# HO VA TEN: HUỲNH NGỌC KIỀU LINH
# LOP: 24NH1 MA SO SINH VIEN: 2454020005
# BAI THI CUOI KI
# Câu a, Nhập liệu
dulieu=file.choose()
datadulieu=read.csv(dulieu,header= TRUE)
save(datadulieu,file="datadulieu.rda")
attach(datadulieu)
is.data.frame(datadulieu)
## [1] TRUE
# Câu b, Mã hoá
## Phân vùng DOWJONES
DOWJONESMH=DOWJONES
DOWJONESMH=replace(DOWJONESMH,DOWJONES<=48000,1)
DOWJONESMH=replace(DOWJONESMH,DOWJONES>48000,2)
DOWJONESMHMH=data.frame(DOWJONES,DOWJONESMH)
DOWJONESMHMH
## DOWJONES DOWJONESMH
## 1 46397.89 1
## 2 46519.72 1
## 3 46758.28 1
## 4 46694.97 1
## 5 46601.78 1
## 6 46358.42 1
## 7 45479.60 1
## 8 46270.46 1
## 9 46253.31 1
## 10 45952.24 1
## 11 46190.61 1
## 12 46706.58 1
## 13 46924.74 1
## 14 46590.41 1
## 15 46734.61 1
## 16 47207.12 1
## 17 47544.59 1
## 18 47706.37 1
## 19 47522.12 1
## 20 47562.87 1
## 21 47085.24 1
## 22 47311.00 1
## 23 46912.30 1
## 24 46987.10 1
## 25 47368.63 1
## 26 47927.96 1
## 27 48254.82 2
## 28 47457.22 1
## 29 47147.48 1
## 30 46590.24 1
## 31 46091.74 1
## 32 46138.77 1
## 33 45752.26 1
## 34 46245.41 1
## 35 47112.45 1
## 36 47427.12 1
## 37 47716.42 1
## 38 47289.33 1
## 39 47474.46 1
## 40 47882.90 1
## 41 47850.94 1
## 42 47954.99 1
## 43 47739.32 1
## 44 47560.29 1
## 45 48057.75 2
## 46 48704.01 2
## 47 48458.05 2
## 48 48416.56 2
## 49 48114.26 2
## 50 47885.97 1
## 51 47951.85 1
## 52 48134.89 2
## 53 48362.68 2
## 54 48442.41 2
## 55 48731.16 2
## 56 48461.93 2
## 57 48367.06 2
## 58 48977.18 2
## 59 49462.08 2
## 60 48996.08 2
## 61 49266.11 2
## 62 49504.07 2
## 63 49191.99 2
## 64 49149.63 2
## 65 49442.44 2
## 66 49359.33 2
## 67 48488.59 2
## 68 49077.23 2
## 69 49384.01 2
## 70 49098.71 2
## 71 49412.40 2
## 72 49003.41 2
## 73 49015.60 2
## 74 49071.56 2
## 75 48892.47 2
## 76 49407.66 2
## 77 49240.99 2
## 78 49501.30 2
## 79 48908.72 2
## 80 50115.67 2
## 81 50135.87 2
## 82 50188.14 2
## 83 50121.40 2
## 84 49451.98 2
## 85 49500.93 2
## 86 49625.97 2
## 87 48804.06 2
## 88 49174.50 2
## 89 49482.15 2
## 90 49499.20 2
## 91 48977.92 2
## 92 48904.78 2
## 93 48501.27 2
## 94 48739.41 2
## 95 47954.74 1
## 96 47501.55 1
## 97 47740.80 1
## 98 47706.51 1
## 99 47417.27 1
## 100 46677.85 1
## 101 46558.47 1
## 102 46946.41 1
## 103 46993.26 1
## 104 46225.15 1
## 105 46021.43 1
## 106 46208.47 1
## 107 46124.06 1
## 108 46429.49 1
## 109 45960.11 1
## 110 45166.64 1
## 111 45216.14 1
## 112 46341.51 1
## 113 46565.74 1
## 114 46504.67 1
## 115 47909.92 1
## 116 48185.80 2
## 117 47916.57 1
## 118 48218.25 2
## 119 48535.99 2
## 120 48463.72 2
## 121 48578.72 2
## 122 49447.43 2
## 123 49442.56 2
## 124 49149.38 2
## 125 49490.03 2
## 126 49310.32 2
## 127 49230.71 2
## 128 49167.79 2
## 129 49141.93 2
## 130 48861.81 2
## 131 49652.14 2
## 132 49910.59 2
## 133 49596.97 2
## 134 49609.16 2
## 135 49704.47 2
## 136 49760.56 2
## 137 49693.20 2
## 138 50063.46 2
## 139 49526.17 2
## 140 49686.12 2
## 141 49363.88 2
## 142 50009.35 2
## 143 50285.66 2
## 144 50579.70 2
## 145 50461.68 2
## 146 50644.28 2
## 147 50668.97 2
## 148 51032.46 2
## 149 51078.88 2
## 150 51307.79 2
## 151 50687.07 2
## 152 51561.93 2
## 153 50866.78 2
## 154 50786.01 2
## 155 50872.11 2
## 156 49918.78 2
## 157 50848.75 2
## 158 51202.26 2
## 159 51671.03 2
## 160 51999.67 2
## 161 51492.55 2
## 162 51564.70 2
## 163 51712.71 2
## 164 51666.84 2
## 165 51848.90 2
## 166 51920.62 2
## 167 51876.11 2
## 168 52182.74 2
## 169 52319.20 2
## 170 52900.07 2
## 171 53055.91 2
## 172 52925.15 2
## 173 52348.39 2
## 174 52487.41 2
## 175 52637.01 2
## 176 52498.64 2
## 177 52508.27 2
## 178 52658.64 2
## 179 52552.97 2
## 180 52146.42 2
## 181 51839.26 2
## 182 52224.64 2
## 183 52218.58 2
## 184 51711.65 2
## 185 51947.25 2
## 186 52210.08 2
## 187 52747.32 2
## 188 51594.14 2
## 189 52208.06 2
## 190 52485.03 2
## 191 53178.41 2
## 192 54085.88 2
## 193 54349.12 2
## 194 53885.10 2
## 195 54036.93 2
## 196 53975.98 2
## 197 53791.85 2
## 198 53770.27 2
## 199 53839.99 2
## 200 53732.41 2
## 201 53459.78 2
## 202 53343.40 2
## 203 53463.05 2
## 204 52759.21 2
## 205 53277.01 2
## 206 53417.16 2
## 207 53577.40 2
## 208 53463.88 2
## 209 53569.44 2
## 210 53559.99 2
## 211 53185.90 2
## 212 52766.88 2
## 213 53061.95 2
## 214 53686.11 2
## 215 53414.25 2
## 216 52786.07 2
## 217 52380.66 2
## 218 52064.10 2
## 219 52573.29 2
## 220 52421.20 2
## 221 52093.11 2
## 222 51461.90 2
## 223 51778.04 2
## 224 51682.64 2
## 225 51511.59 2
## 226 51349.98 2
## 227 51828.62 2
## 228 51481.51 2
## 229 51349.92 2
## 230 50906.05 2
## Mã hoá
DOWJONES1=DOWJONESMH
