NV1
Châu Quý
2025-05-17
’)
TÓM TẮT SÁCH
1.Giới thiệu và Các Khái niệm Cơ bản:
Cuốn sách bắt đầu bằng việc giới thiệu về mô hình thống kê và lý do cần sử dụng chúng cho phân tích dữ liệu. Nó trình bày các quy ước để mô tả dữ liệu và các kỹ thuật vẽ biểu đồ dữ liệu để khám phá mối quan hệ giữa các biến, ví dụ như biểu đồ FEV (forced expiratory volume) so với tuổi và chiều cao sử dụng dữ liệu lungcap. Cách mã hóa các biến yếu tố (factors) cũng được đề cập. Quan trọng là, mô hình thống kê được mô tả bao gồm cả thành phần ngẫu nhiên và hệ thống.
2. Mô hình Hồi quy Tuyến tính (Linear Regression Models - LRMs):
Cuốn sách xem xét LRMs như một trường hợp đặc biệt hoặc nền tảng cho GLMs. Mô hình hồi quy tuyến tính đơn giản được giới thiệu. Các quy ước ký hiệu được định nghĩa, bao gồm p là số biến giải thích và p’ là số tham số hồi quy. Nếu mô hình bao gồm hệ số chặn (constant term β0), thì p’ = p + 1. Dữ liệu lungcap được sử dụng làm ví dụ, trong đó một mô hình có thể có p=4 biến giải thích và p’=5 tham số hồi quy.
3. Cấu trúc của Mô hình Tuyến tính Tổng quát (GLMs):
GLMs mở rộng LRMs bằng cách cho phép biến phản hồi có phân phối khác ngoài phân phối Chuẩn và sử dụng hàm liên kết (link function) để liên hệ trung bình của biến phản hồi với tổ hợp tuyến tính của các biến giải thích.
- Thành phần ngẫu nhiên: Mô tả phân phối của biến phản hồi y. Trong GLMs, phân phối này thuộc họ Mô hình Phân tán Lũy thừa (Exponential Dispersion Models - EDMs).
- Thành phần hệ thống: Là tổ hợp tuyến tính của các biến giải thích và tham số hồi quy, thường được gọi là đoán báo tuyến tính (linear predictor), ký hiệu là η.
- Hàm liên kết (Link function): Liên hệ trung bình của biến phản hồi (μ = E[y]) với đoán báo tuyến tính, tức là g(μ) = η.
4. Họ Phân phối Lũy thừa (EDMs):
Cuốn sách cung cấp một bảng tóm tắt chi tiết về các EDMs phổ biến được sử dụng trong GLMs:
- Phân phối Chuẩn (Normal): V(μ)=1, φ=σ², hàm liên kết chính tắc θ=μ. Thường được sử dụng trong hồi quy tuyến tính.
- Phân phối Nhị thức (Binomial): V(μ)=μ(1-μ), φ=1/m, hàm liên kết chính tắc θ=log(μ/(1-μ)) (logit). Dùng cho dữ liệu tỷ lệ hoặc số lượng sự kiện thành công trong n thử nghiệm. Có các quy tắc kinh nghiệm về khi nào xấp xỉ chuẩn là hợp lý (ví dụ: mμ ≥ 3 và m(1-μ) ≥ 3).
- Phân phối Poisson: V(μ)=μ, φ=1, hàm liên kết chính tắc θ=log(μ) (log link). Dùng cho dữ liệu đếm. Quy tắc kinh nghiệm μ ≥ 3 thường được áp dụng.
- Phân phối Nhị thức Âm (Negative Binomial): V(μ)=μ+μ²/k, φ=1, hàm liên kết chính tắc θ=log(μ/(μ+k)). Cũng dùng cho dữ liệu đếm, đặc biệt khi có phương sai lớn hơn trung bình (overdispersion) so với Poisson.
- Phân phối Gamma: V(μ)=μ², φ là tham số hình dạng. Thường dùng cho dữ liệu liên tục dương lệch phải. Quy tắc kinh nghiệm φ ≤ 1/3.
