Fondamenti di Metodologia quantitativa in R-Studio

INTRODUZIONE A R E

APPLICAZIONI DI BASE

Prima di tutto bisogna creare un progetto, ovvero la creazione di una cartellaapposita, dove all'interno ci saranno gli script, i dataset, i dati e in raccolta.

FILE -> NEW PROJECT -> NEW DIRECTORY / EXISTING DIRECTORY ->

• Le operazioni Arimethiche:

OPERAZIONE TERMINOLOGIA Somma 12 + 8 Differenza 6 - 18 Moltiplicazione 22 * 3 Divisione 25 / 7 Es. Potenza 11^3 / 11**3

• Le operazioni binomine & logiche:

OPERAZIONE TERMINOLOGIA Minima / Minore uguale 2 < 5 / 2 <= 3 Maggiore / Maggiore uguale 12 > 16 / 12 >= 16 Esprimere uguale a 1614 = = 32 / 8 Non uguale a 24 ! = 4 Negazione logica ! (25 - 10) > 0 Prodotto logico (AND) 3 & 2 = 12 & 8 < 8 < 1 Somma logica (OR) (1 | 4) > 0 | (4 - 10) > 0

Funzioni di base e concetti principali

• Assegnare un valore a un oggetto
  • q <- 2 + 2 / b <- a * 3
• Concatenazione di elementi creando un vettore
  • x <- c(9, 6, 2, 1)
• Creare sequenze di valori con estremi
  • y <- seq(4, 10)
• Visualizzare / rimuovere oggetti
  • ls(...) / rm(a, y)

Oggetto Elemento a cui è possibile dare un valore Funzione Comandi da eseguire su uno o più argomenti Argomento Elemento a cui si applica una funzione (es.) Opzione Modalità opzionale (by/length.out)

I Tipi di Dati

Le entità con cui si opera in R prendono il nome di oggetti e sono caratterizzati da alcuni attributi di base:

• Mode (Modalità o Modo) - Indica come vengono immagazzinati i dati: Numerici / character / Logical
• Length (Lunghezza): Indica numero di elementi che compongono l'oggetto
• Class (Classe): Identifica come sono rappresentati i dati

Matrix: Tabella a 2 dimensioni con la presenza di m (righe) e n (colonne). Lo riempimento avviene per righe. a <- matrix(v, 5, 2) byrow = FALSE Lo riempimento avviene per colonne r <- matrix(v, 5, 2, byrow = FALSE) data.frame: Simile a un vettore matrice, ma i vettori colonna possono avere modalità diverse. b <- data.frame(...) List: Contiene oggetti eterogenei c <- list(v, b)

Per calcolare e creare il grafico delle correlazioni useremo il pacchetto plotrix.

Per l'interpolazione del grafico si considererà la correlazione di ciascuna variabile con l'asseche è la radice quadrata della varianza e la varianza di asse e massimo dellacorrelazione con il fattore.

RAPPRESENTAZIONE CONGIUNTA ℜⁿ E ℜⁿ

Per rappresentare l'angolo utilizzereno il comando biplot e otteremmo unarappresentazione congiunta individuando variabili.

IL PACCHETTO FACTOMINER

Dedicherò un'analisi multivariata dei dati per potenziare di analisi dati conriduzione della dimensionalità dei dati multivariati.

Con il comando summary possiamo vedere l'importanza della componente.

Per disegnare lo scree-plot degli autovalori utilizzeremo il comando barplot.

Una volta accertate tutte le assunzioni, si proceda con l'esecuzione dell'analisi:

2wmanova <- cov(V_dip ~ V_ind1 * V_ind2, dati = datiNorm)

In base all'analisi, gli asterischi indicano leggermente tra le medie un dei

gruppi, e altro indicatore è il p-value < 0,05.

Lì o v quando un test omnibus non riesce a dirci altro e di conseguenza

fanno i test post-hoc come il test di HSD di

TukeyHSD(2wmanova).

Si interpreta il risultato valutando in quanto intervallo intervino lo 0 come variabile

che può confermare le differenze delle medie.

Facendo il plot(hsd) si individuare l'intervallo dopo che non interessano lo 0.

Inoltre fanno il gruppo interferente (l'intervallo di confidenza delle medie

dei gruppi) servono per individuare dove vi è maggiore sovrapposizione. fanno

prima ggplot e successivamente facendo il plotmeans(varDipendenti

e tra(V_dip ~ V_ind1 * V_ind2)).