Differences

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

--- temp [2016/12/12 08:34] – hkimscil
+++ temp [2021/07/15 18:24] (current) – hkimscil
@@ Line 1: / Line 1: @@
-<code>1.
+{{20210715_174837.jpg}}
-write.csv(Orange, "Orange.csv")
+{{20210715_174929.jpg}}
+{{20210715_174822.jpg}}
+{{20210715_174746.jpg}}
-.
-> suburbs <- read.csv("https://goo.gl/0EsHke", sep = "\t")
-> summary(suburbs)
-                city         county  state
- Arlington.Heights: 1   Cook    :7   IL:13
- Aurora           : 1   Kane    :2   IN: 2
- Bolingbrook      : 1   Lake(IN):2   WI: 1
- Chicago          : 1   DuPage  :1
- Cicero           : 1   Kendall :1
- Elgin            : 1   Kenosha :1
- (Other)          :10   (Other) :2
-      pop
- Min.   :  63348
-st Qu.:  73833
- Median :  86700
- Mean   : 265042
-rd Qu.: 103615
- Max.   :2853114
--state = 3 종류 (IL, IN, WI)
-.
-> library(MASS)
-> Cars93_over30 <- subset(Cars93, subset = c(Cars93$MPG.city >= 30))
-.
-> g <- split(Cars93$MPG.city, Cars93$Origin)
-> sapply(g, mean)
-     USA  non-USA
-.95833 23.86667
-.
-> choose(50,3)
-[1] 19600
-.
-> rnorm(1, mean = 100, sd = 15)
-[1] 94.57244
--9.
-> A <- c(19, 20, 24, 30, 31, 32, 30, 27, 22, 25)
-> B <- c(23, 22, 15, 16, 18, 12, 16, 19, 14, 25)
-> AB <- data.frame(A,B)
-> AB
-    A  B
-  19 23
-  20 22
-  24 15
-  30 16
-  31 18
-  32 12
-  30 16
-  27 19
-  22 14
-25 25
-> SAB <- stack(AB)
-> SAB
-   values ind
-      19   A
-      20   A
-      24   A
-      30   A
-      31   A
-      32   A
-      30   A
-      27   A
-      22   A
-     25   A
-     23   B
-     22   B
-     15   B
-     16   B
-     18   B
-     12   B
-     16   B
-     19   B
-     14   B
-     25   B
-> summary(SAB)
-     values     ind
- Min.   :12.0   A:10
-st Qu.:17.5   B:10
- Median :22.0
- Mean   :22.0
-rd Qu.:25.5
- Max.   :32.0
-. 독립변인: 이미지 연상 이용 유무
-. 종속변인: 기억한 단어의 수
-. 종류
-. 숫자
-. 이미지 연상 이용 유무에 따라 기억한 단어의 수가 다를 것이다.
-. 9
-. 9
-. 26
-. 18
-> tapply(SAB$values, SAB$ind, mean)
- A  B
-18
-> tapply(SAB$values, SAB$ind, var)
-       A        B
-.22222 17.77778
-SS = var. df이므로
-.
-.22222 * 9
-.
-.77778  * 9
-.
- t.test(values~ind, var.eqaul = T)
-	Welch Two Sample t-test
-data:  values by ind
-t = 4, df = 17.78, p-value = 0.0008577
-alternative hypothesis: true difference in means is not equal to 0
-percent confidence interval:
-.794434 12.205566
-sample estimates:
-mean in group A mean in group B
-              18
-.
-t = 4
-.
-> a1 <- rnorm(20, mean = 200, sd = 15)
-> a2 <- rnorm(20, mean = 190, sd = 15)
-> a <- data.frame(a1,a2)
-> t.test(a$a1, a$a2)
-	Welch Two Sample t-test
-data:  a$a1 and a$a2
-t = 0.63759, df = 36.79, p-value = 0.5277
-alternative hypothesis: true difference in means is not equal to 0
-percent confidence interval:
- -6.002291 11.512736
-sample estimates:
-mean of x mean of y
-.3748  191.6196
--영가설: 두 집단 간의 평균에 차이가 없다.