DOWJONES1=replace(DOWJONES1,DOWJONESMH==1,"Nhỏ hơn hoặc bằng 48000")
DOWJONES1=replace(DOWJONES1,DOWJONESMH==2,"Lớn hơn 48000")
DOWJONES1MH=data.frame(DOWJONESMH,DOWJONES1)
DOWJONES1MH
## DOWJONESMH DOWJONES1
## 1 1 Nhỏ hơn hoặc bằng 48000
## 2 1 Nhỏ hơn hoặc bằng 48000
## 3 1 Nhỏ hơn hoặc bằng 48000
## 4 1 Nhỏ hơn hoặc bằng 48000
## 5 1 Nhỏ hơn hoặc bằng 48000
## 6 1 Nhỏ hơn hoặc bằng 48000
## 7 1 Nhỏ hơn hoặc bằng 48000
## 8 1 Nhỏ hơn hoặc bằng 48000
## 9 1 Nhỏ hơn hoặc bằng 48000
## 10 1 Nhỏ hơn hoặc bằng 48000
## 11 1 Nhỏ hơn hoặc bằng 48000
## 12 1 Nhỏ hơn hoặc bằng 48000
## 13 1 Nhỏ hơn hoặc bằng 48000
## 14 1 Nhỏ hơn hoặc bằng 48000
## 15 1 Nhỏ hơn hoặc bằng 48000
## 16 1 Nhỏ hơn hoặc bằng 48000
## 17 1 Nhỏ hơn hoặc bằng 48000
## 18 1 Nhỏ hơn hoặc bằng 48000
## 19 1 Nhỏ hơn hoặc bằng 48000
## 20 1 Nhỏ hơn hoặc bằng 48000
## 21 1 Nhỏ hơn hoặc bằng 48000
## 22 1 Nhỏ hơn hoặc bằng 48000
## 23 1 Nhỏ hơn hoặc bằng 48000
## 24 1 Nhỏ hơn hoặc bằng 48000
## 25 1 Nhỏ hơn hoặc bằng 48000
## 26 1 Nhỏ hơn hoặc bằng 48000
## 27 2 Lớn hơn 48000
## 28 1 Nhỏ hơn hoặc bằng 48000
## 29 1 Nhỏ hơn hoặc bằng 48000
## 30 1 Nhỏ hơn hoặc bằng 48000
## 31 1 Nhỏ hơn hoặc bằng 48000
## 32 1 Nhỏ hơn hoặc bằng 48000
## 33 1 Nhỏ hơn hoặc bằng 48000
## 34 1 Nhỏ hơn hoặc bằng 48000
## 35 1 Nhỏ hơn hoặc bằng 48000
## 36 1 Nhỏ hơn hoặc bằng 48000
## 37 1 Nhỏ hơn hoặc bằng 48000
## 38 1 Nhỏ hơn hoặc bằng 48000
## 39 1 Nhỏ hơn hoặc bằng 48000
## 40 1 Nhỏ hơn hoặc bằng 48000
## 41 1 Nhỏ hơn hoặc bằng 48000
## 42 1 Nhỏ hơn hoặc bằng 48000
## 43 1 Nhỏ hơn hoặc bằng 48000
## 44 1 Nhỏ hơn hoặc bằng 48000
## 45 2 Lớn hơn 48000
## 46 2 Lớn hơn 48000
## 47 2 Lớn hơn 48000
## 48 2 Lớn hơn 48000
## 49 2 Lớn hơn 48000
## 50 1 Nhỏ hơn hoặc bằng 48000
## 51 1 Nhỏ hơn hoặc bằng 48000
## 52 2 Lớn hơn 48000
## 53 2 Lớn hơn 48000
## 54 2 Lớn hơn 48000
## 55 2 Lớn hơn 48000
## 56 2 Lớn hơn 48000
## 57 2 Lớn hơn 48000
## 58 2 Lớn hơn 48000
## 59 2 Lớn hơn 48000
## 60 2 Lớn hơn 48000
## 61 2 Lớn hơn 48000
## 62 2 Lớn hơn 48000
## 63 2 Lớn hơn 48000
## 64 2 Lớn hơn 48000
## 65 2 Lớn hơn 48000
## 66 2 Lớn hơn 48000
## 67 2 Lớn hơn 48000
## 68 2 Lớn hơn 48000
## 69 2 Lớn hơn 48000
## 70 2 Lớn hơn 48000
## 71 2 Lớn hơn 48000
## 72 2 Lớn hơn 48000
## 73 2 Lớn hơn 48000
## 74 2 Lớn hơn 48000
## 75 2 Lớn hơn 48000
## 76 2 Lớn hơn 48000
## 77 2 Lớn hơn 48000
## 78 2 Lớn hơn 48000
## 79 2 Lớn hơn 48000
## 80 2 Lớn hơn 48000
## 81 2 Lớn hơn 48000
## 82 2 Lớn hơn 48000
## 83 2 Lớn hơn 48000
## 84 2 Lớn hơn 48000
## 85 2 Lớn hơn 48000
## 86 2 Lớn hơn 48000
## 87 2 Lớn hơn 48000
## 88 2 Lớn hơn 48000
## 89 2 Lớn hơn 48000
## 90 2 Lớn hơn 48000
## 91 2 Lớn hơn 48000
## 92 2 Lớn hơn 48000
## 93 2 Lớn hơn 48000
## 94 2 Lớn hơn 48000
## 95 1 Nhỏ hơn hoặc bằng 48000
## 96 1 Nhỏ hơn hoặc bằng 48000
## 97 1 Nhỏ hơn hoặc bằng 48000
## 98 1 Nhỏ hơn hoặc bằng 48000
## 99 1 Nhỏ hơn hoặc bằng 48000
## 100 1 Nhỏ hơn hoặc bằng 48000
## 101 1 Nhỏ hơn hoặc bằng 48000
## 102 1 Nhỏ hơn hoặc bằng 48000
## 103 1 Nhỏ hơn hoặc bằng 48000
## 104 1 Nhỏ hơn hoặc bằng 48000
## 105 1 Nhỏ hơn hoặc bằng 48000
## 106 1 Nhỏ hơn hoặc bằng 48000
## 107 1 Nhỏ hơn hoặc bằng 48000
## 108 1 Nhỏ hơn hoặc bằng 48000
## 109 1 Nhỏ hơn hoặc bằng 48000
## 110 1 Nhỏ hơn hoặc bằng 48000
## 111 1 Nhỏ hơn hoặc bằng 48000
## 112 1 Nhỏ hơn hoặc bằng 48000
## 113 1 Nhỏ hơn hoặc bằng 48000
## 114 1 Nhỏ hơn hoặc bằng 48000
## 115 1 Nhỏ hơn hoặc bằng 48000
## 116 2 Lớn hơn 48000
## 117 1 Nhỏ hơn hoặc bằng 48000
## 118 2 Lớn hơn 48000
## 119 2 Lớn hơn 48000
## 120 2 Lớn hơn 48000
## 121 2 Lớn hơn 48000
## 122 2 Lớn hơn 48000
## 123 2 Lớn hơn 48000
## 124 2 Lớn hơn 48000
## 125 2 Lớn hơn 48000
## 126 2 Lớn hơn 48000
## 127 2 Lớn hơn 48000
## 128 2 Lớn hơn 48000
## 129 2 Lớn hơn 48000
## 130 2 Lớn hơn 48000
## 131 2 Lớn hơn 48000
## 132 2 Lớn hơn 48000
## 133 2 Lớn hơn 48000
## 134 2 Lớn hơn 48000
## 135 2 Lớn hơn 48000
## 136 2 Lớn hơn 48000
## 137 2 Lớn hơn 48000
## 138 2 Lớn hơn 48000
## 139 2 Lớn hơn 48000
## 140 2 Lớn hơn 48000
## 141 2 Lớn hơn 48000
## 142 2 Lớn hơn 48000
## 143 2 Lớn hơn 48000
## 144 2 Lớn hơn 48000
## 145 2 Lớn hơn 48000
## 146 2 Lớn hơn 48000
## 147 2 Lớn hơn 48000
## 148 2 Lớn hơn 48000
## 149 2 Lớn hơn 48000
## 150 2 Lớn hơn 48000
## 151 2 Lớn hơn 48000
## 152 2 Lớn hơn 48000
## 153 2 Lớn hơn 48000
## 154 2 Lớn hơn 48000
## 155 2 Lớn hơn 48000
## 156 2 Lớn hơn 48000
## 157 2 Lớn hơn 48000
## 158 2 Lớn hơn 48000
## 159 2 Lớn hơn 48000
## 160 2 Lớn hơn 48000
## 161 2 Lớn hơn 48000
## 162 2 Lớn hơn 48000
## 163 2 Lớn hơn 48000
## 164 2 Lớn hơn 48000
## 165 2 Lớn hơn 48000
## 166 2 Lớn hơn 48000
## 167 2 