-
Notifications
You must be signed in to change notification settings - Fork 1
/
DES_03.qmd
288 lines (184 loc) · 9.58 KB
/
DES_03.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
---
title: "Datenerhebung und Statistik"
subtitle: "Dritter Termin"
format:
revealjs:
theme: fom.scss
logo: fom.jpg
footer: "DES | Karsten Lübke"
chalkboard: true
---
## Zur Erinnerung
📛 Stellen Sie bitte ein Namensschild auf.
✏ Arbeiten Sie aktiv mit.
🤷 Stellen Sie Fragen.
💪 [https://tweedback.de/em26](https://tweedback.de/em26)
## Stimmung?
Auf der *Katzenskala*: Wie geht es Ihnen?
{fig-align="center" width="40%"}
::: aside
Quelle: [@MMagdowski](https://twitter.com/MMagdowski/status/1338206742371594240)
:::
## Learning Pit
::: center
**Sie** schaffen es aus der Grube
:::
{fig-align="center" width="40%"}
::: aside
Quelle: [Sketschplanations](https://sketchplanations.com/the-learning-pit)
:::
## Tipps für den Vorlesungserfolg
- Kommen Sie zur Vorlesung!
- Vermeiden Sie Ablenkung.
- Arbeiten Sie die Vorlesung von Anfang an **vor** und nach. Nutzen Sie dafür die Studienbriefe.
- Stellen Sie Fragen.
- Unterstützen Sie sich gegenseitig.
## UN Ziel 3: Gesundheit und Wohlergehen
::: center
<iframe src="https://upgrader.gapminder.org/q/1/embed?hasBorder=true&hasOpenSansFont=false" title="" width="100%" height="500" style="border:none;"></iframe>
:::
## Hybride Vorlesung
- Auf Ihrem Wunsch hin wird wird die Vorlesung bis auf Weiteres optional auch hybrid angeboten.
- Die Didaktik orientiert sich an der Präsenzvorlesung im Hörsaal.
- Viele Studien (und eigene Daten) zeigen, dass vielen Studierenden das Lernen in präsenz häufig leichter fällt als digital. Achten Sie daher auf sich, damit der Nachteilsausgleich nicht für Sie zum Nachteil wird.
## Heutiges Thema 🏫
- Grundlagen Quantitativer Datenanalyse
## Was Sie lernen 👩‍🏫
- Die Studierenden können Messen definieren und können verschiedene Typen von Skalenniveaus sicher unterscheiden.
- Die Studierenden kennen Grundbegriffe der quantitativen Datenanalyse (wie unabhängige und abhängige Variable) und können Probleme erklären, die aufgrund der Nichtberücksichtigung von Drittvariablen auftreten können.
- Die Studierenden können zentrale Begriffe um Stichproben(arten) und Populationen erläutern.
## Was Sie auch noch lernen 👩‍🏫
- Die Studierenden wissen um die Unterschiede hinsichtlich Zufall und Kausalität bei Beobachtungs- vs. Experimentalstudien.
- Die Studierenden können die Phasen des PPDAC-Zyklus nennen und anhand von Beispielen illustrieren.
## PPDAC
:::: {.columns}
::: {.column width="50%"}
In fünf Schritten von der Fragestellung zur (vorläufigen) Antwort...
:::
::: {.column width="50%"}
{fig-align="center" width="100%"}
:::
::::
## Messung
Beim Messen wird einer [Eigenschaft]{.blue} eines Objektes ein [Wert]{.gray} zugewiesen. Dabei sollte die [Beziehung der Werte]{.gray} der [Beziehung der Eigenschaften]{.blue} der Objekte entsprechen.
<br>
::: box
[Messergebnis]{.gray} = [Wert der Eigenschaft]{.blue} + [Systematische Abweichungen]{.purple} + [Zufällige Schwankungen]{.orange}
:::
## Klausur
Am Ende des Semesters wird Ihr Lernergebnis durch 👩‍🏫 vermessen - im Rahmen einer Klausur.
