Differences

This shows you the differences between two versions of the page.

--- c:ps1-2:2019:schedule [2019/09/30 20:27] – [Week04 (Sep 23, 25)] hkimscil
+++ c:ps1-2:2019:schedule [2019/10/10 01:31] – hkimscil
@@ Line 27: / Line 27: @@
 <WRAP half column>
 ===== ideas and concepts  =====
-정보의 시각화: 첫인상
+[[:b:head first statistics:Visualization|정보의 시각화]]
-  * {{:info.vis.01.xlsx}}
-  * Scatter plot
-<code># Simple Scatterplot
-attach(mtcars)
-plot(wt, mpg, main="Scatterplot Example",
-   xlab="Car Weight ", ylab="Miles Per Gallon ",
-   pch=19)</code>
-{{:c:ps1-1:2019:pasted:20190909-075028.png}}
-explanatory (설명) variable at x axis
-response (반응) at y axis
-But, it does mean __no causal relationship__ between the two variables. Association between two does not guarantee a causal relationship.
-Drawing a line among the data.
-<code># Add fit lines
-abline(lm(mpg~wt), col="red") # regression line (y~x)
-lines(lowess(wt,mpg), col="blue") # lowess line (x,y)</code>
-{{:c:ps1-1:2019:pasted:20190909-075639.png}}
-A bit more fancy line
-<code># Enhanced Scatterplot of MPG vs. Weight
-# by Number of Car Cylinders
-library(car)
-scatterplot(mpg ~ wt | cyl, data=mtcars,
-   xlab="Weight of Car", ylab="Miles Per Gallon",
-   main="Enhanced Scatter Plot",
-   labels=row.names(mtcars))</code>
-{{:c:ps1-1:2019:pasted:20190909-080032.png}}
-Line can be:
-**__관계의 방향 (direction)__**
-^  관계의 방향  ^^
-| {{:r.positive.png}}  | {{:r.negative.png}}  |
-**__관계의 모양 (shape)__**
-^  관계의 모양  ^^
-| {{:r.positive.png}}  | {{:r.curvepositive.png}}  |
-**__관계의 정도 (힘)__**
-^  관계의 정도 (힘)  ^^
-| [{{:r.StrengthA.png|Figure_4-1}}]  | [{{:r.StrengthB.png|Figure 4-2}}]  |
-| [{{:r.StrengthC.png|Figure_4-3}}]  | [{{:r.StrengthD.png|Figure 4-4}}]  |
-<WRAP clear />
-Pearson's r 의 의미
-__Relations, not cause-effect__
-[{{:r_eg.15.6.png?250 |Figure 6. Correlation And Causation}}] 상관관계 계수는 단순히 두 변인 (x, y) 간의 관계가 있다는 것을 알려줄 뿐, 왜 그 관계가 있는지는 설명하지 않는다. 바꿔 말하면, 충분한 r 값을 구했다고 해서 이 값이 두 변인 간의 '''원인'''과 '''결과'''의 관계를 말한다고 이야기 하면 __안된다__. 예를 들면 아이스크림의 판매량과 성범죄가 서로 상관관계에 있다고 해서, 전자가 후자의 원인이라고 단정할 수 있는 근거는 없다. 이는 연구자의 논리적인 판단 혹은 이론적인 판단에 따른다.
-<WRAP clear />
-__Interpretation with limited range__
-[{{:r_eg.15.71.png?250 |Figure_7._Correlation_And_Range}}]
-[{{:r_eg.15.7b1.png?250 |Figure_7._Correlation_And_Range}}]
-데이터의 [[Range]]에 대한 판단에 신중해야 한다. 왜냐 하면, 데이터의 어느 곳을 자르느냐에 따라서 r 값이 심하게 변하기 때문이다.
-<WRAP clear />
-__Outliers__
-[{{:r_eg.15.8a.png?250 |Figure_7._Correlation_And_Extreme_Data}}]
-[{{:r_eg.15.8b.png?250 |Figure_7._Correlation_And_Extreme_Data}}]
-위의 설명과 관련하여, 만약에 아주 심한 Outlier가 존재한다면 두 변인 간의 상관관계에 심한 영향을 준다.
-[{{:pearson-6.png?300 |}}]
-make it sure that there is __no data entry error__.
-{{:r.crime.scatterplot.for.single.by.state.jpg}}
-<WRAP clear />
-see
-https://www.gapminder.org/answers/how-does-income-relate-to-life-expectancy/
-{{youtube>hVimVzgtD6w}}
 </WRAP>
 <WRAP half column>
-{{:c:ps1-1:2019:pasted:20190909-103341.png}}
-{{:life.exp.csv}}
-<code>> le <- as.data.frame(read.csv("http://commres.net/wiki/_media/life.exp.csv", header=T))
-> colnames(le)[1] <- "c.code"
-> lea <- le$X2017
-> leb <- lea[complete.cases(lea)]
-> hist(leb, color="grey")</code>
-{{:c:ps1-1:2019:pasted:20190909-110252.png}}
-{{:c:ps1-1:2019:pasted:20190909-104759.png}}
-{{:c:ps1-1:2019:pasted:20190909-111117.png}}
-{{:c:ps1-1:2019:pasted:20190909-111001.png}}
-box plot
-<code>> # Boxplot of MPG by Car Cylinders
-> boxplot(mpg~cyl,data=mtcars, main="Car Milage Data",
-+         xlab="Number of Cylinders", ylab="Miles Per Gallon")
->
-> </code>
-{{:c:ps1-1:2019:pasted:20190909-111438.png}}
 ===== Assignment =====