Lớn hơn 48000
## 168 2 Lớn hơn 48000
## 169 2 Lớn hơn 48000
## 170 2 Lớn hơn 48000
## 171 2 Lớn hơn 48000
## 172 2 Lớn hơn 48000
## 173 2 Lớn hơn 48000
## 174 2 Lớn hơn 48000
## 175 2 Lớn hơn 48000
## 176 2 Lớn hơn 48000
## 177 2 Lớn hơn 48000
## 178 2 Lớn hơn 48000
## 179 2 Lớn hơn 48000
## 180 2 Lớn hơn 48000
## 181 2 Lớn hơn 48000
## 182 2 Lớn hơn 48000
## 183 2 Lớn hơn 48000
## 184 2 Lớn hơn 48000
## 185 2 Lớn hơn 48000
## 186 2 Lớn hơn 48000
## 187 2 Lớn hơn 48000
## 188 2 Lớn hơn 48000
## 189 2 Lớn hơn 48000
## 190 2 Lớn hơn 48000
## 191 2 Lớn hơn 48000
## 192 2 Lớn hơn 48000
## 193 2 Lớn hơn 48000
## 194 2 Lớn hơn 48000
## 195 2 Lớn hơn 48000
## 196 2 Lớn hơn 48000
## 197 2 Lớn hơn 48000
## 198 2 Lớn hơn 48000
## 199 2 Lớn hơn 48000
## 200 2 Lớn hơn 48000
## 201 2 Lớn hơn 48000
## 202 2 Lớn hơn 48000
## 203 2 Lớn hơn 48000
## 204 2 Lớn hơn 48000
## 205 2 Lớn hơn 48000
## 206 2 Lớn hơn 48000
## 207 2 Lớn hơn 48000
## 208 2 Lớn hơn 48000
## 209 2 Lớn hơn 48000
## 210 2 Lớn hơn 48000
## 211 2 Lớn hơn 48000
## 212 2 Lớn hơn 48000
## 213 2 Lớn hơn 48000
## 214 2 Lớn hơn 48000
## 215 2 Lớn hơn 48000
## 216 2 Lớn hơn 48000
## 217 2 Lớn hơn 48000
## 218 2 Lớn hơn 48000
## 219 2 Lớn hơn 48000
## 220 2 Lớn hơn 48000
## 221 2 Lớn hơn 48000
## 222 2 Lớn hơn 48000
## 223 2 Lớn hơn 48000
## 224 2 Lớn hơn 48000
## 225 2 Lớn hơn 48000
## 226 2 Lớn hơn 48000
## 227 2 Lớn hơn 48000
## 228 2 Lớn hơn 48000
## 229 2 Lớn hơn 48000
## 230 2 Lớn hơn 48000
## Phân vùng HangSeng
HangSengMH=HangSeng
HangSengMH=replace(HangSengMH,HangSeng<=25000,1)
HangSengMH=replace(HangSengMH,HangSeng>25000,2)
HangSengMHMH=data.frame(HangSeng,HangSengMH)
HangSengMHMH
## HangSeng HangSengMH
## 1 26855.56 2
## 2 27287.12 2
## 3 27140.92 2
## 4 26957.77 2
## 5 26829.46 2
## 6 26752.59 2
## 7 26290.32 2
## 8 25441.35 2
## 9 25910.60 2
## 10 25888.51 2
## 11 25247.10 2
## 12 25858.83 2
## 13 26027.55 2
## 14 25781.77 2
## 15 25967.98 2
## 16 26160.15 2
## 17 26433.70 2
## 18 26346.14 2
## 19 26282.69 2
## 20 25906.65 2
## 21 25952.40 2
## 22 25935.41 2
## 23 26485.90 2
## 24 26241.83 2
## 25 26649.06 2
## 26 26696.41 2
## 27 26922.73 2
## 28 27073.03 2
## 29 26572.46 2
## 30 26384.28 2
## 31 25930.03 2
## 32 25830.65 2
## 33 25835.57 2
## 34 25220.02 2
## 35 25894.55 2
## 36 25928.08 2
## 37 25858.89 2
## 38 26033.26 2
## 39 26095.05 2
## 40 25760.73 2
## 41 25935.90 2
## 42 26085.08 2
## 43 25765.36 2
## 44 25434.23 2
## 45 25540.78 2
## 46 25530.51 2
## 47 25976.79 2
## 48 25628.88 2
## 49 25235.41 2
## 50 25468.78 2
## 51 25498.13 2
## 52 25690.53 2
## 53 25801.77 2
## 54 25774.14 2
## 55 25818.93 2
## 56 25635.23 2
## 57 25854.60 2
## 58 26347.24 2
## 59 26710.45 2
## 60 26458.95 2
## 61 26149.31 2
## 62 26231.79 2
## 63 26848.47 2
## 64 26999.81 2
## 65 26923.62 2
## 66 26844.96 2
## 67 26487.51 2
## 68 26585.06 2
## 69 26629.96 2
## 70 26749.51 2
## 71 26765.52 2
## 72 27126.95 2
## 73 27826.91 2
## 74 27968.09 2
## 75 27387.11 2
## 76 26775.57 2
## 77 26834.77 2
## 78 26847.32 2
## 79 26885.24 2
## 80 26559.95 2
## 81 27027.16 2
## 82 27183.15 2
## 83 27266.38 2
## 84 27032.54 2
## 85 26567.12 2
## 86 26413.35 2
## 87 27081.91 2
## 88 26590.32 2
## 89 26765.72 2
## 90 26381.02 2
## 91 26630.54 2
## 92 26059.85 2
## 93 25768.08 2
## 94 25249.48 2
## 95 25321.34 2
## 96 25757.29 2
## 97 25408.46 2
## 98 25959.90 2
## 99 25898.76 2
## 100 25716.76 2
## 101 25465.60 2
## 102 25834.02 2
## 103 25868.54 2
## 104 26025.42 2
## 105 25500.58 2
## 106 24382.47 1
## 107 25063.71 2
## 108 25335.95 2
## 109 24856.43 1
## 110 24951.88 1
## 111 24750.79 1
## 112 24788.14 1
## 113 25294.03 2
## 114 25116.53 2
## 115 25893.02 2
## 116 25752.40 2
## 117 25893.54 2
## 118 25660.85 2
## 119 25872.32 2
## 120 25947.32 2
## 121 26394.26 2
## 122 26160.33 2
## 123 26361.07 2
## 124 26487.48 2
## 125 26163.24 2
## 126 25915.20 2
## 127 25978.07 2
## 128 25925.65 2
## 129 25679.78 2
## 130 26111.84 2
## 131 25776.53 2
## 132 26213.78 2
## 133 26626.28 2
## 134 26393.71 2
## 135 26406.84 2
## 136 26347.91 2
## 137 26388.44 2
## 138 26389.04 2
## 139 25962.73 2
## 140 25675.18 2
## 141 25797.85 2
## 142 25651.12 2
## 143 25386.52 2
## 144 25606.03 2
## 145 25599.45 2
## 146 25328.23 2
## 147 25006.16 2
## 148 25182.39 2
## 149 25398.18 2
## 150 26038.32 2
## 151 25633.21 2
## 152 25253.40 2
## 153 24961.95 1
## 154 24657.06 1
## 155 24565.90 1
## 156 24407.96 1
## 157 24249.29 1
## 158 24718.10 1
## 159 24842.67 1
## 160 24493.95 1
## 161 24312.16 1
## 162 23924.81 1
## 163 23768.52 1
## 164 23336.28 1
## 165 23412.18 1
## 166 23076.91 1
## 167 22671.86 1
## 