Daniel Fitze 
Gerda Wyssen
# A tibble: 120 × 2
trial mean_rt
<dbl> <dbl>
1 1 0.987
2 2 0.846
3 3 0.815
4 4 0.798
5 5 0.781
6 6 0.791
7 7 0.768
8 8 0.726
9 9 0.730
10 10 0.771
# ℹ 110 more rows[1] 0.7628839[1] 0.03252316
# Inwiefern verändern sich die Reaktionszeiten über das Experiment hinweg?
# Numerischen Vektor herstellen:
d$rt <- as.numeric(as.character(d$rt))
# Gruppieren nach 'id' und Berechnen des Mittelwerts von 'rt' pro Versuchsperson
mean_rt_by_trial <- d %>%
group_by(trial) %>%
summarise(mean_rt = mean(rt, na.rm = TRUE))
# Ausgabe der durchschnittlichen Reaktionszeit pro Versuchsperson
print(mean_rt_by_trial)
mean_mean_rt <- mean(mean_rt_by_trial$mean_rt)
# Ausgabe des Durchschnitts der durchschnittlichen Reaktionszeiten
print(mean_mean_rt)
# Standardabweichung berechnen:
sd_mean_rt <- sd(mean_rt_by_trial$mean_rt)
print(sd_mean_rt)
# Plot erstellen
ggplot(mean_rt_by_trial, aes(x = trial, y = mean_rt, group = trial)) +
geom_line(alpha = 0.5) +
geom_point(alpha = 0.5, color = "springgreen3") +
geom_hline(yintercept = mean_mean_rt, linetype = "dashed", color = "violetred") +
geom_errorbar(yintercept = mean_mean_rt, ymin = mean_mean_rt - sd_mean_rt, ymax = mean_mean_rt + sd_mean_rt, color = "khaki", width = 0.1) +
labs(x = "Trial", y = "Durchschnittliche Reaktionszeit", subtitle = "Inwiefern verändern sich die Reaktionszeiten über das Experiment hinweg?") +
ggtitle("Verlauf der Reaktionszeiten") +
theme_classic()
p = d |>
ggplot(aes(x = color, y = rt, fill = color)) +
geom_jitter(position = position_jitter(width = 0.2), color = "black", size = 1.5, alpha = 0.5) +
geom_violin() +
scale_fill_manual(values = c("blue", "red", "yellow")) +
labs(
title = "Verteilung der Reaktionszeit nach Wortfarbe",
subtitle = "Wie unterscheiden sich die Reaktionszeiten nach der Wortfarbe?",
x = "Wortfarbe",
y = "Reaktionszeit",
fill = "Wortfarbe"
) +
theme_light()
p
# Beginnen Sie hier mit Ihrem Code:
d_ind <- d |>
drop_na() |>
mutate(trial = as.factor(trial),
congruent = as.factor(congruent)) |>
group_by(id, congruent) |>
summarise(
accuracy = mean(corr) * 100,
median_rt = median(rt))
p = d_ind |>
ggplot(aes(x = congruent, y = median_rt, color = accuracy)) +
theme_minimal(base_size = 12) +
geom_jitter(size = 2, alpha = 0.6) +
geom_boxplot(fill = "NA") +
scale_color_continuous(type = "viridis") +
labs(x = "Bedingung",
y = "Median Reaktionszeit in Sekunden",
color = "Richtigkeit der\nAntworten in %",
title = "Durchschnittliche Reaktionszeiten pro Versuchsperson",
subtitle = "Wie unterscheiden sich die Reaktionszeiten in kongruenten\nund inkongruenten Durchgängen?") +
theme(legend.background = element_rect(color=1),
axis.text = element_text(size=12),
axis.title.y = element_text(size=14,
vjust=2),
axis.title.x = element_text(size=14),
legend.text = element_text(size=12),
legend.title = element_text(size=14)) +
scale_x_discrete(labels = c("inkongruent", "kongruent"))
p
# Beginnen Sie hier mit Ihrem Code:
# Ziel: Accuracy pro Person und Condition (congruent/nicht-congruent)
# Wir brauchen die Accuracy der Bedingung (congruent/nicht congruent) für alle Vpn.
# Dann wollen wir noch ein Mittelmass über Boxplot verwenden
# Textvariablen zu Faktoren umwandeln
# d %>%
# mutate(across(where(is.character), as.factor))
# d %>%
# slice_head(n= 10)
# Gibt es fehlende Werte im Datensatz?
# naniar::vis_miss(d)
# Ja es gibt fehlende Werte in den Reaktionszeiten
# Die fehlenden Werte in den Reaktionszeiten genauer anschauen
d_missings <- d |> naniar::add_label_missings() |>
filter(any_missing == "Missing")
# head(d_missings)
#Trials, die fehlende Werte in den Reaktionszeiten beinhalten, werden ausgeschlossen:
d <- d %>%
filter(rt != "NA")
# Überprüfen: Hat das ausschliessen geklappt?
# naniar::vis_miss(d)
# Ja, es gibt keine fehlenden Werte mehr
# Auschluss von Reaktionszeiten unter 100ms und unter 10 Sekunden
d <- d %>%
filter(rt > 0.09 & rt < 10)
# Daten gruppieren nach ID und Bedingung: Anzahl Trials, Accuracy und mittlere Reaktionszeit berechnen
acc_rt_individual <- d %>%
group_by(id, congruent) %>%
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt)
)
# Plot: Wie viele Trials pro Bedingung hat jede Versuchsperson gelöst?
acc_rt_individual %>%
ggplot(aes(x = id, y = N)) +
geom_point() +
facet_wrap(~ congruent) +
geom_hline(yintercept = 40) + # Horizontale Linie einfügen
theme_minimal()
# Datensatz mit allen Ids, welche in mind. einer Condition nicht alle 60 Trials gelöst hatten
n_exclusions <- acc_rt_individual %>%
filter(N < 60)
# Wir schliessen alle Vpn aus, die in mind. einer Bedingung nicht alle 60 Trials gelöst hatten
d <- d %>%
filter(!id %in% n_exclusions$id)