- Phân phối Gauss Ngược (Inverse Gaussian): V(μ)=μ³, φ là tham số phân tán. Cũng dùng cho dữ liệu liên tục dương lệch phải.
- Phân phối Tweedie: Một họ phân phối tổng quát bao gồm nhiều phân phối khác như trường hợp đặc biệt (Poisson khi ξ=1, Gamma khi ξ=2). Đặc trưng bởi tham số chỉ số ξ. Thích hợp cho dữ liệu liên tục dương, đặc biệt khi rất lệch hoặc có số 0 chính xác. Cuốn sách xem xét chi tiết các trường hợp 1 < ξ < 2 và ξ ≥ 2.
Bảng cũng liệt kê hàm tích lũy κ(θ), tham số chính tắc θ, độ lệch đơn vị (unit deviance) d(y,μ), miền hỗ trợ S, miền cho μ (Ω) và miền cho θ (Θ) cho từng phân phối. Độ lệch đơn vị d(y,μ) được giải thích là một thước đo khoảng cách giữa giá trị quan sát y và giá trị trung bình μ.
5. Ước lượng Tham số:
Cuốn sách thảo luận về việc ước lượng các tham số hồi quy β và tham số phân tán φ trong GLMs. Ước lượng Hợp lý Tối đa (Maximum Likelihood) là phương pháp chính. Các phương pháp khác để ước lượng φ cũng được đề cập như độ lệch trung bình (Mean Deviance) và ước lượng Pearson.
6.Xây dựng và Chẩn đoán Mô hình:
- Biến đổi Dữ liệu: Thảo luận về việc biến đổi biến phản hồi hoặc biến giải thích (ví dụ: log, căn bậc hai, nghịch đảo) để cải thiện mô hình, giải quyết vấn đề như phương sai không đổi hoặc mối quan hệ phi tuyến. Biểu đồ được sử dụng để đánh giá hiệu quả của các biến đổi.
- Phân tích Phần dư (Residuals): Kiểm tra các giả định của mô hình bằng cách phân tích các loại phần dư khác nhau như phần dư chuẩn hóa (standardized residuals), phần dư độ lệch (deviance residuals), và phần dư quantile (quantile residuals). Các biểu đồ phần dư (ví dụ: phần dư chuẩn hóa so với giá trị phù hợp) được sử dụng để phát hiện vấn đề như phương sai không đổi, sự phi tuyến tính và các điểm bất thường. Biểu đồ Q-Q Chuẩn được sử dụng để kiểm tra giả định phân phối.
- Điểm Ảnh hưởng (Influential Points): Các thước đo như khoảng cách Cook (Cook’s distance) được sử dụng để xác định các điểm dữ liệu có ảnh hưởng lớn đến kết quả mô hình.
- So sánh và Lựa chọn Mô hình:
- Sử dụng phân tích phương sai (Analysis of Variance - ANOVA) hoặc phân tích độ lệch (Analysis of Deviance) để so sánh các mô hình lồng nhau (nested models). Các kiểm định F (cho Normal GLMs hoặc khi ước lượng φ) và kiểm định Chi-square (độ lệch dư) được sử dụng. Thứ tự đưa các số hạng vào mô hình có thể ảnh hưởng đến kết quả của bảng ANOVA/Deviance.
- Sử dụng các tiêu chí thông tin như AIC (Akaike Information Criterion) và BIC (Bayesian Information Criterion) để so sánh các mô hình, bao gồm cả các mô hình không lồng nhau hoặc sử dụng các phân phối khác nhau. Giá trị AIC/BIC thấp hơn thường được ưu tiên. Ví dụ về dữ liệu dmft cho thấy việc sử dụng log(DMFT) làm biến phản hồi là tốt hơn dựa trên AIC và BIC.
- Nguyên tắc Biên độ (Marginality Principle): Nguyên tắc này được áp dụng khi xây dựng mô hình, khuyến nghị giữ lại các số hạng cấp thấp hơn khi có các số hạng tương tác chứa chúng, ngay cả khi các số hạng cấp thấp hơn đó không có ý nghĩa thống kê riêng lẻ.
