr. ROPE ist zu verwerfen, damit sind Werte um die Null herum nicht wahrscheinlich.
  • Falsch
  • Falsch

Categories:

  • rope
  • bayes