统计学-R语言-4.4

这篇具有很好参考价值的文章主要介绍了统计学-R语言-4.4。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


前言

上一篇文章介绍的是单变量数据,本篇将介绍双变量数据。


双变量数据

描述分类数据对分类数据的描述方法:二维表、复式条形图。
描述分类型数据对数值型数据的描述方法:箱线图。
描述数值型数据对数值型数据的描述方法:散点图、相关系数。

分类型数据对分类型数据–二维表

二维表(two-dimensional table)是两个变量进行交叉分类得到的频数表。
R的table()函数可以把双变量分类数据整理成 二维表形式
table()处理双变量数据类似处理单变量数据, 只是参数(变量)由原来的一个变成了两个。

例题1:
一份调查关于学生是否抽烟与每天学习时间关系的问题,具体数据如下表所示:
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
首先对数据进行编码:
是否抽烟设为变量smoke,其取值为Y和N分别表示抽烟和不抽烟
每天学习时间设为变量study, 其取值为< 5 h、510h和>10h,分别表示少于5小时、510小时和超过10小时。
在R中输入数据:

smoke=c("Y","N","N","Y","N","Y","Y","Y","N","Y")
study=c("<5h","5~10h","5~10h",">10h",">10h","<5h","5~10h","<5h",">10h",  "5~10h")
table(smoke, study)
dw<-table(smoke,study)
dw

统计学-R语言-4.4,统计学-R语言,r语言,开发语言
这就是是否抽烟与学习时间的二维表,列是学习时间的三个类型,行表示是否抽烟。

例题2:
生成被调查者所属社区与性别的列联表,为列联表生成边际和,并将列联表转化为百分比表,绘制二维列联表的R代码如下所示:

load("C:/example/ch2/example2_1.RData")
mytable1<-table(example2_1$社区,example2_1$性别)#制作出社区与性别的二维列联表
addmargins(mytable1)#为列联表生成边际和,addmargins()为表格加上边际和
addmargins(prop.table(mytable1))*100#为表格加上边际百分比

统计学-R语言-4.4,统计学-R语言,r语言,开发语言

对于二维表,经常要计算某个数据占行、列汇总数的比例或是占总和的比例,即边缘概率
R可以用函数prop.table(x,margin) 计算这些比例,其命令是prop.table(x,margin)
当margin=1时,表示各个数据占行汇总数的比例
当margin=2表示各个数据占列汇总数的比例,省略时,表示占总和的比例

dw=table(smoke,study)
prop.table(dw,1) 

统计学-R语言-4.4,统计学-R语言,r语言,开发语言
这里可以首先定义一个概率函数, 然后用apply()函数求边缘概率。

prop=function(x) x/sum(x)
apply(dw,2,prop) 

统计学-R语言-4.4,统计学-R语言,r语言,开发语言
按行计算的边缘概率,不能直接应用apply(tab,1,prop),而是要进行转置。

t(apply(dw,1,prop))

分类对分类–复式条形图

多变量分析中经常用到复式条形图
复式条形图是指由两个或两个以上小直条构成的条形图,与简单条形图相比,复式条形图多了一个分组因素,常用于考察比较两组研究对象的某观察指标。
R软件中作复式条形图的函数是barplot()。但是,作复式条形图之前应先对数值数据进行分组, 需要用table()函数作频数表。

例题1:
我们以上面的分类数据为例作条形图,粗略分析变量的分布情况。

par(mfrow=c(1,3))#设置图形窗口以一行三列形式输出
barplot(table(smoke, study))#以study为分类变量作条形图
barplot(table(study,smoke))#以smoke为分类变量作条形图
barplot(table(study,smoke),beside=T,legend.text=c("<5h","5~10h", ">10h"))#设置图例

统计学-R语言-4.4,统计学-R语言,r语言,开发语言
参数beside设置为False时,作出的图是分段式条形图,为True时作出的条形图是并列式,R默认的是False。

分类对数值–并列箱线图

示例如下:
有一个药物临床试验,得到实验组和对照组两组数据。
实验组:5,5,5,1,3,7,11,11,9,8
对照组:11,8,4,5,9,5,10,5,4,10

x=c(5,5,5,1,3,7,11,11,9,8)
y=c(11,8,4,5,9,5,10,5,4,10)
boxplot(x,y) #把x和y的箱线图画在一起

x变量的均值要小于y的均值,x、y变量都是偏态分布,x变量左偏,y变量右偏。
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
还可以把试用前和试用后的数据放在一组,另设一个虚拟变量,比如记实验组为1,对照组为2。

d=c(5,5,5,1,3,7,11,11,9,8, 11,8,4,5,9,5,10,5,4,10)
g=c(1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2)
boxplot(d~g)

或者使用更简洁的程序

d=c(x,y)
g=c(rep(1,10),rep(2,10))      #等价g=c(1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2)
boxplot(d~g)

