##### Zwei-Stichproben-Tests -----
          
# Dataframe Gruppe = "gender", Ausprägung auf der Variable "pref"
          
m_pref <- data.frame(Groups = "M",
                          Preference = subset(data_new, gender == 1, select = pref_mean))

w_pref <- data.frame(Groups = "W",
                     Preference = subset(data_new, gender == 2, select = pref_mean))

d_pref <- data.frame(Groups = "D",
                     Preference = subset(data_new, gender == 3, select = pref_mean))


gender_pref <- rbind.data.frame(m_pref, w_pref) # Selektierte Subsets verbinden


t.test(gender_pref$pref_mean ~ gender_pref$Groups,
       alternative = "greater",
       conf.level = .95)


t.test(m_pref$pref_mean, w_pref$pref_mean, # Test, ob m_pref signifikant größer ist als w_pref
       alternative = "greater")

t.test(m_pref$pref_mean, w_pref$pref_mean, # Test, ob w_pref signifikant größer ist als m_pref
       alternative = "less")

# Unsere Stichprobe von n = 80 (m = 11, w = 65, d = 4) weist keinen signifikanten genderspezifischen Unterschied bei der Präferenz für wissenschaftliche Methoden und Statistik auf (µm = 3,415584 bzw. µw = 3,164835, p = 0,1863). Der p-Wert für H1 (µm > µw) beträgt .1863 und ist nicht signifikant.

# Wilcoxon-Test: Abhängigkeit zw. "gender" und "gewiss"

m_gewiss <- data.frame(Groups = "M",
                     Gewissenhaftigkeit = subset(data_new, gender == 1, select = gewiss_mean))

w_gewiss <- data.frame(Groups = "W",
                     Gewissenhaftigkeit = subset(data_new, gender == 2, select = gewiss_mean))

d_gewiss <- data.frame(Groups = "D",
                     Gewissenhaftigkeit = subset(data_new, gender == 3, select = gewiss_mean))


gender_gewiss <- rbind.data.frame(m_gewiss, w_gewiss) # Selektierte Subsets verbinden

wilcox.test(gender_gewiss$gewiss_mean ~ gender_gewiss$Groups,
            conf.level = .95)