---
lesson: Statistik 4
knitr:
  opts_chunk: 
    collapse: false
musterloesung: true
editor: 
  markdown: 
    wrap: 72
---


# Statistik 4: Übung

-   Lesen Sie den Datensatz *steprasen_ukraine.csv* in R ein. Dieser
    enthält Pflanzenartenzahlen (Species_richness) von 199 10 m² grossen
    Plots (Vegetationsaufnahmen) von Steppenrasen in der Ukraine sowie
    zahlreiche Umweltvariablen (Table 1)

| Name | Description |
|--------------------------|----------------------------------------------|
| Elevation | Elevation \[m a.s.l.\] |
| Inclination | Inclination \[°\] |
| Heat_index | Heat index |
| Microrelief | Microrelief \[cm\] |
| Grazing_intensity | Grazing intensity (0 = 0; 1 = low; 2 = medium; 3 = high) |
| Litter | Cover litter \[%\] |
| Stones_and_rocks | Cover stones and rocks \[%\] |
| Gravel | Cover gravel \[%\] |
| pH | pH (H~2~O) |
| Conductivity | Conductivity (µS/cm) |
| CaCO~3~ | CaCO~3~ content (%) (g CaCO~3~ / g soil) |
| N_total | N total (mmol/gTB) |
| C_org | C org (mmol/gTB) |
| CN_ratio | C org / N org (mol/mol) |
| Temperature | Annual mean temp. °C x 10 (WorldClim, BIO_01) |
| Temperature_range | Annual temp. range °C x 10 (WorldClim, BIO_07) |
| Precipitation | Annual precipitation mm (WorldClim, BIO_12) |

: Environmental measures of the vegetation plots in steppe grassland (n
= 199)



-   **Ermitteln Sie ein minimal adäquates Modell, das den Artenreichtum
    in den Plots durch die Umweltvariablen erklärt.**
-   Bitte erklären und begründen Sie die einzelnen Schritte, die Sie
    unternehmen, um zu diesem Ergebnis zu kommen. Dazu erstellen Sie
    bitte ein mit Quarto generiertes pdf-Dokument, in das Sie Schritt
    für Schritt den verwendeten R-Code, die dazu gehörigen Ausgaben von
    R, Ihre Interpretation derselben und die sich ergebenden
    Schlussfolgerungen für das weitere Vorgehen dokumentieren.
-   Dieser Ablauf sollte insbesondere beinhalten:
    -   Überprüfen der Datenstruktur nach dem Einlesen: welches sind die
        abhängige(n) und welches die unabängige(n) Variablen, sind alle
        Variablen für die Analyse geeignet?

    -   Explorative Datenanalyse

    -   Definition eines globalen Modelles und dessen Reduktion zu einem
        minimal adäquaten Modell

    -   Durchführen der Modelldiagnostik für dieses

    -   Generieren aller Zahlen, Statistiken und Tabellen, die für eine
        wiss. Ergebnisdarstellung benötigt werden

    -   Formulieren Sie abschliessend einen Methoden- und Ergebnisteil
        (ggf. incl. adäquaten Abbildungen) zu dieser Untersuchung in der
        Form einer wissenschaftlichen Arbeit (ausformulierte
        schriftliche Zusammenfassung, mit je einem Absatz von ca. 60-100
        Worten, resp. 3-8 Sätzen für den Methoden- und
        Ergebnisteil). D. h. alle wichtigen Informationen sollten
        enthalten sein, unnötige Redundanz dagegen vermieden werden.

        -   **Zu erstellen sind (1) Ein quarto generiertes pdf-Dokument
            mit begründetem Lösungsweg (Kombination aus R-Code, R Output
            und dessen Interpretation) und (2) ausformulierter Methoden-
            und Ergebnisteil (für eine wiss. Arbeit).**


::::{.content-hidden unless-meta="musterloesung"}

:::{.callout-note}


## Lösung Übung 4

[Demoscript herunterladen (.R)](../purl/Statistik4_Uebung.R){.dld}

[Demoscript herunterladen (.qmd)](../purl/Statistik4_Uebung.qmd){.dld}

-   [Lösungstext als Download](Statistik4_Loesung.pdf)

```{r}
library(readr)
library(ggplot2)
```

```{r}
#| message: false
stgl <- read_delim("datasets/stat/steprasen_ukraine.csv", delim = ";")
str(stgl)
```

Man erkennt, dass alle Spalten bis auf die erste mit der Plot ID
numerisch (num) sind. Wir können nun die Variable "PlotID" als rownames
setzten

```{r}
# Setze erste Spalte (colum) als rownames
library(tibble)

stgl <- stgl |>
  column_to_rownames(var = "PlotID")
```

Nun steht die abhängige Variable in Spalte 1 und die Prediktorvariablen
in den Spalten 2 bis 19 stehen.

```{r}
summary(stgl)
```

Da es sich bei Artenzahlen um Zähldaten handelt, müsste man theoretisch
ein glm mit Poisson-Verteilung rechnen; bei einem Mittelwert, der
hinreichend von Null verschieden ist (hier: ca. 40), ist eine
Poisson-Verteilung aber praktisch nicht von einer Normalverteilung zu
unterscheiden und wir können uns den Aufwand auch sparen.

```{r}
#| eval: false

cor <- cor(stgl[, 2:19])
cor[abs(cor)<0.7] <- 0
cor
```

Die Korrelationsanalyse dient dazu, zu entscheiden, ob die
Prädiktorvariablen hinreichend voneinander unabhängig sind, um alle in
das globale Modell hinein zu nehmen. Bei Pearson’s
Korrelationskoeffizienten r, die betragsmässig grösser als 0.7 sind,
würde es problematisch. Alternativ hätten wir auch den VIF (Variance
Inflation Factor) als Kriterium für den möglichen Ausschluss von
Variablen aus dem globalen Modell nehmen können.