要注意的是d~ g,分类变量要在~后面。

数值型数据对数值型数据

比较两个数值变量的方法有很多,可以从不同角度去比较
比如对两个独立的数值变量,既可以比较它们的分布是否相同,也可以分析是否存在着某种相关关系、回归关系等。

散点图

散点图(scatterplot)可以展现和分析两个数值变量的关系,在R里使用plot()函数做散点图。
下面是从国家统计局网站收集1999-2018年我国国内生产总值(x)和全社会固定资产投资(y),绘制二者的散点图

gdp=c(90564.4,100280.1,110863.1,121717.4,137422,161840.2,187318.9,219438.5,270092.3,319244.6,348517.7,412119.3,487940.2,538580,592963.2,641280.6,685992.9,740060.8,820754.3,900309.5)
invest=c(29854.7,32917.7,37213.5,43499.9,55566.6,70477.4,88773.6,109998.2,137323.9,172828.4,224598.8,251683.8,311485.1,374694.7,446294.1,512020.7,561999.8,606465.7,641238.4,645675)

统计学-R语言-4.4,统计学-R语言,r语言,开发语言
绘出两个变量的散点图

plot(gdp,invest) #作gdp,invest变量的散点图
abline(lm(invest~gdp)) #添加趋势线

统计学-R语言-4.4,统计学-R语言,r语言,开发语言

可以看出,国民生产总值与全社会固定资产投资两者之间有比较强的线性关系,各个点大致分布在回归线的两边,具有比较强的线性关系。

相关系数

两个数值变量之间的关系大体可分为两类:
①确定性关系,研究是确定现象与非随机变量之间的关系, 例如,圆周长=2πr
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
②统计相关关系,研究非确定现象与随机变量之间的关系, 例如,家庭消费=f(收入,财富,年龄,消费观念)
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
对变量间统计依赖关系的考察主要是通过相关分析( correlation analysis)或回归分析(regression analysis)来完成的。这里主要介绍相关分析。

Pearson相关系数(Pearson’s correlation coefficient)又叫相关系数或线性相关系数。它一般用字母r表示,其公式为:
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
Pearson相关系数(Pearson’s correlation coefficient)又叫相关系数或线性相关系数。它一般用字母r表示,其公式为:
统计学-R语言-4.4,统计学-R语言,r语言,开发语言
其中di = xi − yi,xi和yi分别是两个变量按大小排位的等级,n是样本量。
Spearman相关系数取值在-1~1之间,与相关系数r有类似解释。

Kendallτ相关系数(Kendall’s τ) 是把所有的样本点配对,然后看每一对中的X和Y的观测值是否同时增加(或减少)
比如由点对(x1,y1)和(x2,y2),可以算出乘积(x2-x1)(y2-y1) 是否大于0。如果大于0,则说明X和Y同时增长或同时下降,称这两点协同(concordant),否则就是不协同
如果样本中协同的点数目多,则两个变量就更正相关一些;如果样本中不协同(discordant)的点数目多,两个变量就更负相关一些;如果既不正相关也不负相关,则为不相关。这里不用假设总体的分布,也可以检验。因此,这是一个非参数的度量。

Kendallτ也是在-1~1之间的数,也是越接近于1或-1就越相关,而接近0就不相关。
在R语言中求相关系数的函数是cor() 。 cor()函数默认求的是pearson相关系数。
在选项“method=”进行设置,可以求spearman 秩相关系数( method=”spearman”) 和 Kendall τ相关系数(method=”kendall”)。

例题1:
求国民生产总值与全社会固定资产投资的相关系数。

cor(gdp,invest)  [1] 0.9931347
cor(invest,gdp)

[1] 0.9931347

结果说明:这两个变量具有非常高的线性相关程度,并且相关分析是不分自变量和因变量的
国民生产总值与全社会固定资产投资的相关系数等于全社会固定资产投资与国民生产总值的相关系数。

spearman秩相关系数如下

cor(gdp,invest, method="spearman")

[1] 1
spearman秩相关是一种秩相关,可先对数据求秩,然后再计算它们的pearson相关
下面用R编程计算spearman相关,R里的rank()函数提供了求秩功能。例如:

cor(rank(gdp),rank(invest))

[1] 1
结果说明,两个变量具有非常强的正等级相关
类似可以计算Kendall τ相关系数

统计学-R语言-4.4,统计学-R语言,r语言,开发语言

图2-13(a)看不出X和Y有任何关系,这些点完全是杂乱无章的,它们看上去是不相关的。
图2-13(b)显示当X增加时,Y大体上也增加,而且增加得较均匀,有大体上斜着递增直线那样的趋势。有这种关系的变量就称为(正)线性相关。
图2-13©和图2-13(b)类似,只不过有递减趋势,称为(负)线性相关。
图2-13(d)也表现出两个变量的很强的关系,但是不是线性的。