168 23026.68 1
## 169 22881.02 1
## 170 23055.03 1
## 171 23616.32 1
## 172 23496.89 1
## 173 24199.46 1
## 174 24030.18 1
## 175 24175.12 1
## 176 24213.72 1
## 177 24340.73 1
## 178 24681.10 1
## 179 25008.60 2
## 180 24562.24 1
## 181 25143.05 2
## 182 25132.29 2
## 183 24892.66 1
## 184 25210.81 2
## 185 24963.23 1
## 186 25207.18 2
## 187 25310.85 2
## 188 25807.92 2
## 189 25858.88 2
## 190 25884.43 2
## 191 26009.40 2
## 192 25852.92 2
## 193 25915.82 2
## 194 25530.28 2
## 195 25668.03 2
## 196 25937.49 2
## 197 25652.82 2
## 198 25440.17 2
## 199 25396.51 2
## 200 25116.85 2
## 201 25453.23 2
## 202 25471.15 2
## 203 25495.07 2
## 204 25698.49 2
## 205 26009.46 2
## 206 25517.33 2
## 207 25511.10 2
## 208 25652.97 2
## 209 25565.74 2
## 210 25584.79 2
## 211 25566.99 2
## 212 25329.73 2
## 213 25311.21 2
## 214 25213.31 2
## 215 25650.87 2
## 216 25317.18 2
## 217 25274.96 2
## 218 24954.47 1
## 219 24805.63 1
## 220 24917.60 1
## 221 24667.24 1
## 222 24713.78 1
## 223 24604.29 1
## 224 24750.78 1
## 225 24834.12 1
## 226 24761.13 1
## 227 24510.09 1
## 228 24642.51 1
## 229 24523.57 1
## 230 24613.27 1
## Mã hoá HangSeng
HangSeng1=HangSengMH
HangSeng1=replace(HangSeng1,HangSengMH==1,"Nhỏ hơn hoặc bằng 25000")
HangSeng1=replace(HangSeng1,HangSengMH==2,"Lớn hơn 25000")
HangSeng1MH=data.frame(HangSengMH,HangSeng1)
HangSengMH
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [38] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [75] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 2 1 1 1
## [112] 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [149] 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 2 2 1 2 1
## [186] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1
## [223] 1 1 1 1 1 1 1 1
## Phân vùng NIKKEI225
NIKKEI225MH=NIKKEI225
NIKKEI225MH=replace(NIKKEI225MH,NIKKEI225<=63000,1)
NIKKEI225MH=replace(NIKKEI225MH,NIKKEI225>63000,2)
NIKKEI225MHMH=data.frame(NIKKEI225,NIKKEI225MH)
NIKKEI225MHMH
## NIKKEI225 NIKKEI225MH
## 1 44932.63 1
## 2 44936.73 1
## 3 45769.50 1
## 4 47944.76 1
## 5 47734.99 1
## 6 48580.44 1
## 7 48088.80 1
## 8 46847.32 1
## 9 47672.67 1
## 10 48277.74 1
## 11 47582.15 1
## 12 49185.50 1
## 13 49316.06 1
## 14 49307.79 1
## 15 48641.61 1
## 16 49299.65 1
## 17 50512.32 1
## 18 50219.18 1
## 19 51325.61 1
## 20 52411.34 1
## 21 51497.20 1
## 22 50212.27 1
## 23 50883.68 1
## 24 50276.37 1
## 25 50911.76 1
## 26 50842.93 1
## 27 51063.31 1
## 28 51281.83 1
## 29 50376.53 1
## 30 50323.91 1
## 31 48702.98 1
## 32 48537.70 1
## 33 49823.94 1
## 34 48625.88 1
## 35 48659.52 1
## 36 49559.07 1
## 37 50253.91 1
## 38 49303.28 1
## 39 49303.45 1
## 40 49864.68 1
## 41 51028.42 1
## 42 50491.87 1
## 43 50581.94 1
## 44 50655.10 1
## 45 50602.80 1
## 46 50148.82 1
## 47 50836.55 1
## 48 50168.11 1
## 49 49383.29 1
## 50 49512.28 1
## 51 49001.50 1
## 52 49507.21 1
## 53 50402.39 1
## 54 50412.87 1
## 55 50344.10 1
## 56 50526.92 1
## 57 50339.48 1
## 58 51832.80 1
## 59 52518.08 1
## 60 51961.98 1
## 61 51117.26 1
## 62 51939.89 1
## 63 53549.16 1
## 64 54341.23 1
## 65 54110.50 1
## 66 53936.17 1
## 67 52991.10 1
## 68 52774.64 1
## 69 53688.89 1
## 70 53846.87 1
## 71 52885.25 1
## 72 53333.54 1
## 73 53358.71 1
## 74 53375.60 1
## 75 53322.85 1
## 76 52655.18 1
## 77 54720.66 1
## 78 54293.36 1
## 79 53818.04 1
## 80 54253.68 1
## 81 56363.94 1
## 82 57650.54 1
## 83 57903.00 1
## 84 57639.84 1
## 85 56941.97 1
## 86 56825.70 1
## 87 56703.00 1
## 88 57321.09 1
## 89 58583.12 1
## 90 58753.39 1
## 91 58850.27 1
## 92 58057.24 1
## 93 56279.05 1
## 94 54245.54 1
## 95 55278.06 1
## 96 52198.00 1
## 97 52728.72 1
## 98 54248.39 1
## 99 55025.37 1
## 100 54452.96 1
## 101 53819.61 1
## 102 53751.15 1
## 103 53700.39 1
## 104 55239.40 1
## 105 53372.53 1
## 106 51515.49 1
## 107 52252.28 1
## 108 53749.62 1
## 109 53603.65 1
## 110 50829.50 1
## 111 51885.85 1
## 112 51063.72 1
## 113 53739.68 1
## 114 52463.27 1
## 115 56308.42 1
## 116 55895.32 1
## 117 56924.11 1
## 118 56502.77 1
## 119 57877.39 1
## 120 58134.24 1
## 121 59518.34 1
## 122 58475.90 1
## 123 58824.89 1
## 124 59349.17 1
## 125 59585.86 1
## 126 59140.23 1
## 127 59716.18 1
## 128 60537.36 1
## 129 59917.46 1
## 130 59159.50 1
## 131 59284.92 1
## 132 61858.00 1
## 133 62833.84 1
## 134 62713.65 1
## 135 62417.88 1
## 136 62742.57 1
## 137 63272.11 2
## 138 62654.05 1
## 139 61409.29 1
## 140 60815.95 1
## 141 60550.59 1
## 142 59804.41 1
## 143 61684.14 1
## 144 63339.07 2
## 145 64996.09 2
## 146 64999.41 2
## 147 64693.12 2
## 148 66329.50 2
## 149 66934.33 2
## 150 66734.24 2
## 