Effect-Size Calculation for Meta-Analysis in R #rstats

When conducting meta-analysis, you most likely have to calculate or convert effects sizes into an effect size with common measure. There are various tools to do this – one easy to use tool is the Practical Meta-Analysis Effect Size Calculator from David B. Wilson.

This online-tool is now implemented as an R-package: esc: Effect Size Computation for Meta Analysis.

Weiterlesen „Effect-Size Calculation for Meta-Analysis in R #rstats“

Advertisements

Pipe-friendly bootstrapping with list-variables in #rstats

A few days ago, my package sjstats was updated on CRAN. Most functions of this package are convenient functions for common statistical computations, especially for (mixed) regression models. This latest update introduces some pipe-friendly bootstrapping-methods, namely bootstrap(), boot_ci(), boot_se() and boot_p(). In this post, I just wanted to give a quick example of these functions, used within a pipeline-workflow.

Weiterlesen „Pipe-friendly bootstrapping with list-variables in #rstats“

Data visualization in social sciences – what’s new in the sjPlot-package? #rstats

My sjPlot package just reached version 2.0 and got many updates during the couple of last months. The focus was less on adding new functions; rather, I improved existing functions by adding new smaller and bigger features to make working with the package easier and more reliable. In this blog post, I will report some of the new features.

Consistent name style of arguments

Most notably, I tried to give all package functions a consistent naming style or pattern for arguments. In previous versions, mixing different name-styles was sometimes very confusing. For example, some functions used showNA, others na.rm or show.na. Or some functions used hideLegend, some showLegend and others again show.legend.

Weiterlesen „Data visualization in social sciences – what’s new in the sjPlot-package? #rstats“

You Underestimate the Power of the Dark Folgezettel

This post is a reply to Sascha’s post about Folgezettel. I recently was invited by the Niklas-Luhmann-Archiv research group, to give an overview of my Zettelkasten and discuss aspects of the technical implementation of Luhmann’s Zettelkasten method. After that, I had the chance to look at the original Zettelkasten, seeing how Luhmann actually filed notes etc. It was an interesting insight into Luhmann’s working principle, which showed me, that my approach of the Zettelkasten implementation is very similar to what Luhmann did. If you’re interested in this topic, I recommend looking at this presentation about Luhmann’s method (and the Niklas-Luhmann-Archiv-Website, of course).

Weiterlesen „You Underestimate the Power of the Dark Folgezettel“

Neue Zettelkasten-Version erschienen

In der letzten Zeit folgten relativ schnell aufeinander zwei Updates des Zettelkastens. Zum einen wurden einige kleinere, teils lästige Fehler beseitigt. Zum anderen wurden viele kleine und große Verbesserungen und Neuerungen hinzugefügt.

Ein Fokus lag dabei auf der Erweiterung der Folgezettel-Funktion. Im Detail können diese Änderungen hier nachgelesen werden. Folgezettel sind eines von mehreren zentralen Ordnungsprinzipien eines Zettelkastens, wenn man sich an Luhmanns Arbeitsweise orientieren möchte. Daher wird diese Funktion auch künftig noch weiter ausgebaut. Insbesondere soll ein separates „Folgezettelfenster“, ähnlich wie das Schreibtischfenster, die Arbeit mit Folgezetteln noch effektiver machen.

Also nichts verpassen und die aktuelle Version des Zettelkastens kostenlos laden!

Introduction to #Luhmann’s #Zettelkasten thinking and its technical implementation

I was giving a talk at Trier Digital Humanities Autumn School 2015 on Luhmann’s way of working with his Zettelkasten, and how I implemented this technique in the electronic Zettelkasten.

The core principle of Luhmann’s way to manage his notes was a combination of selective tagging, manual links between notes and a sequence of short notes and arbitrary branching („diversification“) of note sequences (see also described in this post).

To my best knowledge, there are hardly any (or even none?) tools that facilitate this workflow, except for the Zettelkasten. Please add your comments, if you know tools, or have built your own workflow that imitates Luhmann’s Zettelkasten-technique.

If you like, you can download the slides of my talk here: Introduction to Luhmanns Zettelkasten-Thinking (PDF-slides).