Wenn man auf die matirx "cor" nun in einem separaten Fenster öffnet,
sieht man, wo es problematische Korrelationen zwischen Variablenpaaren
gibt. Es sind dies Altitude vs. Temperature und N.total vs. C.org. Wir
müssen aus jedem dieser Paare jetzt eine Variable rauswerfen, am besten
jene, die weniger gut interpretierbar ist. Ich entscheide mich dafür
Temperature statt Altitude (weil das der direktere ökologische
Wirkfaktor ist) und C.org statt N.total zu behalten (weil es in der
Literatur mehr Daten zum Humusgehalt als zum N-Gehalt gibt, damit eine
bessere Vergleichbarkeit erzielt wird). Die Aussagen, die wir für die
beibehaltene Variable erzielen, stehen aber +/- auch für die entfernten 
Variablen.

```{r}
#| include: false

# write.table(cor, file = "stat/Correlation.csv", sep = ";", dec = ".", col.names = NA)
```

Nun können wir das globale Modell definieren, indem wir alle
verbleibenden Variablen aufnehmen, das sind 16. (Wenn das nicht eh schon
so viele wären, dass es uns an die Grenze der Rechenleistung bringt,
hätten wir auch noch darüber nachdenken können, einzelne quadratische
Terme oder Interaktionsterme zu berücksichtigen).

```{r}
global_model <- lm(Species_richness ~ 
                     Inclination + 
                     Heat_index + 
                     Microrelief + 
                     Conductivity +
                     Grazing_intensity +
                     Litter +
                     Precipitation +            
                     Stones_and_rocks + 
                     Gravel + 
                     Fine_soil + 
                     pH + 
                     CaCO3 + 
                     C_org + 
                     CN_ratio + 
                     Temperature +
                     Temperature_range,
                   data = stgl)
```

Nun gibt es im Prinzip zwei Möglichkeiten, vom globalen (vollen) Modell
zu einem minimal adäquaten Modell zu kommen. (1) Der Ansatz der
"frequentist statistic", in dem man aus dem vollen Modell so lange
schrittweise Variablen entfernt, bis nur noch signifikante Variablen
verbleiben. (2) Den informationstheoretischen Ansatz, bei dem alle
denkbaren Modelle berechnet und verglichen werden (also alle möglichen
Kombinationen von 13,12,…, 1, 0 Parametern). Diese Lösung stelle ich im
Folgenden vor:

```{r}
# Multimodel inference
library("MuMIn")

options(na.action = "na.fail")
allmodels <- dredge(global_model)
```

```{r}
allmodels[1:10]
```

Jetzt bekommen wir die besten 10 der insgesamt 65536 möglichen Modelle
gelistet mit ihren Parameterschätzungen und ihrem AICc.

Das beste Modell umfasst 5 Parameter (CaCO3, CN.ratio,
Grazing.intensity. Heat.index, Litter). Allerdings ist das nächstbeste
Modell (mit 6 Parametern) nur wenig schlechter (delta AICc = 0.71), was
sich in fast gleichen (und zudem sehr niedrigen) Akaike weights
bemerkbar macht. Nach dem Verständnis des Information theoretician
approach, sollte man in einer solchen Situation nicht das eine "beste"
Modell benennen, sondern eine Aussage über die Gruppe der insgesamt
brauchbaren Modelle treffen. Hierzu kann man (a) Importance der
Parameter über alle Modelle hinweg berechnen (= Summe der Akaike weights
aller Modelle, die den betreffenden Parameter enthalten) und/oder (b)
ein nach Akaike weights gemitteltes Modell berechnen.

```{r}
# Importance values der Variablen
sw(allmodels)
```

Demnach ist Heat.index die wichtigste Variable (in 100% aller relevanten
Modelle), während ferner Litter, CaCO3, CN_ratio und Grazing_intensity
in mehr als 50% der relevanten Modelle enthalten sind.

```{r}
# Modelaveraging (Achtung: dauert mit 13 Variablen einige Minuten)
avgmodel <- model.avg(allmodels)
summary(avgmodel)$coefficients
```

Aus dem gemittelten Modell können wir die Richtung der Beziehung
(positiv oder negativ) und ggf. die Effektgrössen (wie verändert sich
die Artenzahl, wenn die Prädiktorvariable um eine Einheit zunimmt?)
ermitteln.

```{r}
# Modelldiagnostik nicht vergessen
par(mfrow = c(2, 2))
plot(global_model)

plot( lm(Species_richness ~ 
           Heat_index +  Litter + CaCO3 + CN_ratio + Grazing_intensity, 
         data = stgl))
```

Wie immer kommt am Ende die Modelldiagnostik. Wir können uns entweder
das globale Modell oder das Modell mit den 5 Variablen mit importance \>
50% anschauen. Das Bild sieht fast identisch aus und zeigt keinerlei
problematische Abweichungen, d. h. links oben weder ein Keil, noch eine
Banane, rechts oben eine nahezu perfekte Gerade.
:::
::::