# Wir gruppieren nochmals nach ID und Bedingung: Anzahl Trials, Accuracy und mittlere Reaktionszeit berechnen.
# (Diesmal aber ohne die Subjekte, die nicht in beiden Bedingungen 60 Trials hatten)
d_acc_rt_individual <- d %>%
group_by(id, congruent) %>%
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt)
)
# Der dazugehörige Plot bestätigt, dass wir alles richtig gemacht haben.
d_acc_rt_individual %>%
ggplot(aes(x = id, y = N)) +
geom_point() +
facet_wrap(~ congruent) +
geom_hline(yintercept = 40) + # Horizontale Linie einfügen
theme_minimal()
# Für weitere Analysen verwenden wir nun d_acc_rt_individual
######################################
# Wir schauen nun, ob es betreffend Accuracy noch Ausreisser im Datensatz gibt.
# Als Ausreisser definieren wir eine Person, die weniger als 40% Accuracy hatte
# Trials nach accuracy einteilen. Dazu fügen wir dem Datensatz d_acc_rt_individual eine neue Variable "performance" hinzu
d_acc_rt_individual <- d_acc_rt_individual %>%
mutate(
performance = case_when(
accuracy > 0.75 ~ "good",
accuracy < 0.4 ~ "bad",
TRUE ~ "chance level") %>%
factor(levels = c("good", "chance level", "bad")))
# Outlier visualisieren
# d_acc_rt_individual %>%
# ggplot(aes(x = id, y = accuracy, color = performance, shape = performance)) +
# geom_point(size = 2, alpha = 0.6) +
# geom_point(data = filter(d_acc_rt_individual, performance != "OK"),
# alpha = 0.9) +
# facet_grid(~congruent) +
# scale_color_manual(values = c("gray40", "steelblue", "red")) +
# geom_hline(yintercept = 0.5, linetype='dotted', col = 'black')+
# annotate("text", x = "sub-36817827", y = 0.5, label = "chance level", vjust = -1, size = 3) +
# theme_minimal(base_size = 12)
# Wir sehen im Plot direkt, dass es einen Ausreisser gibt.
# Es handelt sich um folgendes Subjekt:
accuracy_outliers <- d_acc_rt_individual %>%
filter(performance == "bad")
# Wir schliessen den Ausreisser aus dem Datensatz aus:
d_acc_rt_individual <- d_acc_rt_individual %>%
filter(performance != "bad")
# Nun kommen wir endlich zum Herzstück. Wir plotten wir die accuracy für jede Person und Bedingung
# Plot p1: Accuracy pro Vpn und Bedingung
# (Wichtig: Wir müssen ggplot sagen, dass "congruent" eine kategoriale Variable mit Ausprägungen 0 und 1 ist)
p1 <- d_acc_rt_individual |>
ggplot(aes(x = factor(congruent, labels = c("nicht-kongruent", "kongruent")), y = accuracy, color = factor(congruent))) +
geom_jitter(size = 3, alpha = 0.4,
width = 0.2, height = 0) +
geom_boxplot(width = 0.1, alpha = 0, color = "black") +
scale_color_manual(values = c("0" = "tomato2",
"1" = "skyblue3")) +
labs(x = "Bedingung",
y = "Anzahl korrekte Trials [%]",
title = "Accuracy pro Versuchsperson und Bedingung") +
theme_minimal(base_size = 12) +
theme(legend.position = "none")
# p1
##### Hier ist die eigentliche Aufgabe verwendet. Als Lösung bitte p1 verwenden #########
# Zum Spass plotten wir noch Plot p2: Reaktionszeit pro Vpn pro Bedingung
p2 <- d_acc_rt_individual |>
ggplot(aes(x = factor(congruent, labels = c("nicht-kongruent", "kongruent")), y = median_rt, color = factor(congruent))) +
geom_jitter(size = 3, alpha = 0.4,
width = 0.2, height = 0) +
geom_boxplot(width = 0.1, alpha = 0, color = "black") +
scale_color_manual(values = c("0" = "tomato2",
"1" = "skyblue3")) +
labs(x = "Bedingung",
y = "Median Antwortzeit [s]",
title = "Median-Reaktionszeit pro Versuchsperson und Bedingung") +
theme_minimal(base_size = 12) +
theme(legend.position = "none")
# p2
#mittels Patchwork können wir p1 und p2 nebeneinander anzeigen lassen
# Patchwork laden
library(patchwork)
p1 + p2
# Beginnen Sie hier mit Ihrem Code:
d$Congruence_Label <- ifelse(d$congruent == 0, "Incongruent", "Congruent")
p = d |>
ggplot(data = d,
mapping = aes(x = Congruence_Label, y = rt, color = Congruence_Label)) +
geom_jitter(size = 1.5, alpha = 0.3,
width = 0.2, height = 0) +
geom_boxplot(width = 0.2, alpha = 0, color = "black") +
labs(x = "Congruence of the word and the word color shown in the trial",
y = "Reaction Time",
title = "Reaction Time Differences",
subtitle = "How does the reaction time of the participants differ between the congruent and incongruent trials?") +
scale_color_manual(values = c("turquoise", "pink"))+
theme_minimal() +
theme(legend.position = "none")
p
# Beginnen Sie hier mit Ihrem Code:
# naniar::vis_miss(d)
#NA sind weniger als 0.1% in dem ganzen Datsatz und sind alle in der Variable rt -> in Plot werden diese rausgefiltert
d<-d %>%
mutate(condition=as.factor(congruent))
levels(d$condition) <- c("incongruent","congruent")
# glimpse(d)
#in der Zeilen 13-16 habe ich eine neue Variable kreiiert ("condition"), die ein Vektor der (numerischen) Variable "congruent" ist
p1=d %>%
filter(!is.na(rt)) %>%
ggplot(aes(x = condition, y = rt, color = condition))+
geom_jitter(size = 2, alpha = 0.3,
width = 0.4, height = 0.5) +
geom_boxplot(width= 0.5, alpha=0, color = 'black') +
scale_y_continuous(limits = c(0, 10))+
scale_color_manual(values = c(incongruent = "lightgreen",
congruent = "darkgreen"))+
labs(x = "Stroop Condition",
y = "Reaction Time [s]",
title = "Reaction Time (RT)",
subtitle = "Is there a difference in RT between conditions?") +
theme_minimal(base_size = 12) +
theme(legend.position = "none")
