<- data.frame(Geschwuer=c(rep("Geschwür", 1655),
df rep("gesund", 10000)),
Blutgruppe=c(rep("0", 911), rep("A", 579),
rep("B", 124), rep("AB", 41),
rep("0", 4578), rep("A", 4219),
rep("B", 890), rep("AB", 313))
)
56 Lösungen Chiquadratests für Anteilswerte
Hier finden Sie die Lösungen zu den Übungsaufgaben von Abschnitt 44.12.
Die hier vorgestellten Lösungen stellen immer nur eine mögliche Vorgehensweisen dar und sind sicherlich nicht der Weisheit letzter Schluss. In R
führen viele Wege nach Rom, und wenn Sie mit anderem Code zu den richtigen Ergebnissen kommen, dann ist das völlig in Ordnung.
56.1 Lösung zur Aufgabe 44.12.1
Geschwuer
und Blutgruppe
.
chisq.test(df$Geschwuer, df$Blutgruppe)
Pearson's Chi-squared test
data: df$Geschwuer and df$Blutgruppe
X-squared = 49.016, df = 3, p-value = 1.295e-10
Es gibt unterschiede, p ist kleiner als 0,05.
::pairwise.fisher.test(df$Geschwuer, df$Blutgruppe,
reporttoolsp.adjust.method = "bonferroni")
Pairwise comparisons using
data: df$Geschwuer and df$Blutgruppe
0 A AB
A 4.1e-10 - -
AB 0.0695 1.0000 -
B 0.0023 1.0000 1.0000
P value adjustment method: bonferroni
Blutgruppe 0 unterscheidet sich von allen anderen.
56.2 Lösung zur Aufgabe 44.12.2
Region
und Blutgruppe
.
<- data.frame(
df Blutgruppe=c(rep("A", 185), rep("B", 55),
rep("0", 223), rep("AB", 15)),
Region=c(rep("Eskdale", 33), rep("Annadale", 54), rep("Nithsdale", 98),
rep("Eskdale", 6), rep("Annadale", 14), rep("Nithsdale", 35),
rep("Eskdale", 56), rep("Annadale", 52), rep("Nithsdale", 115),
rep("Eskdale", 5), rep("Annadale", 5), rep("Nithsdale", 5))
)
chisq.test(df$Blutgruppe, df$Region)
Warning in chisq.test(df$Blutgruppe, df$Region): Chi-Quadrat-Approximation kann
inkorrekt sein
Pearson's Chi-squared test
data: df$Blutgruppe and df$Region
X-squared = 10.454, df = 6, p-value = 0.1068
Der Test ist nicht signifikant.
::pairwise.fisher.test(df$Blutgruppe, df$Region,
reporttoolsp.adjust.method = "bonferroni")
Pairwise comparisons using
data: df$Blutgruppe and df$Region
Annadale Eskdale
Eskdale 0.39 -
Nithsdale 1.00 0.10
P value adjustment method: bonferroni
Es sind keine Unterschiede zu finden.
56.3 Lösung zur Aufgabe 44.12.3
Rauchen
und Geschlecht
.
<- data.frame(
df Geschlecht=c(rep("m", 9), rep("w", 17)),
Rauchen=c(rep("ja", 2), rep("nein", 7),
rep("ja", 6), rep("nein", 11))
)
chisq.test(df$Rauchen, df$Geschlecht)
Warning in chisq.test(df$Rauchen, df$Geschlecht): Chi-Quadrat-Approximation
kann inkorrekt sein
Pearson's Chi-squared test with Yates' continuity correction
data: df$Rauchen and df$Geschlecht
X-squared = 0.057825, df = 1, p-value = 0.81
# kleines sample, besser exakten Fisher Test
fisher.test(df$Rauchen, df$Geschlecht)
Fisher's Exact Test for Count Data
data: df$Rauchen and df$Geschlecht
p-value = 0.6673
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.04160546 4.26600654
sample estimates:
odds ratio
0.536523
# kleines sample, besser exakten Fisher Test
fisher.test(df$Rauchen, df$Geschlecht)
Fisher's Exact Test for Count Data
data: df$Rauchen and df$Geschlecht
p-value = 0.6673
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.04160546 4.26600654
sample estimates:
odds ratio
0.536523
Beide Tests sind nicht signifikant, es besteht kein Unterschied in den Gruppen.
