Prvo raziskovalno vprašanje:Ali sta kajenje in anksioznost povezani spremenljivki?
#https://www.kaggle.com/datasets/sakshi20008/survey-lung-cancer-prediction
podatki <- read.csv("survey.csv", header = TRUE)
podatki$SMOKING <- factor(podatki$SMOKING,
levels=c(1,2),
labels=c("YES", "NO"))
podatki$ANXIETY <- factor(podatki$ANXIETY,
levels=c(1,2),
labels=c("YES", "NO"))
podatki$LUNG_CANCER <- factor(podatki$LUNG_CANCER,
levels=c("YES","NO"),
labels=c("YES", "NO"))
podatki$GENDER <- factor(podatki$GENDER,
levels=c("M","F"),
labels=c("MALE", "FEMALE"))
head(podatki)
## GENDER AGE SMOKING YELLOW_FINGERS ANXIETY PEER_PRESSURE CHRONIC.DISEASE
## 1 MALE 69 YES 2 NO 1 1
## 2 MALE 74 NO 1 YES 1 2
## 3 FEMALE 59 YES 1 YES 2 1
## 4 MALE 63 NO 2 NO 1 1
## 5 FEMALE 63 YES 2 YES 1 1
## 6 FEMALE 75 YES 2 YES 1 2
## FATIGUE ALLERGY WHEEZING ALCOHOL.CONSUMING COUGHING SHORTNESS.OF.BREATH
## 1 2 1 2 2 2 2
## 2 2 2 1 1 1 2
## 3 2 1 2 1 2 2
## 4 1 1 1 2 1 1
## 5 1 1 2 1 2 2
## 6 2 2 2 1 2 2
## SWALLOWING.DIFFICULTY CHEST.PAIN LUNG_CANCER
## 1 2 2 YES
## 2 2 2 YES
## 3 1 2 NO
## 4 2 2 NO
## 5 1 1 NO
## 6 1 1 YES
Opis spremenljivk
ID: Oznaka potnika Gender: Male, Female Anxiety: Yes, No
#install.packages("psych")
library(psych)
describe(podatki[, c("SMOKING", "ANXIETY")]) #opis podatkov za kajenje in aksioznost
## vars n mean sd median trimmed mad min max range skew kurtosis se
## SMOKING* 1 309 1.56 0.5 2 1.58 0 1 2 1 -0.25 -1.94 0.03
## ANXIETY* 2 309 1.50 0.5 1 1.50 0 1 2 1 0.01 -2.01 0.03
hi_kvadrat <- chisq.test(podatki$SMOKING, podatki$ANXIETY, correct=TRUE)
hi_kvadrat
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: podatki$SMOKING and podatki$ANXIETY
## X-squared = 7.3037, df = 1, p-value = 0.006881
Vrednost 7.3037 kaže povezanost med spremenljivkama p-value < 0.05 kaže na statistično značilna povezavo med spremenljivkama
addmargins(hi_kvadrat$observed) #celovit pregled nad frekvencami odgovorov
## podatki$ANXIETY
## podatki$SMOKING YES NO Sum
## YES 80 55 135
## NO 75 99 174
## Sum 155 154 309
N=309
addmargins(round(hi_kvadrat$expected, 2)) #pričakovane vrednosti glede na hi-kvadrat
## podatki$ANXIETY
## podatki$SMOKING YES NO Sum
## YES 67.72 67.28 135
## NO 87.28 86.72 174
## Sum 155.00 154.00 309
Primerjava med opaženimi in pričakovanimi vrednostmi v vsaki kategoriji, kar je pomembno za interpretacijo rezultatov hi-kvadrat testa.
