Deutsches R-Forum

Verfasst: **Fr Jan 29, 2021 3:21 pm**

Liebes R-Forum,
ich bräuchte eure Hilfe!

Ich habe meine Schüler*innen jeweils Concept Maps (Netzwerke) malen lassen, anschließend ein Spiel mit ihnen gespielt und sie daraufhin wieder Concept Maps mit den selben Begriffen (nodes) malen lassen. Nun möchte ich vergleichen, ob sich die Verbindungen (edges) der Begriffe (nodes) in den Maps vor und nach dem Spiel voneinander unterscheiden.

Dabei bin ich auf die Funktion NCT gestoßen. Ich würde sie sehr gerne verwenden, habe aber das Problem, dass ich meine Daten als Netzwerk, Edgelist und als Matrix gespeichert habe, der Network-Comparision-Test (NCT) benötigt allerdings einen Dataframe in Form von nodes x Versuchspersonen. Ich weiß nicht, wie ich meine Daten in dieses Format bekommen soll ... Auch ein Ergebnis der estimateNetwork-Funktion wäre benutzbar und auch dort weiß ich nicht, wie ich diese mit meinem Datenformat anwenden soll...

Über Hilfe, wie ich die NCT trotz meiner Datenformate benutzen kann oder über andere Möglichkeiten, Netzwerke miteinander vergleichen kann, wäre ich super dankbar!!

Mit freundlichen Grüßen
Lara Trani

Verfasst: **Fr Jan 29, 2021 3:42 pm**

Hallo Lara,

willkommen im Forum!
Kannst Du uns bitte ein Beispiel von zwei zu vergleichenden Netzwerken geben?
Falls die Daten schon in R sind, verwende bitte:

Code: Alles auswählen

dput(Netzwerk1) # und
dput(Netzwerk2)

und kopiere das Ergebnis in Deine nächste Nachricht.

Gruß, Jörg

Verfasst: **Fr Jan 29, 2021 5:09 pm**

Hallo Jörg, vielen Dank für deine schnelle Antwort!

Ich habe dir als Beispiel mal zwei Netzwerke in Form von einer Edgelist eingefügt:
Netzwerk 1:
> dput(Edgelist_Post)

