¡Descarga COMANDOS ANÁLISIS DE DATOS y más Apuntes en PDF de Análisis de Datos Estadístico-Computacional solo en Docsity!
TIPUS D’ ARXIUS
EXCEL → .xlsx
R. i RSTUDIO → .cvs (format text, cada línia conté un cas d’un conjunt de dades i els valors
de cada variable separats per comes)
STATA → .dta/.do
BASES
R-STUDIO
+INFO → help.start()
AJUDA →? …………………………………………………. ?C
ASSIGNAR UN VALOR → <- ……………………………………. x<-5+7 (x=12)
VECTOR → c()
MULTIPLICACIÓ “*”// SUMA “+”// RESTA “-”// DIVISIÓ”/”// AL QUADRAT”^”//
ARREL QUADRADA “sqrt()”// VALOR ABSOLUT “abs()”
TAULA DE FREQÜÈNCIES →(obrir package fdth) print(fdt(arxiu$dades))
EXCEL
REFERÈNCIA ABSOLUTA → $
TAULA DE FREQÜÈNCIES →
1. MIN(AX:AY) MAX(AX:AY)
- Escriure els intèrvals en una altre columna
- =FREQUENCE (AX:AY;CX:CY) = “1” a la columna D
- Selecció celdas “D” i Fn+F2 → control+mayúscula+enter ← FREQ. ABSOLUTA
STATA
TAU DE FREQ → statistics -> summaries, tables and tests -> tables -> one -> way tables CALCULADORA → di
RESUMS NUMÈRICS D’UNA VARIABLE NUMÈRICA
R-STUDIO
1- Importar fitxer
2- Comprovar si s’han llegit les dades correctament amb → head(nom fitxer)
3- Extreure una variable (mpgCity) del nostre conjunt de dades (cars)
conjunt_de_dades$variable → cars$mpgCity
4- Emmagatzemar com my(variable)
myMPG<-cars$mpgCity
TENDÈNCIA CENTRAL
MITJANA → mean(arxiu$variable) ………….. ex: mean(myMPG)
MEDIANA → median(arxiu$variable). ……… ex: median(myMPG)
MODA → table(arxiu$variable) ……………… ex: table(myMPG)
DISPERSIÓ
RANG DE VARIACIÓ → range(arxiu$variable)..... ex: range(cars$price)
VARIANÇA → var(arxiu$variable) …………….. ex: var(cars$price)
DESVIACIÓ ESTÀNDAR → sd(arxiu$variable) …. ex: sd(cars$price)
COEF. DE VARIACIÓ → sd(arxiu$variable)/mean(arxiu$variable)
5 NÚMEROS RESUM→ fivenum(arxiu$variable)..................... ex: fivenum(cars$price)
DIAGRAMA DE CAIXES→ summary(arxiu$variable) ……….... ex: summary(myMPG)
CONJUNT RESUM + COMPLET → describe(arxiu$variable)..... ex: describe(myMPG)
MEAN mitjana MAX màxim
SD variació estàndar RANGE recorregut
MEDIAN mediana SKEW coef. assimetria
MIN mínim KURTOSIS curtosis
RESUMS GRÀFICS D’UNA VARIABLE NUMÈRICA
RSTUDIO
DIAGRAMA DE CAIXES → boxplot(arxiu$variable) ……… boxplot(Assistencia$estudiants)
HISTOGRAMA → hist(arxiu$variable) …………………… hist(Assistencia$estudiants)
DIAGRAMA TRONCS I FULLES → stem(arxiu$variable)...... stem(Assistencia$estudiants)
STATA
HISTOGRAMA → hist (nomvariable).................................................. hist Dies
DIAGRAMA TRONCS I FULLES → stem (nomvariable) ………........... stem Dies
per desdoblament en 2 → stem (nomvariable), width (5)......... stem Dies, width(5) Els troncs que contenen els dígits 0-4 s'indiquen amb "*" i els que contenen 5-9 s'indiquen amb "."