#install.packages(("effectsize"))
library(effectsize)
##
## Attaching package: 'effectsize'
## The following object is masked from 'package:psych':
##
## phi
effectsize::cramers_v(podatki$SMOKING, podatki$ANXIETY) #Cramerjev test moči povezanosti spremenljivk (0-1)
## Cramer's V (adj.) | 95% CI
## --------------------------------
## 0.15 | [0.03, 1.00]
##
## - One-sided CIs: upper bound fixed at [1.00].
Vrednost 0.15 predstavlja nizko moč povezanosti spremenljivk
interpret_cramers_v(0.15)
## [1] "small"
## (Rules: funder2019)
r = 0.15 kar pomeni, da je povezanost med spremenljivkama majhna “small” (0.1 < r < 0.2).
oddsratio(podatki$SMOKING, podatki$ANXIETY)#izračun razmerja verjetnosti pojava dogodka med dvema skupinama
## Odds ratio | 95% CI
## -------------------------
## 1.92 | [1.22, 3.03]
Sklep: Glede na oddsratio in interval zaupanja se lahko sklepa, da obstaja statistično značilno povečana verjetnost za pojav dogodka,da so tisti ki imajo anksioznost kadilci, kot tisti, ki niso anksiozni.
interpret_oddsratio(1.92)
## [1] "small"
## (Rules: chen2010)
Verjetnost povezanosti je majhna.
fisher.test(podatki$SMOKING, podatki$ANXIETY)
##
## Fisher's Exact Test for Count Data
##
## data: podatki$SMOKING and podatki$ANXIETY
## p-value = 0.00588
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.186849 3.109532
## sample estimates:
## odds ratio
## 1.915902
Obstataja statistično značilna povezava med kajenjem in aksioznostjo.
Drugo raziskovalno vprašanje: Katere stranke prepričati v posojilo?
#https://www.kaggle.com/datasets/teertha/personal-loan-modeling
library(tidyr)
podatki <- read.csv("loan.csv", header = TRUE)
podatki <- podatki[-c(3,7,5,6)]
podatki[podatki == ""] <- NA
podatki <- drop_na(podatki)
nrow(podatki)
## [1] 5000
podatki$Education <- factor(podatki$Education,
levels=c(1,2,3),
labels=c("Undergrad", "Graduate", "Advanced"))
podatki$Personal.Loan <- factor(podatki$Personal.Loan,
levels=c(c(0,1)),
labels=c("Yes","No"))
podatki$CD.Account <- factor(podatki$CD.Account,
levels=c(c(0,1)),
labels=c("Yes","No"))
podatki$Online <- factor(podatki$Online,
levels=c(c(0,1)),
labels=c("Yes","No"))
podatki$CreditCard <- factor(podatki$CreditCard,
levels=c(c(0,1)),
labels=c("Yes","No"))
podatki$Securities.Account <- factor(podatki$Securities.Account,
levels=c(c(0,1)),
labels=c("Yes","No"))
#vse podatke se uredi
Želimo izvedeti ali se stranka po določenem številu nakupov odloči za včlanitev ali ne. Tako bo lahko spremenila svoj način oglaševanja za pridobitev novih članov.
fit0 <- glm(Personal.Loan ~ 1,
family= binomial,
data = podatki) #logitična regresija za binarni model
summary(fit0)
##
## Call:
## glm(formula = Personal.Loan ~ 1, family = binomial, data = podatki)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.24248 0.04801 -46.71 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 3162 on 4999 degrees of freedom
## Residual deviance: 3162 on 4999 degrees of freedom
## AIC: 3164
##
## Number of Fisher Scoring iterations: 5
Številke kažejo, da je Intercept statistično značilen, model pa se statistično dobro prilega podatkom. AIC vrednost je relativno nizka, kar nakazuje na dobro prileganje modela glede na kompleksnost.
exp(cbind(obet = fit0$coefficients, confint.default(fit0))) #Obet za Y=1
## obet 2.5 % 97.5 %
## (Intercept) 0.1061947 0.0966585 0.1166717
Glede na oceno oddsratio in interval zaupanja, obstaja statistično značilna povezanost med prediktorjem (Intercept) in odzivno spremenljivko. Vrednost oddsratio nam pove, da je verjetnost dogodka Y=1 za 0.1-krat večja kot verjetnost dogodka Y=0.
