--- fontsize: 8pt format: beamer: include-in-header: ../ALM_Header.tex bibliography: ../ALM_Referenzen.bib --- # {.plain} \center ```{r, echo = FALSE, out.width = "20%"} knitr::include_graphics("../OvGU_Logo.png") ``` \vspace{2mm} \huge Allgemeines Lineares Modell \vspace{6mm} \large BSc Psychologie, SoSe 2025 \vspace{5mm} Joram Soch # {.plain} \vfill \center \Huge \textcolor{red}{Aufnahme läuft!} \vfill # {.plain} \vfill \center \huge \textcolor{black}{(0) Formalia} \vfill # Lehrperson \vfill \large Joram Soch Wissenschaftlicher Mitarbeiter Lehrstuhl für Methodenlehre I Institut für Psychologie Otto-von-Guericke-Universität Magdeburg E-Mail: [\textcolor{darkblue}{joram.soch@ovgu.de}](mailto:joram.soch@ovgu.de) \vfill # Kursinfos {.t} \textcolor{darkblue}{Modul B2: Inferenzstatistik | Allgemeines Lineares Modell} \setstretch{2} * donnerstags, 9-13 Uhr (\textit{de facto} 10:00-12:45), G40B-326 * Kursmaterialien (Folien, Videos, Skript) auf der [\textcolor{darkblue}{Kurswebseite}](https://www.ipsy.ovgu.de/Institut/Abteilungen+des+Institutes/Methodenlehre+I+_+Experimentelle+und+Neurowissenschaftliche+Psychologie/Lehre/Sommersemester+2025/Allgemeines+Lineares+Modell.html) * Ankündigungen (Termine, Klausur) über die [\textcolor{darkblue}{Moodleseite}](https://elearning.ovgu.de/course/section.php?id=168013) * benotete Multiple-Choice-Klausur (30 Fragen) am Ende des SoSe 2025 * Klausurwiederholungstermin am Ende des WiSe 25/26 * Klausurtermin und Klausurort gemäß Prüfungsplan des [\textcolor{darkblue}{FNW-Prüfungsamtes}](https://www.fnw.ovgu.de/Studium/Pr%C3%BCfungsamt.html) # Kursinfos {.t} \textcolor{darkblue}{Modul B2: Inferenzstatistik | Allgemeines Lineares Modell} \small \center \footnotesize \renewcommand{\arraystretch}{1.2} \begin{tabular}{llll} Datum & Einheit & Do, 09-13 (ca. 10:00-12:45) & \\ \hline 10.04.2025 & Grundlagen & (0) Formalia & (1) Regression \\ 17.04.2025 & Grundlagen & (2) Korrelation & (3) Matrizen \\ 24.04.2025 & Grundlagen & (3) Matrizen & \\ 01.05.2025 & -- Feiertag -- & -- keine Vorlesung -- & \\ 08.05.2025 & Grundlagen / Theorie & (4) Normalverteilungen & (5) Modellformulierung \\ 15.05.2025 & Theorie & (6) Parameterschätzung & \\ 22.05.2025 & Theorie & (7) T-Statistiken & (8) F-Statistiken \\ 29.05.2025 & -- Feiertag -- & -- keine Vorlesung -- & \\ 05.06.2025 & Anwendung & (9) T-Tests & \\ 12.06.2025 & Anwendung & (10) Einfaktorielle Varianzanalyse & \\ 19.06.2025 & Anwendung & (11) Zweifaktorielle Varianzanalyse & \\ 26.06.2025 & Anwendung & (12) Partielle Korrelation & \\ 03.07.2025 & Anwendung & (13) Multiple Regression & \\ 10.07.2025 & Anwendung & (14) Kovarianzanalyse & \\ \hline Juli 2025 & Klausurtermin & & \\ Februar 2026 & Klausurwiederholungstermin & & \\ \end{tabular} # Kursinfos {.t} \textcolor{darkblue}{Modul B2: Allgemeines Lineares Modell \& Modul C2: Analyse und Dokumentation} \centering \vspace{6mm} \includegraphics[width=1.1\linewidth, clip=true, trim=10 100 20 50]{Abbildungen/ALM_2025_Semesterplan} # Kursinfos {.t} \textcolor{darkblue}{Modul B2: Inferenzstatistik | Allgemeines Lineares Modell} \vspace{1mm} \small \small \setstretch{1.5} \center \begin{tabular}{ll} Themenkomplexe (Modulhandbuch BSc Psychologie, 2020) & Lehrveranstaltung(en) \\ \hline Deskription, grafische und tabellarische Darstellung von Daten & PDS \\ Verteilungskennwerte: Maße der zentralen Tendenz, Streuungsmaße & PDS \\ Wahrscheinlichkeitstheorie und Wahrscheinlichkeitsrechnung & WTFI \\ Stichprobe und Grundgesamtheit & WTFI \\ Formulierung und Prüfung von Hypothesen & WTFI, ALM \\ Effektstärke und optimale Stichprobenumfänge & WTFI, ALM \\ Verfahren zur Prüfung von Unterschiedshypothesen & WTFI, ALM \\ Verfahren zur Prüfung von Zusammenhangshypothesen & WTFI, ALM \\ Korrelation und multiple Regression & ALM \\ Varianzanalyse & ALM \\ Anwendungsbeispiele & PDS, WTFI, ALM, AD \\ \end{tabular} # Kursinfos {.t} \textcolor{darkblue}{Modul B2: Inferenzstatistik | Allgemeines Lineares Modell} \setstretch{2} * Die Vorlesungsfolien inklusive der Selbstkontrollfragen **sind** klausurrelevant. * Das Vorlesungsskript ist **nicht** klausurrelevant (aber hilfreich). * Altklausuren finden sich auf den Kurswebseiten früherer Jahre. * Als weiterführende Literatur bieten sich an: * Searle, S.R. (1971) Linear Models * Werner, J. (1997) Lineare Statistik * DeGroot, M.H. & Shervish, M.J. (2012) Probability and Statistics * Fahrmeir, L., Heumann, C., Künstler, R., Pigeot, I., Tutz, G. (2016) Statistik * Fox, J., Sanford, W. (2019) An R Companion to Applied Regression # Evaluation \small \center *Allgemeines Lineares Modell*, SoSe 2024 ($n = 39+7$) \vspace{2mm} \footnotesize \textcolor{green}{$\bullet$} stimme voll zu $\quad$ \textcolor{lightgreen}{$\bullet$} stimme zu $\quad$ \textcolor{yellow}{$\bullet$} neutral $\quad$ \textcolor{orange}{$\bullet$} stimme nicht zu $\quad$ \textcolor{red}{$\bullet$} stimme gar nicht zu $\quad$ \vspace{1mm} ```{r, echo = F, eval = F} # load libraries library(pracma) library(readxl) library(openxlsx) library(plot.matrix) # load results fname1 = 'Daten/ALM_2024_Evaluation_I.xlsx' D1 = read_excel(fname1) # read Excel file D1 = D1[,1:(ncol(D1)-1)] # remove last column fname2 = 'Daten/ALM_2024_Evaluation_II.xlsx' D2 = read_excel(fname2) # read Excel file D2 = D2[,1:(ncol(D2)-1)] # remove last column D = rbind(D1, D2) # prepare results n = nrow(D) q = ncol(D)-2 responses = matrix(NA, nrow=n, ncol=q) # define responses ques_str = colnames(D)[2:(ncol(D)-1)] resp_str = c('stimme überhaupt nicht zu', 'stimme nicht zu', 'neutral', 'stimme zu', 'stimme voll und ganz zu') # analyze data for (i in 1:n) { for (j in 1:q) { if (is.na(D[i,1+j])) { responses[i,j] = NA } else { for (k in 1:length(resp_str)) { if (D[i,1+j] == resp_str[k]) { responses[i,j] = k } } } } } # collect responses R = matrix(NA, nrow=q, ncol=n) for (j in 1:q) { n_resp = sum(!is.na(responses[,j])) resp_j = responses[!is.na(responses[,j]),j] R[j,1:n_resp] = c(rep(1, sum(resp_j==5)), rep(2, sum(resp_j==4)), rep(3, sum(resp_j==3)), rep(4, sum(resp_j==2)), rep(5, sum(resp_j==1))) } # create labels y_labels = ques_str num_char = 70 for (j in 1:q) { if (nchar(ques_str[j]) <= num_char) { y_labels[j] = ques_str[j] } else { y_labels[j] = paste(substr(ques_str[j], 1, num_char), '...') } } rownames(R) = y_labels # plot responses par( family = "sans", mar = c(1, 30, 3, 1), # bottom, left, top, right margin pty = "m", bty = "l", lwd = 1, las = 1, mgp = c(2,1,0), xaxs = "i", yaxs = "i", font.main = 1, cex = 1, cex.main = 2) plot(R, breaks = 1:5, col = c("#209c05", "#85e62c", "#ebff0a", "#ee6f27", "#ff0a0a"), border = "darkgray", key = NULL, cex = 1, xlab = '', ylab = '', xaxt = 'n', yaxt = 'n', main = sprintf('Evaluation: Alle Antworten (n = %.0f)', n)) axis(1, at = 1:n, labels = 1:n, cex.axis = 0.7) dev.copy2pdf( file = 'Abbildungen/ALM_2024_Evaluation.pdf', width = 16, height = 9) dev.off() ``` ```{r, echo = F, out.width = "100%"} knitr::include_graphics("Abbildungen/ALM_2024_Evaluation.pdf") ``` # Evaluation \small \center *Wahrscheinlichkeitstheorie und Frequentistische Inferenz*, WiSe 24/25 ($n = 50$) \vspace{2mm} \footnotesize \textcolor{green}{$\bullet$} stimme voll zu $\quad$ \textcolor{lightgreen}{$\bullet$} stimme zu $\quad$ \textcolor{yellow}{$\bullet$} neutral $\quad$ \textcolor{orange}{$\bullet$} stimme nicht zu $\quad$ \textcolor{red}{$\bullet$} stimme gar nicht zu $\quad$ \vspace{1mm} ```{r, echo = F, eval = F} # load