Diese Musterlösung wurde erstellt von Peter Hähner (Ruhr-Universität Bochum).

(c) Luhmann: R für Einsteiger, 5. Aufl., Beltz, 2020

Vorbereitungen

Laden Sie die benötigten Pakete (ggf. müssen Sie diese vorab noch installieren).

library(pwr)

Aufgabe 1

Bestimmen Sie den optimalen Stichprobenumfang für die folgenden Tests mit α = 0.05 und Power = 0.80.

  1. t-Test für abhängige Stichproben, d = 1.0, ungerichtete Hypothese
pwr.t.test(d = 1.0, sig.level = 0.05, power = 0.8,
           type = "paired", alternative = "two.sided")
## 
##      Paired t test power calculation 
## 
##               n = 9.93785
##               d = 1
##       sig.level = 0.05
##           power = 0.8
##     alternative = two.sided
## 
## NOTE: n is number of *pairs*
  1. Test des Korrelationskoeffizienten r = 0.45, ungerichtete Hypothese
pwr.r.test(r = 0.45, sig.level = 0.05, power = 0.8,
           alternative = "two.sided")
## 
##      approximate correlation power calculation (arctangh transformation) 
## 
##               n = 35.61745
##               r = 0.45
##       sig.level = 0.05
##           power = 0.8
##     alternative = two.sided
  1. Multiple Regression mit R² = 0.03 und 10 Prädiktoren
pwr.f2.test(u = 10, f2 = 0.03/(1-0.03), sig.level = 0.05, 
            power = 0.8)
## 
##      Multiple regression power calculation 
## 
##               u = 10
##               v = 523.3457
##              f2 = 0.03092784
##       sig.level = 0.05
##           power = 0.8
  1. Einfaktorielle Varianzanalyse mit f = 0.05 und 6 Gruppen
pwr.anova.test(k = 6, f = 0.05, sig.level = 0.05, 
               power = 0.8)
## 
##      Balanced one-way analysis of variance power calculation 
## 
##               k = 6
##               n = 856.0968
##               f = 0.05
##       sig.level = 0.05
##           power = 0.8
## 
## NOTE: n is number in each group

Aufgabe 2

Schauen Sie sich eines der in Tabelle 21.2 aufgelisteten Pakete genauer an, sodass Sie eine einfache Poweranalyse damit durchführen können.

Keine Musterlösung