Basic data analysis workshop_BTH
Thach Tran
2023-11-30
Basic data analysis workshop - BTH (8-10/12/2023)
Ngày3 (10/12/2023) - Hiển thị dữ liệu
Đọc dữ liệu vào R
salary = read.csv("C:\\Thach\\UTS\\Teaching\\TRM\\Practical Data Analysis\\2023_Spring semester\\Data\\Professorial Salaries.csv")
dim(salary)## [1] 397 9Việc 1. GS nam có số bài báo khác GS nữ không?
1.1 Dùng t-test
t.test(NPubs ~ Sex, data = salary)##
## Welch Two Sample t-test
##
## data: NPubs by Sex
## t = 0.93955, df = 46.045, p-value = 0.3524
## alternative hypothesis: true difference in means between group Female and group Male is not equal to 0
## 95 percent confidence interval:
## -2.601989 7.157497
## sample estimates:
## mean in group Female mean in group Male
## 20.20513 17.927371.2 Dùng Wilcoxon test
wilcox.test(NPubs ~ Sex, data = salary)##
## Wilcoxon rank sum test with continuity correction
##
## data: NPubs by Sex
## W = 7691.5, p-value = 0.2963
## alternative hypothesis: true location shift is not equal to 0Kiểm tra phân bố
library(ggplot2)
p = ggplot(data = salary, aes(x = NPubs))
p = p + geom_histogram(aes(y = ..density..), color = "white", fill = "blue")
p + geom_density(col="red")## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
1.3 Sử dụng bootstrap
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)
library(simpleboot)## Warning: package 'simpleboot' was built under R version 4.3.2## Simple Bootstrap Routines (1.1-7)male = salary %>% filter(Sex == "Male")
female = salary %>% filter(Sex == "Female")
set.seed(1234)
b.means = two.boot(female$NPubs, male$NPubs, mean, R = 1000)
hist (b.means$t, breaks = 20)
quantile(b.means$t, probs=c(0.025, 0.50, 0.975)) ## 2.5% 50% 97.5%
## -2.233298 1.960142 6.990984Việc 2. Có khác biệt về bậc GS giữa nam và nữ không?
2.2 Thực hiện phép kiểm
library(table1)##
## Attaching package: 'table1'## The following objects are masked from 'package:base':
##
## units, units<-table1(~ Rank | Sex, data = salary)| Female (N=39) |
Male (N=358) |
Overall (N=397) |
|
|---|---|---|---|
| Rank | |||
| AssocProf | 10 (25.6%) | 54 (15.1%) | 64 (16.1%) |
| AsstProf | 11 (28.2%) | 56 (15.6%) | 67 (16.9%) |
| Prof | 18 (46.2%) | 248 (69.3%) | 266 (67.0%) |
chisq.test(salary$Rank, salary$Sex, correct = FALSE)##
## Pearson's Chi-squared test
##
## data: salary$Rank and salary$Sex
## X-squared = 8.5259, df = 2, p-value = 0.01408Việc 3. Chưa đủ bằng chứng để kết luận về khác biệt về lương GS giữa nam và nữ vì nam thường là GS và có thời gian sau TS cao hơn nữ. Cần phải có phân tích hồi qui đa biến để xác định mối liên quan độc lập giữa giới tính và tiền lương nếu cả nam và nữ có cùng mức GS và cùng thời gian TS.
Việc 4. Có mối l iên quan giữa thời gian sau TS và thời gian làm việc
4.1 Soạn biểu đồ tán xạ
p = ggplot(data = salary, aes(x = Yrs.since.phd, y = Yrs.service))
p1 = p + geom_point() + geom_smooth() + labs(x = "Thời gian sau TS (năm)", y = "Thời gian làm việc (năm)") + ggtitle("Liên quan giữa thời gian làm việc và thời gian sau TS") + theme_bw()
p1## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
4.2 Kiểm định thống kê
Kiểm tra phân bố
library(gridExtra) ##
## Attaching package: 'gridExtra'## The following object is masked from 'package:dplyr':
##
## combinep = ggplot(data = salary, aes(x = Yrs.service))
p = p + geom_histogram(aes(y = ..density..), color = "white", fill = "blue") + geom_density(col="red")
p1 = ggplot(data = salary, aes(x = Yrs.since.phd))
p1 = p1 + geom_histogram(aes(y = ..density..), color = "white", fill = "blue") + geom_density(col="red")
grid.arrange(p, p1, ncol = 2)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Đánh giá mối liên quan giữa thời gian sau TS và thời gian làm việc
cor.test(salary$Yrs.service, salary$Yrs.since.phd, method= "pearson")##
## Pearson's product-moment correlation
##
## data: salary$Yrs.service and salary$Yrs.since.phd
## t = 43.524, df = 395, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.8909977 0.9252353
## sample estimates:
## cor
## 0.90964914.3 Giới tính ảnh hưởng thế nào đến mối liên quan giữa thời gian sau TS và lương
p = ggplot(data = salary, aes(x = Yrs.since.phd, y = Yrs.service, fill = Sex, col = Sex))
p1 = p + geom_point() + geom_smooth(method = "lm", formula = y ~ x + I(x^2) + I(x^3)) + labs(x = "Thời gian sau TS (năm)", y = "Thời gian làm việc (năm)") + ggtitle("Liên quan giữa thời gian làm việc và thời gian sau TS theo giới tính") + theme_bw()
p1