Veri seti: “BSATURM6.sav”
Veri bilgi: “T15_G8_ItemInformation.xlsx”

a.Veri setini TUR, bilgi dosyasını ise bilgi adlı nesneler olmak üzere R ortamına aktarınız.

TUR <- read_sav("BSATURM6.sav")
head(TUR)
bilgi <- read_excel("T15_G8_ItemInformation.xlsx")
head(bilgi)

TUR veri setinde 6079 veri ve 603 değişken; bilgi veri setinde ise 225 veri ve 17 değişken bulunmaktadır.

b.veri setinden “IDCNTRY”,“IDSTUD”,“IDBOOK” ve M0 ile başlayan değişkenleri seçiniz. M0 ile başlayan değişkenler maddelerdir.Bu işlem sonrasında 6079 gözlem ve 228 sütuna sahip olacaksınız.

TUR <- expss::drop_var_labs(TUR) #haven_labelled bu komut ile dbl haline gelir
TUR <- TUR %>% 
select(IDCNTRY,IDSTUD,IDBOOK,starts_with("M0"))

Seçilen değişkenler sonucunda 6079 satır ve 228 sütun elde edilmiştir ve TUR olarak kaydedilmiştir.

c.M062345B, M062345BA, M062345BB, M062345BC, M062345BD, M062342, M062048, M062048A, M062048B, ve M062048C olmak üzere 10 madde Türkiye veriseinde uygulanmamıstır, bu değişkenleri veriseti nesnesinden siliniz.

TUR <- TUR %>% 
select(-c(M062345B,M062345BA,M062345BB,M062345BC,M062345BD,M062342,M062048,M062048A,M062048B,M062048C))
dim(TUR)

Yapılan işlem sonucunda 228 sütundan geriye 218 sütunlu veri seti kalmıştır ve TUR olarak kaydedilmiştir.

d.Bilgi nesnesinden uygulanmayan 10 maddeye ilişkin satırları siliniz.Item ID sütunu madde isimlerini içermketedir.

uygulanmayan_m <-c("M062345B","M062345BA","M062345BB","M062345BC","M062345BD","M062342","M062048","M062048A","M062048B","M062048C")

bilgi <- bilgi %>% 
filter(!(bilgi$"Item ID" %in% uygulanmayan_m)) #belgede boşluklu değişken adları bu şekilde seçilebilir
dim(bilgi)
## [1] 215  17

Yapılan işlem sonucunda 225 satırlı bilgi belgesi 215 satıra inmiştir.

e.Bilgi nesnesinde Key sütunu “A”,“B”,“C”,“D” and “-” içermektedir.”A”,“B”,“C”,“D” çoktan seçmelimaddelerin doğru cevaplarıdır.”-” ise kısmi puanlanan madeleleri göstermektedir. Bunu Item Type sütununda da anlayabilirsiniz. Veri setinden madde cevaplarının 1,2,3,4,10 ve 20 şeklinde kodlanmıştır. 1-A,2-B,3-C,4-D seçeneğine karşılık gelir. Kısmı puanlanan maddeler ise bilgi nesnesin Maximum Points sütununa göre 1 10,2 ise 20 puan olacak şekilde kodlanmıştır.Sizden beklenen maddeleri 1-0 da dönüştürmenizdir. Bu işlemi CTT paketini kullanarak yapabilirsiniz.

Adımlar

1. A,B,C,D seçeneklerini 1,2,3,4 olarak kodlanır.

2. - olanlar Maximum P. sütununda 1 ise 10 olarak 2 ise 20 olarak kodlanır.

bilgi <- bilgi %>% 
mutate(bilgi_yeni=
  case_when(
    Key == "A" ~ 1,
    Key == "B" ~ 2,
    Key == "C" ~ 3,
    Key == "D" ~ 4,
    Key == "-" & bilgi$"Maximum Points" == 1 ~ 10,
    Key == "-" & bilgi$"Maximum Points" == 2 ~ 20))

Yapılan işlem ile en sona adımların uygulandığı “bilgi_yeni” adında sütun eklenmiş olur.

  1. Yeni sütundaki maddeler 1-0 veri türüne dönüştürülür.
bilgi <- bilgi %>% 
  mutate(kontrol= 
           case_when(
             Options == bilgi_yeni ~ 1,
             Options == "-" & bilgi_yeni == 10 ~ 10,
             Options == "-" & bilgi_yeni == 20 ~ 20,
             TRUE ~ 0 #bu satırı chatGPT'den aldım
             ))

Yapılan işlem ile en sona 3. adımın uygulandığı “kontrol” adında sütun eklenmiş olur.