Code: Alles auswählen

Edgelist_Post <- structure(list(Source = c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 5L, 5L, 5L, 5L, 
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L, 6L, 6L, 6L, 6L, 
6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 7L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 
8L, 8L, 8L, 8L, 8L, 8L, 8L, 8L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 11L, 11L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 12L, 12L, 
12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 
13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 
13L, 13L, 13L, 13L, 13L, 13L, 14L, 14L, 14L, 14L, 14L, 14L, 14L, 
14L, 14L, 14L, 14L, 14L, 14L, 14L, 14L, 14L, 14L, 15L, 15L, 15L, 
15L, 15L, 15L, 15L, 15L, 15L, 15L, 15L, 15L, 16L, 16L, 16L, 16L, 
16L, 16L, 16L, 16L, 16L, 16L, 16L, 16L, 17L, 17L, 17L, 17L, 17L, 
17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 18L, 18L, 18L, 18L, 
18L, 18L, 18L, 18L, 18L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 
19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 
19L, 19L, 19L, 19L, 19L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 
20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 21L, 21L, 
21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 
21L, 21L, 21L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 
22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 23L, 23L, 23L, 23L, 23L, 
23L, 23L, 23L, 23L, 23L, 23L, 23L, 23L, 23L, 24L, 24L, 24L, 24L, 
25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 
25L, 25L, 25L, 25L, 25L, 25L, 26L, 26L, 26L, 26L, 26L, 26L, 26L, 
26L, 26L, 26L, 26L, 26L, 26L, 26L, 26L, 26L, 26L, 27L, 27L, 27L, 
27L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 28L, 28L, 
28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 
28L, 28L, 28L, 28L), Target = c(6L, 8L, 10L, 11L, 12L, 13L, 14L, 
15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L, 23L, 26L, 28L, 1L, 4L, 
17L, 20L, 1L, 2L, 9L, 10L, 11L, 15L, 16L, 17L, 19L, 20L, 21L, 
22L, 24L, 26L, 27L, 28L, 1L, 2L, 9L, 10L, 11L, 16L, 17L, 19L, 
20L, 21L, 22L, 24L, 26L, 27L, 28L, 1L, 2L, 9L, 10L, 11L, 16L, 
18L, 19L, 20L, 21L, 22L, 24L, 26L, 27L, 28L, 1L, 2L, 3L, 9L, 
11L, 15L, 16L, 17L, 18L, 19L, 21L, 20L, 22L, 24L, 26L, 27L, 1L, 
2L, 7L, 8L, 9L, 12L, 13L, 15L, 17L, 18L, 20L, 21L, 22L, 27L, 
1L, 2L, 7L, 12L, 13L, 14L, 15L, 17L, 18L, 19L, 20L, 21L, 22L, 
26L, 27L, 3L, 4L, 5L, 8L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 
19L, 22L, 23L, 24L, 25L, 27L, 28L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 
8L, 9L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 
22L, 23L, 24L, 25L, 26L, 27L, 28L, 8L, 12L, 13L, 14L, 15L, 16L, 
18L, 19L, 21L, 23L, 24L, 25L, 26L, 27L, 28L, 1L, 2L, 3L, 4L, 
5L, 6L, 7L, 10L, 14L, 16L, 17L, 18L, 20L, 21L, 22L, 1L, 2L, 3L, 
4L, 5L, 6L, 7L, 9L, 10L, 12L, 16L, 18L, 19L, 20L, 21L, 22L, 23L, 
27L, 28L, 2L, 3L, 4L, 5L, 6L, 7L, 9L, 11L, 16L, 17L, 18L, 19L, 
