Research Question
- 미국 남성이 여성이 비해 알코올 섭취량이 더 많을까?
Research Design
- 분석할 데이터: BRFSSdataset
- Variables
- 연구문제: 미국 남성이 여성이 비해 알코올 섭취량이 더 많을까?
- 성별: male, female
- 알코올 섭취량: 일주일 간 마신 알코올 음료의 총량
- Statistical Method
- ’성별에 따른 평균 알코올 섭취량의 차이’를 보기 위해서는 서로 다른 두
집단의 평균 차이를 검정해야 함
- T-test는 두 집단의 평균을 비교하여 두 집단 간 통계적으로 유의미한
차이가 있는지 결정하는 통계 방법
Import Data
# R 작업 환경에 데이터 가져오기
data <- read.csv("./data.csv")
# 일부 행 확인
head(data)
## X_STATE FMONTH IDATE IMONTH IDAY IYEAR DISPCODE SEQNO X_PSU
## 1 1 1 2022022 2 2 2022 1100 2022000005 2022000005
## 2 1 1 2032022 2 3 2022 1100 2022000007 2022000007
## 3 1 2 2102022 2 10 2022 1100 2022000014 2022000014
## 4 1 3 3102022 3 10 2022 1100 2022000032 2022000032
## 5 1 1 2042022 2 4 2022 1100 2022000045 2022000045
## 6 1 3 3032022 3 3 2022 1100 2022000070 2022000070
## CTELENM1 PVTRESD1 COLGHOUS STATERE1 CELPHON1 LADULT1 COLGSEX1 NUMADULT
## 1 1 1 NA 1 2 1 NA 2
## 2 1 1 NA 1 2 1 NA 1
## 3 1 1 NA 1 2 1 NA 3
## 4 1 1 NA 1 2 2 NA 2
## 5 1 1 NA 1 2 1 NA 3
## 6 1 1 NA 1 2 1 NA 1
## LANDSEX1 NUMMEN NUMWOMEN RESPSLCT SAFETIME CTELNUM1 CELLFON5 CADULT1 CELLSEX1
## 1 NA 1 1 2 NA NA NA NA NA
## 2 2 NA NA NA NA NA NA NA NA
## 3 NA 1 2 1 NA NA NA NA NA
## 4 NA 1 1 1 NA NA NA NA NA
## 5 NA 2 1 2 NA NA NA NA NA
## 6 1 NA NA NA NA NA NA NA NA
## PVTRESD3 CCLGHOUS CSTATE1 LANDLINE HHADULT SEXVAR GENHLTH PHYSHLTH MENTHLTH
## 1 NA NA NA NA NA 2 4 2 88
## 2 NA NA NA NA NA 2 2 88 88
## 3 NA NA NA NA NA 1 2 88 88
## 4 NA NA NA NA NA 1 4 30 88
## 5 NA NA NA NA NA 2 3 88 88
## 6 NA NA NA NA NA 1 2 88 88
## POORHLTH PRIMINSR PERSDOC3 MEDCOST1 CHECKUP1 EXERANY2 SLEPTIM1 LASTDEN4
## 1 88 7 2 2 1 1 9 NA
## 2 NA 2 1 2 1 1 7 NA
## 3 NA 3 1 2 1 1 8 NA
## 4 88 3 2 2 1 1 4 NA
## 5 NA 3 2 2 1 1 6 NA
## 6 NA 7 2 2 1 1 8 NA
## RMVTETH4 CVDINFR4 CVDCRHD4 CVDSTRK3 ASTHMA3 ASTHNOW CHCSCNC1 CHCOCNC1
## 1 NA 2 2 2 2 NA 2 2
## 2 NA 2 2 2 2 NA 2 2
## 3 NA 2 2 2 2 NA 2 2
## 4 NA 1 1 1 2 NA 1 1
## 5 NA 2 2 2 2 NA 2 2
## 6 NA 2 1 2 2 NA 2 2
## CHCCOPD3 ADDEPEV3 CHCKDNY2 HAVARTH4 DIABETE4 DIABAGE4 MARITAL EDUCA RENTHOM1
## 1 2 2 2 2 3 NA 1 5 1
## 2 2 2 2 2 3 NA 2 6 1
## 3 2 2 2 2 3 NA 1 6 1
## 4 2 1 1 1 3 NA 3 5 1
## 5 2 2 2 2 3 NA 2 6 1
## 6 2 2 2 2 3 NA 6 6 1
## NUMHHOL4 NUMPHON4 CPDEMO1C VETERAN3 EMPLOY1 CHILDREN INCOME3 PREGNANT WEIGHT2
## 1 2 NA 2 2 5 88 5 2 119
## 2 2 NA 1 2 7 88 8 