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

--- exname: rope3 extype: schoice exsolution: 64 exshuffle: no categories: - rope - bayes date: '2022-12-15' slug: rope3 title: rope3 --- ```{r libs, include = FALSE} library(tidyverse) ``` ```{r global-knitr-options, include=FALSE} knitr::opts_chunk$set(fig.pos = 'H', fig.asp = 0.618, fig.width = 4, fig.cap = "", fig.path = "", cache = TRUE, echo = TRUE, message = FALSE, fig.show = "hold") ``` # Exercise Einer der (bisher) größten Studien der Untersuchung psychologischer Konsequenzen (oder Korrelate) der Covid-Zeit ist die Studie [COVIDiStress](https://www.nature.com/articles/s41597-020-00784-9). 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): ```{r} 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](https://osf.io/z39us/) abgelegt. - Eine Beschreibung der Variablen der Studie finden Sie [hier](https://moodle.hs-ansbach.de/mod/url/view.php?id=79230). - Das Codebook findet sich [hier](https://osf.io/v68t9/). - 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: ```{r} library(tidyverse) library(rstanarm) library(easystats) ``` Relevante Spalten auswählen: ```{r} d2 <- d %>% select(PSS10_avg, neu) ``` Datensatz aufbereiten: ```{r} d3 <- d2 %>% drop_na() ``` Modell berechnen: ```{r} m1 <- stan_glm(PSS10_avg ~ neu, refresh = 0, seed = 42, data = d3) ``` Modellkoeffizienten auslesen: ```{r} coef(m1) ``` Posteriori-Verteilung auslesen: ```{r} parameters(m1, ci = .89) ``` Warum 89%? Kein besonderer Grund. Aber ich mag Primzahlen :-) Posteriori-Verteilung plotten: ```{r} plot(parameters(m1, ci = .89), show_intercept = TRUE) ``` Rope berechnen: ```{r} rope_m1 <- rope(m1) ``` Rope visualisieren: ```{r} 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