151 68402.13 2
## 152 67470.69 2
## 153 66588.12 2
## 154 64024.60 2
## 155 65416.63 2
## 156 64179.27 2
## 157 64217.27 2
## 158 66020.04 2
## 159 69317.50 2
## 160 69404.50 2
## 161 69902.25 2
## 162 71053.49 2
## 163 72353.96 2
## 164 69788.38 2
## 165 69174.97 2
## 166 72366.34 2
## 167 69360.88 2
## 168 69468.11 2
## 169 70062.32 2
## 170 68733.15 2
## 171 69737.69 2
## 172 68256.96 2
## 173 66819.05 2
## 174 67743.85 2
## 175 68557.73 2
## 176 67242.73 2
## 177 67743.50 2
## 178 68751.51 2
## 179 66835.54 2
## 180 64141.12 2
## 181 64787.50 2
## 182 66232.19 2
## 183 66115.60 2
## 184 66422.60 2
## 185 64611.15 2
## 186 64931.19 2
## 187 62364.92 1
## 188 61434.19 1
## 189 61867.43 1
## 190 64362.02 2
## 191 63754.90 2
## 192 63957.53 2
## 193 66300.44 2
## 194 65683.26 2
## 195 65606.71 2
## 196 66970.22 2
## 197 67215.00 2
## 198 67524.06 2
## 199 68308.59 2
## 200 68713.80 2
## 201 69220.25 2
## 202 67460.73 2
## 203 65326.42 2
## 204 66216.79 2
## 205 66016.36 2
## 206 65528.09 2
## 207 65856.43 2
## 208 66262.16 2
## 209 66131.98 2
## 210 66405.56 2
## 211 66311.93 2
## 212 66215.34 2
## 213 64325.64 2
## 214 64214.48 2
## 215 65020.94 2
## 216 65269.33 2
## 217 65142.78 2
## 218 65270.95 2
## 219 64011.34 2
## 220 63492.99 2
## 221 63484.10 2
## 222 63923.00 2
## 223 64136.25 2
## 224 65018.95 2
## 225 66057.00 2
## 226 65513.99 2
## 227 66364.20 2
## 228 65877.62 2
## 229 65481.27 2
## 230 66753.72 2
## Mã hoá NIKKEI225
NIKKEI2251=NIKKEI225MH
NIKKEI2251=replace(NIKKEI2251,NIKKEI225MH==1,"Nhỏ hơn hoặc bằng 63000")
NIKKEI2251=replace(NIKKEI2251,NIKKEI225MH==2,"Lớn hơn 63000")
NIKKEI2251MH=data.frame(NIKKEI225MH,NIKKEI2251)
NIKKEI2251MH
## NIKKEI225MH NIKKEI2251
## 1 1 Nhỏ hơn hoặc bằng 63000
## 2 1 Nhỏ hơn hoặc bằng 63000
## 3 1 Nhỏ hơn hoặc bằng 63000
## 4 1 Nhỏ hơn hoặc bằng 63000
## 5 1 Nhỏ hơn hoặc bằng 63000
## 6 1 Nhỏ hơn hoặc bằng 63000
## 7 1 Nhỏ hơn hoặc bằng 63000
## 8 1 Nhỏ hơn hoặc bằng 63000
## 9 1 Nhỏ hơn hoặc bằng 63000
## 10 1 Nhỏ hơn hoặc bằng 63000
## 11 1 Nhỏ hơn hoặc bằng 63000
## 12 1 Nhỏ hơn hoặc bằng 63000
## 13 1 Nhỏ hơn hoặc bằng 63000
## 14 1 Nhỏ hơn hoặc bằng 63000
## 15 1 Nhỏ hơn hoặc bằng 63000
## 16 1 Nhỏ hơn hoặc bằng 63000
## 17 1 Nhỏ hơn hoặc bằng 63000
## 18 1 Nhỏ hơn hoặc bằng 63000
## 19 1 Nhỏ hơn hoặc bằng 63000
## 20 1 Nhỏ hơn hoặc bằng 63000
## 21 1 Nhỏ hơn hoặc bằng 63000
## 22 1 Nhỏ hơn hoặc bằng 63000
## 23 1 Nhỏ hơn hoặc bằng 63000
## 24 1 Nhỏ hơn hoặc bằng 63000
## 25 1 Nhỏ hơn hoặc bằng 63000
## 26 1 Nhỏ hơn hoặc bằng 63000
## 27 1 Nhỏ hơn hoặc bằng 63000
## 28 1 Nhỏ hơn hoặc bằng 63000
## 29 1 Nhỏ hơn hoặc bằng 63000
## 30 1 Nhỏ hơn hoặc bằng 63000
## 31 1 Nhỏ hơn hoặc bằng 63000
## 32 1 Nhỏ hơn hoặc bằng 63000
## 33 1 Nhỏ hơn hoặc bằng 63000
## 34 1 Nhỏ hơn hoặc bằng 63000
## 35 1 Nhỏ hơn hoặc bằng 63000
## 36 1 Nhỏ hơn hoặc bằng 63000
## 37 1 Nhỏ hơn hoặc bằng 63000
## 38 1 Nhỏ hơn hoặc bằng 63000
## 39 1 Nhỏ hơn hoặc bằng 63000
## 40 1 Nhỏ hơn hoặc bằng 63000
## 41 1 Nhỏ hơn hoặc bằng 63000
## 42 1 Nhỏ hơn hoặc bằng 63000
## 43 1 Nhỏ hơn hoặc bằng 63000
## 44 1 Nhỏ hơn hoặc bằng 63000
## 45 1 Nhỏ hơn hoặc bằng 63000
## 46 1 Nhỏ hơn hoặc bằng 63000
## 47 1 Nhỏ hơn hoặc bằng 63000
## 48 1 Nhỏ hơn hoặc bằng 63000
## 49 1 Nhỏ hơn hoặc bằng 63000
## 50 1 Nhỏ hơn hoặc bằng 63000
## 51 1 Nhỏ hơn hoặc bằng 63000
## 52 1 Nhỏ hơn hoặc bằng 63000
## 53 1 Nhỏ hơn hoặc bằng 63000
## 54 1 Nhỏ hơn hoặc bằng 63000
## 55 1 Nhỏ hơn hoặc bằng 63000
## 56 1 Nhỏ hơn hoặc bằng 63000
## 57 1 Nhỏ hơn hoặc bằng 63000
## 58 1 Nhỏ hơn hoặc bằng 63000
## 59 1 Nhỏ hơn hoặc bằng 63000
## 60 1 Nhỏ hơn hoặc bằng 63000
## 61 1 Nhỏ hơn hoặc bằng 63000
## 62 1 Nhỏ hơn hoặc bằng 63000
## 63 1 Nhỏ hơn hoặc bằng 63000
## 64 1 Nhỏ hơn hoặc bằng 63000
## 65 1 Nhỏ hơn hoặc bằng 63000
## 66 1 Nhỏ hơn hoặc bằng 63000
## 67 1 Nhỏ hơn hoặc bằng 63000
## 68 1 Nhỏ hơn hoặc bằng 63000
## 69 1 Nhỏ hơn hoặc bằng 63000
## 70 1 Nhỏ hơn hoặc bằng 63000
## 71 1 Nhỏ hơn hoặc bằng 63000
## 72 1 Nhỏ hơn hoặc bằng 63000
## 73 1 Nhỏ hơn hoặc bằng 63000
## 74 1 Nhỏ hơn hoặc bằng 63000
## 75 1 Nhỏ hơn hoặc bằng 63000
## 76 1 Nhỏ hơn hoặc bằng 63000
## 77 1 Nhỏ hơn hoặc bằng 63000
## 78 1 Nhỏ hơn hoặc bằng 63000
## 79 1 Nhỏ hơn hoặc bằng 63000
## 80 1 Nhỏ hơn hoặc bằng 63000
## 81 1 Nhỏ hơn hoặc bằng 63000
## 82 1 Nhỏ hơn hoặc bằng 63000
## 83 1 Nhỏ hơn hoặc bằng 63000
## 84 1 Nhỏ hơn hoặc bằng 63000
## 85 1 Nhỏ hơn hoặc bằng 63000
## 86 1 Nhỏ hơn hoặc bằng 63000
## 87 1 Nhỏ hơn hoặc bằng 63000
## 88 1 Nhỏ hơn hoặc bằng 63000
## 89 1 Nhỏ hơn hoặc bằng 63000
## 90 1 Nhỏ hơn hoặc bằng 63000
## 91 1 Nhỏ hơn hoặc bằng 63000
## 92 1 Nhỏ hơn hoặc bằng 63000
## 93 1 Nhỏ hơn hoặc bằng 63000
## 94 1 Nhỏ hơn hoặc bằng 63000
## 95 1 Nhỏ hơn hoặc bằng 63000
## 96 1 Nhỏ hơn hoặc bằng 63000
## 97 1 Nhỏ hơn hoặc bằng 63000
## 98 1 Nhỏ hơn hoặc bằng 63000
## 99 1 Nhỏ hơn hoặc bằng 63000
## 100 1 Nhỏ hơn hoặc bằng 63000
## 101 1 Nhỏ hơn hoặc bằng 63000
## 102 1 Nhỏ hơn hoặc bằng 63000
## 103 1 Nhỏ hơn hoặc bằng 63000
## 104 1 Nhỏ hơn hoặc bằng 63000
## 105 1 Nhỏ hơn hoặc bằng 63000
## 106 1 Nhỏ hơn hoặc bằng 63000
## 107 1 Nhỏ hơn hoặc bằng 63000
## 108 1 Nhỏ hơn hoặc bằng 63000
## 109 1 Nhỏ hơn hoặc bằng 63000
## 110 1 Nhỏ hơn hoặc bằng 63000
## 111 1 Nhỏ hơn hoặc bằng 63000
## 112 1 Nhỏ hơn hoặc bằng 63000
## 113 1 Nhỏ hơn hoặc bằng 63000
## 114 1 Nhỏ hơn hoặc bằng 63000
## 115 1 Nhỏ hơn hoặc bằng 63000
## 116 1 Nhỏ hơn hoặc bằng 63000
## 117 1 Nhỏ hơn hoặc bằng 63000
## 118 1 Nhỏ hơn hoặc bằng 63000
## 119 1 Nhỏ hơn hoặc bằng 63000
## 120 1 Nhỏ hơn hoặc bằng 63000
## 121 1 Nhỏ hơn hoặc bằng 63000
## 122 1 Nhỏ hơn hoặc bằng 63000
## 123 1 Nhỏ hơn hoặc bằng 63000
## 124 1 Nhỏ hơn hoặc bằng 63000
## 125 1 Nhỏ hơn hoặc bằng 63000
## 126 1 Nhỏ hơn hoặc bằng 63000
## 127 1 Nhỏ hơn hoặc bằng 63000
## 128 1 Nhỏ hơn hoặc bằng 63000
## 129 1 Nhỏ hơn hoặc bằng 63000
## 130 1 Nhỏ hơn hoặc bằng 63000
## 131 1 Nhỏ hơn hoặc bằng 63000
## 132 1 Nhỏ hơn hoặc bằng 63000
## 133 1 Nhỏ hơn hoặc bằng 63000
## 134 1 Nhỏ hơn hoặc bằng 63000
## 135 1 Nhỏ hơn hoặc bằng 63000
## 136 1 Nhỏ hơn hoặc bằng 63000
## 137 2 Lớn hơn 63000
## 138 1 Nhỏ hơn hoặc bằng 63000
## 139 1 Nhỏ hơn hoặc bằng 63000
## 140 1 Nhỏ hơn hoặc bằng 63000
## 141 1 Nhỏ hơn hoặc bằng 63000
## 142 1 Nhỏ hơn hoặc bằng 63000
## 143 1 Nhỏ hơn hoặc bằng 63000
## 144 2 Lớn hơn 63000
## 145 2 Lớn hơn 63000
## 146 2 Lớn hơn 63000
## 147 2 Lớn hơn 63000
## 148 2 Lớn hơn 63000
## 149 2 Lớn hơn 63000
## 150 2 Lớn hơn 63000
## 151 2 Lớn hơn 63000
## 152 2 Lớn hơn 63000
## 153 2 Lớn hơn 63000
## 154 2 Lớn hơn 63000
## 155 2 Lớn hơn 63000
## 156 2 Lớn hơn 63000
## 157 2 Lớn hơn 63000
## 158 2 Lớn hơn 63000
## 159 2 Lớn hơn 63000
## 160 2 Lớn hơn 63000
## 161 2 Lớn hơn 63000
## 162 2 Lớn hơn 63000
## 163 2 Lớn hơn 63000
## 164 2 Lớn hơn 63000
## 165 2 Lớn hơn 63000
## 166 2 Lớn hơn 63000
## 167 2 Lớn hơn 63000
## 168 2 Lớn hơn 63000
## 169 2 Lớn hơn 63000
## 170 2 Lớn hơn 63000
## 171 2 Lớn hơn 63000
## 172 2 Lớn hơn 63000
## 173 2 Lớn hơn 63000
## 174 2 Lớn hơn 63000
## 175 2 Lớn hơn 63000
## 176 2 Lớn hơn 63000
## 177 2 Lớn hơn 63000
## 178 2 Lớn hơn 63000
## 179 2 Lớn hơn 63000
## 180 2 Lớn hơn 63000
## 181 2 Lớn hơn 63000
## 182 2 Lớn hơn 63000
## 183 2 Lớn hơn 63000
## 184 2 Lớn hơn 63000
## 185 2 Lớn hơn 63000
## 186 2 Lớn hơn 63000
## 187 1 Nhỏ hơn hoặc bằng 63000
## 188 1 Nhỏ hơn hoặc bằng 63000
## 189 1 Nhỏ hơn hoặc bằng 63000
## 190 2 Lớn hơn 63000
## 191 2 Lớn hơn 63000
## 192 2 Lớn hơn 63000
## 193 2 Lớn hơn 63000
## 194 2 Lớn hơn 63000
## 195 2 Lớn hơn 63000
## 196 2 Lớn hơn 63000
## 197 2 Lớn hơn 63000
## 198 2 Lớn hơn 63000
## 199 2 Lớn hơn 63000
## 200 2 Lớn hơn 63000
## 201 2 Lớn hơn 63000
## 202 2 Lớn hơn 63000
## 203 2 Lớn hơn 63000
## 204 2 Lớn hơn 63000
## 205 2 Lớn hơn 63000
## 206 2 Lớn hơn 63000
## 207 2 Lớn hơn 63000
## 208 2 Lớn hơn 63000
## 209 2 Lớn hơn 63000
## 210 2 Lớn hơn 63000
## 211 2 Lớn hơn 63000
## 212 2 Lớn hơn 63000
## 213 2 Lớn hơn 63000
## 214 2 Lớn hơn 63000
## 215 2 Lớn hơn 63000
## 216 2 Lớn hơn 63000
## 217 2 Lớn hơn 63000
## 218 2 Lớn hơn 63000
## 219 2 Lớn hơn 63000
## 220 2 Lớn hơn 63000
## 221 2 Lớn hơn 63000
## 222 2 Lớn hơn 63000
## 223 2 Lớn hơn 63000
## 224 2 Lớn hơn 63000
## 225 2 Lớn hơn 63000
## 226 2 Lớn hơn 63000
## 227 2 Lớn hơn 63000
## 228 2 Lớn hơn 63000
## 229 2 Lớn hơn 63000
## 230 2 Lớn hơn 63000
# Câu c, Thống kê
## Thống kê các biến chỉ số Ratio Scale
library(psych)
chiso1=data.frame(DOWJONES,HangSeng,NIKKEI225)
describe(chiso1)
## vars n mean sd median trimmed mad min
## DOWJONES 1 230 49685.17 2359.78 49427.42 49641.61 2972.95 45166.64
## HangSeng 2 230 25666.95 914.65 25771.11 25718.16 805.64 22671.86
## NIKKEI225 3 230 58378.43 7236.28 57980.12 58298.04 10421.28 44932.63
## max range skew kurtosis se
## DOWJONES 54349.12 9182.48 0.15 -1.09 155.60
## HangSeng 27968.09 5296.23 -0.61 0.78 60.31
## NIKKEI225 72366.34 27433.71 0.06 -1.42 477.15
# Nhận xét:
# DOWJONES: Giá trị trung bình đạt 49.685,17 điểm, cao hơn trung vị 49.427,42 điểm. Hai giá trị tương đối gần nhau, cho thấy phân bố không có sự lệch mạnh theo chỉ tiêu trung bình và trung vị. Tuy nhiên, hình dạng phân bố cần được xem xét thêm thông qua biểu đồ.