--두 집단 간 평균에 대한 t test를 시행했을 때, p-value가 0.5277로 0.05보다 크기 때문에 영가설을 기각할 수 없다. (유의수준: 95%)
--따라서, 두 집단 간의 평균에 차이가 있다고 할 수 없다.
-.
-> t.test(a1, mu = 190)
-	One Sample t-test
-data:  a1
-t = 1.5823, df = 19, p-value = 0.1301
-alternative hypothesis: true mean is not equal to 190
-percent confidence interval:
-.5881 200.1615
-sample estimates:
-mean of x
-.3748
--영가설: a1은 평균이 190이다.
--t-test 결과, p-value가 0.1301로 0.05보다 크기 때문에 영가설을 기각할 수 없다. (유의수준: 95%)
--따라서 a1의 평균이 모집단 평균(190)과 차이가 있다고 할 수 없다.
-.
-> a3 <- rnorm(1000, mean = 200, sd = 15)
-> t.test(a3, mu = 190)
-	One Sample t-test
-data:  a3
-t = 20.307, df = 999, p-value < 2.2e-16
-alternative hypothesis: true mean is not equal to 190
-percent confidence interval:
-.9785 200.8994
-sample estimates:
-mean of x
-.9389
--영가설: a3는 평균이 190이다.
--t-test 결과, p-value < 0.05이므로 영가설을 기각한다. (유의수준: 95%)
--따라서 a3의 평균이 모집단 평균(190)과 차이가 있다고 할 수 있다.
-~30.
-> summary(InsectSprays)
-     count       spray
- Min.   : 0.00   A:12
-st Qu.: 3.00   B:12
- Median : 7.00   C:12
- Mean   : 9.50   D:12
-rd Qu.:14.25   E:12
- Max.   :26.00   F:12
-> InsectSprays
-   count spray
-     10     A
-      7     A
-     20     A
-     14     A
-     14     A
-     12     A
-     10     A
-     23     A
-     17     A
-    20     A
-    14     A
-    13     A
-    11     B
-    17     B
-    21     B
-    11     B
-    16     B
-    14     B
-    17     B
-    17     B
-    19     B
-    21     B
-     7     B
-    13     B
-     0     C
-     1     C
-     7     C
-     2     C
-     3     C
-     1     C
-     2     C
-     1     C
-     3     C
-     0     C
-     1     C
-     4     C
-     3     D
-     5     D
-    12     D
-     6     D
-     4     D
-     3     D
-     5     D
-     5     D
-     5     D
-     5     D
-     2     D
-     4     D
-     3     E
-     5     E
-     3     E
-     5     E
-     3     E
-     6     E
-     1     E
-     1     E
-     3     E
-     2     E
-     6     E
-     4     E
-    11     F
-     9     F
-    15     F
-    22     F
-    15     F
-    16     F
-    13     F
-    10     F
-    26     F
-    26     F
-    24     F
-    13     F
-.
-InsectSpray는 spray의 종류(spray)에 따른 곤충 박멸 수(count)의 데이터 프레임이다.
-.
-> tapply(InsectSprays$count, InsectSprays$spray, mean)
-        A         B         C         D         E
-.500000 15.333333  2.083333  4.916667  3.500000
-        F
-.666667
-> tapply(InsectSprays$count, InsectSprays$spray, var)
-        A         B         C         D         E
-.272727 18.242424  3.901515  6.265152  3.000000
-        F
-.606061
-.