p1
# Inwiefern verändern sich die durchschnittlichen Reaktionszeiten zwischen
# den Farben über alle Trials?
library(ggplot2)
d$rt <- as.numeric(as.character(d$rt))
overall_avg_rt <- mean(d$rt)
d$rt <- as.numeric(as.character(d$rt))
overall_avg_rt <- mean(d$rt, na.rm = TRUE)
overall_sd_rt <- sd(d$rt, na.rm = TRUE)
# Plot Erstellen
p <- d %>%
group_by(trial, color) %>%
summarise(avg_rt = mean(rt)) %>%
ggplot(aes(x = trial, y = avg_rt, color = color)) +
geom_line() +
geom_errorbar(
aes(ymin = avg_rt - overall_sd_rt, ymax = avg_rt + overall_sd_rt),
linetype = "solid", color = "grey", width = 0.1
) +
labs(
x = "Trial",
y = "Reaktionszeit",
color = "Farben",
title = "Durchschnittliche Reaktionszeiten pro Farbe über alle Trials",
subtitle = "Inwiefern verändern sich die durchschnittlichen Reaktionszeiten zwischen den Farben über alle Trials? "
) +
geom_hline(yintercept = overall_avg_rt, linetype = "solid" , color = "black", linewidth = 1) +
theme_minimal() +
ggtitle("Durchschnittliche Reaktionszeiten pro Farbe über alle Trials") +
theme(
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold")
)
print(p)
# Beginnen Sie hier mit Ihrem Code:
mean_rt <- mean(d$rt)
sd_rt <- sd(d$rt)
p = d |>
ggplot(data = d,
mapping = aes(x = rt,
y = corr)) +
geom_point() +
geom_hline(yintercept = mean(d$corr), linetype = "dashed", color = "red", size = 1) + # Horizontale Linie für den Mittelwert der Wahrscheinlichkeit falscher Antworten
annotate("text", x = mean_rt, y = mean(d$corr) + 0.05, label = paste("Mean RT:", round(mean_rt, 2)), color = "blue", hjust = 0) + # Text für den Mittelwert der Reaktionszeit
annotate("text", x = mean_rt, y = mean(d$corr) + 0.1, label = paste("SD RT:", round(sd_rt, 2)), color = "green", hjust = 0) + # Text für die Standardabweichung der Reaktionszeit
labs(title = "Uebung 3: ggplot",
subtitle = "Beziehung zwischen Reaktionszeit und der Wahrscheinlichkeit einer falschen Antwort",
x = "Reaktionszeit", y = "Wahrscheinlichkeit einer falschen Antwort") +
theme_minimal()
p
#Beginnen Sie hier mit Ihrem Code
library(ggplot2)
library(dplyr)
# Daten zusammenfassen und fehlende Werte entfernen
d_summary <- d %>%
filter(!is.na(rt)) %>%
group_by(color) %>%
summarise(mean_rt = mean(rt),
sd_rt = sd(rt)) # Standardabweichung berechnen
# Rohdaten verarbeiten damit nur relevanter Bereich gezeigt wird
d <- d %>% filter(rt < 1.5)
# Erstellen einer Zuordnung von Farben zu Farben
color_mapping <- c("blue" = "blue", "yellow" = "gold")
# ggplot mit individuellen Farben für jeden Balken, Standardabweichung und Rohdaten
p <- ggplot(d_summary %>% filter(color %in% c("yellow", "blue")), aes(y = color, x = mean_rt, fill = color)) +
geom_bar(stat = 'identity') +
geom_point(data = d %>% filter(color %in% c("yellow", "blue")), aes(x = rt, group = color), position = position_jitter(width = 0.2), color = "lightgrey", size = 2.5, alpha = 0.05)+
geom_errorbar(data = d_summary %>% filter(color %in% c("yellow", "blue")), aes(xmin = mean_rt - sd_rt, xmax = mean_rt + sd_rt), width = 0.2)+ # Fehlerbalken für Standardabweichung
geom_text(aes(label = paste("mw =", round(mean_rt, 3)), x = 0.15), vjust = 0, color = "black", size = 3, data = d_summary %>% filter(color %in% c("yellow", "blue"))) + # Mittelwert als Zahl in die Balken schreiben
geom_text(aes(label = paste("sd")), vjust = -0.5, color = "black", size = 3, data = d_summary %>% filter(color %in% c("yellow", "blue")))+ # sd beschriften
scale_fill_manual(values = color_mapping) +
labs(title = "Stroop-Test",
subtitle = "Unterscheidet sich die Reaktionsgeschwindigkeit zwischen gelb und blau?",
y = "Farbe",
x = "Durchschnittliche Reaktionszeit in s") +
theme_light() +
theme(legend.position = "none") # Farbskala entfernen
p
# Beginnen Sie hier mit Ihrem Code:
data_summary <- d %>%
group_by(id, congruent) %>%
summarise(total_correct = sum(corr, na.rm = TRUE), .groups = 'drop')
plot_corrans <- ggplot(data_summary, aes(x = factor(congruent), y = total_correct, fill = factor(congruent))) +
geom_boxplot(color = "black", fill = "transparent", outlier.shape = NA) +
geom_point(aes(color = factor(congruent)), position = position_jitter(width = 0.35), size = 2, alpha = 0.3) +
scale_fill_manual(values = c("purple", "green")) +
scale_color_manual(values = c("purple", "green")) +
scale_x_discrete(labels = c("0" = "Inkongruent", "1" = "Kongruent")) +
labs(title = "Gesamtanzahl der korrekten Antworten nach Kongruenz",
subtitle = "Vergleich von kongruenten und inkongruenten Bedingungen pro Person",
x = "Kongruenz",
y = "Gesamtanzahl korrekter Antworten",
caption = "Datenquelle: Stroop-Experiment") +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
plot.subtitle = element_text(size = 12),
axis.title = element_text(face = "bold", size = 12),
axis.text = element_text(size = 10),
legend.title = element_text(size = 10),