per desdoblament en 5 → stem (nomvariable), width (2)......... stem Dies, width(2) Troncs que contenen zeros i uns s'indiquen amb "*" " " " dosos " tres " " "t" " " " quatres " cincs " " "f" " " " sisos " sets " " "s" " " " vuits " nous " " "." per canviar arrodoniment → stem (nomvariable), round(0.1).... stem Dies, round(0.1)
DIAGRAMA DE CAIXES → graph box (nomvariable) …………………. graph box Dies
RESUMS NUMÈRICS I GRÀFICS D’UNA VARIABLE
CATEGÒRICA
RSTUDIO
TAU FREQ. ABS → table(arxiu$variable) …………………. table(barris$Barri)
TAU FREQ. REL → prop.table(table(arxiu$variable)) …….. prop.table(table(barris$Barri))
en % → 100prop.table(table(arxiu$variable)) …. 100prop.table(table(barris$Barri)
GRÀFICA DE SECTORS → variable.freq<-table(arxiu$variable) (ENTER) pie(variable.freq)
………... barri.freq<-table(barris$Barri) (ENTER) pie(barri.freq)
DIAGRAMA DE BARRES → variable.freq<-table(arxiu$variable) (ENTER) barplot(var.freq)
……. barri.freq <- table(barris$Barri) (ENTER) barplot(barri.freq)
GRÀFICA DE SECTOR AMB VAR. REL → var.freq<-prop.table(table(arxiu$var) pie(var.freq)
DIAGR. DE BARRES AMB VAR. REL → var.freq<-prop.table(table(arxiu$var) barplot(var.freq)
STATA
TAU FREQÜÈNCIES → tabulate (variable) …………………….. tabulate Barri
GRÀFICA DE SECTORS → graph pie, over (variable) ………….. graph pie, over (Barri)
DIAGRAMA DE BARRES → graph bar, over (variable) ………... graph bar, over (Barri)
TRANSFORMACIÓ DE DADES
RSTUDIO (marc de dades)
VEURE CASOS DEL MARC DE DADES → head(arxiu) ………… head(viatge)
RESUMS NUMÈRICS → describe(arxiu$variable) …………… describe(viatge$euros)
TRANSFORMACIÓ LINEAL A UNA VARIABLE X → nounom1<-(arxiu$variable-a)/b
NOU MARC DE DADES AMB VARIABLE TRANSF → nounom2<-data.frame(nounom1)
ARRODONIR (2 DECIM) → nounom2$nounom1<-round(nounom2$nounom1,2)
mitjana_lliures =(mitjana_euros - a)/b
mediana_lliures = (mediana_euros -a)/b
desv_estand_lliures = desv_estand_euros/b
(les mesures de dispersió no es veuen afectades pel canvi d'origen), i per últim les mesures de
forma no canvien quan s'apliquen transformacions lineals.
TRANSFORMACIÓ LOGARÍTMICA → log(arxiu$variable)
STATA
IMPORTAR ARXIU
TRANSFORMACIÓ DADES LINEALS → gen ……… gen pounds = (variable-a)/b
VEURE RESULTATS → summarize variable, detail ………. summarize euros, detail
summarize pounds, detail
TRANSFORMACIÓ LOGARÍTMICA → gen log_variable=log(variable)
ESPAI DE TREBALL I FITXERS
RSTUDIO
DETERMINAR QUIN DIRECTORY ESTÀ USANT LA SESSIÓ → getwd()
FER LLISTA DE TOTS ELS OBJECTES AL MEU ESPAI LOCAL → ls()
FER LLISTA DE TOTS ELS FITXERS AL MEU DIRECTORY → list.files() o dir()
DETERMINAR ELS ARGUMENTS DE list.files() → args(list.files)
CREAR UN DIRECTORY AL DIRECTORY DE TREBALL ACTUAL → dir.create(“testdir”)
ESTABLIR EL MEU DIRECTORI DE TREBALL A testdir → setwd("testdir")
CREAR UN FITXER AL MEU DIRECTORY → file.create(“nom”)
MIRAR SI EXISTEIX FITXER → file.exists(“nomfitxer”)
INFO DEL FITXER → file.info(“nomfitxer”)
CANVIAR NOM FITXER → file.rename("nomfitxer", "nounomfitxer")
FER CÒPIA FITXER → file.copy("nomfitxer", "nomcopiafitxer")
MOSTRAR CAMÍ RELATIU AL FITXER → file.path("nomcopiafitxer")
CONSTRUIR CAMINS A FITXERS I DIRECTORIS INDEPENDENTMENT DEL SISTEMA OPERATIU
ON EL MEU CODI DE R ESTÀ EXECUTANT → file.path("folder1", "folder2")
RELACIÓ ENTRE DUES VARIABLES NUMÈRIQUES:
EXCEL
COEFICIENT DE CORRELACIÓ → =coef.de.correl(matriu1;matriu2)
RSTUDIO
Abans de iniciar l’anàlisi de relacions entre variables → realitzar anàlisi detallat amb boxplot per cada variable.