Diskutieren Sie innerhalb Ihres Raumes das genannte Gütekriterium. Was kann ich tun, damit das [Messergebnis]{.gray} gut mit dem [Wert der Eigenschaft]{.blue} übereinstimmt?
💪 [https://bit.ly/3d86MDs](https://bit.ly/3d86MDs)
## Datentabelle
{fig-align="center" width="80%"}
::: aside
Quelle: [@allisonhorst](https://github.com/allisonhorst/stats-illustrations)
:::
## Übung 💪
{fig-align="right" width="25%"}
Was ist bei einer Datentabelle der Klausurergebnisse eine Beobachtung (engl.: observation?)
**A**: Die erreichte Punktzahl.
**B**: Die Teilnehmerin Susi.
**C**: Die erreichte Punktzahl von 60 Punkten von Susi.
::: aside
Quelle: [@allisonhorst](https://github.com/allisonhorst/stats-illustrations)
:::
## Skalenniveaus
::: center
<iframe src="https://www.causeweb.org/cause/resources/fun/songs/levels-measurement" title="" width="100%" height="500" style="border:none;"></iframe>
:::
::: aside
Quelle: [https://www.causeweb.org/cause/resources/fun/songs/levels-measurement](https://www.causeweb.org/cause/resources/fun/songs/levels-measurement)
:::
## R Markdown rockt!
{fig-align="center" width="60%"}
::: aside
Quelle: [@allisonhorst](https://github.com/allisonhorst/stats-illustrations)
:::
## Fallstudie 💻
- Lokal: RStudio durch klick auf `DES-WiSe-2022.Rproj` starten.
- RStudio Cloud: In **Ihr** Projekt einloggen.
Datei `EineLuege-Fortsetzung.Rmd` im Ordner `fallstudie` öffnen.
## Eine wichtige Gleichung (I/II)
::: box
[Beobachteter Wert]{.gray} = [Wahrer Wert]{.blue} + [Verzerrung]{.purple} + [Rauschen]{.orange}
:::
- [Beobachteter Wert]{.gray}: Wert, den wir auf Basis unser **Stichprobe** berechnen, häufig eine **Statistik**.
- [Wahrer Wert]{.blue}: Wert, an dem wir interessiert sind. Häufig ein **Parameter** der **Population**.
## Eine wichtige Gleichung (II/II)
- [Verzerrung]{.purple}: Systematische Abweichungen zwischen [Beobachteter Wert]{.gray} und [Wahrer Wert]{.blue}, z.B. aufgrund nicht-repräsentativer Stichprobe oder Störfaktoren.
- [Rauschen]{.orange}: Zufällige Schwankungen aufgrund der Stichprobe.
::: aside
[de Mesquita and Fowler (2021)](https://press.princeton.edu/books/paperback/9780691214351/thinking-clearly-with-data)
:::
## Stichprobenarten (I/II)
👩‍🏫 möchte wissen wie gut die Studierenden die Inhalte verstanden haben.
- **Gelegenheitsstichprobe**: 👩‍🏫 nimmt die dran, die sich meldet.
- **Zufällige Stichprobe**: 👩‍🏫 wählt zufällig eine Studierende aus.