legend.text = element_text(size = 9),
legend.position = "none"
)
plot_corrans
# Beginnen Sie hier mit Ihrem Code:
# sum(is.finite(d$rt))
p <- ggplot(d, aes(x = factor(congruent),
y = rt,
fill = factor(congruent))) +
geom_violin(trim = FALSE) +
stat_summary(fun = mean,
geom = "crossbar",
color = "black",
size = 0.5,
fatten = 2) +
coord_cartesian(ylim = c(0, 2.5)) +
labs(title = "Vergleich der Reaktionszeiten im Stroop-Experiment",
subtitle = "Gibt es einen Unterschied der Reaktionzeiten bei kongruenten und inkongruenten Farben?",
x = "Kongruenz (0 = Inkongruent, 1 = Kongruent)",
y = "Reaktionszeit (s)") +
scale_fill_manual(values = c("#FF1493", "#B4EEB4")) +
geom_jitter(width = 0.45, alpha = 0.1, size = 0.1) +
theme_minimal()
print(p)
#Plot erstellen
library(ggplot2)
d %>%
ggplot(aes(word,rt,
colour = corr))+
geom_point(size = 1, alpha = 0.5)+
facet_wrap(~color)+
geom_boxplot(alpha = 0.5)+
theme_bw()+
labs(title = "Unterscheiden sich die Reaktionszeiten zwischen Kongruent und Inkongruent?")
library(ggplot2)
library(dplyr)
# Alle mit Reaktionszeit grösser als 3.00 Sekunden und kleiner als 0.09 entfernen
d <- d %>%
filter(rt > 0.09 & rt <= 3.00)
# Erstellen eines neuen Datenrahmens mit den Titeln für die Facets
facet_labels <- data.frame(color = unique(d$color), facet_title = c("Wortfarbe: rot", "Wortfarbe: gelb", "Wortfarbe: blau"))
# Verbindung von Facet-Titeln mit dem Datensatz
d_with_labels <- left_join(d, facet_labels, by = "color")
# Erstellen des Plots mit individuellen Facet-Titeln
plot <- ggplot(data = d_with_labels, aes(x = word,
y = rt,
fill = factor(congruent))) +
geom_jitter(alpha = .04) +
#Boxplot soll über dem jitter sein
geom_boxplot(alpha = .75) +
# Achsenbeschriftungen
labs(title = "Stroop-Paradigma: Reaktionszeiten in Abhängigkeit von Farbwort und Wortfarbe",
subtitle = "Unterscheiden sich die Reaktionszeiten zwischen Kongruenten und Inkongruenten Items?",
x = "Farbwort",
y = "Reaktionszeit [Sekunden]",
fill = "Kongruenz",
caption = "Verteilung der Reaktionszeiten (in Sekunden) in Abhängigkeit, ob Farbwort und Wortfarbe
übereinstimmend waren (Kongruent) oder nicht übereinstimmend waren (Inkongruent).
Jeder Panel zeigt die Daten für eine bestimmte Wortfarbe.
Einzelne Reaktionszeiten sind durch die Jitter-Punkte dargestellt.") +
scale_fill_manual(values = c("0" = "sienna1", "1" = "paleturquoise2"),
labels = c("0" = "Inkongruent", "1" = "Kongruent")) +
theme_light() +
theme(legend.title = element_blank()) + #Kein Titel für die Legende
theme(legend.justification = "top") + # Legende obenrechts platzieren
facet_wrap(~facet_title, scales = "free")
plot
# Beginnen Sie hier mit Ihrem Code:
library(ggplot2)
p = d %>%
ggplot(aes(x = word, y = rt, fill = color)) +
geom_jitter(color= "grey", position = position_jitter(width = 0.2), alpha = 0.1) +
labs(
title = "Stroop-Test",
subtitle = "Unterschied in den Reaktionszeiten kongruent vs. inkongruent",
x = "Wort",
y = "Reaktionszeit (ms)",
fill = "Farbe"
) +
geom_boxplot() +
theme_minimal() +
scale_fill_manual(values = c("steelblue1", "indianred1", "yellow"))
print(p)
# Beginnen Sie hier mit Ihrem Code:
# sum(is.finite(d$rt))
p <- ggplot(d, aes(x = factor(congruent),
y = rt,
fill = factor(congruent))) +
geom_violin(trim = FALSE) +
stat_summary(fun = mean,
geom = "crossbar",
color = "black",
size = 0.5,
fatten = 2) +
coord_cartesian(ylim = c(0, 2.5)) +
labs(title = "Vergleich der Reaktionszeiten im Stroop-Experiment",
subtitle = "Gibt es einen Unterschied der Reaktionzeiten bei kongruenten und inkongruenten Farben?",
x = "Kongruenz (0 = Inkongruent, 1 = Kongruent)",
y = "Reaktionszeit (s)") +
scale_fill_manual(values = c("coral", "cornflowerblue")) + #Orange und Blau
geom_jitter(width = 0.45, alpha = 0.1, size = 0.1) +
theme_minimal()
print(p)
# Beginnen Sie hier mit Ihrem Code:
library(tidyverse)
library(patchwork)
# Daten laden
# d <- read.csv("data/dataset_stroop_clean.csv")
# d %>% slice_head(n = 10)
# Diagnostik
#view(d)
# naniar::vis_miss(d)
# summary(d$rt)
# eigentlich sollte im Zuge des Data Wranglings alle NA's entfernt worden sein (daher _clean) aber mit summary(d$rt) erscheinen 19 NA's
# NA's entfernen
d_missings <- d |> naniar::add_label_missings() |>
filter(any_missing == "Missing")
# head(d_missings)
# Variable congruent in conditions mit congruent/incongruent umwandeln
d_conditions <- d %>%
na.omit() %>%
mutate(condition = case_when(congruent == 1 ~ "congruent",
congruent == 0 ~ "incongruent"))
# Plot 1: Reaktionszeitsunterschiede zwischen conditions
p1 <- d_conditions %>%
ggplot(aes(x = condition, y = rt, color = condition)) +
geom_jitter(size = 3, alpha = 0.6,
width = 0.4, height = 0) +
geom_boxplot(width = 0.5, alpha = 0.8, color = "black") +
geom_violin(alpha = 0, color = "black") +
scale_color_manual(values = c(congruent = "tomato2",
incongruent ="skyblue3"))+
