18.05.2026_13.ders
SC
2026-05-18
18.05.2026_13.ders
Bu haftaki konumuz veri üretimi.
set.seed(41)
x <- rnorm(100,100,20)
mean(x)## [1] 103.8063sd(x)## [1] 20.56458set.seed(410)
x<- rnorm(100,100,20)
mean(x)## [1] 99.62622sd(x)## [1] 19.06762n_k <-10
b_k <-50
tekrar <- 100
kucuk_orn <- numeric(tekrar)
buyuk_orn <- numeric(tekrar)
for(i in 1:tekrar){
kucuk_orn[i] <- mean(rnorm(n=n_k, mean=35, sd=15))
buyuk_orn[i] <- mean(rnorm(n=b_k, mean=35, sd=15))
}
hist(kucuk_orn)
hist(buyuk_orn)
dir.create("Simulasyon_k")## Warning in dir.create("Simulasyon_k"): 'Simulasyon_k' zaten vardir.create("Simulasyon_b")## Warning in dir.create("Simulasyon_b"): 'Simulasyon_b' zaten varfor(i in 1:5) {
write.table(rnorm(n=n_k, mean=35, sd=15),
file=paste0("Simulasyon_k/simulasyon_", i, ".txt", sep=""))
write.table(rnorm(n=b_k, mean=35, sd=15),
file=paste0("Simulasyon_b/simulasyon_", i, ".txt", sep=""))
}
kucuk_orn_ort <- list()
buyuk_orn_ort <- list()
#for(i in 1:50){
#buyuk_orn_ort[[i]] <-read.table(file=paste0("Simulasyon_b/simulasyon_", i, ".txt",sep=""))[,1]
#kucuk_orn_ort[[i]] <-read.table(file=paste0("Simulasyon_k/simulasyon_", i, ".txt",sep=""))[,1]
#}for döngüsünde anlayamadığım bir şekilde hata aldığım için diyezledim.
bunları da kullanabilirsin:
lapply(buyuk_orn_ort, mean)
sapply(buyuk_orn_ort, mean)
sapply(kucuk_orn_ort, mean)
library(psych)
library(irtoys)## Warning: package 'irtoys' was built under R version 4.5.3## Zorunlu paket yükleniyor: sm## Warning: package 'sm' was built under R version 4.5.3## Package 'sm', version 2.2-6.0: type help(sm) for summary information## Zorunlu paket yükleniyor: ltm## Warning: package 'ltm' was built under R version 4.5.3## Zorunlu paket yükleniyor: MASS##
## Attaching package: 'MASS'## The following object is masked from 'package:sm':
##
## muscle## Zorunlu paket yükleniyor: msm## Warning: package 'msm' was built under R version 4.5.3## Zorunlu paket yükleniyor: polycor##
## Attaching package: 'polycor'## The following object is masked from 'package:psych':
##
## polyserial##
## Attaching package: 'ltm'## The following object is masked from 'package:psych':
##
## factor.scores##
## Attaching package: 'irtoys'## The following object is masked from 'package:psych':
##
## simlibrary(mirt)## Zorunlu paket yükleniyor: stats4## Zorunlu paket yükleniyor: lattice##
## Attaching package: 'mirt'## The following object is masked from 'package:ltm':
##
## Sciencehangi model, kaç madde, madde ve yetenek par
3pl 8 maddelik
- aşama madde parametreleri:
set.seed(41)
madde <- 8
maddepar <- cbind(
rnorm(madde, mean=0, sd=0.75),
rnorm(madde, mean=0.30, sd=0.50),
rnorm(madde, mean=0.16, sd=0.05)
)- aşama yetenek parametreleri:
set.seed(41)
birey <- 1000
yetenek <- rnorm(birey, 0, 1)
yetenek[1:10]## [1] -0.7943683 0.1972575 1.0017043 1.2888254 0.9057534 0.4936675
## [7] 0.5992858 -1.5796070 1.0006207 2.1880077- aşama irtoys sim
veri <- irtoys::sim(ip=maddepar, x=yetenek)
head(veri)## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
## [1,] 0 1 1 0 0 0 1 1
## [2,] 1 0 1 1 1 1 0 0
## [3,] 1 1 1 1 0 1 0 1
## [4,] 1 1 0 1 0 1 1 0
## [5,] 0 1 0 1 1 1 1 1
## [6,] 1 0 1 0 0 1 0 0colnames(veri) <- paste0("madde", 1:madde)
head(veri)## madde1 madde2 madde3 madde4 madde5 madde6 madde7 madde8
## [1,] 0 1 1 0 0 0 1 1
## [2,] 1 0 1 1 1 1 0 0
## [3,] 1 1 1 1 0 1 0 1
## [4,] 1 1 0 1 0 1 1 0
## [5,] 0 1 0 1 1 1 1 1
## [6,] 1 0 1 0 0 1 0 0ip=maddepar
x=yetenek
sim## function (ip, x = NULL)