20L, 21L, 22L, 24L, 27L, 2L, 3L, 4L, 5L, 6L, 7L, 17L, 18L, 20L, 
21L, 22L, 26L, 2L, 8L, 9L, 11L, 15L, 18L, 19L, 23L, 24L, 25L, 
27L, 28L, 1L, 2L, 4L, 6L, 7L, 13L, 14L, 15L, 18L, 19L, 20L, 21L, 
26L, 27L, 1L, 2L, 6L, 14L, 17L, 19L, 20L, 26L, 27L, 1L, 2L, 3L, 
4L, 5L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 19L, 
20L, 21L, 22L, 23L, 24L, 25L, 26L, 27L, 28L, 1L, 2L, 4L, 5L, 
6L, 8L, 11L, 12L, 13L, 14L, 15L, 16L, 18L, 18L, 21L, 22L, 25L, 
27L, 28L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 12L, 13L, 14L, 15L, 
16L, 17L, 18L, 19L, 25L, 28L, 1L, 2L, 3L, 4L, 5L, 6L, 8L, 10L, 
12L, 13L, 15L, 16L, 17L, 18L, 19L, 25L, 26L, 28L, 1L, 2L, 7L, 
9L, 10L, 11L, 13L, 18L, 20L, 21L, 22L, 25L, 27L, 28L, 9L, 11L, 
16L, 27L, 1L, 2L, 3L, 5L, 8L, 10L, 11L, 12L, 13L, 14L, 15L, 17L, 
18L, 20L, 21L, 22L, 23L, 27L, 28L, 1L, 2L, 4L, 6L, 7L, 11L, 12L, 
13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L, 3L, 4L, 5L, 
6L, 8L, 11L, 13L, 16L, 19L, 24L, 25L, 26L, 27L, 28L, 2L, 3L, 
4L, 5L, 6L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 19L, 20L, 
21L, 23L, 25L, 27L), Weight = c(3L, 4L, 1L, 4L, 1L, 2L, 3L, 1L, 
6L, 3L, 3L, 5L, 3L, 2L, 3L, 6L, 3L, 2L, 12L, 5L, 1L, 5L, 4L, 
6L, 4L, 5L, 5L, 3L, 2L, 7L, 8L, 4L, 2L, 2L, 2L, 6L, 2L, 3L, 2L, 
4L, 4L, 1L, 6L, 2L, 6L, 5L, 2L, 3L, 1L, 3L, 1L, 3L, 1L, 5L, 4L, 
4L, 1L, 4L, 2L, 9L, 5L, 1L, 1L, 3L, 2L, 1L, 3L, 1L, 2L, 2L, 1L, 
4L, 5L, 3L, 2L, 1L, 5L, 5L, 3L, 3L, 4L, 3L, 5L, 3L, 1L, 4L, 1L, 
3L, 1L, 1L, 1L, 2L, 3L, 1L, 1L, 3L, 3L, 1L, 4L, 1L, 1L, 2L, 1L, 
1L, 2L, 1L, 1L, 1L, 3L, 3L, 2L, 4L, 4L, 1L, 2L, 1L, 1L, 3L, 1L, 
2L, 3L, 1L, 1L, 5L, 5L, 1L, 10L, 5L, 8L, 4L, 12L, 2L, 2L, 3L, 
2L, 3L, 4L, 2L, 1L, 7L, 4L, 10L, 11L, 8L, 10L, 6L, 2L, 3L, 3L, 
6L, 7L, 4L, 9L, 1L, 7L, 1L, 5L, 3L, 1L, 1L, 1L, 4L, 1L, 1L, 1L, 
6L, 1L, 2L, 4L, 2L, 1L, 15L, 4L, 0L, 2L, 5L, 1L, 1L, 1L, 2L, 
1L, 1L, 1L, 1L, 4L, 10L, 3L, 4L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
14L, 1L, 1L, 1L, 3L, 1L, 1L, 1L, 1L, 4L, 1L, 2L, 2L, 1L, 1L, 
1L, 1L, 2L, 1L, 11L, 1L, 1L, 3L, 1L, 1L, 2L, 1L, 0L, 1L, 1L, 
2L, 1L, 1L, 6L, 3L, 1L, 3L, 4L, 6L, 4L, 3L, 1L, 1L, 1L, 1L, 1L, 
1L, 2L, 1L, 11L, 2L, 6L, 2L, 2L, 4L, 1L, 1L, 3L, 1L, 1L, 2L, 
2L, 2L, 1L, 3L, 9L, 3L, 11L, 8L, 1L, 2L, 6L, 2L, 1L, 6L, 1L, 
3L, 3L, 9L, 10L, 9L, 3L, 1L, 4L, 1L, 4L, 4L, 4L, 7L, 4L, 3L, 
5L, 4L, 2L, 3L, 2L, 5L, 5L, 1L, 2L, 6L, 7L, 2L, 7L, 5L, 3L, 4L, 
2L, 2L, 3L, 1L, 5L, 1L, 3L, 2L, 6L, 3L, 3L, 1L, 1L, 4L, 1L, 6L, 
2L, 12L, 3L, 3L, 1L, 7L, 4L, 1L, 3L, 1L, 1L, 1L, 7L, 3L, 0L, 
1L, 1L, 6L, 4L, 2L, 11L, 3L, 1L, 1L, 2L, 1L, 3L, 1L, 4L, 7L, 
2L, 1L, 1L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 3L, 2L, 3L, 13L, 
2L, 3L, 3L, 4L, 5L, 6L, 2L, 8L, 4L, 2L, 1L, 2L, 1L, 6L, 4L, 3L, 
2L, 1L, 5L, 4L, 3L, 4L, 4L, 1L, 2L, 2L, 1L, 2L, 6L, 2L, 2L, 4L, 
2L, 2L, 11L, 1L, 2L, 1L, 1L, 3L, 5L, 2L, 2L, 2L, 2L, 2L, 2L, 
3L, 1L, 5L, 3L, 4L, 5L, 1L, 1L, 3L, 1L, 2L, 3L, 2L, 1L, 1L, 5L, 
1L, 1L, 1L, 7L, 7L, 1L, 3L, 2L, 3L, 4L, 2L, 1L)), class = "data.frame", row.names = c(NA, 
-439L))

