install.packages("readxl")
Error in install.packages : Updating loaded packages
install.packages("openxlsx")
WARNING: Rtools is required to build R packages but is not currently installed. Please download and install the appropriate version of Rtools before proceeding:

https://cran.rstudio.com/bin/windows/Rtools/
Installing package into ‘C:/Users/User/AppData/Local/R/win-library/4.4’
(as ‘lib’ is unspecified)
trying URL 'https://cran.rstudio.com/bin/windows/contrib/4.4/openxlsx_4.2.5.2.zip'
Content type 'application/zip' length 2370526 bytes (2.3 MB)
downloaded 2.3 MB
package ‘openxlsx’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in
    C:\Users\User\AppData\Local\Temp\RtmpiAJGoY\downloaded_packages
install.packages("ggplot2")
Error in install.packages : Updating loaded packages
#install.packages("tidyverse")
install.packages("multcomp")
Error in install.packages : Updating loaded packages
install.packages("magick")
Error in install.packages : Updating loaded packages

Upload the file into the dataframe

library(readxl)
library(ggplot2)
library(tidyverse)
library(multcomp)
library(dplyr)
library(magick)
ICONS
ICONS
data <- read_excel("C:\\Users\\User\\Desktop\\Survey Signup +Icon\\TrackingSevicesStatusIcon.xlsx")
# print(data)
summary(data)
       Id             Icon1          Icon2          Icon3           Icon4      
 Min.   :  1.00   Min.   :1.00   Min.   :1.00   Min.   :1.000   Min.   :1.000  
 1st Qu.: 36.25   1st Qu.:2.00   1st Qu.:2.00   1st Qu.:2.000   1st Qu.:4.000  
 Median : 71.50   Median :4.00   Median :3.00   Median :3.000   Median :5.000  
 Mean   : 71.50   Mean   :3.62   Mean   :2.88   Mean   :3.338   Mean   :4.958  
 3rd Qu.:106.75   3rd Qu.:5.00   3rd Qu.:4.00   3rd Qu.:5.000   3rd Qu.:6.000  
 Max.   :142.00   Max.   :7.00   Max.   :7.00   Max.   :7.000   Max.   :7.000  
     Icon5          Icon6      
 Min.   :1.00   Min.   :1.000  
 1st Qu.:2.00   1st Qu.:1.000  
 Median :4.00   Median :2.000  
 Mean   :4.12   Mean   :2.725  
 3rd Qu.:6.00   3rd Qu.:4.000  
 Max.   :7.00   Max.   :7.000  
# เปลี่ยนรูปแบบจาก wide เป็น narrow
data2 <- data %>%
  pivot_longer(cols = starts_with("Icon"),
               names_to = "variable",      
               values_to = "value") %>%
  mutate(variable = as.factor(variable))
# print(data2)

#คำนวณ mean & SD เพื่อนำไปใช้ในการสร้าง Error Bar
summary_data <- data2 %>%
  group_by(variable) %>%
  summarize(
    mean_value = mean(value),
    se = sd(value) / sqrt(n()))

print(summary_data)
#สร้างกราฟแท่งจาก Mean ของแต่ละไอคอน พร้อมใส่ Error Bar

ggplot(summary_data, aes(x = variable, y = mean_value)) +
  geom_bar(stat = "identity", fill = "orange", width = 0.6) +
  geom_errorbar(aes(ymin = mean_value - se*1.96, ymax = mean_value + se*1.96), width = 0.2) +
  geom_text(aes(label = round(mean_value, 2), y = mean_value), vjust = -0.5, hjust = -0.3, size = 3, color = "blue") +
  labs(title = "กราฟแสดงผลความพึงพอใจของแต่ละรูปแบบไอคอน", x = "รูปแบบไอคอน", y = "ระดับความพึงพอใจ")

ggplot(data2, aes(x = variable, y = value)) +
  geom_boxplot() +
  labs(title = "แจกแจงการกระจายตัวข้อมูลของแต่ละไอคอน",
       x = "รูปแบบไอคอน",
       y = "ค่าความพึงพอใจ")