7. Kiểm định Giả thuyết:
Cuốn sách thảo luận về các phương pháp kiểm định giả thuyết về các tham số hồi quy. - Kiểm định t: Dùng để kiểm định giả thuyết về một tham số đơn lẻ βj (thường là H0: βj = 0), sử dụng thống kê T = (β̂j - β0j) / se(β̂j). Dưới H0, T có phân phối t với n - p’ bậc tự do (khi phương sai σ² không biết). - Kiểm định Wald (Wald test): Dựa trên khoảng cách giữa ước lượng tham số β̂ và giá trị giả thuyết β0, sử dụng kết quả tiệm cận mẫu lớn. Có thể dùng cho kiểm định toàn cầu (global test) cho nhiều tham số cùng lúc. - Kiểm định Score (Score test): Một phương pháp kiểm định tiệm cận khác, dựa trên đạo hàm của hàm log-likelihood tại giá trị giả thuyết. - Cách diễn giải hệ số hồi quy trong mô hình với hàm liên kết khác hàm đồng nhất (identity link) cũng được minh họa, ví dụ, trong mô hình log(DMFT) hoặc log(Số lượng vệ tinh), các hệ số trên thang đo log được diễn giải thành các yếu tố nhân (multiplicative factors) trên thang đo gốc bằng cách lấy lũy thừa tự nhiên (exponentiating).
Dữ liệu lungcap: Dung tích phổi của thanh thiếu niên.
Dữ liệu dmft: Sâu răng liên quan đến tiêu thụ đường.
Dữ liệu hcrabs: Cua móng ngựa, số lượng cua vệ tinh.
Dữ liệu tobacco budworm: Tỷ lệ bướm đêm thuốc lá bị chết theo liều thuốc trừ sâu.
Dữ liệu cosmetic companies: Doanh thu và sử dụng polythene.
Dữ liệu gopher tortoise: Kích thước ổ trứng.
Dữ liệu ratliver: Lượng thuốc còn lại trong gan chuột.
Dữ liệu ct: Thời gian và liều bức xạ trong chụp CT.
Dữ liệu turbine: Tỷ lệ tuabin bị nứt.
Dữ liệu lime: Cây anh đào lá nhỏ.
Dữ liệu poison: Thời gian sống của động vật theo loại thuốc độc và xử lý.
9. Ứng dụng R:
Việc sử dụng phần mềm thống kê R được tích hợp xuyên suốt cuốn sách. Mã R được cung cấp để thực hiện các phân tích, từ đọc và vẽ dữ liệu đến phù hợp mô hình (lm, glm), chẩn đoán (plot, rstandard, cooks.distance, qqnorm), so sánh mô hình (anova, extractAIC), và tính toán thống kê kiểm định. Các chức năng R phổ biến được liệt kê trong mục lục, nhấn mạnh tính thực hành của cuốn sách.
THỐNG KÊ MÔ TẢ CÁC BIẾN
1.Đọc file CSV
a <- read.csv("C:/Users/Admin/Downloads/Supermarket Transactions.csv",
header = TRUE, sep = ",")2.Tổng quan dữ liệu
# Kích thước dữ liệu
dim(a)## [1] 14059 16# Tên biến
names(a)## [1] "X" "PurchaseDate" "CustomerID"
## [4] "Gender" "MaritalStatus" "Homeowner"
## [7] "Children" "AnnualIncome" "City"
## [10] "StateorProvince" "Country" "ProductFamily"
## [13] "ProductDepartment" "ProductCategory" "UnitsSold"
## [16] "Revenue"# Cấu trúc dữ liệu
str(a)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "2007-12-18" "2007-12-20" "2007-12-21" "2007-12-21" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...# Tóm tắt toàn bộ dataset
summary(a)## X PurchaseDate CustomerID Gender
