A) “odev3.xlsx” dosyasını R ortamına aktarınız ve veri setinde eksik veri olup olmadığını kontrol ediniz.

library(readxl)
library(naniar)
library(ggplot2)
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
veri<-read_excel("C:/Users/Salih/Desktop/odev3.xlsx")

any_na(veri)
## [1] FALSE

Veri setinde eksik veri yok.

gg_miss_var(veri)

B) Cinsiyet ve SES değişkenlerinin kategorilerinde nasıl dağıldığını hem tablo hem de grafikle gösteriniz.

library(dplyr)
library(knitr)


gender_table <- table(veri$Cinsiyet)  # Cinsiyetin frekansı
ses_table <- table(veri$SES)  # SES'in frekansı


kable(gender_table, caption = "Cinsiyet Dağılımı", format = "markdown")
Cinsiyet Dağılımı
Var1 Freq
1 257
2 74 
kable(ses_table, caption = "SES Dağılımı", format = "markdown")
SES Dağılımı
Var1 Freq
1 18
2 262
3 51 
library(ggplot2)

# Cinsiyet Dağılımı Grafiği
ggplot(veri, aes(x = Cinsiyet, fill = Cinsiyet)) + 
  geom_bar() + 
  labs(title = "Cinsiyet Dağılımı", x = "Cinsiyet", y = "Frekans") + 
  theme_minimal()
## Warning: The following aesthetics were dropped during statistical transformation: fill.
## ℹ This can happen when ggplot fails to infer the correct grouping structure in
##   the data.
## ℹ Did you forget to specify a `group` aesthetic or to convert a numerical
##   variable into a factor?

# SES Dağılımı Grafiği
ggplot(veri, aes(x = SES, fill = SES)) + 
  geom_bar() + 
  labs(title = "SES Dağılımı", x = "SES", y = "Frekans") + 
  theme_minimal()
## Warning: The following aesthetics were dropped during statistical transformation: fill.
## ℹ This can happen when ggplot fails to infer the correct grouping structure in
##   the data.
## ℹ Did you forget to specify a `group` aesthetic or to convert a numerical
##   variable into a factor?

C) Boyut1 alt boyutunda yer alan maddeler olumsuz maddelerdir, bu maddeleri yeniden kodlayınız.

olumsuz_maddeler <- c("WV1","WV2", "WV3", "WV4","WV5","WV6","WV7","WV8","WV9" )



# Olumsuz maddeleri 8 - x formülü ile yeniden kodlayalım
veri[olumsuz_maddeler] <- lapply(veri[olumsuz_maddeler], function(x) 8 - x)

D) Boyut1 ve Boyut2 alt boyutunun her ikisi için de toplam puan hesaplayınız. Her iki alt ölçeğin toplam puan dağılımını histogram çizerek gösteriniz.

boyut1_sorular <- c("WV1", "WV2", "WV3","WV4","WV5","WV6","WV7","WV8","WV9")  # Boyut1'in soruları
boyut2_sorular <- c("WV10", "WV11", "WV12","WV13","WV14","WV15","WV16")  # Boyut2'nin soruları

# Boyut1 ve Boyut2'nin toplam puanlarını hesaplama
veri$boyut1_toplam <- rowSums(veri[boyut1_sorular], na.rm = TRUE)
veri$boyut2_toplam <- rowSums(veri[boyut2_sorular], na.rm = TRUE)

# Hesaplanan toplamları kontrol et
head(veri)
## # A tibble: 6 × 20
##   Cinsiyet   SES   WV1   WV2   WV3   WV4   WV5   WV6   WV7   WV8   WV9  WV10
##      <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1        2     2     5     6     5     7     7     6     5     7     7     4
## 2        2     3     2     6     5     6     6     7     7     7     7     7
## 3        2     2     7     7     7     7     7     7     7     7     7     2
## 4        2     2     2     4     4     6     4     2     5     2     4     5
## 5        2     2     7     6     7     7     5     6     5     7     7     4
## 6        2     3     2     2     3     2     3     2     3     2     3     5
## # ℹ 8 more variables: WV11 <dbl>, WV12 <dbl>, WV13 <dbl>, WV14 <dbl>,
## #   WV15 <dbl>, WV16 <dbl>, boyut1_toplam <dbl>, boyut2_toplam <dbl>
# Boyut1 için histogram
ggplot(veri, aes(x = boyut1_toplam)) +
  geom_histogram(bins = 15, fill = "#0c4c8a", color = "black", alpha = 0.7) +
  labs(title = "Boyut1 Alt Boyutunun Toplam Puan Dağılımı", x = "Boyut1 Toplam Puan", y = "Frekans") +
  theme_minimal()

# Boyut2 için histogram
ggplot(veri, aes(x = boyut2_toplam)) +
  geom_histogram(bins = 15, fill = "#ff7f0e", color = "black", alpha = 0.7) +
  labs(title = "Boyut2 Alt Boyutunun Toplam Puan Dağılımı", x = "Boyut2 Toplam Puan", y = "Frekans") +
  theme_minimal()

E)e. Boyut2 alt boyutunun toplam puan grafiğine ortalamadan bir dikey referans çizgisi çizdiriniz. Bu çizginin üstüne ortalama değerini yazdırınız. Ayrıca grafiğe ortalamanın bir standart sapma fazlası ve bir standart sapma azı olan noktalarda da birer referans çizgisi ekleyeniz. Bu çizgiler üzerine de açıklama ekleyiniz.