# การวิเคราะห์ ANOVA เพื่อดูผลภาพรวมความต่างว่ามีนัยสำคัญหรือไม่
 anova_result <- aov(value ~ variable , data = data2)
 summary(anova_result)
             Df Sum Sq Mean Sq F value Pr(>F)    
variable      5  492.1   98.42   31.22 <2e-16 ***
Residuals   846 2667.2    3.15                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
posthoc_result <- glht(anova_result, linfct = mcp(variable = "Tukey"))
 summary(posthoc_result)

     Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts


Fit: aov(formula = value ~ variable, data = data2)

Linear Hypotheses:
                   Estimate Std. Error t value Pr(>|t|)    
Icon2 - Icon1 == 0  -0.7394     0.2107  -3.509  0.00633 ** 
Icon3 - Icon1 == 0  -0.2817     0.2107  -1.337  0.76446    
Icon4 - Icon1 == 0   1.3380     0.2107   6.350  < 0.001 ***
Icon5 - Icon1 == 0   0.5000     0.2107   2.373  0.16694    
Icon6 - Icon1 == 0  -0.8944     0.2107  -4.244  < 0.001 ***
Icon3 - Icon2 == 0   0.4577     0.2107   2.172  0.25193    
Icon4 - Icon2 == 0   2.0775     0.2107   9.859  < 0.001 ***
Icon5 - Icon2 == 0   1.2394     0.2107   5.882  < 0.001 ***
Icon6 - Icon2 == 0  -0.1549     0.2107  -0.735  0.97754    
Icon4 - Icon3 == 0   1.6197     0.2107   7.686  < 0.001 ***
Icon5 - Icon3 == 0   0.7817     0.2107   3.710  0.00315 ** 
Icon6 - Icon3 == 0  -0.6127     0.2107  -2.907  0.04326 *  
Icon5 - Icon4 == 0  -0.8380     0.2107  -3.977  0.00109 ** 
Icon6 - Icon4 == 0  -2.2324     0.2107 -10.594  < 0.001 ***
Icon6 - Icon5 == 0  -1.3944     0.2107  -6.617  < 0.001 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

ผลสรุปจากค่าสถิติและจากกราฟแสดงให้เห็นว่าคะแนนเฉลี่ยว่าไอคอนเหล่านี้สื่อความหมายมากที่สุด ไล่เลี่ยกันก็คือ Icon 4, Icon 5 และเมื่อวิเคราะห์โดยละเอียดจากค่าทางสถิติพบว่า Icon 4 กับ Icon 5 มีผลที่ต่างกันอย่างมีนัยสำคัญทางสถิติ และประกอบกับกราฟการกระจายตัวที่แสดงว่า Icon 4 มีการกระจายตัวของข้อมูลน้อยกว่าไอคอนอื่นๆ ซึ่งหมายความว่าการประมาณค่าประชากรจากข้อมูลตัวอย่าง นั้นมีความแม่นยำ น่าเชื่อถือ และความแปรปรวนต่ำ จึงเห็นว่า ไอคอน 1 สามารถสื่อความหมาย “ติดตามสถานะงานขอใช้บริการ” ได้มากที่สุด

คอมเม้นต์จากผู้ใช้ได้อธิบายเหตุผลของไอคอนที่สื่อมากที่สุดสองอันดับแรกว่า ไอคอน 4 สามารถออกแบบได้สื่อถึงเอกสารที่ได้แจ้งไว้และแสดงถึงการติดตามมากที่สุด ไอคอน 5 รองลงมา ผู้ใช้ส่วนใหญ่เห็นว่าสัญลักษณ์รูปนาฬิกาสามารถสื่อถึงการติดตามงาน หรือรออะไรบางอย่าง

และจากผลการสำรวจพบว่า Icon 6 คนส่วนใหญ่มีความเห็นว่าไอคอนนี้ไม่สามารถสื่อถึงการติดตามสถานะงานขอใช้บริการมากที่สุด

สรุปได้ว่า Icon 4 สื่อความหมาย”ติดตามสถานะงานขอใช้บริการ” ได้มากที่สุด โดยอาจมีเพิ่มเติมใส่เป็นสถานะติดตามด้านบนหัวกระดาษ หรือ เครื่องหมายติ้กถูกตรงเช็คบ๊อกได้แล้วแต่ความเหมาะสมเหมาะสม

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