################################################################################
#
# Beispiel: Faktoren für 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: HK  5.5.2015 
#
################################################################################
 
#### (1) Einlesen der Daten ####################################################

# Einlesen der Daten

lesen <- read.table('c:/d/lesen.txt', header = TRUE)

# kurze Kontrolle
head(lesen)
with(lesen,plot(WieoftLesen,Fehlerzahl))
# Variablen:
# Fehlerzahl - Anzahl von Fehlern von Schülern bei einem Test zu starken Verben
# sex - Geschlecht (= 1 für männlich, =0  für weiblich)
# WieoftLesen - Häufigkeit des sonstigen Lesens (Likertskala: Häufig=1 bis Nie=5)
# Lesezeitmin - Leseförderzeit (Lesezeit in der Schule)
# WieoftFern - Häufigkeit des Fernsehens (Likertskala: Häufig=1 bis Nie=5)
# WieoftMusik - Häufigkeit des Musik hörens (Likertskala: Häufig=1 bis Nie=5)
# WieoftWalk - Häufigkeit der benutzung des Walkmans (Likertskala: Häufig=1 bis Nie=5)
# WieoftComp - Häufigkeit der Computernutzung (Likertskala: Häufig=1 bis Nie=5)
# WieoftGame - Häufigkeit des Gameboy spielens (Likertskala: Häufig=1 bis Nie=5)
# Jahrgang - Idikator für Jahrgang (=1 für 3. Klasse, =0 für 4. Klasse)
# Klasse - Idikator für Klasse

### Damit es intuitiver wir, umkodierung: Nie = 0, Häufig = 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 #########################################################

# Zielgröße: Anzahl der Fehler bei einem Lesetest
# potentielle Einflussgrößen: Geschlecht, Jahrgang, Leseförderzeit, 
#                             sonstiges Lesen, Häufigkeit des Gameboy spielens 
#                             und Jahrgang

# Modell 1: großes Modell
mod1 <- lm(Fehlerzahl ~ sex + Jahrgang + Lesezeitmin + WOL + WOG + 
  WOTV, data = lesen)
summary (mod1)
plot(mod1)
gls1 <- gls(Fehlerzahl ~ sex + Jahrgang + Lesezeitmin + WOL + WOG + 
             WOTV,weights=varPower(form=~ fitted(.)), data = lesen)
summary (gls1)