NA 138
## 3 2 NA 1 1 7 88 9 NA 235
## 4 2 NA 1 1 7 88 8 NA 190
## 5 1 1 1 2 7 88 7 NA 175
## 6 2 NA 1 1 7 88 6 NA 185
## HEIGHT3 DEAF BLIND DECIDE DIFFWALK DIFFDRES DIFFALON HADMAM HOWLONG CERVSCRN
## 1 502 2 2 2 2 2 2 1 1 1
## 2 505 2 2 2 2 2 2 1 1 1
## 3 511 2 2 2 2 2 2 NA NA NA
## 4 602 1 2 2 1 2 2 NA NA NA
## 5 503 2 1 2 2 2 1 1 1 1
## 6 510 2 2 2 2 2 2 NA NA NA
## CRVCLCNC CRVCLPAP CRVCLHPV HADHYST2 HADSIGM4 COLNSIGM COLNTES1 SIGMTES1
## 1 3 1 2 1 NA NA NA NA
## 2 5 1 7 1 1 1 3 NA
## 3 NA NA NA NA 1 1 1 NA
## 4 NA NA NA NA 1 3 3 4
## 5 2 1 1 1 1 1 4 NA
## 6 NA NA NA NA 1 1 1 NA
## LASTSIG4 COLNCNCR VIRCOLO1 VCLNTES2 SMALSTOL STOLTEST STOOLDN2 BLDSTFIT
## 1 NA NA NA NA NA NA NA NA
## 2 NA 2 NA NA NA NA NA NA
## 3 NA 1 2 NA 2 NA 2 NA
## 4 NA 1 1 4 1 4 2 NA
## 5 NA 2 NA NA NA NA NA NA
## 6 NA 1 2 NA 2 NA 2 NA
## SDNATES1 SMOKE100 SMOKDAY2 USENOW3 ECIGNOW2 LCSFIRST LCSLAST LCSNUMCG
## 1 NA 2 NA 3 1 NA NA NA
## 2 NA 1 3 3 1 16 58 35
## 3 NA 2 NA 3 1 NA NA NA
## 4 NA 2 NA 3 1 NA NA NA
## 5 NA 2 NA 3 1 NA NA NA
## 6 NA 1 3 3 1 10 26 10
## LCSCTSC1 LCSSCNCR LCSCTWHN ALCDAY4 AVEDRNK3 DRNK3GE5 MAXDRNKS FLUSHOT7
## 1 1 2 NA 203 2 88 2 2
## 2 2 NA NA 205 2 88 2 2
## 3 2 NA NA 205 1 88 2 2
## 4 1 1 2 203 4 4 4 1
## 5 2 NA NA 205 1 88 1 1
## 6 1 2 NA 106 2 1 5 1
## FLSHTMY3 PNEUVAC4 TETANUS1 HIVTST7 HIVTSTD3 HIVRISK5 COVIDPOS COVIDSMP
## 1 NA 1 4 2 NA 2 2 NA
## 2 NA 2 4 2 NA 2 2 NA
## 3 NA 7 7 1 52016 2 2 NA
## 4 92021 1 3 1 777777 2 2 NA
## 5 102021 1 4 1 772010 2 2 NA
## 6 102021 1 1 2 NA 2 2 NA
## COVIDPRM PDIABTS1 PREDIAB2 DIABTYPE INSULIN1 CHKHEMO3 EYEEXAM1 DIABEYE1
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## DIABEDU1 FEETSORE TOLDCFS HAVECFS WORKCFS IMFVPLA3 HPVADVC4 HPVADSHT SHINGLE2
## 1 NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA
## COVIDVA1 COVACGET COVIDNU1 COVIDINT COVIDFS1 COVIDSE1 COPDCOGH COPDFLEM
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## COPDBRTH COPDBTST COPDSMOK CNCRDIFF CNCRAGE CNCRTYP2 CSRVTRT3 CSRVDOC1
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## CSRVSUM CSRVRTRN CSRVINST CSRVINSR CSRVDEIN CSRVCLIN CSRVPAIN CSRVCTL2
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## PSATEST1 PSATIME1 PCPSARS2 PSASUGST PCSTALK1 CIMEMLOS CDHOUSE CDASSIST CDHELP
