################################################################################
#
# Beispiel: Faktoren f?r Fehler bei einem Lesetest I
#
# Vorlesung Lineare Modelle (Helmut Küchenhoff) 6.5 - 7.05.2015
# Thema: Die lineare Hypothese
#
# data: Daten von 180 Kindern aus den 8 Klassen (3. und 4. Klassen Grundschule)
#       von Christa Kieferle (Pädagogik, LMU)
#       file: lesen.txt (auf der web Seite)
#
# contents: (1) Einlesen der Daten
#		        (2) Modellbildung
#		        (3) Lineare Hypothese
#		        (4) neues Modell mit der linearer Restriktion
#
# last.modified: FG  5.6.2015 
#
################################################################################

#### (1) Einlesen der Daten ####################################################

# Einlesen der Daten

lesen <- read.table('lesen.txt', header = TRUE)

# kurze Kontrolle
head(lesen)
with(lesen,plot(WieoftLesen,Fehlerzahl))
# Variablen:
# Fehlerzahl - Anzahl von Fehlern von Sch?lern bei einem Test zu starken Verben
# sex - Geschlecht (= 1 f?r m?nnlich, =0  f?r weiblich)
# WieoftLesen - H?ufigkeit des sonstigen Lesens (Likertskala: H?ufig=1 bis Nie=5)
# Lesezeitmin - Lesef?rderzeit (Lesezeit in der Schule)
# WieoftFern - H?ufigkeit des Fernsehens (Likertskala: H?ufig=1 bis Nie=5)
# WieoftMusik - H?ufigkeit des Musik h?rens (Likertskala: H?ufig=1 bis Nie=5)
# WieoftWalk - H?ufigkeit der benutzung des Walkmans (Likertskala: H?ufig=1 bis Nie=5)
# WieoftComp - H?ufigkeit der Computernutzung (Likertskala: H?ufig=1 bis Nie=5)
# WieoftGame - H?ufigkeit des Gameboy spielens (Likertskala: H?ufig=1 bis Nie=5)
# Jahrgang - Idikator f?r Jahrgang (=1 f?r 3. Klasse, =0 f?r 4. Klasse)
# Klasse - Idikator f?r Klasse

### Damit es intuitiver wir, umkodierung: Nie = 0, H?ufig = 5
lesen<-within(lesen, 
            {WOL  <- 5-WieoftLesen
             WOTV <- 5-WieoftFern
             WOM  <- 5-WieoftMusik  
             WOW  <- 5-WieoftWalk  
             WComp<- 5-WieoftComp
             WOG <-  5-WieoftGame}) 
### Scatterplot mit einfacher Regressionsgerade
with(lesen, plot(WOL,Fehlerzahl))              
abline(lm(Fehlerzahl~WOL,data=lesen))

#### (2) Modellbildung #########################################################

# Zielgr??e: Anzahl der Fehler bei einem Lesetest
# potentielle Einflussgr??en: Geschlecht, Jahrgang, Lesef?rderzeit, 
#                             sonstiges Lesen, H?ufigkeit des Gameboy spielens 
#                             und Jahrgang

# Modell 1: gro?es Modell
mod1 <- lm(Fehlerzahl ~ sex + Jahrgang + Lesezeitmin + WOL + WOG + 
             WOTV, data = lesen)
summary (mod1)
# Ellipse nach Scheffe der ersten beiden Koeffizienten 
library(car)
confidenceEllipse(mod1,Scheffe=TRUE)

### (c)  Vergleich der gew?hlicher Ellipsen und der Ellipsen nach Scheffe mit 
# den jeweiligen Konfidenzintervall 
par(mfrow=c(2,1))

# gew?hnliche Ellipsen
confidenceEllipse(mod1,c( "Lesezeitmin","WOL"), xlim=c(-0.2,0.05), 
                  ylim=c(-5,1.25), main='gewoehnlich', yaxt="n")
axis(2, at=seq(-5, 1, by=1))
# einfache Konfidenzintervalle
abline(v=confint(mod1)[4,], lty=2, lwd = 1.5, col = "darkblue")
abline(h=confint(mod1)[5,], lty=2, lwd = 1.5, col = "darkblue")
### adjustiert nach Bonferrorni (Konfidenzniveau 1 - (alpha/m), mit m = Anzahl 
### gleichzeitig berechneter KIs, hier m = 2)
abline(v=confint(mod1,level=1-0.05/2)[4,], lty = 2, lwd = 1.5, col = "orange")
abline(h=confint(mod1,level=1-0.05/2)[5,], lty = 2, lwd = 1.5, col = "orange")


library(multcomp)
erg2<-glht(mod1,linfct=c("Lesezeitmin = 0", "WOL  = 0"))
confint(erg2)


# Ellipsen nach Scheffe
confidenceEllipse(mod1,c( "Lesezeitmin","WOL"), xlim=c(-0.2,0.05), 
                  ylim=c(-5,1.25),Scheffe=TRUE, main='Scheffe')
# einfache Konfidenzintervalle
abline(v=confint(mod1)[4,],lty = 2, lwd = 1.5, col = "darkblue")
abline(h=confint(mod1)[5,],lty = 2, lwd = 1.5, col = "darkblue")
### adjustiert nach Bonferroni 
abline(v=confint(mod1,level=1-0.05/2)[4,], lty = 2, lwd = 1.5, col = "orange")
abline(h=confint(mod1,level=1-0.05/2)[5,], lty = 2, lwd = 1.5, col = "orange")