libraries library(pracma) library(readxl) library(openxlsx) library(plot.matrix) # load results fname = 'Daten/WTFI_2024_Evaluation.xlsx' D = read_excel(fname) # read Excel file D = D[,1:(ncol(D)-1)] # remove last column # prepare results n = nrow(D) q = ncol(D)-2 responses = matrix(NA, nrow=n, ncol=q) # define responses ques_str = colnames(D)[2:(ncol(D)-1)] resp_str = c('Stimme überhaupt nicht zu', 'Stimme nicht zu', 'Neutral', 'Stimme zu', 'Stimme voll und ganz zu') time_str = c('< 2 Stunden', '2-4 Stunden', '4-6 Stunden', '6-8 Stunden', '> 8 Stunden') # analyze data for (i in 1:n) { for (j in 1:q) { if (is.na(D[i,1+j])) { responses[i,j] = NA } else { for (k in 1:length(resp_str)) { if (D[i,1+j] == resp_str[k]) { responses[i,j] = k } } } } } # collect responses R = matrix(NA, nrow=q, ncol=n) for (j in 1:q) { n_resp = sum(!is.na(responses[,j])) resp_j = responses[!is.na(responses[,j]),j] R[j,1:n_resp] = c(rep(1, sum(resp_j==5)), rep(2, sum(resp_j==4)), rep(3, sum(resp_j==3)), rep(4, sum(resp_j==2)), rep(5, sum(resp_j==1))) } # create labels y_labels = ques_str num_char = 70 for (j in 1:q) { if (nchar(ques_str[j]) <= num_char) { y_labels[j] = ques_str[j] } else { y_labels[j] = paste(substr(ques_str[j], 1, num_char), '...') } } rownames(R) = y_labels # plot responses par( family = "sans", mar = c(1, 30, 3, 1), # bottom, left, top, right margin pty = "m", bty = "l", lwd = 1, las = 1, mgp = c(2,1,0), xaxs = "i", yaxs = "i", font.main = 1, cex = 1, cex.main = 2) plot(R, breaks = 1:5, col = c("#209c05", "#85e62c", "#ebff0a", "#ee6f27", "#ff0a0a"), border = "darkgray", key = NULL, cex = 1, xlab = '', ylab = '', xaxt = 'n', yaxt = 'n', main = sprintf('Evaluation: Alle Antworten (n = %.0f)', n)) axis(1, at = 1:n, labels = 1:n, cex.axis = 0.7) dev.copy2pdf( file = 'Abbildungen/WTFI_2024_Evaluation.pdf', width = 16, height = 9) dev.off() ``` ```{r, echo = F, out.width = "100%"} knitr::include_graphics("Abbildungen/WTFI_2024_Evaluation.pdf") ``` # Hinweise \large \textcolor{darkblue}{Zur wöchentlichen Mitarbeit im Kurs} \normalsize \setstretch{2.5} * Bereiten Sie sich auf die Vorlesung durch Lesen des Skriptes vor. * Wenn nach Skriptlektüre/Vorlesung noch Unklarheiten bestehen, fragen Sie. * Fragen im Rahmen der Vorlesung helfen Ihnen und Ihren Kommilitonen. * Fragen im Rahmen der Vorlesung helfen der Weiterentwicklung des Kurses. * Bearbeiten Sie die Selbstkontrollfragen. \vfill # Hinweise \large \textcolor{darkblue}{Zur Arbeit mit Selbskontrollfragen} \normalsize \setstretch{2.5} * Die Selbskontrollfragen fokussieren den Vorlesungsstoff. * "Geben Sie ... wieder" heißt "Geben Sie ... *wortwörtlich* wieder". * Dazu ist die entsprechende Definition/Theorem auswendig zu lernen. * "Erläutern Sie ..." heißt "Nutzen Sie Ihre eigenen Worte" zur Darstellung. * Erläuterungen beziehen sich auf die Bemerkungen zu Definitionen/Theoremen. * Die Selbstkontrollfragen sind die Grundlage zur Entwicklung von Klausurfragen. * Die Lösungen der Selbstkontrollfragen finden Sie im Skript und auf den Folien. \vfill # Hinweise \large \textcolor{darkblue}{Lernphasen} \small \setstretch{1.2} \vspace{4mm} Phase 1: Überblicken * Überblick durch Vorlesung und Überfliegen der Materialien * Verstehen einfacher Zusammenhänge * Verstehen, was man nicht versteht Phase 2: Verstehen * Erarbeiten des Verstehens komplexer Zusammenhänge * Schriftliche Beantwortung der Selbstkontrollfragen * Klärung von Details, z.B. mit Vorlesungsvideos Phase 3: Memorisieren * Auswendiglernen aller Inhalte * Aktive Wiedergabe der Inhalte, schriftlich oder mündlich * Teilnahme an der Klausur Teilen Sie große Aufgaben immer in viele kleine, gut zu bewältigende Aufgaben! # Formalia \Huge \vfill \center Q & A \vfill