## Stichprobenarten (II/II)
```{r}
#| layout-ncol: 2
#| column: page
library(ggplot2)
library(ggdag)
co <- data.frame(x = c(0.5,0,1), y = c(1,0,0), name = c("Z", "S", "X"))
dag_s1<-dagify(S ~ Z,
X ~ Z,
coords = co) %>%
ggdag(node_size = 20, text_size = 8, text = TRUE, text_col = "lightgray") + theme_dag_blank() +
geom_dag_edges(arrow_directed = grid::arrow(length = grid::unit(15, "pt"), type = "closed")) +
geom_text(label = "Z - Verstehen\nS - Stichprobe\nX - Antwort",
hjust = 0, vjust = 0,
x = 0.15, y = 0, size = 7, color = "darkgrey") +
labs(title = "Gelegenheitsstichprobe")
co <- data.frame(x = c(0.5,0,1,-1), y = c(1,0,0,0), name = c("Z", "S", "X", "R"))
dag_s2<-dagify(X ~ Z,
S ~ Z,
S ~ R, coords = co) %>%
ggdag(node_size = 20, text_size = 8, text = TRUE, text_col = "lightgray") + theme_dag_blank() +
geom_dag_edges(arrow_directed = grid::arrow(length = grid::unit(15, "pt"), type = "closed")) +
geom_segment(aes(x = .15, y = .475, xend = .35, yend = .575), color = "red") +
geom_segment(aes(x = .15, y = .425, xend = .35, yend = .525), color = "red") +
geom_text(label = "Z - Verstehen\nS - Stichprobe\nX - Antwort\nR - Dozent:in",
hjust = 0, vjust = 1,
x = -1.1, y = 0.75, size = 7, color = "darkgrey") +
labs(title = "Zufällige Stichprobe")
dag_s1
dag_s2
```
Der Zufall [eliminert]{.red} die Abhängigkeit von möglichen [Verzerrungen]{.purple} der Stichprobe (hier durch Verstehen). Der [Beobachtete Wert]{.gray} kann den [Wahrer Wert]{.blue} unverzerrt schätzen. Es gibt aber noch [zufällige Schwankungen]{.orange}.
## Studienarten (I/II)
👩‍🏫 möchte wissen, wie Lernzeit und Klausurergebnis zusammenhängen.
- **Beobachtungsstudie**: 👩‍🏫 beobachtet Lernzeit und resultierende Klausurpunkte.
- **Randomisierte Studie**: 👩‍🏫 manipuliert Lernzeit zufällig und beobachtet resultierende Klausurpunkte.
## Studienarten (II/II)
```{r}
#| layout-ncol: 2
#| column: page
co <- data.frame(x = c(0,0,1), y = c(1,0,0), name = c("Z", "X", "Y"))
dag_e1<-dagify(Y ~ X,
X ~ Z,
Y ~ Z, coords = co) %>%
ggdag(node_size = 20, text_size = 8, text = TRUE, text_col = "lightgray") + theme_dag_blank() +
geom_dag_edges(arrow_directed = grid::arrow(length = grid::unit(15, "pt"), type = "closed")) +
geom_text(label = "Z - Vorwissen\nX - Lernzeit\nY - Klausurpunkte",
hjust = 1, vjust = 1,
x = 1, y = 1, size = 7, color = "darkgrey") +
labs(title = "Beobachtungsstudie")
co <- data.frame(x = c(0,0,1,-1), y = c(1,0,0,0), name = c("Z", "X", "Y", "R"))
dag_e2<-dagify(Y ~ X,
X ~ Z,
X ~ R,
Y ~ Z, coords = co) %>%
ggdag(node_size = 20, text_size = 8, text = TRUE, text_col = "lightgray") + theme_dag_blank() +
geom_dag_edges(arrow_directed = grid::arrow(length = grid::unit(15, "pt"), type = "closed")) +
geom_segment(aes(x = -.1, y = .475, xend = .1, yend = .575), color = "red") +
geom_segment(aes(x = -.1, y = .425, xend = .1, yend = .525), color = "red") +
geom_text(label = "Z - Vorwissen\nX - Lernzeit\nY - Klausurpunkte\nR - Dozent:in",
hjust = 0, vjust = 1,
x = -1.15, y = 0.85, size = 7, color = "darkgrey") +
labs(title = "Randomisiertes Experiment")
dag_e1
dag_e2
```
Der Zufall [eliminert]{.red} die Abhängigkeit einer [Verzerrungen]{.purple} des Zusammenhangs (hier durch Vorwissen). Der [Beobachtete Wert]{.gray} kann den [Wahrer Wert]{.blue} unverzerrt schätzen. Es gibt aber noch [zufällige Schwankungen]{.orange}.