library(ggpmisc)    #grafik üzerinde ortalama çizgisi gösterme
## Zorunlu paket yükleniyor: ggpp
## Registered S3 methods overwritten by 'ggpp':
##   method                  from   
##   heightDetails.titleGrob ggplot2
##   widthDetails.titleGrob  ggplot2
## 
## Attaching package: 'ggpp'
## The following object is masked from 'package:ggplot2':
## 
##     annotate
mean_boyut2 <- mean(veri$boyut2_toplam, na.rm = TRUE)
sd_boyut2 <- sd(veri$boyut2_toplam, na.rm = TRUE)
library(ggplot2)

# Boyut2'nin toplam puan dağılımını gösteren tek bir grafik
ggplot(veri, aes(x = boyut2_toplam)) + 
  geom_histogram(bins = 30, fill = "#0c4c8a", color = "black", alpha = 0.7) + 
  geom_vline(xintercept = 33.027, color = "red", linetype = "dashed") + 
  annotate("text", label = "Ort = 33.027", x = 30, y = 100, color = "black") + 
  geom_vline(xintercept = 42.858, color = "blue", linetype = "dashed") + 
  annotate("text", label = "Ort = 42.858", x = 40, y = 100, color = "black") + 
  geom_vline(xintercept = 23.196, color = "blue", linetype = "dashed") + 
  annotate("text", label = "Ort = 26.196", x = 20, y = 100, color = "black")

F) Her iki alt boyutu da uç değer açısından değerlendiriniz.

ggplot(veri, aes(x = boyut1_toplam)) +
  geom_histogram(bins = 15, fill = "#ff7f0e", color = "black", alpha = 0.7) +
  labs(title = "Boyut1 Alt Boyutunun Toplam Puan Dağılımı", x = "Boyut1 Toplam Puan", y = "Frekans") +
  theme_minimal()

ggplot(veri, aes(x = boyut2_toplam)) +
  geom_histogram(bins = 15, fill = "#ff7f0e", color = "black", alpha = 0.7) +
  labs(title = "Boyut2 Alt Boyutunun Toplam Puan Dağılımı", x = "Boyut2 Toplam Puan", y = "Frekans") +
  theme_minimal()

Boyut 1 toplam puanlarında uç 10 civarındaki değerler uç değer gibi görünüyor.

ggplot(veri, aes(y = boyut1_toplam)) +             #kutu grafiği
  geom_boxplot()  

ggplot(veri, aes(y = boyut2_toplam)) +             #kutu grafiği
  geom_boxplot()

Tahmin ettiğim gibi kutu grafiğinde Boyut1 toplam puanları için uç değerler mevcut.

out<- boxplot.stats(veri$boyut1_toplam)$out   #uç değerleri verir
out
## [1] 19 19 19 19 18 16  9 18 18
out_ind <- which(veri$boyut1_toplam %in% c(out))  #  Bu uç değerlerin age değişkeninde hangi gö
out_ind
## [1]  21  22  36  37  64  73 273 315 330

yukarıdaki satırlarda boyut toplam puanı değişkenine ait uç değerler mevcut.

out<- boxplot.stats(veri$boyut2_toplam)$out   #uç değerleri verir
out
## numeric(0)

Boyut 2 için uç değer mevcut değil

veri2 <- veri[-c(21,  22,  36,  37,  64,  73, 273, 315, 330),] #uç değerleri çıkar
library(psych)
## 
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha
veri <- veri2[,3:18]
md <- mahalanobis(veri, center = colMeans(veri), cov = cov(veri))
head(md,20)
##  [1]  6.328962 11.681320 16.284104 21.273589  8.728027 18.160828 18.595229
##  [8] 19.002760  5.906684  9.193047  8.379454 13.021651  6.278271 19.682734
## [15] 35.822392 12.826709 21.837407 41.066276 12.295411  6.322811
library(psych)
alpha <- .001
cutoff <- (qchisq(p = 1 - alpha, df = ncol(veri)))
cutoff
## [1] 39.25235
ucdegerler <- which(md > cutoff)
veri[ucdegerler, ]
## # A tibble: 12 × 16
##      WV1   WV2   WV3   WV4   WV5   WV6   WV7   WV8   WV9  WV10  WV11  WV12  WV13
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1     7     5     7     2     2     1     1     4     1     3     5     5     7
##  2     7     5     7     7     7     3     7     1     7     5     1     4     4
##  3     1     1     6     5     2     6     7     4     2     3     7     7     5
##  4     3     7     3     1     1     1     1     2     7     7     7     7     7
##  5     7     5     4     5     2     1     3     7     7     7     1     7     5
##  6     2     3     5     3     7     4     1     3     2     3     1     4     3
##  7     6     2     7     5     6     6     2     4     7     5     7     3     4
##  8     3     7     7     3     1     1     3     7     2     5     7     1     5
##  9     7     2     7     3     1     1     1     6     7     5     7     1     1
## 10     5     7     6     1     6     1     1     2     4     6     7     1     6
## 11     7     7     7     7     7     7     7     7     7     1     1     1     7
## 12     6     2     1     7     5     1     5     7     7     6     3     7     7
## # ℹ 3 more variables: WV14 <dbl>, WV15 <dbl>, WV16 <dbl>

Yukarıda elde edilen çok değişkenli uç değerlerde veri setinden silinmelidir.

data_temiz <- veri[-ucdegerler, ]

son durumda 310 gözlem ile analizlere devam edilebilir.

** Ödevi tamamlamam yaklaşık 1.5 saat sürdü