图2-13的四对变量的相关系数分别为-0.1395 , 0.9472 , -0.9393 , 0.3147
从相关系数上看,图(a)中 的变量存在低度相关;图(b)和图©分别表现高度正线性相关和高度负线性相关;图(d) 的变量肯定相关,但不是线 性相关,因此(线性)相关系数也很小。


练习

1、下面是我国十个城市2006年各月份气温数据(提供数据exercise2_3,不用自己录入)
(1)按城市绘制箱线图,说明数据分布特点

load("C:ch2/exercise2_3.RData")
boxplot(exercise2_3[,-1])

统计学-R语言-4.4,统计学-R语言,r语言,开发语言
统计学-R语言-4.4,统计学-R语言,r语言,开发语言文章来源地址https://www.toymoban.com/news/detail-805010.html

到了这里,关于统计学-R语言-4.4的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 统计学-R语言-4.7

    本篇文章将介绍数据的描述统计量。 平均数也称为均值,常用的统计量之一 消除了观测值的随机波动 易受极端值的影响 根据总体数据计算的,称为总体平均数,记为;根据样本数据计算的,称为样本平均数,记为 。 设一组数据为:x1 ,x2 ,… ,xn (总体数据xN) 。 计算

    2024年01月16日
    浏览(38)
  • 统计学-R语言-2.2

    本篇文章是将上篇得软件安装完,对其部分功能进行介绍。 在我们日常练习时会有.RData文件导入,并对其进行分析,下面是两种方导入.RData文件。 直接找到自己下载的.RData文件,双击进行打开即可。 上面得工具栏中找到文件。 在里面找到打开程序脚本,找到你所保存的.R

    2024年02月02日
    浏览(32)
  • 统计学-R语言-4.5

    本篇文章将继续对数据的类型做介绍,本片也是最后一个介绍数据的。 掌握描述多变量数据的分析方法:多维列联表、复式条形图、并列箱线图、点带图、多变量散点图(重叠散点图和矩阵式散点图)。 除了一维表、二维表,在实际中更多的是多维表,也就是多个变量交叉

    2024年02月01日
    浏览(48)
  • 统计学-R语言-5.3

    本篇文章即为概率与分布的最后一篇文章。 分位数函数是累积分布函数的反函数。 p-分位数是具有这样性质的一个值:小于或等于它的概率为p。 根据定义,中位数即50%分位数。 分位数通常用于置信区间的计算,以及与设计试验有关的势函数的计算。 下面给出一个置信区间

    2024年01月18日
    浏览(46)
  • 统计学-R语言-5.2

    本篇文章将继续上篇的进行介绍。 大数定理大数定理”的另一种表达方式是“均值定理”,其含义是,随机变量X多个观察值的均值会随着观察值的增加越发趋近于总体的期望值,中心极限定理进一步告诉我们,均值服从期望为μ 的正态分布。在各种测量试验中,我们一般都

    2024年01月18日
    浏览(42)
  • 统计学-R语言-4.3

    本篇介绍的是数值型数据怎么进行数据可视化,本篇介绍的有直方图、茎叶图、箱线图。 直方图(Histogram)用于描述连续型变量的频数分布,实际应用中常用于考察变量的分布是否对称;是否服从某种分布类型,如正态分布 直方图以矩形的面积表示各组段的频数或频率, 各

    2024年01月16日
    浏览(42)
  • 统计学-R语言-4.1

    安装完R软件之后就可以对其进行代码的编写了。 如果对数据分析有些特殊需要,已有的R包或函数不能满足,可以在R中编写自己的函数。函数的定义格式如下所示: 该式中, functionname是函数名称; function指明该对象为函数类型;a1,a2,为函数中涉及的参数; expression是函数

    2024年01月16日
    浏览(35)
  • 统计学-R语言-6.2

    本篇将继续介绍上篇所剩下的内容。 设两个总体的均值分别为1和2,从两个总体中分别抽取样本量为n1和n2的两个随机样本,其样本均值分别为 和 。估计两个总体均值之差(u1-u2)的点估计量显然是两个样本的均值之差( )。 两个总体均值的置信区间是由两个样本均值之

    2024年01月18日
    浏览(39)
  • 统计学-R语言-2.1

    上篇文章介绍了统计学-R语言的介绍,本篇文章介绍如何安装R软件。 可以登录官网,https://www.r-project.org/,点击此处跳转。 点进去下滑找到China,之后找任意一个链接地址进行下载即可。 我点的是第二个,进入后在红框中选择自己对应得版本进行下载。 第一次安装点击红框处

    2024年02月02日
    浏览(27)
  • 统计学-R语言-7.2

    本篇将继续上篇文章进行介绍。 小样本的检验 假定条件 小样本(n30) 总体服从正太分布 检验统计量的选择与总体方差是否已知有关 已知样本,均值经标准化后服从标准正态分布: 单样本t检验的效应量通常使用 Cohen的d统计量来度量,计算公式为: 该效应量表示样本均值与假

    2024年01月21日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包