## 1 NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA
## CDSOCIAL CDDISCUS CAREGIV1 CRGVREL4 CRGVLNG1 CRGVHRS1 CRGVPRB3 CRGVALZD
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## CRGVPER1 CRGVHOU1 CRGVEXPT ACEDEPRS ACEDRINK ACEDRUGS ACEPRISN ACEDIVRC
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## ACEPUNCH ACEHURT1 ACESWEAR ACETOUCH ACETTHEM ACEHVSEX ACEADSAF ACEADNED
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## LSATISFY EMTSUPRT SDHISOLT SDHEMPLY FOODSTMP SDHFOOD1 SDHBILLS SDHUTILS
## 1 1 1 5 2 2 5 2 2
## 2 1 1 4 2 2 5 2 2
## 3 2 1 3 2 2 5 2 2
## 4 2 1 5 2 2 5 2 2
## 5 2 1 5 2 2 5 2 2
## 6 2 3 3 2 2 5 2 2
## SDHTRNSP SDHSTRE1 MARIJAN1 MARJSMOK MARJEAT MARJVAPE MARJDAB MARJOTHR
## 1 2 5 NA NA NA NA NA NA
## 2 2 5 NA NA NA NA NA NA
## 3 2 5 NA NA NA NA NA NA
## 4 2 3 NA NA NA NA NA NA
## 5 2 5 NA NA NA NA NA NA
## 6 2 4 NA NA NA NA NA NA
## USEMRJN4 LASTSMK2 STOPSMK2 MENTCIGS MENTECIG HEATTBCO ASBIALCH ASBIDRNK
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## ASBIBING ASBIADVC ASBIRDUC FIREARM5 GUNLOAD LOADULK2 RCSGEND1 RCSXBRTH
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## RCSRLTN2 CASTHDX2 CASTHNO2 BIRTHSEX SOMALE SOFEMALE TRNSGNDR HADSEX PFPPRVN4
## 1 NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA
## TYPCNTR9 BRTHCNT4 WHEREGET NOBCUSE8 BCPREFER RRCLASS3 RRCOGNT2 RRTREAT
## 1 NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA
## RRATWRK2 RRHCARE4 RRPHYSM2 QSTVER QSTLANG X_METSTAT X_URBSTAT MSCODE X_STSTR
## 1 NA NA NA 10 1 1 1 1 11011
## 2 NA NA NA 10 1 1 1 1 11011
## 3 NA NA NA 10 1 1 1 1 11011
## 4 NA NA NA 10 1 1 1 2 11011
## 5 NA NA NA 10 1 1 1 2 11021
## 6 NA NA NA 10 1 1 1 2 11021
## X_STRWT X_RAWRAKE X_WT2RAKE X_IMPRACE X_CHISPNC X_CRACE2 X_CPRACE2 CAGEG
## 1 37.41842 2 74.83683 1 9 NA NA NA
## 2 37.41842 1 37.41842 2 9 NA NA NA
## 3 37.41842 3 112.25525 1 9 NA NA NA
## 4 37.41842 2 74.83683 1 9 NA NA NA
## 5 36.82127 3 110.46380 2 9 NA NA NA
## 6 36.82127 1 36.82127 1 9 NA NA NA
## X_CLLCPWT X_DUALUSE X_DUALCOR X_LLCPWT2 X_LLCPWT X_RFHLTH X_PHYS14D
## 1 NA 1 0.5203828 813.9185 2111.2063 2 2
## 2 NA 1 0.5203828 406.9593 138.7501 1 1
## 3 NA 1 0.5203828 1220.8778 716.6416 1 1
## 4 NA 1 0.5203828 813.9185 701.3143 2 3
## 5 NA 1 0.5203828 1184.4176 523.3188 1 1
## 6 NA 1 0.5203828 394.8059 280.7197 1 1
## X_MENT14D X_HLTHPLN X_HCVU652 X_TOTINDA X_EXTETH3 