und Netzwerk 2:
> dput(Edgelist_Vor)

Code: Alles auswählen

Edgelist_Vor <- structure(list(Source = c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L, 
6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 7L, 7L, 7L, 7L, 
7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 8L, 8L, 8L, 8L, 
8L, 8L, 8L, 8L, 8L, 8L, 8L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 9L, 
9L, 9L, 9L, 9L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 
10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 10L, 11L, 11L, 
11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 11L, 12L, 12L, 12L, 
12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 12L, 13L, 13L, 13L, 13L, 
13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 13L, 14L, 14L, 14L, 14L, 
14L, 14L, 14L, 14L, 14L, 14L, 14L, 14L, 15L, 15L, 15L, 15L, 15L, 
15L, 15L, 15L, 15L, 15L, 15L, 15L, 16L, 16L, 16L, 16L, 16L, 16L, 
16L, 16L, 16L, 16L, 16L, 16L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 
17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 17L, 
17L, 17L, 17L, 17L, 17L, 18L, 18L, 18L, 18L, 18L, 18L, 18L, 18L, 
18L, 18L, 18L, 18L, 18L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 
19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 19L, 
19L, 19L, 19L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 20L, 
20L, 20L, 20L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 21L, 
21L, 21L, 21L, 21L, 21L, 21L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 
22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 22L, 23L, 23L, 23L, 
23L, 23L, 23L, 23L, 23L, 23L, 23L, 23L, 23L, 24L, 24L, 24L, 24L, 
24L, 24L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 25L, 
25L, 25L, 25L, 25L, 25L, 25L, 25L, 26L, 26L, 26L, 26L, 26L, 26L, 
26L, 26L, 26L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 27L, 28L, 
28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L, 28L
), Target = c(2L, 4L, 8L, 9L, 16L, 17L, 18L, 19L, 21L, 24L, 25L, 
27L, 1L, 4L, 11L, 16L, 18L, 19L, 27L, 1L, 2L, 7L, 11L, 12L, 16L, 
18L, 20L, 21L, 24L, 27L, 1L, 5L, 7L, 8L, 9L, 11L, 15L, 16L, 18L, 
21L, 24L, 27L, 1L, 2L, 5L, 6L, 9L, 10L, 11L, 16L, 18L, 22L, 23L, 
24L, 25L, 28L, 1L, 2L, 5L, 7L, 8L, 11L, 15L, 16L, 18L, 21L, 24L, 
26L, 27L, 1L, 2L, 6L, 8L, 9L, 10L, 11L, 15L, 16L, 17L, 18L, 19L, 
20L, 22L, 25L, 27L, 1L, 5L, 6L, 9L, 10L, 17L, 19L, 20L, 21L, 
22L, 26L, 7L, 10L, 11L, 13L, 14L, 15L, 16L, 19L, 23L, 24L, 25L, 
27L, 28L, 3L, 4L, 5L, 6L, 7L, 9L, 11L, 12L, 13L, 14L, 15L, 17L, 
18L, 21L, 22L, 23L, 24L, 25L, 27L, 28L, 1L, 4L, 8L, 11L, 14L, 
15L, 18L, 19L, 24L, 25L, 27L, 28L, 1L, 2L, 4L, 5L, 6L, 7L, 15L, 
17L, 18L, 21L, 22L, 25L, 2L, 6L, 7L, 9L, 10L, 14L, 17L, 18L, 