labs(title = "Differences in reaction time between conditions",
subtitle = "Could we measure the colour-interference effect?",
caption = "Übung 3 - Plot, congruent = colour-to-word match, incongruent = colour-to-word mismatch",
x = "Conditions",
y = "Reaction time (s)") +
theme_classic(base_size = 12) +
theme(legend.position = "right",
plot.title.position ="plot")+
scale_y_continuous(breaks = seq(0, max(d_conditions$rt), by = 0.5))
p1
# Für versch. Farben und conditions
d_farben <- d_conditions %>%
filter(color %in% c("yellow", "red", "blue"))
d_farben$congruent <- factor(d_farben$congruent)
# Plot erstellen
d_farben$congruent <- factor(d_farben$congruent, levels = c(0, 1), labels = c("incongruent", "congruent"))
p2 <- ggplot(d_farben, aes(x = color, y = rt, fill = color)) +
geom_boxplot(position = position_dodge(width = 0.8)) +
labs(title = "Reaction time for different colours",
subtitle = "Are there differences in reaction time between colours and conditions?",
x = "Colour",
y = "Reaction time (s)",
fill = "Colour") +
facet_wrap(~ congruent, scales = "free") +
scale_fill_manual(values = c("blue" = "blue", "yellow" = "yellow", "red" = "red")) +
theme_minimal() +
theme(legend.position = "right") +
scale_y_continuous(breaks = seq(0, max(d_conditions$rt), by = 0.5))
p2
# zusammenfügen
p1 + p2
# Beginnen Sie hier mit Ihrem Code:
p <- d|>
mutate(congruent = as.factor(congruent))|>
mutate(congruent = fct_recode(congruent ,
incongruent = "0" ,
congruent = "1")) |>
filter(rt != "NA")|>
group_by(id, congruent) |>
summarise(
N = n(), mean_rt = mean(rt))|>
ggplot(aes(x = congruent, y = mean_rt, color = congruent)) +
geom_jitter(size = 1.5, alpha = 0.5,
width = 0.2, height = 0) +
geom_boxplot(width = 0.4, alpha = 0, color = "black") +
labs(
x = "Condition",
y = "Mean Response Time [s]",
title = "Mean Response Time per Person and Condition",
subtitle = "Comparison of mean response times for the congruent and incongruent condition during a Stroop test",
fill = "Condition",
colour = "Condition"
) +
theme_minimal()
p
# Beginnen Sie hier mit Ihrem Code:
d_filtered = d |>
filter(!is.na(rt))
group_color = d_filtered |>
group_by(id, color, congruent) |>
summarise(mean_rt = mean(rt))
group_color <- group_color %>%
mutate(congruent = recode(congruent, `0` = "nicht kongruent", `1` = "kongruent"))
group_color <- group_color %>%
mutate(color = recode(color, `yellow` = "Gelb", `red` = "Rot", `blue` = "Blau"))
visual <- group_color %>%
ggplot(aes(x = color, y = mean_rt, color = congruent)) +
geom_jitter() +
geom_boxplot()+
labs(title = "Gruppenunterschiede in der Reaktionszeit zwischen Farben (mit und ohne Kongruenz zwischen Farbe & Wort)",
subtitle = "Gibt es Gruppenunterschiede zwischen bei Kongruenz von Farbe und Wort & gibt es dabei Unterschiede zwischen den Farben?",
x = "Farben", y="Durchschnittliche Reaktionszeit", color = "Kongruenz")+
theme_minimal() +
theme(plot.subtitle = element_text(color = "blue"))
visual
# Beginnen Sie hier mit Ihrem Code:
library(ggplot2)
library(patchwork)
person_rt <- d %>%
group_by(id, congruent) %>%
summarize(median_rt = median(rt, na.rm = TRUE)) %>%
ungroup() %>%
mutate(Condition = ifelse(congruent == 1, "Congruent", "Incongruent"))
# proportion correct per person for each condition
person_corr <- d %>%
group_by(id, congruent) %>%
summarize(proportion_correct = mean(corr, na.rm = TRUE)) %>%
ungroup() %>%
mutate(Condition = ifelse(congruent == 1, "Congruent", "Incongruent"))
p1 <- person_rt %>%
ggplot(aes(x = Condition, y = median_rt, color = Condition)) +
geom_point(position = position_jitter(width = 0.2), alpha = 0.5) +
scale_color_manual(values = c(Incongruent = "tomato2",
Congruent = "skyblue3")) +
geom_boxplot(alpha = 0, outlier.shape = NA) +
labs(title = 'Median Response Time',
x = 'Condition',
y = 'Median Response Time (seconds)') +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5)) +
theme(legend.position = 'inside')
p2 <- person_corr %>%
ggplot(aes(x = Condition, y = proportion_correct, color = Condition)) +
geom_point(position = position_jitter(width = 0.2), alpha = 0.5) +
scale_color_manual(values = c(Incongruent = "tomato2",
Congruent = "skyblue3")) +
geom_boxplot(alpha = 0, outlier.shape = NA) +
labs(title = 'Correct answers',
x = 'Condition',
y = 'Proportion Correct (percent)') +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5)) +
theme(legend.position = 'none')
p1 + p2 + plot_annotation("Inter-Personal Comparisons in Stroop Performance", caption = "Median per Person", theme=theme(plot.title=element_text(hjust=0.5)))
# Beginnen Sie hier mit Ihrem Code:
p = d |>
mutate(across(where(is.character), as.factor))
# Datensatz anschauen
# d |>
# slice_head(n = 10)
#Die Frage mit der ich mich befasse, ist, wie sich die Accuracy und die Response Time
#zwischen den Bedinungen (Congruent vs. Incongruent) unterscheidet.