# HangSeng: Giá trị trung bình là 25.666,95 điểm, thấp hơn trung vị 25.771,11 điểm. Chênh lệch không lớn, cho thấy trung bình và trung vị tương đối gần nhau; chỉ số có độ lệch âm theo hệ số skewness trong bảng thống kê.
# NIKKEI225: Giá trị trung bình đạt 58.378,43 điểm, cao hơn trung vị 57.980,12 điểm. Độ lệch chuẩn 7.236,28 điểm cho thấy mức phân tán của các quan sát tương đối lớn so với hai chỉ số còn lại.
## Thống kê các biến chỉ số Ordinal Scale
library(psych)
chiso2=data.frame(DOWJONESMH,HangSengMH,NIKKEI225MH)
describe(chiso2)
## vars n mean sd median trimmed mad min max range skew kurtosis
## DOWJONESMH 1 230 1.71 0.46 2 1.76 0 1 2 1 -0.91 -1.17
## HangSengMH 2 230 1.80 0.40 2 1.87 0 1 2 1 -1.46 0.12
## NIKKEI225MH 3 230 1.37 0.48 1 1.34 0 1 2 1 0.54 -1.72
## se
## DOWJONESMH 0.03
## HangSengMH 0.03
## NIKKEI225MH 0.03
# Nhận xét:
#DOWJONESMH: Nhóm 2 (DOWJONES > 48.000) chiếm 70,9% với 163 quan sát, trong khi nhóm 1 chiếm 29,1% với 67 quan sát. Dữ liệu tập trung nhiều hơn ở nhóm có chỉ số trên 48.000.
#HangSengMH: Nhóm 2 (HangSeng > 25.000) chiếm 79,6% với 183 quan sát, trong khi nhóm 1 chiếm 20,4% với 47 quan sát. Đây là biến có sự chênh lệch tần số lớn nhất giữa hai nhóm.
#NIKKEI225MH: Nhóm 1 (NIKKEI225 ≤ 63.000) chiếm 63,0% với 145 quan sát, còn nhóm 2 chiếm 37,0% với 85 quan sát. Phần lớn quan sát thuộc nhóm có chỉ số không vượt quá 63.000.
# Câu d, Vẽ đồ thị
### Dạng Ordinal Scale
## Đồ thị cột DOWJONES
DOWJONES.freq<-table(DOWJONES1)
DOWJONES.freq
## DOWJONES1
## Lớn hơn 48000 Nhỏ hơn hoặc bằng 48000
## 163 67
barplot(DOWJONES.freq,xlab="Nhóm mã hoá",ylab="Số lượng",main="Biểu đồ cột biến DOWJONES",col=c("lightblue","lightpink"))
# Nhận xét: Dữ liệu của biến DOWJONES phân bố không đồng đều. Số lượng dữ liệu thuộc nhóm 2 (Lớn hơn 48000) áp đảo và gần gấp đôi so với nhóm 1(Nhỏ hơn hoặc bằng 48000)
## Đồ thị cột HangSeng
HangSeng.freq<-table(HangSeng1)
HangSeng.freq
## HangSeng1
## Lớn hơn 25000 Nhỏ hơn hoặc bằng 25000
## 183 47
barplot(HangSeng.freq,xlab="Nhóm mã hoá",ylab="Số lượng",main="Biểu đồ cột biến HangSeng",col=c("lavender","lightyellow"))
# Nhận xét: Đây là biến có sự chênh lệch lớn nhất giữa hai nhóm trong cả 3 biểu đồ. Phần lớn dữ liệu tập trung cực kỳ đậm đặc ở giá trị cao (Lớn hơn 25000) với tỉ lệ gần 80%.
## Đồ thị cột NIKKEI225
NIKKEI225.freq<-table(NIKKEI2251)
NIKKEI225.freq
## NIKKEI2251
## Lớn hơn 63000 Nhỏ hơn hoặc bằng 63000
## 85 145
barplot(NIKKEI225.freq,xlab="Nhóm mã hoá",ylab="Số lượng",main="Biểu đồ cột biến NIKKEI225",col=c("salmon","lightblue"))
# Nhận xét: Khác biệt hoàn toàn so với hai biến trên, dữ liệu của NIKKEI225 lại tập trung chủ yếu ở nhóm giá trị thấp (Nhỏ hơn hoặc bằng 63000) với tỷ lệ gần gấp đôi so với nhóm giá trị cao.
## Đồ thị tròn DOWJONES
pie(table( DOWJONES1),col=c("lightblue","lightgreen"),main="Biểu đồ tròn biến DOWJONES")
# Nhận xét: Biến DOWJONES cũng có xu hướng tập trung mạnh ở nhóm giá trị cao. Nhóm "Lớn hơn 48000" chiếm hơn 2/3 tổng thể dữ liệu nghiên cứu.
## Đồ thị tròn HangSeng
pie(table( HangSeng1),col=c("lightpink","lightyellow"),main="Biểu đồ tròn biến HangSeng")
# Nhận xét:Đây là biến có sự chênh lệch tỷ lệ cực kỳ lớn. Cứ khoảng 5 mẫu quan sát thì có tới 4 mẫu thuộc nhóm giá trị cao (Lớn hơn 25000).
