Praktikum4.qmd

---
title: "Praktikum Methodenlehre"
subtitle: "Teil 4 - Statistische Bewertung"
author: "Johannes Zauner"
format: html
---

## Einführung

Dieser vierte und letzte Abschnitt des Praktikums beschäftigt sich damit, statistisch zu Untersuchen, ob es einen signifikanten Unterschied zwischen dem 6S-PIPR Wert bei einem roten im Vergleich zu einem blauen Stimulus gibt. Wir machen dies mit dem sogenannten `Wilcoxon-Mann-Whitney-U-Test`.

Zunächst laden wir die Daten für dieses Dokument nochmals neu

```{r}
data <- read.csv("Daten/Data_Pupils.csv")
```

## Daten vorbereiten

Unser Datensatz enthält die Stimulus-Werte für alle Zeitpunkte. Wir wollen aber nur den Zeitpunkt `7 Sekunden` untersuchen, d.h. 6 Sekunden nach Lichtreizende. Zunächst können wir prüfen, ob es diesen Zeitpunkt in unseren Daten gibt. Das machen wir mit einem sogenannten Logik-Test `Bedingung A == Bedingung B` prüft, ob beide Bedingungen gleich sind - falls ja, wird ein Wert zurückgegeben, falls nein, dann nicht.

```{r}
data[data$Time == 7,]
```

Wir erhalten 10 Werte zurück, einen für jeden Durchlauf, genau nach 7 Sekunden. In einer echten Auswertung würden wir vermutlich einen Mittelwert der jeweils halben Sekunde vor 7 und nach 7 bilden, für unsere Auswertung hier soll das aber genügen. Wir speichern dieses Subset an Daten nun in ein neues Objekt/Variable.

```{r}
data_subset <- data[data$Time == 7,]
data_subset
```

Nun brauchen wir den Wilcoxon Test. Dieser ist, wie soll es anders sein, in einer Funktion in R untergebracht `wilcox.test`. Wenn wir nicht wissen, wie eine Funktion aufgebaut ist, welche Inputs sie braucht, und welche Outputs herauskommen, kann man über `?Funktionsname` eine Hilfe aufrufen.

```{r}
?wilcox.test
```

Wir möchten die Variante mit der Formel verwenden. Die Formel lautet dabei, dass wir glauben, dass sich der Wert des Pupillendurchmessers abhängig des Stimulus verändert: `Diameter ~ Stimulus`. Wir können diesen Zusammenhang schnell visuell prüfen, durch einen Basis-Plotaufruf...

```{r}
boxplot(Diameter ~ Stimulus, data = data_subset)
```

...oder durch einen ggplot

```{r}
library(ggplot2)
ggplot(data_subset, aes(x=Stimulus, y=Diameter, fill = Stimulus)) + 
  geom_boxplot() + 
  scale_fill_manual(values = c("blue", "red"))+
  theme_minimal()

```

Es scheint durchaus einen Unterschied zu geben. Schauen wir, was der Test sagt

```{r}
wilcox.test(Diameter ~ Stimulus, data = data_subset)
```

Der Test ergibt, dass ein signifikanter Unterschied zwischen dem Pupillendurchmesser nach blauem zu rotem Stimulus 6 Sekunden nach Lichtreizende gegeben ist (p\<0.01).

Damit schließt diese kurze Einführung in R. Wenn Sie neugierig auf mehr sind, empfehle ich eine Reihe kostenloser Internet-Bücher, die Ihnen mehr zu R, Data Science, und Visualisierung vermitteln:

[Data Visualization with R](https://rkabacoff.github.io/datavis/)

[R for Datascience](https://r4ds.hadley.nz)

[ggplot2: Elegant Graphics for Data Analysis](https://ggplot2-book.org)

[Hands on Programming with R](https://rstudio-education.github.io/hopr/)

[Advanced R](https://adv-r.hadley.nz)