DIAGRAMA DE DISPERSIÓ → plot(arxiu) ……………………………... plot(rendiment) CORRELACIÓ → cor(X,Y) ……………………………………………... cor(parcial,final) CONSTANT I PENDENT LÍNIA DE REGRESSIÓ → lm(Y~X)………………. lm(final~parcial) LÍNIA DE REGRESSIÓ → abline(lm(Y~X)) ……………………… abline(lm(final~parcial))
pendent= a sota columna Coef. DEMANAR PREDICCIÓ → adjust X = valor de la una x CALCULAR RESIDUS → predict nomarxiu, residuals ________ histogram nomarxiu DIAGRAMA DE RESIDUS → scatter nomarxiu X, yline(0) title (“títol”) yline(0) = línia horitzontal a y= IDENTIFICAR PUNTS AMB NÚMERO DE CAS → scatter Y X, mlabel(nomvariableobservacions) title (“títol”) ELIMINAR CASOS→ drop if nomvariableobservacions==
TRANSFORMACIONS NO LINEALS
MODEL LOG-LOG → gen lY=log(Y) gen lX=log(X) DIAGRAMA DE DISPERSIÓ AMB MODEL LOG-LOG → scatter lY lX REVERTIR TRANSFORMACIÓ → di exp (constant + correlació*log(x))
TRUE —> ESQUERRA
FALSE —> DRETA
RELACIÓ ENTRE DUES VARIABLES NUMÈRIQUES I
UNA CATEGÒRICA :
RSTUDIO
PACKAGES —> nlme + data.table + ggplot
1- FER DIAGRAMA DE DISPERSIÓ plot(nomarxiu$variableY~nomarxiu$variableX) 2- LÍNIA DE REGRESSIÓ abline(lm(nomarxiu$variableY~nomarxiu$variableX)) 3- AFEGIR VARIABLE CATEGÒRICA ggplot(nomarxiu,aes(y=nomvariableY,x=nomvariableX,colour=nomvariablecategòrica,shape =nomvariablecategòrica))+geom_point() 4- LÍNIES DE REGRESSIÓ X CADA CATEGORIA ggplot(nomarxiu,aes(y=nomvariableY,x=nomvariableX,colour=nomvariablecategòrica,shape =nomvariablecategòrica))+geom_point()+geom_smooth(method=”lm”,fill=NA) 5- COEF CORRELACIÓ X CADA CATEGORIA dt<-data.table(nomarxiu) (enter) dt[,list(cor(y,x)),by=nomvariablecategòrica] 6- COEF REGRESSIÓ LINEAL X CADA CATEGORIA lmList(Y~X|nomvariablecategòrica,data=nomarxiu)
RELACIÓ ENTRE UNA VARIABLE NUMÈRICA I UNA
CATEGÒRICA :
RSTUDIO
PACKAGES → psych, lattice, gplots
OBTENIR RESUMS NUMÈRICS DE LA VARIABLE NUM PER A CADA CATEGORIA →
describeBy(nomarxiu$variablenumèrica,nomarxiu$variablecategòrica)
DIAGRAMA DE CAIXES →
boxplot(nomarxiu$variablenumèrica~nomarxiu$variablecategòrica,data=nomarxiu,xlab=”N OMVARCATEGÒRICA”,ylab=”NOMVARNUMÈRICA”)
HISTOGRAMA→
histogram(~nomvariablenumèrica|factor(nomvariablecategòrica),data=nomarxiu,xlab=”no mvariablenumèrica”)
COMPARAR MITJANES DE LA VAR. NUMÈRICA DINS DE CADA CATEGORIA→
plotmeans(nomarxiu$variablenumèrica~nomarxiu$variablecategòrica,data=nomarxiu)
Per a variables categòriques ordinals, posar 1. / 2. / 3. / … devant de cada categòrica
STATA
OBTENIR RESUMS DE VARIABLE NUMÈRICA PER A CADA CATEGÒRICA → bysort nomvariablecategòrica: summarize nomvariablenumèrica OBTENIR RESUMS MÉS COMPLERTS → bysort nomvariablecategòrica: summarize nomvariablenumèrica, detail DIAGRAMA DE CAIXES → graph box nomvariablenumèrica, over(nomvariablecategòrica) HISTOGRAMA → histogram nomvariablenumèrica, by(nomvariablecategòrica) TRONC I FULLES → bysort nomvariablecategòrica: stem nomvariablenumèrica DIAGRAMA DE BARRES DE RESUM NUMÈRIC → graph bar nomvariablenumèrica, over(nomvariablecategòrica) // graph bar (sd/median/iqr) nomvariablenumèrica, over(nomvariablecategòrica)
OBTENIR DIAGRAMA DE BARRES →
- gen Freq=
