Gepaarter t-Test
Im Video hast du gelernt, dass gepaarte t-Tests oft aussagekräftiger sind als reguläre t-Tests. In dieser Übung siehst du ein Beispiel dafür. Zuerst simulierst du Daten. Ähnliche Daten könnten z. B. von Personen stammen, deren Gewicht vor und nach einer Medikamentenbehandlung gemessen wurde, oder von Beträgen, die Kund:innen vor und nach dem Anschauen eines Werbespots ausgeben.
Mit simulierten Daten kennst du die Eigenschaften des Datensatzes und kannst prüfen, ob sich dein Modell wie erwartet verhält. R bringt viele Verteilungen mit, darunter die Normalverteilung. Deine simulierten Daten werden eine ungleiche Varianz haben (also unterschiedliche Standardabweichungen). Im zweiten Schritt analysierst du die Daten sowohl mit einem gepaarten als auch mit einem regulären t-Test. Abschließend wirst du zu den Ergebnissen der gepaarten t-Tests befragt.
Zum ersten Schritt gehört, den „Seed“ für Rs Zufallszahlengenerator zu setzen. So erhältst du bei jedem Ausführen dieselben Zahlen und die Software von DataCamp kann deinen Code korrekt bewerten.
Diese Übung ist Teil des Kurses
Hierarchische und gemischte Effekte-Modelle in R
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Set the seed to be 345659
set.seed(___)
# Model 10 individuals
n_ind <- ___
# simulate before with mean of 0 and sd of 0.5
before <- rnorm(n = n_ind, mean = ___, sd = ___)
# simulate after with mean effect of 4.5 and standard devation of 5
after <- ___ + rnorm(n = n_ind, mean = ___, sd = ___)