X_ALTETH3 X_DENVST3 X_MICHD
## 1 1 1 1 1 9 NA 9 2
## 2 1 1 9 1 9 9 9 2
## 3 1 1 9 1 9 9 9 2
## 4 1 1 9 1 9 9 9 1
## 5 1 1 1 1 9 NA 9 2
## 6 1 1 9 1 9 9 9 1
## X_LTASTH1 X_CASTHM1 X_ASTHMS1 X_DRDXAR2 X_PRACE2 X_MRACE2 X_HISPANC X_RACE1
## 1 1 1 3 2 1 1 2 1
## 2 1 1 3 2 2 2 2 2
## 3 1 1 3 2 1 1 2 1
## 4 1 1 3 1 1 1 2 1
## 5 1 1 3 2 2 2 2 2
## 6 1 1 3 2 1 1 2 1
## X_RACEG22 X_RACEGR4 X_RACEPR1 X_SEX X_AGEG5YR X_AGE65YR X_AGE80 X_AGE_G HTIN4
## 1 1 1 1 2 5 1 43 3 62
## 2 2 2 2 2 13 2 80 6 65
## 3 1 1 1 1 10 2 65 6 71
## 4 1 1 1 1 12 2 78 6 74
## 5 2 2 2 2 8 1 56 5 63
## 6 1 1 1 1 10 2 67 6 70
## HTM4 WTKG3 X_BMI5 X_BMI5CAT X_RFBMI5 X_CHLDCNT X_EDUCAG X_INCOMG1 X_RFMAM22
## 1 157 5398 2177 2 1 1 3 3 1
## 2 165 6260 2296 2 1 1 4 5 1
## 3 180 10659 3278 4 2 1 4 6 NA
## 4 188 8618 2439 2 1 1 3 5 NA
## 5 160 7938 3100 4 2 1 4 5 1
## 6 178 8391 2654 3 2 1 4 4 NA
## X_MAM5023 X_HADCOLN X_CLNSCP1 X_HADSIGM X_SGMSCP1 X_SGMS101 X_RFBLDS5
## 1 NA NA NA NA NA NA NA
## 2 NA 1 NA 2 NA NA NA
## 3 NA 1 1 2 3 3 3
## 4 NA 1 NA 1 NA NA NA
## 5 1 1 1 2 3 3 3
## 6 NA 1 1 2 3 3 3
## X_STOLDN1 X_VIRCOL1 X_SBONTI1 X_CRCREC2 X_SMOKER3 X_RFSMOK3 X_CURECI2
## 1 NA NA NA NA 4 1 1
## 2 NA NA NA NA 3 1 1
## 3 3 3 3 1 4 1 1
## 4 NA NA NA NA 4 1 1
## 5 3 3 3 1 4 1 1
## 6 3 3 3 1 3 1 1
## X_YRSSMOK X_PACKDAY X_PACKYRS X_YRSQUIT X_SMOKGRP X_LCSREC DRNKANY6 DROCDY4_
## 1 NA NA NA NA 4 NA 1 10
## 2 42 1.75 74 22 3 NA 1 17
## 3 NA NA NA NA 4 NA 1 17
## 4 NA NA NA NA 4 NA 1 10
## 5 NA NA NA NA 4 NA 1 17
## 6 16 0.50 8 41 3 2 1 86
## X_RFBING6 X_DRNKWK2 X_RFDRHV8 X_FLSHOT7 X_PNEUMO3 X_AIDTST4
## 1 1 140 1 NA NA 2
## 2 1 233 1 2 2 2
## 3 1 117 1 2 9 1
## 4 2 280 1 1 1 1
## 5 1 117 1 NA NA 1
## 6 2 1200 1 1 1 2
# 칼럼 확인
colnames((data))
## [1] "X_STATE" "FMONTH" "IDATE" "IMONTH" "IDAY" "IYEAR"
## [7] "DISPCODE" "SEQNO" "X_PSU" "CTELENM1" "PVTRESD1" "COLGHOUS"
## [13] "STATERE1" "CELPHON1" "LADULT1" "COLGSEX1" "NUMADULT" "LANDSEX1"
## [19] "NUMMEN" "NUMWOMEN" "RESPSLCT" "SAFETIME" "CTELNUM1" "CELLFON5"
## [25] "CADULT1" "CELLSEX1" "PVTRESD3" "CCLGHOUS" "CSTATE1" "LANDLINE"
## [31] "HHADULT" "SEXVAR" "GENHLTH" "PHYSHLTH" "MENTHLTH" "POORHLTH"
## [37] "PRIMINSR" "PERSDOC3" "MEDCOST1" "CHECKUP1" "EXERANY2" "SLEPTIM1"
## [43] "LASTDEN4" "RMVTETH4" "CVDINFR4" "CVDCRHD4" "CVDSTRK3" "ASTHMA3"