20L, 21L, 22L, 23L, 28L, 2L, 7L, 9L, 11L, 17L, 18L, 20L, 21L, 
22L, 24L, 27L, 28L, 2L, 3L, 6L, 7L, 11L, 18L, 19L, 20L, 21L, 
22L, 24L, 26L, 1L, 2L, 3L, 9L, 10L, 11L, 13L, 18L, 19L, 22L, 
27L, 28L, 1L, 2L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 
14L, 15L, 16L, 18L, 19L, 20L, 21L, 22L, 23L, 24L, 26L, 27L, 28L, 
1L, 2L, 4L, 11L, 13L, 16L, 17L, 19L, 20L, 21L, 22L, 26L, 27L, 
1L, 3L, 4L, 5L, 6L, 7L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 17L, 
18L, 20L, 21L, 22L, 23L, 24L, 25L, 26L, 27L, 28L, 1L, 2L, 3L, 
4L, 6L, 8L, 13L, 14L, 15L, 18L, 19L, 22L, 28L, 1L, 2L, 3L, 5L, 
6L, 7L, 8L, 12L, 13L, 14L, 15L, 18L, 19L, 23L, 25L, 27L, 1L, 
2L, 3L, 4L, 5L, 6L, 10L, 12L, 13L, 14L, 17L, 18L, 20L, 22L, 24L, 
27L, 28L, 9L, 11L, 13L, 14L, 15L, 16L, 20L, 21L, 22L, 25L, 27L, 
28L, 1L, 9L, 11L, 16L, 17L, 27L, 1L, 2L, 3L, 4L, 5L, 6L, 12L, 
13L, 14L, 15L, 19L, 20L, 21L, 22L, 23L, 25L, 27L, 28L, 4L, 5L, 
6L, 8L, 11L, 22L, 23L, 25L, 28L, 1L, 3L, 5L, 10L, 18L, 19L, 24L, 
26L, 28L, 4L, 5L, 9L, 10L, 11L, 12L, 14L, 15L, 16L, 19L, 21L, 
22L, 23L, 25L), Weight = c(3L, 2L, 2L, 6L, 7L, 4L, 1L, 6L, 1L, 
2L, 4L, 6L, 5L, 1L, 3L, 1L, 5L, 1L, 1L, 3L, 8L, 3L, 2L, 1L, 3L, 
5L, 3L, 4L, 1L, 2L, 2L, 5L, 2L, 1L, 7L, 5L, 6L, 2L, 3L, 2L, 6L, 
2L, 2L, 6L, 3L, 1L, 2L, 4L, 2L, 3L, 4L, 2L, 2L, 1L, 1L, 1L, 2L, 
3L, 4L, 2L, 2L, 5L, 5L, 7L, 5L, 2L, 1L, 3L, 1L, 2L, 1L, 1L, 1L, 
2L, 2L, 1L, 2L, 3L, 2L, 1L, 1L, 2L, 5L, 2L, 3L, 3L, 1L, 1L, 2L, 
1L, 3L, 1L, 7L, 4L, 4L, 3L, 2L, 1L, 2L, 5L, 2L, 1L, 4L, 1L, 4L, 
3L, 3L, 7L, 10L, 1L, 1L, 2L, 5L, 1L, 2L, 3L, 7L, 7L, 8L, 3L, 
2L, 2L, 2L, 2L, 4L, 1L, 6L, 4L, 3L, 4L, 2L, 1L, 1L, 2L, 2L, 3L, 
1L, 2L, 1L, 5L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 1L, 1L, 1L, 4L, 4L, 
2L, 2L, 1L, 1L, 4L, 1L, 5L, 1L, 5L, 1L, 1L, 1L, 5L, 2L, 2L, 2L, 
1L, 13L, 1L, 1L, 2L, 2L, 1L, 4L, 3L, 2L, 2L, 1L, 6L, 4L, 2L, 
1L, 1L, 3L, 2L, 5L, 1L, 1L, 1L, 5L, 1L, 4L, 1L, 2L, 1L, 5L, 1L, 
7L, 7L, 1L, 3L, 2L, 2L, 1L, 1L, 4L, 12L, 1L, 1L, 2L, 4L, 1L, 
3L, 2L, 3L, 1L, 3L, 2L, 2L, 1L, 1L, 2L, 8L, 4L, 2L, 9L, 2L, 5L, 
5L, 1L, 1L, 4L, 2L, 1L, 1L, 4L, 3L, 4L, 1L, 6L, 4L, 8L, 6L, 2L, 
1L, 3L, 1L, 2L, 2L, 3L, 3L, 3L, 3L, 2L, 3L, 1L, 4L, 2L, 3L, 2L, 
2L, 6L, 1L, 5L, 11L, 1L, 1L, 2L, 1L, 1L, 1L, 5L, 1L, 2L, 1L, 
1L, 4L, 1L, 2L, 4L, 1L, 2L, 3L, 1L, 1L, 3L, 6L, 3L, 1L, 1L, 1L, 
2L, 6L, 3L, 1L, 7L, 3L, 1L, 1L, 1L, 1L, 1L, 7L, 1L, 1L, 1L, 3L, 
3L, 3L, 1L, 3L, 2L, 2L, 1L, 1L, 1L, 1L, 10L, 2L, 1L, 2L, 3L, 
2L, 3L, 3L, 8L, 1L, 3L, 4L, 3L, 3L, 1L, 6L, 1L, 4L, 3L, 3L, 3L, 
4L, 5L, 2L, 1L, 1L, 2L, 1L, 5L, 1L, 1L, 3L, 3L, 1L, 2L, 1L, 3L, 
2L, 3L, 5L, 1L, 4L, 5L, 1L, 3L, 1L, 1L, 4L, 5L, 5L, 1L, 5L, 1L, 
1L, 3L, 4L, 4L, 1L, 2L)), class = "data.frame", row.names = c(NA, 
-378L))

