初次用R的实际案例数据分析

这是一次教授布置的期末做业，也是书籍《商务数据分析与应用》的一个课后做业

目录

数据描述

数据预处理

描述性统计分析

模型分析(方差分析)

数据描述

非学位职业培训机构的178个学员的数据，目的是了解什么样的学员可能得到更好的学习效果

数据预处理

打开数据，查看一部分数据并锁定数据（这样以后能够直接使用变量名而不用$来指定数据）

grades=read.table('E:/SWlearning/R/assighment/RegressionAnalysis/Report/ins1.csv',
        header=TRUE,sep=',')
head(grades)
attach(grades)

结果显示

将变量名改为英文

names(grades)=c('aveGrades','gender','birth','firmType','eduBG','eduGrd')

响应变量（因变量）：因变量.平均成绩（aveGrades）
自变量：性别(gender)，出生日期(birth)，企业性质(firmType)，最高学历(eduBG)，最高学历毕业时间(eduGrd)


检查相应变量的正态性

shapiro.test(aveGrades)

结果显示

Shapiro-Wilk normality test

data:  aveGrades
W = 0.89736, p-value = 9.286e-10

p值很是的小故拒绝原假设，即拒绝数据是正态分布的原假设


接下来用BoxCox的方法，创建新的相应变量从而保证其正态性，注意BoxCox.ar是包TSA里的函数

library(TSA)
boxcox=BoxCox.ar(aveGrades,lambda = seq(4, 8, 0.1))

查看最优的lamda值

boxcox$mle

创建新的响应变量

aveGrades_mod=grades$aveGrades^6.6

检验新的响应变量的正态性

shapiro.test(aveGrades_mod)

结果显示

Shapiro-Wilk normality test

data:  aveGrades_mod
W = 0.99007, p-value = 0.2522

p值达到了咱们指望的结果，不拒绝原假设，即接受新的响应变量是正态分布的假设

描述性统计分析

注意咱们的因变量中，出生日期(birth)和最高学历毕业时间(eduGrd)不是离散变量，咱们将以十年的单位将这两个变量分类
出生日期(birth)中最大是 1952-6-26，最小是 1979-11-10，分红五十年代(1），六十年代(2)， 七十年代(3)
最高学历毕业时间(eduGrd)中最大是 1982-1-1，最小是 2004-3-1，分为八十年代(1)，九十年代(2)， 零零后(3)


第一步
将出生日期(birth)和最高学历毕业时间(eduGrd)变成日期型变量以便以后的操做

birthmod=as.Date(grades$birth)
eduGrdmod=as.Date(grades$eduGrd)

第二步
咱们先对出生年月进行分类

//d1~d4分别是四个时间节点，用来将数据分红五十年代(1），六十年代(2)， 七十年代(3)
d1=as.Date('1950/1/1')
d2=as.Date('1960/1/1')
d3=as.Date('1970/1/1')
d4=as.Date('1980/1/1')
//计算出生日期(birthmod)中的数据个数
s=0
for(i in birthmod){
    s=s+1   
}
//创建新的数值型变量。由于birthmod是日期型变量，不能直接赋数值型的值如1，2，3
birth_mod=1:s
//开始分类
for(i in 1:s){
    fac1=birthmod[i]-d1>0 & birthmod[i]-d2<=0
    fac2=birthmod[i]-d2>0 & birthmod[i]-d3<=0
    fac3=birthmod[i]-d3>0 & birthmod[i]-d4<=0
    if(fac1){birth_mod[i]=1}
    if(fac2){birth_mod[i]=2}
    if(fac3){birth_mod[i]=3}
}
//给新变量birth_mod三个水平1,2,3
levels(birth_mod)=c(1,2,3)
//将数据类型变成factor，以便以后的统计
birth_mod=as.factor(birth_mod)

对最高学历毕业时间是一样的程序

d5=as.Date('1990/1/1')
d6=as.Date('2000/1/1')
d7=as.Date('2010/1/1')
s=0
for(i in eduGrdmod){
    s=s+1   
}
eduGrd_mod=1:s
for(i in 1:s){
    fac3=eduGrdmod[i]-d4>0 & eduGrdmod[i]-d5<=0;fac3
    fac4=eduGrdmod[i]-d5>0 & eduGrdmod[i]-d6<=0;fac4
    fac5=eduGrdmod[i]-d6>0 & eduGrdmod[i]-d7<=0;fac5
    if(fac3){eduGrd_mod[i]=1}
    if(fac4){eduGrd_mod[i]=2}
    if(fac5){eduGrd_mod[i]=3}
}
levels(eduGrd_mod)=c(1,2,3)
eduGrd_mod=as.factor(eduGrd_mod)