## [49] "ASTHNOW" "CHCSCNC1" "CHCOCNC1" "CHCCOPD3" "ADDEPEV3" "CHCKDNY2"
## [55] "HAVARTH4" "DIABETE4" "DIABAGE4" "MARITAL" "EDUCA" "RENTHOM1"
## [61] "NUMHHOL4" "NUMPHON4" "CPDEMO1C" "VETERAN3" "EMPLOY1" "CHILDREN"
## [67] "INCOME3" "PREGNANT" "WEIGHT2" "HEIGHT3" "DEAF" "BLIND"
## [73] "DECIDE" "DIFFWALK" "DIFFDRES" "DIFFALON" "HADMAM" "HOWLONG"
## [79] "CERVSCRN" "CRVCLCNC" "CRVCLPAP" "CRVCLHPV" "HADHYST2" "HADSIGM4"
## [85] "COLNSIGM" "COLNTES1" "SIGMTES1" "LASTSIG4" "COLNCNCR" "VIRCOLO1"
## [91] "VCLNTES2" "SMALSTOL" "STOLTEST" "STOOLDN2" "BLDSTFIT" "SDNATES1"
## [97] "SMOKE100" "SMOKDAY2" "USENOW3" "ECIGNOW2" "LCSFIRST" "LCSLAST"
## [103] "LCSNUMCG" "LCSCTSC1" "LCSSCNCR" "LCSCTWHN" "ALCDAY4" "AVEDRNK3"
## [109] "DRNK3GE5" "MAXDRNKS" "FLUSHOT7" "FLSHTMY3" "PNEUVAC4" "TETANUS1"
## [115] "HIVTST7" "HIVTSTD3" "HIVRISK5" "COVIDPOS" "COVIDSMP" "COVIDPRM"
## [121] "PDIABTS1" "PREDIAB2" "DIABTYPE" "INSULIN1" "CHKHEMO3" "EYEEXAM1"
## [127] "DIABEYE1" "DIABEDU1" "FEETSORE" "TOLDCFS" "HAVECFS" "WORKCFS"
## [133] "IMFVPLA3" "HPVADVC4" "HPVADSHT" "SHINGLE2" "COVIDVA1" "COVACGET"
## [139] "COVIDNU1" "COVIDINT" "COVIDFS1" "COVIDSE1" "COPDCOGH" "COPDFLEM"
## [145] "COPDBRTH" "COPDBTST" "COPDSMOK" "CNCRDIFF" "CNCRAGE" "CNCRTYP2"
## [151] "CSRVTRT3" "CSRVDOC1" "CSRVSUM" "CSRVRTRN" "CSRVINST" "CSRVINSR"
## [157] "CSRVDEIN" "CSRVCLIN" "CSRVPAIN" "CSRVCTL2" "PSATEST1" "PSATIME1"
## [163] "PCPSARS2" "PSASUGST" "PCSTALK1" "CIMEMLOS" "CDHOUSE" "CDASSIST"
## [169] "CDHELP" "CDSOCIAL" "CDDISCUS" "CAREGIV1" "CRGVREL4" "CRGVLNG1"
## [175] "CRGVHRS1" "CRGVPRB3" "CRGVALZD" "CRGVPER1" "CRGVHOU1" "CRGVEXPT"
## [181] "ACEDEPRS" "ACEDRINK" "ACEDRUGS" "ACEPRISN" "ACEDIVRC" "ACEPUNCH"
## [187] "ACEHURT1" "ACESWEAR" "ACETOUCH" "ACETTHEM" "ACEHVSEX" "ACEADSAF"
## [193] "ACEADNED" "LSATISFY" "EMTSUPRT" "SDHISOLT" "SDHEMPLY" "FOODSTMP"
## [199] "SDHFOOD1" "SDHBILLS" "SDHUTILS" "SDHTRNSP" "SDHSTRE1" "MARIJAN1"
## [205] "MARJSMOK" "MARJEAT" "MARJVAPE" "MARJDAB" "MARJOTHR" "USEMRJN4"
## [211] "LASTSMK2" "STOPSMK2" "MENTCIGS" "MENTECIG" "HEATTBCO" "ASBIALCH"
## [217] "ASBIDRNK" "ASBIBING" "ASBIADVC" "ASBIRDUC" "FIREARM5" "GUNLOAD"
## [223] "LOADULK2" "RCSGEND1" "RCSXBRTH" "RCSRLTN2" "CASTHDX2" "CASTHNO2"
## [229] "BIRTHSEX" "SOMALE" "SOFEMALE" "TRNSGNDR" "HADSEX" "PFPPRVN4"
## [235] "TYPCNTR9" "BRTHCNT4" "WHEREGET" "NOBCUSE8" "BCPREFER" "RRCLASS3"
