Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
help.search("test")
1. Расчет взаимосвязи номинальных переменных в R. Интерпретация результатов.
table(piter$v101, piter$v6)
books.region<-matrix(c(2, 4, 12, 29, 35, 22, 12, 1, 2, 1, 2, 0, 7, 2, 0, 1, 0, 2, 5, 4, 1, 1, 3, 3, 2, 7, 6, 11, 2, 0, 2, 3, 4, 5, 1), nrow=5, byrow=T)
books.region
colnames(books.region)<-c("0", ">10", "10-20", "21-50", "51-100", "101-500", ">500")
rownames(books.region)<-c("Piter", "Big city", "Small city", "other small city", "village")
books.region
t(books.region)
chisq.test(books.region)
#для любого уровня измерения, значение в каждой ячейке не меньше 5
kruskal.test(piter$v101, piter$v6)- сила связи
2. Понятие о корреляции. Расчет коэффициентов корреляции в R. Интерпретация результатов.
cor(piter$v64, piter$v102) # Значима, если r больше 0,4
cor.test(piter$v64, piter$v102) #коэф. кор. Пирсона
3. Расчет средних величин в R. Тесты сравнения средних. Интерпретация результатов.
x<-c(5260, 5470, 5640, 6180, 6390, 6515, 6805, 7515, 7515, 8230, 8770)
mean(x)
t.test(x, mu=7725) # t-test для одной выборки. Сравнить среднее значение переменной с фиксированным значением
t.test(v79.n.recode~piter$v103) # t-test для двух независимых выборок
t.test(v79.n.recode~piter$v103, var.equal=T)
var.test(v79.n.recode~piter$v103) # определение гомогенности дисперсий
t.test(exam$pre.wm.s, exam$post.wm.s, paired=T) # t-test для двух зависимых выборок
4. Непараметрические тесты сравнения средних в R.
kruskal.test(v79.n.recode, piter$age)#
wilcox.test(x, mu=7725) # тест Уилкоксона для одной выборки. Среднее по рангам
wilcox.test(v79.n.recode~piter$v103) # wilcox для двух независимых выборок
5. Расчет дисперсии в R. Тесты на определение гомогенности дисперсий, интерпретация результатов.
var(piter$v102)
var.test(v79.n.recode~piter$v103) # определение гомогенности дисперсий
library(car)
leveneTest(y~soil) #(p>0,05, значимых различий дисперсий нет, они гомогенны)
library(stats)
fligner.test(y~soil)
bartlett.test(y~soil)
6. Простая линейная регрессия в R, интерпретация результатов.
modell=lm(piter$v64~piter$v102)# значимость коэф., если T меньше 0,05. R^2
summary(modell)
plot(piter$v64~piter$v102)
abline(lm(piter$v64~piter$v102), col="red")
7. Множественная регрессия в R, интерпретация результатов.
model5=lm(rosstat2$life ~ rosstat2$disease + rosstat2$income + rosstat2$prod)
summary(model5)
model5.a=lm(rosstat2$life ~ rosstat2$disease + rosstat2$income)
summary(model5.a)
compar3 = anova(model5, model5.a)
compar3
8. Понятие о медиации, расчет в R, интерпретация результатов.
медиация это посредничество. типа на рак влияет не только курение но и наследственность
9. Понятие о модерации, расчет в R, интерпретация результатов.
модерация - это когда один икс влияет на игрек. т.е. руководитель типа говорит всем что делать
10. Однофакторный дисперсионный анализ: расчет в R, интерпретация результатов.
Значимость наблюдаемых средних значений. Гомогенность дисперсий учитывается
summary(aov(y~soil))
anova(lm(y~soil))
#детальный анализ
model<-aov(y~soil); model.tables(model, se = T)
mean(y)
model.tables(model, "means", se = T)
TukeyHSD(model)
pairwise.t.test(y, soil)
pairwise.t.test(y, soil, p.adj="bonferroni")
11. Многомерный дисперсионный анализ: расчет в R, интерпретация результатов.
v70.n<-as.numeric(v70)
v70.n
table(v70.n)
v70n.r<-recode(v70.n, '6:7=NA')
v70n.r
model1<-manova(y2.r~v70n.r)
summary(model1)
12. Бинарная логистическая регрессия в R. Интерпретация результатов.
13. Пуассоновская регрессия в R: расчет и интерпретация результатов.
fit<-glm(cases~city+age+offset(log(pop)), family=poisson)
summary(fit)
14. Факторный анализ в R: расчет и интерпретация результатов.
#уравновесить дисперсии
meteo.model<-prcomp(meteo2, scale=TRUE)
sapply(list( rainNovDec, temp, rainJuly, radiation, yield), var)
summary(meteo.model)
print(meteo.model)
#график каменистой особи получаем
plot(meteo.model)
predict(meteo.model) [, 1]
meteo.f<-factanal(x=meteo2, factors=2)
meteo.f