#Dazu erstelle ich eine Grafik, die den Unterschied in der Accuracy bzw. der Response Time
#der einzelnen Personen zwischen den beiden Bedingungen vergleicht.
# library(naniar)
# naniar::vis_miss(d)
d_missings <- d |> naniar::add_label_missings() |>
filter(any_missing == "Missing")
# head(d_missings)
# zu schnelle und zu langsame Antworten ausschliessen
d <- d |>
filter(rt > 0.09 & rt < 15)
# Daten gruppieren: Anzahl Trials, Accuracy und mittlere Reaktionszeit berechnen
acc_rt_individual <- d |>
group_by(id, congruent) |>
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt)) |>
ungroup() %>%
mutate(Condition = ifelse(congruent == 1, "Congruent", "Incongruent"))
# Plot: Anzahl TrconditionCall()# Plot: Anzahl Trials pro Bedingung für jede Versuchsperson
# acc_rt_individual |>
# ggplot(aes(x = id, y = N)) +
# geom_point() +
# facet_wrap(~ congruent) +
# geom_hline(yintercept = 40) + # Horizontale Linie einfügen
# theme_minimal()
# Datensatz mit allen Ids, welche zuwenig Trials hatten
n_exclusions <- acc_rt_individual |>
filter(N < 40)
# Aus dem Hauptdatensatz diese Ids ausschliessen
d <- d |>
filter(!id %in% n_exclusions$id)
# Check
d_acc_rt_individual <- d |>
group_by(id, congruent) |>
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt)) |>
ungroup() %>%
mutate(Condition = ifelse(congruent == 1, "Congruent", "Incongruent"))
# Plot accuracy per person and condition
p1 <- d_acc_rt_individual |>
ggplot(aes(x = Condition, y = accuracy, color = Condition)) +
geom_point(position = position_jitter(width = 0.2), alpha = 0.5) +
scale_color_manual(values = c(Incongruent = "tomato2",
Congruent = "skyblue3")) +
geom_boxplot(alpha = 0, outlier.shape = NA) +
labs(title = 'Accuracy per Person and Condition',
x = 'Condition',
y = 'Proportion correct') +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5)) +
theme(legend.position = 'none')
p2 <- d_acc_rt_individual |>
ggplot(aes(x = Condition, y = median_rt, color = Condition)) +
geom_point(position = position_jitter(width = 0.2), alpha = 0.5) +
scale_color_manual(values = c(Incongruent = "tomato2",
Congruent = "skyblue3")) +
geom_boxplot(alpha = 0, outlier.shape = NA) +
labs(title = 'Median Response Time per Person and Condition',
x = 'Condition',
y = 'Median Response Time (seconds)') +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5)) +
theme(legend.position = "none")
p1 + p2
#Die Antwort auf meine Fragestellung:
#Die Accuracy ist in der Congruenten Bedingung etwas höher als in der Incongruenten Bedinung.
#Die Response Time ist in der Congruenten Bedinung schneller als in der Incongruenten Bedingung.
#Dies entspricht meinen Erwartungen
# Beginnen Sie hier mit Ihrem Code:
# sum(is.finite(d$rt))
p <- ggplot(d, aes(x = factor(congruent),
y = rt,
fill = factor(congruent))) +
geom_violin(trim = FALSE) +
stat_summary(fun = mean,
geom = "crossbar",
color = "black",
size = 0.5,
fatten = 2) +
coord_cartesian(ylim = c(0, 2.5)) +
labs(title = "Stroop-Experiment: Vergleich der Reaktionszeiten",
subtitle = "Unterscheiden sich die Reaktionzeiten bei kongruenten und inkongruenten Farben?",
x = "Kongruenz (0 = inkongruent, 1 = kongruent)",
y = "Reaktionszeit (s)") +
scale_fill_manual(values = c("#FF00CC", "#33FF33")) +
geom_jitter(width = 0.45, alpha = 0.1, size = 0.1) +
theme_minimal()
print(p)
# Beginnen Sie hier mit Ihrem Code:
# sum(is.finite(d$rt))
p <- ggplot(d, aes(x = factor(congruent),
y = rt,
fill = factor(congruent))) +
geom_violin(trim = FALSE) +
stat_summary(fun = mean,
geom = "crossbar",
color = "black",
size = 0.5,
fatten = 2) +
coord_cartesian(ylim = c(0, 2.5)) +
labs(title = "Vergleich der Reaktionszeiten im Stroop-Experiment",
subtitle = "Gibt es einen Unterschied der Reaktionzeiten bei kongruenten und inkongruenten Farben?",
x = "Kongruenz (0 = Inkongruent, 1 = Kongruent)",
y = "Reaktionszeit (s)") +
scale_fill_manual(values = c("#FFFF00", "#FF69B4")) + # Gelb und Pink
geom_jitter(width = 0.45, alpha = 0.1, size = 0.1) +
theme_minimal()
print(p)
d <- d %>%
mutate(across(where(is.character), as.factor))
# Missings ausschliessen:
# naniar::vis_miss(d)
d_missings <- d |> naniar::add_label_missings() |>
filter(any_missing == "Missing")
# head(d_missings)
d <- d |>
filter(rt != "NA")
# naniar::vis_miss(d)
# Unrealistische (Ausreisser-)Werte filtern:
# summary(d)
d <- d %>%
filter(rt > 0.1)
# Nach Vpn gruppieren:
d_individual <- d %>%
group_by(id) %>%
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt)
)