Meintest du das so?

Liebe Grüße

Lara

Verfasst: **Fr Jan 29, 2021 5:51 pm**

Alternativ habe ich hier nochmal die CSV Tabellen, falls das besser ist

Verfasst: **Fr Jan 29, 2021 6:17 pm**

Hallo Lara,

lara97 hat geschrieben: Fr Jan 29, 2021 5:09 pm Meintest du das so?

ja, genau so. Damit lässt sich prima arbeiten.
(ich habe nur die Formatierung noch etwas verbessert siehe viewtopic.php?f=20&t=29 )

Gruß, Jörg

Verfasst: **So Jan 31, 2021 10:22 am**

Hallo Jörg,

danke für den Tipp mit der Formatierung, dass werde ich bei einer nächsten Frage auf jeden Fall beachten!

Liebe Grüße
Lara

Verfasst: **So Jan 31, 2021 4:15 pm**

Hallo Lara,

jetzt zum Vergleich:
1. Da gibt es Kanten vorher, die nachher nicht mehr da sind.
2. Da gibt es Kanten nachher, die aber nicht vorher vorhanden sind.
3. Es gibt Kanten, die sowohl vorher als auch nachher vorhanden sind aber möglicherweise ein anderes Gewicht haben.
Wie soll mit diesen Fällen umgegangen werden?

1. und 2. sind ein sogenannter antijoin.

3. ist ein inner join:

Code: Alles auswählen

merge(Edgelist_Post, Edgelist_Vor, by=c("Source", "Target"))

Oder soll der Vergleich völlig anders ablaufen? Wenn ja, bitte Beschreibung, Literatur o.ä.

Gruß, Jörg

Verfasst: **So Jan 31, 2021 6:32 pm**

Guten Abend Jörg,

jogo hat geschrieben: So Jan 31, 2021 4:15 pm
1. Da gibt es Kanten vorher, die nachher nicht mehr da sind.
2. Da gibt es Kanten nachher, die aber nicht vorher vorhanden sind.
3. Es gibt Kanten, die sowohl vorher als auch nachher vorhanden sind aber möglicherweise ein anderes Gewicht haben.
Wie soll mit diesen Fällen umgegangen werden?

1. und 2. sind ein sogenannter antijoin.

3. ist ein inner join:

Um die Studie und ihre Effekte so umfassend wie möglich auszuwerten, würde ich sehr gerne alles drei überprüfen. Dazu habe ich alle Netzwerke der Schüler vor und alle Netzwerke der Schüler nach dem Spiel aufsummiert, so dass ich nun zwei Netzwerke habe (Vor und Nach), sowie ein Differenznetzwerk (Netzwerk 1 - Netzwerk 2). Ich würde gerne überprüfen, ob sich die Netzwerke "Vor" und "Nach" signifikant unterscheiden und wenn ja, in welchen Bereichen. Im Anschluss würde ich sogar am liebsten noch überprüfen, ob sich die "Nach"-Conceptmaps bei denjenigen Kindern ähneln, die während des Spiels in der selben Gruppe waren (im Vergleich zu Kindern aus einer anderen Spielgruppe), aber ich weiß gar nicht, ob das möglich ist.

jogo hat geschrieben: So Jan 31, 2021 4:15 pm Oder soll der Vergleich völlig anders ablaufen? Wenn ja, bitte Beschreibung, Literatur o.ä.

Meine Literaturrecherche hat mir zwei mögliche Funktionen gezeigt, die ich für nützlich halte:
1.Die NCT-Funktion von Frau van Borkulo (Network Comparison Test), welche die folgenden drei Dinge überprüft: invariant network structure, invariant edge strength, and invariant global strength (https://www.researchgate.net/publicatio ... onTest_NCT)

da ich leider meine Daten nicht so formatiert bekommen habe, dass sie in diese Funktion passen, habe ich eine Alternative gefunden, die allerdings nur meine zweite Wahl wäre und bei der ich leider ebenfalls nicht weiter komme ...

2.Die calc_sim_score-Funktion aus dem R-Packet "NFP" von Yang Cao, welche einen Ähnlichkeits-Wert von zwei Netzwerken berechnet.
(https://cran.r-project.org/web/packages/NFP/NFP.pdf)
(https://www.hindawi.com/journals/bmri/2017/7457131/)

Ich habe auch eine Reference-Map, also die "Richtige Map"/Auflösung, falls das irgendwie weiterhilft.

