4.1. Bảng tần số (Frequency Table)

4.2. Bảng ngẫu nhiên (Contingency Table)

kable(addmargins2(table(DATA$`Giới tính`, DATA$`Tình trạng`)))

Nhận xét:

• Trong tổng số 1309 hành khách, có 466 hành khách nữ và 843 hành khách nam. Số hành khách thiệt mạng là 809, nhiều hơn số hành khách sống sót khoảng 62%.

• Số hành khách nữ sống sót là 339, cao hơn 212 so với số hành khách nữ thiệt mạng. Trong khi đó, số hành khách nam sống sót là 161 người, thấp hơn rất nhiều (521 người) so với số hành khách nam thiệt mạng.

DATA$`Già & Trẻ` <- cut(DATA$`Độ tuổi`, breaks = c(1, 16, 100), labels = c('Trẻ em', 'Người lớn'), include.lowest = TRUE)
kable(addmargins2(table(DATA$`Già & Trẻ`,DATA$`Tình trạng`)))

Nhận xét:

• Trong tổng số 1309 hành khách, có 122 hành khách là trẻ em và 912 hành khách là người lớn. Số hành khác thiệt mạng là 617, nhiều hơn số hành khách sống sót khoảng 48%. Nguyên nhân số quan sát giảm từ 1309 xuống còn 1034 do dự thiếu hụt thông tin về độ tuổi đối với một số hành khách.

• Số hành khách là trẻ em mà sống sót là 64 cao hơn 8 hành khách so với số hành khách là trẻ em mà thiệt mạng (khoảng 10%). Trong khi đó, số hành khách là người lớn sống sót là 353 người, thấp hơn 206 hành khách so với số hành là người lớn thiệt mạng (khoảng 58%).

4.3. Ước lượng Relative Risk

kable(matrix(data=c('Relative Risk', table(DATA$`Giới tính`, DATA$`Tình trạng`) %>% RelRisk())))

kable(matrix(data=c('Relative Risk',table(DATA$`Già & Trẻ`, DATA$`Tình trạng`) %>% RelRisk())))

4.4. Ước lượng Odds Ratio

kable(matrix(data=c('Odds Ratio', table(DATA$`Giới tính`, DATA$`Tình trạng`) %>% OddsRatio())))

kable(matrix(data=c('Odds Ratio', table(DATA$`Giới tính`, DATA$`Già & Trẻ`) %>% OddsRatio())))

4.5. Khoảng ước lượng cho tỷ lệ

a <- c(843, 466)
b <- c(161, 339)
prop.test(b,a)

## 
##  2-sample test for equality of proportions with continuity correction
## 
## data:  b out of a
## X-squared = 363.62, df = 1, p-value < 2.2e-16
## alternative hypothesis: two.sided
## 95 percent confidence interval:
##  -0.5865065 -0.4864599
## sample estimates:
##    prop 1    prop 2 
## 0.1909846 0.7274678

4.6. Kiểm định tính độc lập

table(DATA$`Giới tính`, DATA$`Tình trạng`) %>% chisq.test

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  .
## X-squared = 363.62, df = 1, p-value < 2.2e-16

table(DATA$`Giới tính`, DATA$`Già & Trẻ`) %>% chisq.test

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  .
## X-squared = 8.0182, df = 1, p-value = 0.004631

4.7. Mô hình xác suất tuyến tính

tmp <- DATA %>% mutate(`Tình trạng` = ifelse(`Tình trạng` == "Sống sót", 1, 0))
lm(`Tình trạng` ~ `Độ tuổi`, data = tmp)

## 
## Call:
## lm(formula = `Tình trạng` ~ `Độ tuổi`, data = tmp)
## 
## Coefficients:
## (Intercept)    `Độ tuổi`  
##    0.464814    -0.001894

4.8. Mô hình Logit

glm(`Tình trạng` ~ `Độ tuổi`, data = tmp, family = binomial(link = 'logit'))

## 
## Call:  glm(formula = `Tình trạng` ~ `Độ tuổi`, family = binomial(link = "logit"), 
##     data = tmp)
## 
## Coefficients:
## (Intercept)    `Độ tuổi`  
##   -0.136531    -0.007899  
## 
## Degrees of Freedom: 1045 Total (i.e. Null);  1044 Residual
##   (263 observations deleted due to missingness)
## Null Deviance:       1415 
## Residual Deviance: 1411  AIC: 1415

4.9. Mô hình Probit

glm(`Tình trạng` ~ `Độ tuổi`, data = tmp, family = binomial(link = 'probit'))

## 
## Call:  glm(formula = `Tình trạng` ~ `Độ tuổi`, family = binomial(link = "probit"), 
##     data = tmp)
## 
## Coefficients:
## (Intercept)    `Độ tuổi`  
##   -0.087036    -0.004872  
## 
## Degrees of Freedom: 1045 Total (i.e. Null);  1044 Residual
##   (263 observations deleted due to missingness)
## Null Deviance:       1415 
## Residual Deviance: 1411  AIC: 1415