Projektseminar

Visualisierung

Julius Klingelhoefer

Juniorprofessur für Kommunikationswissenschaft

31.01.2023

Inhalt

• Housekeeping🧹
• Grafiken mit ggplot
• Grafische Analyse von Voraussetzungen
• Live-Coding
• Fragen?
• Nächste Woche

Housekeeping🧹

Binder

• Wenn Sie Binder verwenden, jetzt starten.

Deadline Seminarbericht

• Vorschlag: 31.03.2023

Vorschau auf nächste Woche:

• Evaluation
• Ergebnisbericht
• Zusätzliche Materialien

Grafiken mit ggplot

Beispiel Histogram

p = df_raw %>% 
  filter(compliance_corrected > 0) %>% 
  ggplot(data = .) +
  aes(x = compliance_corrected) +
  geom_histogram(binwidth = .05) +
  xlab("Compliance (excl. 0)") +
  theme_bw() +
  theme(text = element_text(size = 25)) 

p # call graph

Die Logik von ggplot

• Schritt für schritt und layer by layer
• Mit + fügen wir neue Elemente hinzu
• Wir haben immer:

  • Daten

  • Mapping: “Aesthtetics” (aes())

  • Geom: Plottet die Grafik aus Daten und Mapping

Basis

p = ggplot(data = dl_raw)

Aesthetics

p = ggplot(data = dl_raw) +
  aes(x = wb_energy, y = wb_connect)

Geom

p = ggplot(data = dl_raw) +
  aes(x = wb_energy, y = wb_connect) +
  geom_jitter()

Geom

Verschiedene Geoms für diverse Darstellungen existieren, z.B.:

• geom_bar
• geom_point
• geom_boxplot
• geom_qq_line()
• uvm.

Geom

Wir können geoms mit + kombinieren

# getting slope and intercept for regression line
lm = lm(wb_energy~wb_connect, dl_raw)

p = ggplot(data = dl_raw) +
  aes(x = wb_energy, y = wb_connect) +
  geom_jitter() +
  geom_abline(
    slope = lm$coefficients[2],
    intercept = lm$coefficients[1],
    size = 2,
    color = "maroon"
      )

Beschriftungen

p = ggplot(data = dl_raw) +
  aes(x = wb_energy, y = wb_connect) +
  geom_jitter() + 
  geom_abline(slope = lm$coefficients[2], intercept = lm$coefficients[1], size = 2, color = "maroon") +
  ggtitle("Scatterplot des Zusammenhangs von Verbundenheit und Energie") +
  ylab("Verbundenheit") +
  xlab("Energie")

Themes

library(jtools)

p = ggplot(data = dl_raw) +
  aes(x = wb_energy, y = wb_connect) +
  geom_jitter() +
  geom_abline(slope = lm$coefficients[2], intercept = lm$coefficients[1], size = 2, color = "maroon")+ ggtitle("Scatterplot des Zusammenhangs von Verbundenheit und Energie") +  ylab("Verbundenheit") + xlab("Energie") +
  theme_apa()

Themes

library(jtools)

p = ggplot(data = dl_raw) +
  aes(x = wb_energy, y = wb_connect) +
  geom_jitter() +
  geom_abline(slope = lm$coefficients[2], intercept = lm$coefficients[1], size = 2, color = "maroon")+ ggtitle("Scatterplot des Zusammenhangs von Verbundenheit und Energie") +  ylab("Verbundenheit") + xlab("Energie") +
  theme_apa() +
  theme(text = element_text(size = 25)) 

Bonus: Interactive Graphs I

# interactive figure with plotly package
ggplotly(p, width = 900, height = 500)

Bonus: Interactive Graphs II

Grafische Analyse von Voraussetzungen

🔙

performance-Package

• Sie erinnern sich: Viele Voraussetzungen für lineare (multilevel-) Modelle prüfen wir grafisch
• Dazu haben wir kennengelernt: performance::check_model()

m0 = lmer(
  wb_ge ~ 1 + (1 | id), 
  data = dl_raw
  )

Beispiel: Linearität der Residuen

p = performance::check_model(m0, check = "linearity")

Beispiel: Outlier

p = performance::check_model(m0, check = "outliers")

Live-Coding

💻

Fragen?

Nächste Woche

📊 Präsentation der vorläufigen Ergebnisse