## {
## if (is.list(ip))
## ip = ip$est
## i = irf(ip = ip, x = x)
## d = dim(i$f)
## u = runif(d[1] * d[2])
## dim(u) = d
## return(ifelse(i$f > u, 1, 0))
## }
## <bytecode: 0x0000020d3a672428>
## <environment: namespace:irtoys>#if (is.list(ip))
#ip=ip$est
i=irf(ip=ip, x=x)
head(i$x)## [1] -0.7943683 0.1972575 1.0017043 1.2888254 0.9057534 0.4936675head(i$f)## [,1] [,2] [,3] [,4] [,5] [,6] [,7]
## [1,] 0.7749947 0.5380812 0.5095941 0.5029471 0.3356915 0.5706020 0.4451587
## [2,] 0.6682795 0.5668132 0.6623887 0.6702723 0.4641372 0.6372562 0.5432340
## [3,] 0.5724039 0.5904107 0.7737769 0.7992191 0.5835847 0.6913506 0.6237813
## [4,] 0.5382811 0.5988614 0.8074882 0.8369551 0.6262072 0.7101708 0.6516678
## [5,] 0.5839099 0.5875885 0.7617225 0.7854700 0.5691916 0.6849854 0.6143199
## [6,] 0.6333260 0.5754880 0.7059016 0.7208425 0.5074758 0.6573343 0.5731340
## [,8]
## [1,] 0.8453039
## [2,] 0.6450350
## [3,] 0.4492294
## [4,] 0.3881618
## [5,] 0.4712631
## [6,] 0.5716393d=dim(i$f)
u=runif(d[1]*d[2])
dim(u)=d
head(ifelse(i$f >u, 1, 0))## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
## [1,] 1 0 0 0 0 1 1 1
## [2,] 1 1 0 0 0 1 1 1
## [3,] 1 1 1 1 1 1 0 0
## [4,] 1 0 1 0 1 1 1 1
## [5,] 1 1 1 1 1 1 1 1
## [6,] 1 0 0 1 1 1 1 0madde parametresi üretsin, yetenek parametresi üretsin, madde cevapları üretsin madde par, yetenek par, madde cevap
veri_uretimi <- function (maddesay, bireysay, seed){
# seet fonksiyonu
set.seed(seed)
# madde par üretimi
print("madde parametreleri uretildi")
maddepar <- cbind(
rnorm(madde, mean=1.13, sd=0.25)*1.702,
rnorm(madde, mean=0.30, sd=0.50)*1.702,
rnorm(madde, mean=0.16, sd=0.05)*1.702
)
# yetenek par
yetenek <- rnorm(bireysay,0,1)
print("yetenek parametreleri uretildi")
}
#3pl modele göre veri üretimi
cevaplar <-irtoys::sim(maddepar, yetenek)
colnames(cevaplar) <- paste0("madde",1: madde)
print("bilesenler birlestirildi")## [1] "bilesenler birlestirildi" veri <- list(maddepar=maddepar,
yetenek=yetenek,
cevaplar=cevaplar)
#return(veri)veri_1 <-veri_uretimi(maddesay=8, bireysay= 1000, seed=66)## [1] "madde parametreleri uretildi"
## [1] "yetenek parametreleri uretildi"kestirilen par isimli fonksiyon; veri_üretimi fonksiyonunun cevaplar bileşeni girdi olarak
kestirilen_par <- function(veri, par=3){
if(par==3){
model <- mirt::mirt(veri,
1,
itemtype="3PL",
verbose= FALSE)
} else if(par==2){
model <- mirt::mirt(veri,
1,
itemtype="2PL",
verbose= FALSE)
}else{
model <- mirt::mirt(veri,
1,
itemtype="1PL",
verbose= FALSE)
}
kestirim <- mirt::coef(model, simplify=TRUE, IRTpars=TRUE)$item[,1:3]
kestirim
}
### kestirilen_par(veri_1$cevaplar)
### veri_1$maddepar
### kestirilen madde parametreleri ile gerçek parametreler arasındaki farka göre
### hata RMSEA^2, BIAS^2 (sistematik hatayı temsil eder), SE^2 (standart hata-kestirilen parametre değerinin standart sapmasıdır)
### RMSEA^2 = BIAS^2 + SE^2
hata <- function(kestirilen, gercek){
result <- data.frame(parametreler =c("a","b","c"),
rmse=sapply(1:3, function(i)sqrt(mean((kestirilen[,i]- gercek[,i])^2))),
bias=sapply(1:3, function(i)mean(kestirilen[,i]-gercek[,i])),
se= sapply(1:3, function(i) sd(kestirilen[,i])))
result
}
### hata(kestirilen_par(veri_1$cevaplar), veri_1$maddepar)Yeterli sonuçlara, minimum hatalara “1 tekrar” bizi götürmüyor genellikle
TEKRARLI ÜRETİM
veri_uretimi <- function(maddesay, bireysay, seed=NULL) {
if(!is.null(seed)){
set.seed(seed)
}else{
seed <- sample.int(10000,1)
set.seed(seed)
}
#seet fonksiyonu
cat("atanan seed", seed, " n")