## [241] "RRCOGNT2" "RRTREAT" "RRATWRK2" "RRHCARE4" "RRPHYSM2" "QSTVER"
## [247] "QSTLANG" "X_METSTAT" "X_URBSTAT" "MSCODE" "X_STSTR" "X_STRWT"
## [253] "X_RAWRAKE" "X_WT2RAKE" "X_IMPRACE" "X_CHISPNC" "X_CRACE2" "X_CPRACE2"
## [259] "CAGEG" "X_CLLCPWT" "X_DUALUSE" "X_DUALCOR" "X_LLCPWT2" "X_LLCPWT"
## [265] "X_RFHLTH" "X_PHYS14D" "X_MENT14D" "X_HLTHPLN" "X_HCVU652" "X_TOTINDA"
## [271] "X_EXTETH3" "X_ALTETH3" "X_DENVST3" "X_MICHD" "X_LTASTH1" "X_CASTHM1"
## [277] "X_ASTHMS1" "X_DRDXAR2" "X_PRACE2" "X_MRACE2" "X_HISPANC" "X_RACE1"
## [283] "X_RACEG22" "X_RACEGR4" "X_RACEPR1" "X_SEX" "X_AGEG5YR" "X_AGE65YR"
## [289] "X_AGE80" "X_AGE_G" "HTIN4" "HTM4" "WTKG3" "X_BMI5"
## [295] "X_BMI5CAT" "X_RFBMI5" "X_CHLDCNT" "X_EDUCAG" "X_INCOMG1" "X_RFMAM22"
## [301] "X_MAM5023" "X_HADCOLN" "X_CLNSCP1" "X_HADSIGM" "X_SGMSCP1" "X_SGMS101"
## [307] "X_RFBLDS5" "X_STOLDN1" "X_VIRCOL1" "X_SBONTI1" "X_CRCREC2" "X_SMOKER3"
## [313] "X_RFSMOK3" "X_CURECI2" "X_YRSSMOK" "X_PACKDAY" "X_PACKYRS" "X_YRSQUIT"
## [319] "X_SMOKGRP" "X_LCSREC" "DRNKANY6" "DROCDY4_" "X_RFBING6" "X_DRNKWK2"
## [325] "X_RFDRHV8" "X_FLSHOT7" "X_PNEUMO3" "X_AIDTST4"
# 필요한 칼럼만 인덱싱
data <- data[, c('X_SEX', 'X_DRNKWK2')]
# 칼럼 이름 변경
names(data) <- c("gender", "alcohol_consumption")
# 일부 행 확인
head(data)
## gender alcohol_consumption
## 1 2 140
## 2 2 233
## 3 1 117
## 4 1 280
## 5 2 117
## 6 1 1200
Cleaning Data
1. Null Value 처리하기
# 알코올 섭취량이 99900이나 0으로 기록된 것은 null value로 간주
replace_specific_value_with_na <- function(df, column, specific_value) {
df[df[[column]] %in% specific_value, column] <- NA
return(df)
}
data <- replace_specific_value_with_na(data, "alcohol_consumption", c(99900, 0))
# 결측치 개수 확인
sum(is.na(data$gender))
## [1] 0
sum(is.na(data$alcohol_consumption))
## [1] 0
# 결측치를 갖고 있는 행 제거
data <- data[!is.na(data$alcohol_consumption), ]
data <- data[!is.na(data$gender), ]
2. Oulier 처리하기
# 이상치 제거
remove_outliers <- function(df, column, sd_threshold = 2) {
column_values <- df[[column]]
mean_value <- mean(column_values)
sd_value <- sd(column_values)
lower_bound <- mean_value - sd_threshold * sd_value
upper_bound <- mean_value + sd_threshold * sd_value
df_filtered <- df[column_values >= lower_bound & column_values <= upper_bound, ]
return(df_filtered)
}
data <- remove_outliers(data, "alcohol_consumption")