-> a <- aov(InsectSprays$count~InsectSprays$spray)
-> a
-Call:
-   aov(formula = InsectSprays$count ~ InsectSprays$spray)
-Terms:
-                InsectSprays$spray Residuals
-Sum of Squares            2668.833  1015.167
-Deg. of Freedom                  5        66
-Residual standard error: 3.921902
-Estimated effects may be unbalanced
-> summary(a)
-                   Df Sum Sq Mean Sq F value Pr(>F)
-InsectSprays$spray  5   2669   533.8    34.7 <2e-16 ***
-Residuals          66   1015    15.4
----
-Signif. codes:
-‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
-- 영가설 벌레 구충 효과에 차이가 없다.
-- F value가 0.05보다 작으므로, 영가설을 기각한다. (유의수준 : 95%)
-- (df = 71)
-- 따라서 벌레 구충 효과에 차이가 있다고 할 수있다.
-.
-> TukeyHSD(a)
-  Tukey multiple comparisons of means
-% family-wise confidence level
-Fit: aov(formula = InsectSprays$count ~ InsectSprays$spray)
-$`InsectSprays$spray`
-           diff        lwr       upr     p adj
-B-A   0.8333333  -3.866075  5.532742 0.9951810
-C-A -12.4166667 -17.116075 -7.717258 0.0000000
-D-A  -9.5833333 -14.282742 -4.883925 0.0000014
-E-A -11.0000000 -15.699409 -6.300591 0.0000000
-F-A   2.1666667  -2.532742  6.866075 0.7542147
-C-B -13.2500000 -17.949409 -8.550591 0.0000000
-D-B -10.4166667 -15.116075 -5.717258 0.0000002
-E-B -11.8333333 -16.532742 -7.133925 0.0000000
-F-B   1.3333333  -3.366075  6.032742 0.9603075
-D-C   2.8333333  -1.866075  7.532742 0.4920707
-E-C   1.4166667  -3.282742  6.116075 0.9488669
-F-C  14.5833333   9.883925 19.282742 0.0000000
-E-D  -1.4166667  -6.116075  3.282742 0.9488669
-F-D  11.7500000   7.050591 16.449409 0.0000000
-F-E  13.1666667   8.467258 17.866075 0.0000000
-아래의 두 그룹 간에 차이가 있다고 할 수 있다.
-A, B, F
-C, D, E
-. ToothGrowth는 supp와 dose에 따라 len이 어떤 영향을 받는지 설명하는 데이터프레임이다.(Factorial Design)
-비타민의 용량(dose)
-비타민 투여방법 (supp) - VC, OJ
-ginea pic의 이빨길이 (len)
-.
-> ToothGrowth$dose = factor(ToothGrowth$dose,
-                     levels=c(0.5,1.0,2.0),
-                     labels=c("low","med","high"))
-> summary(ToothGrowth)
-      len        supp      dose
- Min.   : 4.20   OJ:30   low :20
-st Qu.:13.07   VC:30   med :20
- Median :19.25           high:20
- Mean   :18.81
-rd Qu.:25.27
- Max.   :33.90
-.
-> aov.out = aov(len ~ supp * dose, data=ToothGrowth)
-> summary(aov.out)
-            Df Sum Sq Mean Sq F value   Pr(>F)
-supp         1  205.3   205.3  12.317 0.000894 ***
-dose         1 2224.3  2224.3 133.415  < 2e-16 ***
-supp:dose    1   88.9    88.9   5.333 0.024631 *
-Residuals   56  933.6    16.7
----
-Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
-supp의 효과와
-dose의 효과가 각각 있으면
-상호작용 효과 또한 존재한다.
-> TukeyHSD(aov.out, "dose")
-  Tukey multiple comparisons of means
-% family-wise confidence level
-Fit: aov(formula = len ~ supp * dose, data = ToothGrowth)
-$dose
-           diff       lwr       upr   p adj
-med-low   9.130  6.362488 11.897512 0.0e+00
-high-low 15.495 12.727488 18.262512 0.0e+00
-high-med  6.365  3.597488  9.132512 2.7e-06
-세개의 dose 집단은 각각 다르다.
-두 개의 supp 집단은 각각 다르다.
-</code>