## Min. : 1 Length:14059 Min. : 3 Length:14059
## 1st Qu.: 3516 Class :character 1st Qu.: 2549 Class :character
## Median : 7030 Mode :character Median : 5060 Mode :character
## Mean : 7030 Mean : 5117
## 3rd Qu.:10544 3rd Qu.: 7633
## Max. :14059 Max. :10280
## MaritalStatus Homeowner Children AnnualIncome
## Length:14059 Length:14059 Min. :0.00 Length:14059
## Class :character Class :character 1st Qu.:1.00 Class :character
## Mode :character Mode :character Median :3.00 Mode :character
## Mean :2.53
## 3rd Qu.:4.00
## Max. :5.00
## City StateorProvince Country ProductFamily
## Length:14059 Length:14059 Length:14059 Length:14059
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## ProductDepartment ProductCategory UnitsSold Revenue
## Length:14059 Length:14059 Min. :1.000 Min. : 0.53
## Class :character Class :character 1st Qu.:3.000 1st Qu.: 6.84
## Mode :character Mode :character Median :4.000 Median :11.25
## Mean :4.081 Mean :13.00
## 3rd Qu.:5.000 3rd Qu.:17.37
## Max. :8.000 Max. :56.703.Thống kê mô tả cho các biến định lượng
# Thống kê mô tả cho biến định lượng
library(dplyr)## Warning: package 'dplyr' was built under R version 4.4.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyverse)## Warning: package 'tidyverse' was built under R version 4.4.3## Warning: package 'ggplot2' was built under R version 4.4.3## Warning: package 'tidyr' was built under R version 4.4.1## Warning: package 'readr' was built under R version 4.4.3## Warning: package 'purrr' was built under R version 4.4.1## Warning: package 'forcats' was built under R version 4.4.3## Warning: package 'lubridate' was built under R version 4.4.1## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ readr 2.1.5
## ✔ ggplot2 3.5.2 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(knitr)
library(kableExtra)## Warning: package 'kableExtra' was built under R version 4.4.3##
## Attaching package: 'kableExtra'
##
## The following object is masked from 'package:dplyr':
##
## group_rowsquant_vars <- c("Children", "UnitsSold", "Revenue")
summary_stats_quant <- a %>%
select(all_of(quant_vars)) %>%
summarise_all(list(
Mean = ~mean(., na.rm = TRUE),
StdDev = ~sd(., na.rm = TRUE),
Min = ~min(., na.rm = TRUE),
Max = ~max(., na.rm = TRUE),
Q1 = ~quantile(., 0.25, na.rm = TRUE),
Median = ~quantile(., 0.5, na.rm = TRUE),
Q3 = ~quantile(., 0.75, na.rm = TRUE)
))
# Chuyển đổi dữ liệu để trình bày bảng
stats_table <- data.frame(
Variable = rep(quant_vars, each = 7),
Statistic = rep(c("Mean", "StdDev", "Min", "Max", "Q1", "Median", "Q3"), times = length(quant_vars)),
Value = c(
summary_stats_quant$Children_Mean, summary_stats_quant$Children_StdDev, summary_stats_quant$Children_Min,
summary_stats_quant$Children_Max, summary_stats_quant$Children_Q1, summary_stats_quant$Children_Median,
summary_stats_quant$Children_Q3,
summary_stats_quant$UnitsSold_Mean, summary_stats_quant$UnitsSold_StdDev, summary_stats_quant$UnitsSold_Min,
summary_stats_quant$UnitsSold_Max, summary_stats_quant$UnitsSold_Q1, summary_stats_quant$UnitsSold_Median,
summary_stats_quant$UnitsSold_Q3,
summary_stats_quant$Revenue_Mean, summary_stats_quant$Revenue_StdDev, summary_stats_quant$Revenue_Min,
summary_stats_quant$Revenue_Max, summary_stats_quant$Revenue_Q1, summary_stats_quant$Revenue_Median,
summary_stats_quant$Revenue_Q3
)
)
# Định dạng số (2 chữ số thập phân)
stats_table$Value <- round(stats_table$Value, 2)