第三步
创建新的数据集grades_mod，注意此处的响应变量（aveGrades）没有用以前为了正态性修改的新的响应变量（aveGrades_mod），这里用aveGrades是为告终果好看，且不影响咱们进行描述性统计分析

grades_mod=cbind(grades$aveGrades,grades[2],birth_mod,grades[4:5],eduGrd_mod)
summary(grades_mod)

结果显示

grades$aveGrades gender   birth_mod firmType    eduBG     eduGrd_mod
 Min.   :50.00    男:133   1:10      国企:95   本科  :148    1: 48     
 1st Qu.:77.00    女: 45   2:85      民企:43   大专  : 25    2:104     
 Median :81.00             3:83      外企:40   硕士 :  2     3: 26     
 Mean   :79.72                              硕士或以上:  3             
 3rd Qu.:84.00                                                            
 Max.   :91.00

第四步
咱们还想知道，各个因变量不一样水平对应的学员平均成绩

//编写一个输出均值，标准差，最大值，中位数，最小值的函数
stats = function(x){
    m = mean(x)
    sd= sd(x)
    max = max(x)
    median = median(x)
    min= min(x)
    return=c(m,sd,max,median,min)
}
//aggregate是一个从新显示数据的函数，好比在aggdata1中，能显示按性别分类后，男性学员和女性学员对应的平均成绩的均值，标准差，最大值，中位数，最小值，FUN是function函数的意思
aggdata1= aggregate(grades['aveGrades'],
    by=list(gender),FUN=stats);aggdata1
aggdata2= aggregate(grades['aveGrades'],
    by=list(birth_mod),FUN=stats)
aggdata3= aggregate(grades['aveGrades'],
    by=list(firmType),FUN=stats)
aggdata4= aggregate(grades['aveGrades'],
    by=list(eduBG),FUN=stats);aggdata
aggdata5= aggregate(grades['aveGrades'],
    by=list(eduGrd_mod),FUN=stats)
//按行将数据重叠起来
aggdata=rbind(aggdata1,aggdata2,aggdata3,aggdata4,aggdata5);aggdata

结果显示

模型分析

接下来咱们将进行方差分析
第一步

//进行方差分析的函数是aov，~前面是响应变量，注意此时咱们得保证响应变量的正态性，因此用的是新的响应变量（aveGrades_mod）而非原始数据，~后面是自变量，在此模型中还包括了全部的交互项
res.ano1=aov(aveGrades_mod~gender+birth_mod+firmType+eduBG+eduGrd_mod+
gender:birth_mod+gender:firmType+gender:eduBG+gender:eduGrd_mod+
birth_mod:firmType+birth_mod:eduBG+birth_mod:eduGrd_mod+
firmType:eduBG+firmType:eduGrd_mod+
eduBG:eduGrd_mod)
//显示方差分析结果
res1=summary(res.ano1);res1

结果显示



第二步
剔除没经过显著性检验的变量， 用剩下的变量再作一次方差分析

res.ano2=aov(aveGrades_mod~gender+birth_mod+eduBG+
    gender:firmType+gender:eduGrd_mod+
    birth_mod:firmType+
    firmType:eduBG)
res2=summary(res.ano2);res2

结果显示



第三步
剔除没经过显著性检验的变量， 用剩下的变量再作一次方差分析

res.ano3=aov(aveGrades_mod~gender+birth_mod+eduBG+
    gender:eduGrd_mod+
    birth_mod:firmType)
res3=summary(res.ano3);res3

结果显示
性别(gender)，出生日期(birth_mod)，最高学历(eduBG)以及交互做用， 性别:最高学历毕业日期(gender:eduGrd_mod)，出生日期:企业性质(birth_mod:firmType)都经过了在 0.1 水平下的显著性检验 拒绝原假设，即变量的水平不一样会显著影响成绩，如性别中，男生和女生的成绩显著不一样，而企业性质的不一样不影响学员的成绩