Luhmanns Arbeitsweise im elektronischen Zettelkasten

Ich möchte an dieser Stelle einen älteren Beitrag aufgreifen und um aktuelle Ideen zu diesem Thema erweitern. Es geht um ein aktuelles Thema in Bezug auf eine besondere Form des „Wissensmanagements“, wenn man so möchte: Wie funktionierte Luhmanns Arbeitsweise mit dem Zettelkasten und wie könnte eine Softwarelösung im digitalen Zeitalter aussehen?

Weiterlesen „Luhmanns Arbeitsweise im elektronischen Zettelkasten“

Veröffentlichung: Patientenorientierung und vernetzte Versorgung

Mein Promotionsverfahren ist endlich erfolgreich abgeschlossen, und das möchte ich zum Anlass nehmen, um mein Buch zu bewerben. In meiner Arbeit geht es um Steuerungsmechanismen von Versorgungsnetzwerken (also Kooperation von Leistungserbringern im Gesundheitssystem) und die Frage, wie sich solche Versorgungsnetze stabilisieren und Versorgungsqualität sicherstellen. Der Gegenstand wird aus einer systemtheoretischen und netzwerktheoretischen Perspektive analysiert, ergänzt durch qualitativ-empirische Analysen. Ich zitierte den Klappentext:

untitled

Patientenorientierung gewinnt zunehmend an Bedeutung und wird als wesentlicher Bestandteil zur Verbesserung der Versorgungsqualität angesehen. Für Leistungserbringer liegt die Herausforderung in der Sicherstellung einer patientenorientierten Versorgung bei finanziell begrenzten Ressourcen. Steuerungsmechanismen in der vernetzten Versorgung müssen sicherstellen, dass dies nicht zu Gunsten des Profitstrebens vernachlässigt wird. In der vorliegenden Arbeit wird der Frage nachgegangen, wie sich Versorgungsnetze koordinieren lassen und beteiligte Organisationen Patientenorientierung umsetzen.

Lüdecke D (2014) Patientenorientierung und vernetzte Versorgung. Eine qualitative Studie. Berlin, Münster: LIT-Verlag (Homepage)

Beautiful table-outputs: Summarizing mixed effects models #rstats

The current version 1.8.1 of my sjPlot package has two new functions to easily summarize mixed effects models as HTML-table: sjt.lmer and sjt.glmer. Both are very similar, so I focus on showing how to use sjt.lmer here.

# load required packages
library(sjPlot) # table functions
library(sjmisc) # sample data
library(lme4) # fitting models

Linear mixed models summaries as HTML table

The sjt.lmer function prints summaries of linear mixed models (fitted with the lmer function of the lme4-package) as nicely formatted html-tables. First, some sample models are fitted:

# load sample data
data(efc)
# prepare grouping variables
efc$grp = as.factor(efc$e15relat)
levels(x = efc$grp) <- get_val_labels(efc$e15relat)
efc$care.level <- as.factor(rec(efc$n4pstu, "0=0;1=1;2=2;3:4=4"))
levels(x = efc$care.level) <- c("none", "I", "II", "III")

# data frame for fitted model
mydf <- data.frame(neg_c_7 = as.numeric(efc$neg_c_7),
                   sex = as.factor(efc$c161sex),
                   c12hour = as.numeric(efc$c12hour),
                   barthel = as.numeric(efc$barthtot),
                   education = as.factor(efc$c172code),
                   grp = efc$grp,
                   carelevel = efc$care.level)

# fit sample models
fit1 <- lmer(neg_c_7 ~ sex + c12hour + barthel + (1|grp), data = mydf)
fit2 <- lmer(neg_c_7 ~ sex + c12hour + education + barthel + (1|grp), data = mydf)
fit3 <- lmer(neg_c_7 ~ sex + c12hour + education + barthel +
              (1|grp) +
              (1|carelevel), data = mydf)

The simplest way of producing the table output is by passing the fitted models as parameter. By default, estimates (B), confidence intervals (CI) and p-values (p) are reported. The models are named Model 1 and Model 2. The resulting table is divided into three parts:

  • Fixed parts – the model’s fixed effects coefficients, including confidence intervals and p-values.
  • Random parts – the model’s group count (amount of random intercepts) as well as the Intra-Class-Correlation-Coefficient ICC.
  • Summary – Observations, AIC etc.

Weiterlesen „Beautiful table-outputs: Summarizing mixed effects models #rstats“