56.4 Lösung zur Aufgabe 44.12.4
drug1
und drug2
.
<- data.frame(
df drug1 = c( "Ja", "Ja", "Ja", "Ja", "Ja", "Nein", "Ja", "Nein",
"Ja", "Ja", "Ja", "Nein", "Ja", "Nein", "Ja", "Ja",
"Ja", "Nein", "Ja", "Ja"),
drug2 = c("Nein", "Nein", "Ja", "Nein", "Ja", "Ja", "Nein", "Nein",
"Nein", "Nein", "Ja", "Nein", "Ja", "Nein", "Nein", "Ja",
"Nein", "Ja", "Nein", "Nein")
)
mcnemar.test(df$drug1, df$drug2)
McNemar's Chi-squared test with continuity correction
data: df$drug1 and df$drug2
McNemar's chi-squared = 4.0833, df = 1, p-value = 0.04331
Das Ergebnis ist signifikant. Es gibt einen Unterschied.
prop.table(table(df$drug1))
Ja Nein
0.75 0.25
prop.table(table(df$drug2))
Ja Nein
0.35 0.65
Medikament drug1
wirkt besser.
56.5 Lösung zur Aufgabe 44.12.5
<- data.frame(
df Ergebnis = c(rep("überlebt", 521), rep("verstorben", 207)),
= c(rep("nein", 484), rep("ja", 37),
Komatös rep("nein", 118), rep("ja", 89)
)
)
chisq.test(df$Ergebnis, df$Komatös)
Pearson's Chi-squared test with Yates' continuity correction
data: df$Ergebnis and df$Komatös
X-squared = 130.86, df = 1, p-value < 2.2e-16
Ja, es gibt einen Unterschied zwischen komatösen und nicht-komatösen Patienten.
56.6 Lösung zur Aufgabe 44.12.6
<- data.frame(
df Therapie = c(rep("A", 32), rep("B", 28)),
Wirkung = c(rep("Sehr gut", 10), rep("gut", 14), rep("schlecht", 8),
rep("Sehr gut", 12), rep("gut", 10), rep("schlecht", 6)
)
)
chisq.test(df$Wirkung, df$Therapie)
Pearson's Chi-squared test
data: df$Wirkung and df$Therapie
X-squared = 0.87141, df = 2, p-value = 0.6468
Es kann kein signifikanter Unterschied gezeigt werden.
56.7 Lösung zur Aufgabe 44.12.7
<- data.frame(
df Geschlecht = c(rep("m", 10), rep("w", 10)),
bestanden = c(rep("ja", 2), rep("nein", 8),
rep("ja", 4), rep("nein", 6)
)
)
table(df)
bestanden
Geschlecht ja nein
m 2 8
w 4 6
chisq.test(df$bestanden, df$Geschlecht)
Warning in chisq.test(df$bestanden, df$Geschlecht): Chi-Quadrat-Approximation
kann inkorrekt sein
Pearson's Chi-squared test with Yates' continuity correction
data: df$bestanden and df$Geschlecht
X-squared = 0.2381, df = 1, p-value = 0.6256
Es kann kein signifikanter Unterschied gezeigt werden.
56.8 Lösung zur Aufgabe 44.12.8
<- data.frame(
df Erna = c(rep("ja", 85), rep("nein", 65)),
Hans = c(rep("ja", 37), rep("nein", 48),
rep("ja", 44), rep("nein", 21)
)
)
table(df)
Hans
Erna ja nein
ja 37 48
nein 44 21
chisq.test(df$Erna, df$Hans)
Pearson's Chi-squared test with Yates' continuity correction
data: df$Erna and df$Hans
X-squared = 7.712, df = 1, p-value = 0.005486
Es gibt einen Signifikanten Unterschied zwischen den Dozenten.
prop.table(table(df$Erna))
ja nein
0.5666667 0.4333333
prop.table(table(df$Hans))
ja nein
0.54 0.46
Die Studierenden mögen Erna ein bisschen mehr als Hans.