# Ausreisser filtern (u.a. ästhetische Gründe):
# ggplot(data = d_individual,
# mapping = aes(x= accuracy,
# y= median_rt)) +
# geom_jitter()
d_individual <- d_individual %>%
filter(accuracy > 0.9,
median_rt < 1.5)
# Nach Farbe gruppieren:
d_color <- d %>%
group_by(color) %>%
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt),
sd_rt = sd(rt)
)
# ggplot(data = d_color,
# mapping = aes(x = accuracy,
# y = median_rt)) +
# geom_jitter()
# Farbengetrennte Datensätze:
d_red <- d_color %>%
filter(color=="red")
d_blue <- d_color %>%
filter(color=="blue")
d_yellow <- d_color %>%
filter(color=="yellow")
# Plot:
ggplot(data = d_individual,
mapping = aes(x = accuracy*100,
y = median_rt)) +
geom_point(size = 5,
alpha = 0.25) +
geom_errorbar(data = d_blue,
aes(x = accuracy*100,
y = median_rt,
ymin = median_rt - sd_rt,
ymax = median_rt + sd_rt),
color = '#0000FF',
width = 0.5) +
geom_point(data = d_blue,
aes(x = accuracy*100,
y = median_rt),
color = '#0000FF',
size = 6) +
geom_errorbar(data = d_red,
aes(x = accuracy*100,
y = median_rt,
ymin = median_rt - sd_rt,
ymax = median_rt + sd_rt),
color = '#FF0000',
width = 0.5) +
geom_point(data = d_red,
aes(x = accuracy*100,
y = median_rt),
color = '#FF0000',
size = 6) +
geom_errorbar(data = d_yellow,
aes(x = accuracy*100,
y = median_rt,
ymin = median_rt - sd_rt,
ymax = median_rt + sd_rt),
color = '#FFD700',
width = 0.5) +
geom_point(data = d_yellow,
aes(x = accuracy*100,
y = median_rt),
color = '#FFD700',
size = 6) +
labs(title = "Farbunterschiede im Stroop-Test",
subtitle = "Welche Farbe wird am besten erkannt?",
x = "Richtige Antworten [%]",
y = "Mittlere Reaktionszeit [s]") +
xlim(90, 100) +
theme_bw()
# Code innerhalb der folgenden 2 Linien darf nicht verändert werden
# --------------------------------------------------------------------------------------
# Beginnen Sie hier mit Ihrem Code:
d$congruent <- recode(d$congruent, "0" = "incongruent", "1" = "congruent") %>%
as.factor()
d_mean_rt_individual <- d %>%
drop_na() %>%
group_by(id, congruent) %>%
summarise(mean_rt = mean(rt)) %>%
ungroup() %>%
group_by(congruent) %>%
mutate(sd_congruency = sd(mean_rt), mean_congruency = mean(mean_rt))
library(ggridges)
p5 <- d_mean_rt_individual %>%
ggplot(mapping = aes(x = mean_rt, y = congruent, fill = congruent, colour = congruent)) +
geom_density_ridges(aes(point_color = congruent, point_fill = congruent),
alpha = .2, point_alpha = 1, scale = 0.6, jittered_points = TRUE) +
scale_fill_manual(values = c("tomato3", "skyblue3")) +
geom_errorbarh(aes(xmax = d_mean_rt_individual$mean_congruency + d_mean_rt_individual$sd_congruency,
xmin = d_mean_rt_individual$mean_congruency - d_mean_rt_individual$sd_congruency),
linewidth = 1, colour = "#000000",) +
labs(title = "Congruency Effect on Reaction Time (rt) Standard Deviation (SD)",
subtitle = "Is SD Inreased in Incongruent Stroop Task?",
x = "rt (s)",
y = "congruency") +
theme_light(base_size = 12) +
theme(legend.position = "none")
p5
# Beginnen Sie hier mit Ihrem Code:
## congruent in factor umwandeln
d <- d %>%
mutate(congruence = as.factor(congruent),
congruence = fct_recode(congruence,
kongruent = "1",
inkongruent = "0"))
## Durchschnittliche rt pro Bedingung berechnen
d_rt_summary <- d %>%
select(rt,congruence) %>%
drop_na() %>%
group_by(congruence) %>%
summarise(rt_mean = mean(rt))
## Reaktionszeit pro Person pro Bedingung berechnen
d_rt_pp <- d %>%
select(id, rt, congruence) %>%
drop_na() %>%
group_by(id, congruence) %>%
summarise(rt_pp = mean(rt))
## Standardfehler berechnen
d_rt_within <- d %>%
select(id, congruence, rt) %>%
drop_na() %>%
Rmisc::summarySEwithin(measurevar = "rt",
withinvars = "congruence",
idvar = "id",
na.rm = FALSE,
conf.interval = 0.95)
## Plot erstellen
plot <- d %>%
ggplot(aes(x = congruence, y = rt, color = congruence, group = 1)) +
geom_jitter(data = d_rt_pp,
aes(x = congruence, y = rt_pp),
alpha = 0.75,
width = 0.15) +
geom_point(data = d_rt_summary,
aes(x = congruence, y = rt_mean),
color = "#454545",
size = 2.25) +
geom_errorbar(data = d_rt_within,
width = 0.075,
aes(ymin = rt-sd, ymax = rt+sd),
color = "#454545") +
scale_color_manual(values = c(kongruent = "#2E8B57",
inkongruent = "#EE9A49")) +
labs(x = "Bedingung",
y = "Reaktionsgeschwindigkeit [s]",
title = "Reaktionszeiten pro Person und Bedingung",
subtitle = "Unterscheidet sich die Reaktionszeit je nach Bedingung?",
caption = "Mittelwerte + Standardabweichungen",
color = "Bedingung") +
theme_minimal() +
theme(legend.position = "none")
plot