# 표본 개수 살펴보기
nrow(data)
## [1] 112529
3. Categorical Variable 처리하기
# 범주형 변수 처리
data$gender <- ifelse(data$gender == '1', "male", "female")
# 성별 변수를 범주형 변수로 만들어주기
data$gender <- as.factor(data$gender)
# 처음 6개 행만 살펴보기
head(data)
## gender alcohol_consumption
## 1 female 140
## 2 female 233
## 3 male 117
## 4 male 280
## 5 female 117
## 6 male 1200
Descriptive Analysis
1. 성별
# 성별의 빈도를 나타내는 테이블 만들기
frequency_gender <- table(data$gender)
frequency_gender
##
## female male
## 51820 60709
# 성별에 대한 빈도를 막대그래프로 시각화하기
library("ggplot2") # 필요한 패키지 불러오기
temp <- as.data.frame(frequency_gender)
names(temp) <- c("gender", "count")
ggplot(temp, aes(x = gender, y = count)) +
geom_bar(stat = "identity") +
labs(x = "Gender", y = "Frequency", title = "Frequency of Gender")
2. 알코올 섭취량
# 알코올 섭취량에 대한 정보
summary(data$alcohol_consumption)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 117 200 400 465 700 1260
# 로그 변환된 알코올 섭취량을 히스토그램으로 시각화하기
hist(data$log_alcohol_consumption, breaks = 10)
3. 성별 & 알코올 섭취량
# 성별에 따른 알코올 섭취량을 box plot으로 시각화하기 (로그변환 전후 비교)
boxplot(alcohol_consumption ~ gender, data = data, xlab = "gender", ylab = "Alcohol Consumption")
boxplot(log_alcohol_consumption ~ gender, data = data, xlab = "gender", ylab = "Alcohol Consumption")
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
data %>%
group_by(gender) %>%
summarise(AVG = mean(log_alcohol_consumption, na.rm = T),
SD = sd(log_alcohol_consumption, na.rm = T))
## # A tibble: 2 × 3
## gender AVG SD
## <fct> <dbl> <dbl>
## 1 female 5.87 0.639
## 2 male 6.00 0.655
T-test
1. 등분산성 가정 검정
library(car) # 필요한 패키지 먼저 불러오기
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
leveneTest(log_alcohol_consumption ~ gender, data = data)
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 21.763 3.088e-06 ***
## 112527
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
성별에 따른 알코올 섭취량의 평균차이검정
t.test(data = data, log_alcohol_consumption ~ gender, var.equal = F)
##
## Welch Two Sample t-test
##
## data: log_alcohol_consumption by gender
## t = -32.102, df = 110560, p-value < 2.2e-16
## alternative hypothesis: true difference in means between group female and group male is not equal to 0
## 95 percent confidence interval:
## -0.1317341 -0.1165737
## sample estimates:
## mean in group female mean in group male
## 5.872507 5.996661
