###############################################################################
## Inhalt:
## Eine erste Beispielsitzung mit R
## vgl. Abschnitt 0.7 im Skript von Ruckdeschel und Kohl
###############################################################################

help.start() # startet die Hilfe
#
#in R einzuladen:
#    library (MASS)
#
x<-rnorm(50) # generiert 50 uiv N(0,1) 
             # verteilte Variablen
             # und schreibt sie in den Vektor x
y<-rnorm(50)
#
h<-chull(x,y)      # berechnet die konvexe Huelle
        # der Punkte z[.]=(x[.],y[.])
#
plot(x,y)          #plotet die Punkte x,y
#
polygon(x[h],y[h]) # zeichnet die Huelle ein
#
objects() # listet die R-Objekte, die z.Z.
          # im .Data- DIR liegen
#
rm(x,y,h) # loescht die Objekte x,y,h
#
x<-rnorm(10000) 
y<-rnorm(10000) # generiert 1000 Paare uiv N(0,1) 
               # verteilter Variablen
#
hist(c(x,y+2),25) # Histogramm einer Mischung
       # von NV-s: 25 Saeulen, 
       # 25 ^= Argument "nclass"
       # und Verschiebung um 2 in der 2. Komp.
#
require(MASS)
dd <- kde2d(x,y)
# Kontour Persp.- und 3D-Plot)
contour(dd)
persp(dd, theta=-30, phi=30, d=5)
image(dd)
#
rm(x,y)
#
demo(persp)
demo(image)
#
x<-seq(1,20,0.5) # erzeugt (1,1.5,2,...,19.5,20)
#besser mit Argumentbezeichnungen! (aber hier:
#Zitat aus V:R:99)
#
x      # listet den Inhalt auf
#
w<- 1+ x/2  # als Gewichtvektor
y<- x + w*rnorm(x)
#
dum<-data.frame(x,y,w) # erzeugt Data-Frame 
       # aus x,y,w
dum # und listet den Inhalt
#
rm(x,y,w)
#
fm<- lm( y ~ x, data=dum)  # passt eine einfache
       # lineare Regression von y auf x an
summary(fm) # und listet die Zusammenfassung
#
fm1<- lm( y ~ x, data=dum, weight=1/w^2)  
       # passt eine gewichtete lineare Regression
       # von y auf x mit Gewichten 1/w^2 an
summary(fm1) # und listet die Zusammenfassung
#
library(modreg) # laedt die Library modreg
#
lrf <- loess(y ~ x, data=dum)  
       # passt eine lokale, glatte
       # Regression von y auf x an (mit "loess")
#
attach(dum) # macht die Attribute von dum
       # als Variablen verfuegbar
plot(x,y)   # Scatterplot von y gg  x
#
lines(spline(x,fitted(lrf))) 
       # plottet die lokale Regressionslinie
abline(0,1,lty=3) # fuegt die tatsaechliche
       # Regressionsgerade ein (mit einem
       # anderen Linientyp)
abline(fm)  # fuegt die ungewichtete 
       # Regressionsgerade ein
       # abline() bezieht die noetige Information
       # dazu aus dem Objekt fm
abline(fm1,lty=4) # fuegt die gewichtete 
       # Regressionsgerade ein -- im Linientyp 4
#
# Ausgabe moeglich ueber Kontextmenu
#         (rechte/mittlere Maustaste) 
#
plot(fitted(fm),resid(fm), 
        xlab="eingepasste Werte",
        ylab="Residuen")
      # ein Standard-Diagnose-Plot
      # zum Checken der Homoskedastizitaet
      # hier: Heterosked. - sichtbar?
qqnorm(resid(fm))
qqline(resid(fm))
      # Normal-Scores-Plot zum Check der 
      # NV-Annahme (Schiefe, Kurtosis,
      # Ausreisser)
detach()   # abloesen des DataFrames von 
      # der Suchliste
rm(fm,fm1,lrf,dum)  # aufraeumen
#
# Der Hill-Datensatz:
# Rekorde in schottischen Bergrennen
# gegen Streckenlaenge
# und Hoehenmeter
#
data(hills)  # laden des Hill-Datensatzes
hills # listing
#
pairs(hills)
attach(hills)
#
plot(dist, time)
if(interactive()) 
   identify(dist, time, row.names(hills))
abline(lm(time ~ dist))
       # interaktives Labeln der Datenpunkte
#
abline(lqs(dist, time), lty=3, col=4)
       # robuste Regression mit lts 
detach()
#
# Michelson-Datensatz (1879) zur Messung 
# der Lichtgeschwindigkeit
#
data(michelson)
attach(michelson)
search() # welche Daten stehen R zur Verfuegung?
plot.factor(Expt, Speed,  
       main="Speed of Light Data", 
       xlab="Experiment No.")
       # Vergleich der 5 Experimente anhand
       # einfacher Boxplots
fm <-  aov(Speed ~ Run + Expt)
       # ANOVA-Analyse als randomisiertes
       # Block-Design mit "runs" und "Experiment"
       # als Faktoren
summary(fm)
fm0 <- update(fm, . ~ . - Run)
       # Modell-Fit unter Weglassung der 
       # unsinnigen Faktoren "runs" und 
       # Vergleich der beiden Modelle 
       # mithilfe einer formalen ANOVA
anova(fm0, fm)    # die ANOVA
detach()          # aufraeumen
rm(fm, fm0)       # aufraeumen