# Beginnen Sie hier mit Ihrem Code:
p <- ggplot(d, aes(x = factor(congruent),
y = rt,
fill = factor(congruent))) +
geom_violin(trim = FALSE) +
stat_summary(fun = mean,
geom = "crossbar",
color = "black",
size = 0.5,
fatten = 2) +
coord_cartesian(ylim = c(0, 2.5)) +
labs(title = "Vergleich der Reaktionszeiten im Stroop-Experiment",
subtitle = "Gibt es einen Unterschied der Reaktionzeiten bei kongruenten und inkongruenten Farben?",
x = "Kongruenz (0 = Inkongruent, 1 = Kongruent)",
y = "Reaktionszeit (s)") +
scale_fill_manual(values = c("#FF9999", "#9999FF")) +
geom_jitter(width = 0.45, alpha = 0.1, size = 0.1) +
theme_minimal()
print(p)
# Beginnen Sie hier mit Ihrem Code:
#Version 1: Boxplot
p1 = d %>%
mutate(Zusammenhang = if_else(congruent == 1, "Kongruent", "Inkongruent")) %>%
ggplot((aes(x=Zusammenhang, y=rt))) + geom_boxplot(fill = "skyblue", color = "darkblue") +
labs(title = "Vergleich der Reaktionszeiten",
subtitle = "Unterscheiden sich die Reaktionszeiten je nach Bedingung?",
x = "Bedingungen",
y = "Reaktionszeit (s)")
#Version 2: Histogramm
p2 = d %>%
mutate(Zusammenhang = if_else(congruent == 1, "Kongruent", "Inkongruent")) %>%
ggplot(aes(x = rt, fill = Zusammenhang)) +
geom_histogram(position = "dodge", bins = 20, color = "black") +
labs(title = "Vergleich der Reaktionszeiten",
subtitle = "Unterscheiden sich die Reaktionszeiten je nach Bedingung?",
x = "Reaktionszeit (s)",
y = "Anzahl der Beobachtungen") +
scale_fill_manual(values = c("Kongruent" = "skyblue", "Inkongruent" = "darkblue"))
library(patchwork)
p1+p2
# Frage: wie sieht die Veränderung der Reaktionszeiten über das Experiment
# hinweg aus?
# Beginnen Sie hier mit Ihrem Code:
#numerischer Vektor erstellen
d$rt <- as.numeric(as.character(d$rt))
#Gruppieren nach "id" und Berechnen des Mittelwerts von "rt" pro Versuchsperson
mean_rt_by_trial <- d %>%
group_by(trial) %>%
summarise(mean_rt = mean(rt, na.rm = TRUE))
#Ausgabe der durchschnittlichen Reaktionszeit pro Versuchsperson
# print(mean_rt_by_trial)
#Berechnung des Durchschnitts der durchschnittlichen Reaktionszeiten
mean_mean_rt <- mean(mean_rt_by_trial$mean_rt)
#Berechnung der Standardabweichung
mean_sd_rt <- sd(mean_rt_by_trial$mean_rt)
#Plot erstellen
ggplot(mean_rt_by_trial, aes(x = trial, y = mean_rt)) +
geom_line(alpha = 0.8, color = "blue2") +
geom_hline(yintercept = mean_mean_rt, linetype = "dashed", color = "seagreen4") +
geom_errorbar(aes(ymin = mean_rt - mean_sd_rt, ymax = mean_rt + mean_sd_rt), width = 0.2, color = "grey1") +
labs(x = "Trial", y = "Durchschnittliche Reaktionszeit", subtitle = "Wie sieht die Veränderung der Reaktionszeiten über das Experiment hinweg aus?") +
ggtitle("Reaktionszeiten im Verlauf des Experiments") +
theme_classic() +
theme(text = element_text(family = "Times"))
# Beginnen Sie hier mit Ihrem Code:
# sum(is.finite(d$rt))
p <- ggplot(d, aes(x = factor(congruent),
y = rt,
fill = factor(congruent))) +
geom_violin(trim = FALSE) +
stat_summary(fun = mean,
geom = "crossbar",
color = "black",
size = 0.5,
fatten = 2) +
coord_cartesian(ylim = c(0, 2.5)) +
labs(title = "Vergleich der Reaktionszeiten im Stroop-Experiment",
subtitle = "Gibt es einen Unterschied der Reaktionzeiten bei kongruenten und inkongruenten Farben?",
x = "Kongruenz (0 = Inkongruent, 1 = Kongruent)",
y = "Reaktionszeit (s)") +
scale_fill_manual(values = c("#CD3333", "#0000EE")) + # Rot und Blau
geom_jitter(width = 0.45, alpha = 0.1, size = 0.1) +
theme_minimal()
print(p)
# Beginnen Sie hier mit Ihrem Code:
library(ggplot2)
d_neu <- d |>
mutate(congruent = factor(congruent, labels = c("Inkongruent", "Kongruent"))) %>%
group_by(id, congruent) |>
summarise(
N = n(),
ncorrect = sum(corr),
accuracy = mean(corr),
median_rt = median(rt)
)
# glimpse(d_neu)
p = d_neu |>
ggplot(mapping = aes(x = congruent, y = median_rt, fill = factor(congruent))) +
geom_jitter(width = 0.1, alpha = 0.5) +
geom_boxplot(outlier.shape = NA) +
scale_y_continuous(limits = c(0, 1.5)) +
scale_fill_manual(values = c("Kongruent" = "red", "Inkongruent" = "blue")) +
scale_color_manual(values = c("Kongruent" = "red", "Inkongruent" = "blue")) +
labs(
title = "Kongruenz im Stroop-Task",
subtitle = "Wie unterscheiden sich die Mittelwerte der Reaktionszeiten zwischen den Bedingungen?",
x = "Kongruenz",
y = "Reaktionszeit") +
theme_minimal()
p@online{fitze,
author = {Fitze, Daniel and Wyssen, Gerda},
title = {Plot {Gallery-} {Mi}},
url = {https://kogpsy.github.io/neuroscicomplabFS24//pages/chapters/gallery_mi.html},
langid = {en}
}