head(fitted(fit0))
## 1 2 3 4 5 6
## 0.096 0.096 0.096 0.096 0.096 0.096
fit1 <- glm(Personal.Loan ~ Age,
family= binomial,
data = podatki)
summary(fit1)
##
## Call:
## glm(formula = Personal.Loan ~ Age, family = binomial, data = podatki)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.139045 0.194855 -10.978 <2e-16 ***
## Age -0.002288 0.004188 -0.546 0.585
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 3162.0 on 4999 degrees of freedom
## Residual deviance: 3161.7 on 4998 degrees of freedom
## AIC: 3165.7
##
## Number of Fisher Scoring iterations: 5
p-vrednost za starost ni statistično značilna, ker je večja od 0.05.
anova(fit0, fit1, test="Chi")
## Analysis of Deviance Table
##
## Model 1: Personal.Loan ~ 1
## Model 2: Personal.Loan ~ Age
## Resid. Df Resid. Dev Df Deviance Pr(>Chi)
## 1 4999 3162.0
## 2 4998 3161.7 1 0.29838 0.5849
exp(cbind(obet = fit1$coefficients, confint.default(fit1))) #Obet za Y=1
## obet 2.5 % 97.5 %
## (Intercept) 0.1177673 0.08038294 0.1725382
## Age 0.9977151 0.98955952 1.0059378
fit2 <- glm(Personal.Loan ~ Age + Mortgage + Income,
family= binomial,
data = podatki)
#install.packages("car")
library(car)
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:psych':
##
## logit
vif(fit2)
## Age Mortgage Income
## 1.004892 1.020529 1.025471
fit2
##
## Call: glm(formula = Personal.Loan ~ Age + Mortgage + Income, family = binomial,
## data = podatki)
##
## Coefficients:
## (Intercept) Age Mortgage Income
## -6.4777308 0.0072745 0.0006738 0.0368749
##
## Degrees of Freedom: 4999 Total (i.e. Null); 4996 Residual
## Null Deviance: 3162
## Residual Deviance: 2012 AIC: 2020
podatki$StdOstanki <- rstandard(fit2)
podatki$Cook <- cooks.distance(fit2)
hist(podatki$StdOstanki,
main = "Histogram standardiriziranih ostankov",
ylab = "Frekvenca",
xlab = "Standarizirani ostanki")
head(podatki[order(-podatki$Cook), c("ID", "Cook")])
## ID Cook
## 2935 2935 0.009881798
## 3609 3609 0.009700624
## 1784 1784 0.008869050
## 1717 1717 0.008801827
## 460 460 0.005896233
## 350 350 0.005858863
anova(fit0, fit1, test="Chi")
## Analysis of Deviance Table
##
## Model 1: Personal.Loan ~ 1
## Model 2: Personal.Loan ~ Age
## Resid. Df Resid. Dev Df Deviance Pr(>Chi)
## 1 4999 3162.0
## 2 4998 3161.7 1 0.29838 0.5849
summary(fit2)
##
## Call:
## glm(formula = Personal.Loan ~ Age + Mortgage + Income, family = binomial,
## data = podatki)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -6.4777308 0.3060016 -21.169 <2e-16 ***
## Age 0.0072745 0.0051057 1.425 0.154
## Mortgage 0.0006738 0.0004160 1.620 0.105
## Income 0.0368749 0.0013957 26.421 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 3162.0 on 4999 degrees of freedom
## Residual deviance: 2011.5 on 4996 degrees of freedom
## AIC: 2019.5
##
## Number of Fisher Scoring iterations: 6
exp(cbind(R0 = fit2$coefficients, confint.default(fit2)))
## R0 2.5 % 97.5 %
## (Intercept) 0.001537295 0.0008438946 0.00280044
## Age 1.007301054 0.9972712430 1.01743174
## Mortgage 1.000674000 0.9998584929 1.00149017
## Income 1.037563237 1.0347288836 1.04040535