# Tạo bảng HTML
kable(stats_table, format = "html", caption = "Thống kê mô tả cho các biến định lượng") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
group_rows("Children", 1, 7) %>%
group_rows("UnitsSold", 8, 14) %>%
group_rows("Revenue", 15, 21)| Variable | Statistic | Value |
|---|---|---|
| Children | ||
| Children | Mean | 2.53 |
| Children | StdDev | 1.49 |
| Children | Min | 0.00 |
| Children | Max | 5.00 |
| Children | Q1 | 1.00 |
| Children | Median | 3.00 |
| Children | Q3 | 4.00 |
| UnitsSold | ||
| UnitsSold | Mean | 4.08 |
| UnitsSold | StdDev | 1.17 |
| UnitsSold | Min | 1.00 |
| UnitsSold | Max | 8.00 |
| UnitsSold | Q1 | 3.00 |
| UnitsSold | Median | 4.00 |
| UnitsSold | Q3 | 5.00 |
| Revenue | ||
| Revenue | Mean | 13.00 |
| Revenue | StdDev | 8.22 |
| Revenue | Min | 0.53 |
| Revenue | Max | 56.70 |
| Revenue | Q1 | 6.84 |
| Revenue | Median | 11.25 |
| Revenue | Q3 | 17.37 |
4.Thống kê mô tả biến định tính
qual_vars <- c("Gender", "MaritalStatus", "Homeowner", "AnnualIncome",
"City", "StateorProvince", "Country", "ProductFamily",
"ProductDepartment", "ProductCategory")
for (var in qual_vars) {
cat("\nThống kê cho biến", var, ":\n")
freq_table <- table(a[[var]])
prop_table <- prop.table(freq_table) * 100
print(cbind(Frequency = freq_table, Percentage = round(prop_table, 1)))
cat("Số danh mục:", length(freq_table), "\n")
}##
## Thống kê cho biến Gender :
## Frequency Percentage
## F 7170 51
## M 6889 49
## Số danh mục: 2
##
## Thống kê cho biến MaritalStatus :
## Frequency Percentage
## M 6866 48.8
## S 7193 51.2
## Số danh mục: 2
##
## Thống kê cho biến Homeowner :
## Frequency Percentage
## N 5615 39.9
## Y 8444 60.1
## Số danh mục: 2
##
## Thống kê cho biến AnnualIncome :
## Frequency Percentage
## $10K - $30K 3090 22.0
## $110K - $130K 643 4.6
## $130K - $150K 760 5.4
## $150K + 273 1.9
## $30K - $50K 4601 32.7
## $50K - $70K 2370 16.9
## $70K - $90K 1709 12.2
## $90K - $110K 613 4.4
## Số danh mục: 8
##
## Thống kê cho biến City :
## Frequency Percentage
## Acapulco 383 2.7
## Bellingham 143 1.0
## Beverly Hills 811 5.8
## Bremerton 834 5.9
## Camacho 452 3.2
## Guadalajara 75 0.5
## Hidalgo 845 6.0
## Los Angeles 926 6.6
## Merida 654 4.7
## Mexico City 194 1.4
## Orizaba 464 3.3
## Portland 876 6.2
## Salem 1386 9.9
## San Andres 621 4.4
## San Diego 866 6.2
## San Francisco 130 0.9
## Seattle 922 6.6
## Spokane 875 6.2
## Tacoma 1257 8.9
## Vancouver 633 4.5
## Victoria 176 1.3
## Walla Walla 160 1.1
## Yakima 376 2.7
## Số danh mục: 23
##
## Thống kê cho biến StateorProvince :
## Frequency Percentage
## BC 809 5.8
## CA 2733 19.4
## DF 815 5.8
## Guerrero 383 2.7
## Jalisco 75 0.5
## OR 2262 16.1
## Veracruz 464 3.3
## WA 4567 32.5
## Yucatan 654 4.7
## Zacatecas 1297 9.2
## Số danh mục: 10
##
## Thống kê cho biến Country :
## Frequency Percentage
## Canada 809 5.8
## Mexico 3688 26.2
## USA 9562 68.0
## Số danh mục: 3
##
## Thống kê cho biến ProductFamily :
## Frequency Percentage
## Drink 1250 8.9
## Food 10153 72.2
## Non-Consumable 2656 18.9
## Số danh mục: 3
##
## Thống kê cho biến