post3b

Published

July 14, 2026

library(exams)

Question

Im Folgenden ist der Datensatz tips zu analysieren, genauer gesagt geht es um Prädiktoren der AV, tip.

Eine Möglichkeit, den Datensatz zu beziehen, ist diese Sammlung an Datensätzen. Suchen Sie dort nach dem Namen des Datensatzes. Importieren Sie dann die Daten in R.

Hilfe zum Datensatz ist auf dieser Webseite abrufbar.

Berechnen Sie das folgende lineare Modell:

AV: tip.

UVs: size, rownames.

Im Folgenden wird ein Prädiktor aus der Menge der UV näher betrachtet. Der gewählte Prädiktor im Fokus ist: rownames.

Aufgabe: Ist der Effekt des Prädiktors vernachlässigbar klein (also im ROPE)?

Hinweise:

  • Verwenden Sie Standardwerte der R-Funktionen, soweit nicht anders angegeben.
  • Runden Sie auf eine Dezimalstelle (R-Funktion round(x, 1)).
  • Verwenden Sie Methoden der Bayes-Statistik für inferenzstatistische Analysen.
  • Geben Sie keine Prozentzahlen an, sondern Anteile (also nicht “50%”, sondern “0.5” etc.)
  • Findet sich in einer Auswahlliste möglicher Antworten nicht die exakte Lösung, wählen Sie die am besten passende.
  • Beziehen Sie sich im Zweifel auf den Stoff, so wie im Unterricht behandelt.
  • Gehen Sie von einem 89%-HDI aus, was der Standard in der R-Funktion rope() ist.

Wählen Sie die am besten passende Antwortoption!

Solution

MUSTERLÖSUNG

Der Datensatz heißt: tips. Er ist unter dieser Quelle zu beziehen.

Die Prädiktoren (UVs) des Modells lauten: size, rownames.

Dann berechnet man das Modell, etwa so m1 <- stan_glm(tip ~ size + rownames, data = d).

Ausgabe der Ergebnisse:

print(m1)
stan_glm
 family:       gaussian [identity]
 formula:      tip ~ size + rownames
 observations: 244
 predictors:   3
------
            Median MAD_SD
(Intercept) 1.3    0.3   
size        0.7    0.1   
rownames    0.0    0.0   

Auxiliary parameter(s):
      Median MAD_SD
sigma 1.2    0.1   

------
* For help interpreting the printed output see ?print.stanreg
* For info on the priors used see ?prior_summary.stanreg

Gefragt war nach dem Prädiktor rownames.

So kann man sich den Wert für jeden Koeffizienten (d.h. das Regressionsgewicht) ausgeben lassen:

coef(m1)

Dann bestimmen wir den ROPE-Wert:

Parameter CI ROPE_low ROPE_high ROPE_Percentage Effects Component
1 (Intercept) 0.95 -0.1383638 0.1383638 0 fixed conditional
3 size 0.95 -0.1383638 0.1383638 0 fixed conditional
2 rownames 0.95 -0.1383638 0.1383638 1 fixed conditional

Wie man in der Ausgabe sieht, beträgt der Anteil außerhalb des ROPE für den gesuchten Koeffizienten 0.

Daher lautet die richtige Antwort zu 100% innerhalb des ROPE.

Aufgabenname: post3b

Meta-information

exname: post3b extype: schoice exsolution: 01000 exshuffle: false expoints: 1