## Đồ thị tròn NIKKEI225
pie(table( NIKKEI2251),col=c("yellow","blue"),main="Biểu đồ tròn NIKKEI225")
# Nhận xét:Biến NIKKEI225 tập trung chủ yếu ở nhóm giá trị thấp. Tỷ lệ phần trăm của nhóm này gần gấp đôi so với nhóm giá trị cao
### Dạng Ratio Scale
## Đồ thị đường DOWJONES
plot(STT,DOWJONES, type = "o", xlab = "Ngày thứ", ylab="Giá trị chỉ số",pch=10, main="Biểu đồ đường biến DOWJONES")
# Nhận xét: NIKKEI225:Giảm mạnh nửa đầu chu kỳ,Phục hồi dạng chữ V nửa cuối.
## Đồ thị đường HangSeng
plot(STT, HangSeng, type = "o", xlab = "Ngày thứ", ylab="Giá trị chỉ số",pch=10, main="Biểu đồ đường biến HangSeng")
# Nhận xét:DOWJONES: Xu hướng tăng trưởng chủ đạo, Lao dốc ngắn hạn giữa kỳ, Bật tăng lại nhanh chóng.
## Đồ thị đường NIKKEI225
plot(STT, NIKKEI225, type = "o", xlab = "Ngày thứ", ylab="Giá trị chỉ số",pch=10, main="Biểu đồ đường biến NIKKEI225")
# Nhận xét: NIKKEI225:Giảm mạnh nửa đầu chu kỳ,Phục hồi dạng chữ V nửa cuối.
# Câu e, Phân tích tương quan
library(psych)
vars=cbind(DOWJONES,HangSeng,NIKKEI225)
pairs.panels(vars)
library(Hmisc)
##
## Attaching package: 'Hmisc'
## The following object is masked from 'package:psych':
##
## describe
## The following objects are masked from 'package:base':
##
## format.pval, units
result=rcorr(as.matrix(vars),type="pearson")
result$r
## DOWJONES HangSeng NIKKEI225
## DOWJONES 1.0000000 -0.4171216 0.8890002
## HangSeng -0.4171216 1.0000000 -0.5945152
## NIKKEI225 0.8890002 -0.5945152 1.0000000
result$P
## DOWJONES HangSeng NIKKEI225
## DOWJONES NA 4.265677e-11 0
## HangSeng 4.265677e-11 NA 0
## NIKKEI225 0.000000e+00 0.000000e+00 NA
# Nhận xét:Kết quả phân tích tương quan Pearson cho thấy cả ba cặp chỉ số đều có mối tương quan tuyến tính có ý nghĩa thống kê ở mức 5%.
#DOWJONES và NIKKEI225:** Hệ số tương quan \(r=0,8890\), thể hiện mối tương quan thuận rất mạnh. Hai chỉ số có xu hướng biến động cùng chiều xét trên các giá trị quan sát trong mẫu.
#HangSeng và NIKKEI225:** Hệ số tương quan \(r=-0,5945\), thể hiện mối tương quan nghịch tương đối mạnh. Hai chỉ số có xu hướng biến động ngược chiều xét trên mẫu nghiên cứu.
#DOWJONES và HangSeng:** Hệ số tương quan \(r=-0,4171\), thể hiện mối tương quan nghịch ở mức trung bình.
#Các giá trị p đều nhỏ hơn 0,05, cho thấy có đủ bằng chứng thống kê để bác bỏ giả thuyết không có tương quan tuyến tính giữa từng cặp chỉ số trong mẫu nghiên cứu. Tuy nhiên, tương quan không chứng minh quan hệ nhân quả. Do các biến là mức chỉ số chứng khoán theo thời gian, tương quan cao có thể chịu ảnh hưởng của xu hướng chung hoặc tính không dừng của chuỗi. Nếu mục tiêu là đánh giá sự đồng biến của các thị trường, nên xem xét tương quan giữa tỷ suất sinh lời thay vì chỉ sử dụng mức chỉ số gốc.
# Câu f, Mô hình hồi quy tuyến tính
mreg=lm(DOWJONESMH~HangSengMH+NIKKEI225MH)
summary(mreg)
##
## Call:
## lm(formula = DOWJONESMH ~ HangSengMH + NIKKEI225MH)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.54149 -0.54149 0.05218 0.45851 0.45851
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.82570 0.20430 4.042 7.27e-05 ***
## HangSengMH 0.10315 0.07773 1.327 0.186
## NIKKEI225MH 0.50948 0.06494 7.846 1.68e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3969 on 227 degrees of freedom
## Multiple R-squared: 0.2468, Adjusted R-squared: 0.2402
## F-statistic: 37.19 on 2 and 227 DF, p-value: 1.07e-14
# Nhận xét: Kết quả hồi quy cho thấy HangSengMH có hệ số ước lượng dương bằng 0,10315 nhưng p-value bằng 0,186, lớn hơn mức ý nghĩa 5%. Vì vậy, chưa có đủ bằng chứng thống kê để khẳng định hệ số của HangSengMH khác 0 khi giữ NIKKEI225MH không đổi.
# Trong khi đó, NIKKEI225MH có hệ số ước lượng dương bằng 0,50948 với p-value xấp xỉ \(1,68\times10^{-13}\), nhỏ hơn 0,05. Điều này cho thấy NIKKEI225MH có mối liên hệ thuận chiều và có ý nghĩa thống kê với DOWJONESMH trong mô hình hiện tại, khi giữ HangSengMH không đổi.
# Hệ số xác định \(R^2=0,2468\) cho thấy mô hình giải thích khoảng 24,68% biến thiên của DOWJONESMH trong mẫu. Kiểm định F có p-value xấp xỉ \(1,07\times10^{-14}\), cho thấy mô hình có ý nghĩa thống kê tổng thể theo kiểm định F.
# Tuy nhiên, các biến trong mô hình đã được mã hóa thành hai nhóm 1 và 2. Vì vậy, hệ số hồi quy OLS không thể được diễn giải thành mức thay đổi của chỉ số chứng khoán thực tế. Nếu mục tiêu là dự đoán xác suất DOWJONES thuộc nhóm 1 hay nhóm 2, nên xem xét hồi quy Logistic nhị phân. Đồng thời, cần đánh giá các vấn đề về tự tương quan và mức độ phù hợp của mô hình trước khi đưa ra kết luận cuối cùng.
# Câu g, Phép kiểm định mô hình hồi quy đa biến
library(car)
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:psych':
##
## logit
vif(mreg)
## HangSengMH NIKKEI225MH
## 1.434177 1.434177
require(lmtest)
## Loading required package: lmtest
## Loading required package: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
dwtest(mreg)
##
## Durbin-Watson test
##
## data: mreg
## DW = 0.29181, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0
op=par(mfrow=c(2,2))
plot(mreg)
# Nhận xét: Kết quả kiểm định cho thấy mô hình không có dấu hiệu đa cộng tuyến nghiêm trọng, nhưng tồn tại bằng chứng về hiện tượng tự tương quan bậc nhất dương. Các biểu đồ chẩn đoán cũng gợi ý phần dư có thể không tuân theo phân phối chuẩn và phương sai có thể không đồng nhất. Vì vậy, chưa đủ cơ sở để khẳng định mô hình đáp ứng đầy đủ các giả định của hồi quy tuyến tính OLS thông thường.
# Đáng chú ý, biến phụ thuộc DOWJONESMH được mã hóa thành hai nhóm 1 và 2. Nếu mục tiêu nghiên cứu là dự đoán xác suất chỉ số Dow Jones thuộc một trong hai nhóm, hồi quy Logistic nhị phân sẽ phù hợp hơn OLS. Nếu mục tiêu là phân tích giá trị chỉ số Dow Jones thực tế, cần sử dụng biến định lượng gốc và xem xét các đặc điểm của chuỗi thời gian, đặc biệt là hiện tượng tự tương quan.
# Do đó, mô hình hiện tại chưa nên được sử dụng để đưa ra kết luận dự báo hoặc quan hệ tác động một cách chắc chắn. Việc lựa chọn mô hình cuối cùng cần dựa trên mục tiêu nghiên cứu và bản chất của dữ liệu.