ProductDepartment :
## Frequency Percentage
## Alcoholic Beverages 356 2.5
## Baked Goods 425 3.0
## Baking Goods 1072 7.6
## Beverages 680 4.8
## Breakfast Foods 188 1.3
## Canned Foods 977 6.9
## Canned Products 109 0.8
## Carousel 59 0.4
## Checkout 82 0.6
## Dairy 903 6.4
## Deli 699 5.0
## Eggs 198 1.4
## Frozen Foods 1382 9.8
## Health and Hygiene 893 6.4
## Household 1420 10.1
## Meat 89 0.6
## Periodicals 202 1.4
## Produce 1994 14.2
## Seafood 102 0.7
## Snack Foods 1600 11.4
## Snacks 352 2.5
## Starchy Foods 277 2.0
## Số danh mục: 22
##
## Thống kê cho biến ProductCategory :
## Frequency Percentage
## Baking Goods 484 3.4
## Bathroom Products 365 2.6
## Beer and Wine 356 2.5
## Bread 425 3.0
## Breakfast Foods 417 3.0
## Candles 45 0.3
## Candy 352 2.5
## Canned Anchovies 44 0.3
## Canned Clams 53 0.4
## Canned Oysters 35 0.2
## Canned Sardines 40 0.3
## Canned Shrimp 38 0.3
## Canned Soup 404 2.9
## Canned Tuna 87 0.6
## Carbonated Beverages 154 1.1
## Cleaning Supplies 189 1.3
## Cold Remedies 93 0.7
## Dairy 903 6.4
## Decongestants 85 0.6
## Drinks 135 1.0
## Eggs 198 1.4
## Electrical 355 2.5
## Frozen Desserts 323 2.3
## Frozen Entrees 118 0.8
## Fruit 765 5.4
## Hardware 129 0.9
## Hot Beverages 226 1.6
## Hygiene 197 1.4
## Jams and Jellies 588 4.2
## Kitchen Products 217 1.5
## Magazines 202 1.4
## Meat 761 5.4
## Miscellaneous 42 0.3
## Packaged Vegetables 48 0.3
## Pain Relievers 192 1.4
## Paper Products 345 2.5
## Pizza 194 1.4
## Plastic Products 141 1.0
## Pure Juice Beverages 165 1.2
## Seafood 102 0.7
## Side Dishes 153 1.1
## Snack Foods 1600 11.4
## Specialty 289 2.1
## Starchy Foods 277 2.0
## Vegetables 1728 12.3
## Số danh mục: 455.Vẽ biểu đồ
# Thống kê số lượng và tỷ lệ phần trăm
gender_freq <- table(a$Gender)
gender_percent <- round(prop.table(gender_freq) * 100, 2)
# Kết hợp thành bảng tổng hợp
summary_gender <- data.frame(
Category = names(gender_freq),
Count = as.vector(gender_freq),
Percentage = as.vector(gender_percent)
)
categorical_vars <- c("Gender", "MaritalStatus", "Homeowner", "AnnualIncome")
# Tạo danh sách màu cho từng biến
color_list <- list(
Gender = c("#f5f5f5", "#73c6b6"),
MaritalStatus = c("#ff9999", "#66b2ff", "#99ff99"),
Homeowner = c("#ffcc99", "#66cc99"),
AnnualIncome = c("#a6cee3", "#1f78b4", "#b2df8a", "#33a02c")
)
for (var in categorical_vars) {
freq <- table(a[[var]])
percent <- round(prop.table(freq) * 100, 2)
pie(
freq,
labels = paste0(names(freq), ": ", percent, "%"),
main = paste("Biểu đồ tròn thể hiện tỷ lệ phần trăm các quan sát của biến", var),
col = color_list[[var]][1:length(freq)]
)
}
library(tidyverse)
freq_table <- table(a$Gender)
prop_table <- prop.table(freq_table) * 100
plot_data <- data.frame(
Category = names(freq_table),
Percentage = as.numeric(prop_table)
)
p <- ggplot(plot_data, aes(x = Category, y = Percentage, fill = Category)) +
geom_bar(stat = "identity") +
labs(title = "Phân phối của Gender", x = "Gender", y = "Tỷ lệ (%)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "none") +
scale_fill_brewer(palette = "Set2")
print(p)