#madde par üretimi
print("madde parametreleri uretildi")
maddepar <- cbind(
rlnorm(maddesay, meanlog=0, sdlog=0.5)*1.702,
rlnorm(maddesay, meanlog=0.30, sdlog=0.50)*1.702,
rlnorm(maddesay, meanlog=0.16, sdlog=0.50)
)
#yetenek par
yetenek <- rnorm(bireysay,0,1)
print("yetenek parametreleri uretildi")
#3 pl modele göre veri seti
cevaplar <- irtoys::sim(maddepar, yetenek)
colnames(cevaplar) <- paste0("madde", 1:maddesay)
print("bilesenler birlestiriliyor")
veri <- list(maddepar=maddepar,
yetenek=yetenek,
seed=seed,
cevaplar=cevaplar)
return(veri)
} #cat("atanan seed degeri")
#veri2 <- veri_uretimi (10,1000) #(madde, tekrar, seed değeri)
#veriler <- replicate(5L, veri_uretimi (10,1000))
#lapply(1:5, function(i) veriler[,i][1])
#sapply(1:5, function(i) veriler[,i][1])Kaç çekirdekle çalıştığı, paralel analiz yapacağız.
#library(doParallel)
#detectCores()
#cl <- makeCluster(3) #en fazla n-2 olsun
#registerDoParallel(cl)
#foreach(i=1:4)%dopar% sqrt(i)
#foreach(i=1:4, j=1:4) %dopar% { sqrt(i * j) }
#stopCluster(cl)hızlı işlem yaptığı için tercih ediyoruz.
for(i in 1:5){
sum(rnorm(1e8))
}#cl <- makeCluster(3)
#registerDoParallel(cl)
#foreach(i=1:5) %dopar% {sum(rnorm(1e8))}
#stopCluster(cl)#cl <- makeCluster(8)
#registerDoParallel(cl)
tekrar=5L
maddesay=10
bireysay=1000
#simulasyon <-foreach(i=1:5,
# .packages = c("mirt", "irtoys", "doParallel"),
# .combine = rbind) %dopar% {
# adim1 <- veri_uretimi(maddesay = maddesay,
# bireysay = bireysay)
# adim2 <- kestirilen_par(adim1$cevaplar)
# hata(adim2, adim1$maddepar)
# }
##task 1 failed - "The following items have only one response category and cannot be estimated: madde1 madde3 madde4 madde5 madde7 madde9 madde10 "
library(tidyverse)## Warning: package 'ggplot2' was built under R version 4.5.3## Warning: package 'dplyr' was built under R version 4.5.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.1.6
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.2 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.2.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggplot2::%+%() masks psych::%+%()
## ✖ ggplot2::alpha() masks psych::alpha()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::select() masks MASS::select()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors#simulasyon_v1 <- simulasyon %>%
# group_by(parametreler) %>%
# summarise(rmse=round(mean(rmse),2),
# bias= round(mean(bias),2),
# se= round(mean(se),2)) %>%
# mutate(maddesay=maddesay,
# bireysay=bireysay) %>%
# as.data.frame()
#simulasyon_v1
#stopCluster(cl)dlnorm’dan da üretebiliriz, rl.norm.
🥺Öğrenme Günlüğü
Bir sürü hata aldım, aslında derste anlamıştım. Bazı hatalarla baş edemeyince diyezleyerek sisteme yüklüyorum.
1 Haziran’da son dersimizi yapacağız :( R dünyası kocaman bir okyanus olsa da bu dersler aracılığıyla minik bir damla olabildiğimi düşünüyorum. Emekleriniz için çok teşekkür ederim Kübra hocam. Artık herhangi bir analizle ilgili bir şey olduğunda R’dan bakabilirim diyebilmek beni mutlu hissettiriyor. Elimizin R programına alışmış olması bizim için büyük bir avantaj. Geçenlerde meta-analiz çalışmasını öğrenmek istedim, R’dan nasıl yapılacağı ile ilgili video izlerken hocanın anlattığı temel şeyleri zaten biliyor olmak, aa şurası değişince şöyle oluyormuş, mantığını anladım diyebilmek tamamen sizin sayenizde hocam. Tekrar teşekkür ederim.
Ek not: Minik kuzenlerimin aklında “for döngüsü Selin abla” olarak kalmam da bu dersin hayatımdaki minik bir yansıması.