Ich hoffe, dass ich es verständlich erklärt habe, ansonsten kann ich es sehr gerne auch noch einmal erklären!
Einen schönen Abend wünsche ich noch,

Liebe Grüße
Lara

Verfasst: **Di Feb 02, 2021 9:34 am**

Hallo Lara,

lara97 hat geschrieben: So Jan 31, 2021 6:32 pm
Meine Literaturrecherche hat mir zwei mögliche Funktionen gezeigt, die ich für nützlich halte:
1.Die NCT-Funktion von Frau van Borkulo (Network Comparison Test), welche die folgenden drei Dinge überprüft: invariant network structure, invariant edge strength, and invariant global strength (https://www.researchgate.net/publicatio ... onTest_NCT)

da ich leider meine Daten nicht so formatiert bekommen habe, dass sie in diese Funktion passen, ...

meine Empfehlung an dieser Stelle wäre, das Problem der Umwandlung anzugehen.
Du hast das Paket NCT installiert und hast Dir Dokumentation und Beispiel angesehen?
Du hast das Beispiel ausgeführt und die verarbeiteten Objekt analysiert?

Du hast Ausschau gehalten nach Funktionen, die einen Graphen in ein passendes Objekt konvertieren?
(z.B. in den in dem Beispiel verwendeten Paketen)

Gruß, Jörg

Verfasst: **Mi Feb 03, 2021 5:20 pm**

Hallo Jörg,

ich habe sehr sehr lange probiert, das Problem zu umgehen, jedoch keine Lösung gefunden, weshalb ich nun Versuche, die Lösung mit Hilfe dieses Forums zu finden

.

Ich glaube das Problem ist folgendes: die NCT Funktion verwendet Daten in Form von den Versuchspersonen x die Knoten, so sind also auch alle Beispiele aufgebaut. Das Antwortformat ist beispielsweise die Zustimmung einer Aussage, zum Beispiel:

______I__Knoten (X)__________I__Knoten (Y)_______
VP 1 I Stimme zu (6) I Stimme nicht zu (1)
VP 2 I Stimme nicht zu (1) I Stimme nicht zu (1)
VP 3 I Stimme zu (6) I Stimme nicht zu (6)

Die Funktion berechnet dann zuerst über 11-regularized partial correlations (Gaussian data) oder 11-regularized logistic regression (eLasso, binary data) das Netzwerk, also wie die Knoten zusammenhängen und im Anschluss daran macht sie dann die Auswertung. Mein Problem ist, dass ich diese Zusammenhänge ja bereits "errechnet" habe, indem die Schüler*innen direkt diese Verbindungen gezeichnet haben. Um einen solchen Datensatz zu generieren, wie die NCT-Funktion ihn gerne hätte, müsste ich (glaube ich) diese Korrelationen (die ich in Form von gewichteten Verbindungen habe) sozusagen rückwärts berechnen, und ich weiß absolut nicht, wie das geht und ob das geht.

Im Beispiel direkt in der NCT Funktion wird eine zufällige Matrix generiert (eine Matrix hätte ich ja!) und anschließend mit Hilfe der Funktion "IsingSampler" ein Datensatz aus der Matrix. Soweit ich das verstanden habe (und ausprobiert) generiert "IsingSampler" allerdings zufällige Datensätze aus der Matrix und das hilft mir ja leider nicht weiter.

Ich habe auch gelesen, dass die NCT-Funktion Outputs der estimateNetwork Funktion annimmt. Also habe ich versucht mit meinen Daten und der estimateNetwork Funktion einen passenden Datensatz zu generieren, wo ich wieder auf das selbe Problem treffe. Es gibt in estimateNetwork verschiedene Funktionen, von denen ich mir eine aussuchen muss, damit ein Netzwerk errechnet werden kann, dabei habe ich das Netzwerk ja schon errechnet. Ich habe gesehen, dass man auch eine eigene Funktion verwenden kann und ich hatte überlegt eine Funktion zu erstellen, die sagt "nachher sieht alles aus wie vorher", aber alles, was ich da versucht habe, hat nicht funktioniert und ich weiß auch von der Logik her gar nicht so recht, ob das wirklich Sinn macht.

Ich habe auch nochmal im NCT-Packet geschaut, welches neben der NCT-Funktion noch eine weitere Funktion beinhaltet: NCT-methods = Print method, prints the NCT output, plot method plots the output, summary method returns a summary of the output. Diese stellt mir aber, soweit ich das verstanden habe, nur die Ergebnisse dar.

Ich weiß langsam echt nicht, was ich noch ausprobieren soll und hänge jetzt auch schon enorm lange an diesem Problem.
Über Hilfe würde ich mich riesig freuen.

Ganz Liebe Grüße
Lara

Deutsches R-Forum

Netzwerke vergleichen

Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen

Re: Netzwerke vergleichen