remove(list=ls())
#setwd("/Volumes/MichaelsHD/Dropbox/Angewandte Statistik SoSe11/Uebungen/Blatt12/R")
#setwd("/Users/michael/Dropbox/Angewandte Statistik SoSe11/Uebungen/Blatt12/R")
setwd("/Volumes/Daten/Dropbox/Angewandte Statistik SoSe11/Uebungen/Blatt12/R")
set.seed(23514)

#Aufgabe 2
verkauf <-read.table("./verkauf.dat",header=T)
#(a) Wechselwirkungen?
anova(lm(absatz~farbe*position,data=verkauf))
#nicht signifikant, wohl keine Wechselwirkungen

#(b) Haben Faktoren einen Einfluss?
anova(lm(absatz~farbe+position,data=verkauf))
#beide haben signifikanten Einfluss

#Aufgabe 3
jobdata <- read.table("./jobdata.dat", header=T)

#(a) Plots
op  <- par(mfrow=c(2,1))
interaction.plot(jobdata$job,jobdata$sex,jobdata$gehalt)
interaction.plot(jobdata$sex,jobdata$job,jobdata$gehalt)
par(op)
#Interpretation: Maenner haben hoeheren Verdienst als Frauen, ausser bei Biometrikern. Biometriker haben insgesamt den höchsten Verdienst, bei Maennern stehen Koeche an zweiter Stelle, bei Frauen Taxifahrer. Es gibt also wohl Wechselwirkungen und die Faktoren scheinen einen Einfluss zu haben.

#(b) ANOVA
#Modell mit Wechselwirkungen
jobmit <- aov(gehalt ~ job*sex, data=jobdata)
summary(jobmit)
#Faktoren und Wechselwirkungen sind signifkant, wie vermutet

#(c) Schaetzer fuer die Parameter
model.tables(jobmit)
mu <- mean(jobdata$gehalt)
mu
lm(gehalt ~ job*sex, data=jobdata)$coef
#lm modelliert Einflussfaktoren als binaere Variablen, daher andere Werte (bei maennlichen Biometrikern sind alle Faktoren Null, sie verdienen also durchschnittlich genau den Intercept-Wert, ein aehnlicher Wert ergibt sich auch mit mean.tables bei aov)