- graph bar (sum) Freq, over(variable fila) over(variablecolumna) asyvar o graph bar (sum) Freq, over(variablefila) over(variablecolumna) asyvar stack CANVIAR FILES PER COLUMNES (TRANSPOSAR) → invertir variables over() REPRESENTAR DISTRIBUCIONS CONDICIONALS → graph bar (sum) Freq, over(variablefila) over(variablecolumna) asyvars percentage stack
2. AMB UNA TAULA DE CONTINGÈNCIA
OBTENIR DISTRIBUCIÓ CONJUNTA → tabulate variablefila variablecolumna [fw=Freq] FREQ. RELATIVES DISTRIBUCIO CONJUNTA I MARGINALS → tabulate variablefila variablecolumna, cell DISTRIBUCIONS CONDICIONALS VARIABLE FILA CONDICIONADA COLUMNA → tabulate variablefila variablecolumna, col DISTRIBUCIÓ CONDICIONALS VARIABLE COLUMNA CONDICIONADA A FILA → tabulate variablefila variablecolumna, row OBTENIR DIAGRAMA DE BARRES → graph bar(sum) Freq, over(variablefila) over(variablecolumna) asyvars percentage stack
SEQÜÈNCIES DE NÚMEROS
RSTUDIO
ENTRAR UN SEQÜÈNCIA DE NÚMEROS → : ………….……………...... 1:
seq(num,num) …………… seq(1:20)
ENTRAR UN SEQÜÈNCIA DE NÚMEROS AMB INCREMENT → seq(num,num,by=0.5) ENTRAR UN SEQÜÈNCIA DE NÚMEROS AMB X NOMBRES→ seq(num,num,length=30) NOU VECTOR AMB = length → 1:length(my_seq) // seq(along.with = my_seq) CREACIÓ DE SEQÜÈNCIES DE NÚMEROS → exemple vector amb 40 zeros ... rep(0,times=40) rep(c(0, 1, 2), each = 10) rep(c(0, 1,2),times=10)
VECTORS
RSTUDIO
VECTORS ATÒMICS ( 1 tipus de dades)
NA
- DE CARÀCTERS
L'argument «collapse» a la funció paste() -> quan unim els elements del vector de caràcters my_char, volem separar-los amb un espai paste(my_char,collapse=" ")
LLISTES (múltiples tipus de dades)
MATRIUS I MARCS DE DADES
MATRIU → només pot contenir una única classe de dades MARCS DE DADES → poden contenir moltes classes diferents de dades
CREEM VECTOR → my_vector<-1:20 I OBRIM → my_vector SABER LONGITUD OBJECTE → length(my_vector) OBTENIR ATRIBUT PER A UN OBJECTE → dim(my_vector)<-c(4,5) (4 files i 5 columnes) VEURE ATRIBUTS → attributes(my_vector) CONFIRMAR QUE ÉS UNA MATRIU → class(my_vector) CREAR UNA MATRIU → my_matrix2<-matrix(1:20,nrow=4,ncol=5,byrow=FALSE,dimnames=NULL) MIRAR SI DOS OBJECTES SÓN IDÈNTICS → identical(objecte1,objecte2) POSAR VARIABLE NOM INDIVIDUS X FILES → patients<-c(“NOM1”, NOM2”) COMBINAR COLUMNES → my_data<-data.frame(patients,my_matrix) POSAR NOM VARIABLE X COLUMNES → cnames<-c("pacient","edat","pes","pa","rating","test") i colnames(my_data)<-cnames
SÈRIES TEMPORALS
RSTUDIO
SÈRIE TEMPORAL → ts(nomarxiu$variable, start=c(any,trimestre), freqüència=nºtrimestres) …………. gelats.ts<-ts(gelats$vendes, start=c(2012,1),frequency=4) REPRESENTACIÓ GRÀFICA → plot.ts(nomarxiu$variable, start=c(any,trimestre), freqüència=nºtrimestres) DESCOMPOSAR SÈRIE → decomp.ts <-decompose(gelats.ts,type="additive/multiplicative") VEURE VALORS TENDÈNCIA → decomp.ts$trend GRÀFICA TENDÈNCIA → ts.plot(gelats.ts,decomp.ts$trend) // autoplot(gelats.ts,series="Vendes")+autolayer(decomp.ts$trend, series= "TendènciaMA4")+labs(x="Trimestre", y="Vendes de gelat")+ggtitle("Vendes de gelat amb tendència") VEURE VALORS ESTACIONALITAT → decomp.ts$seasonal + decomp.ts$figure
- reg Vendes temps
- VEURE NÚMERO CORRESPONENT AL TERCER TRIMESTRE 2016 → di tq(2016q3)
- PREDIR TENDÈNCIA TERCER TRIMESTRE 2016 → adjust temps = 226
- AJUSTAR COMP. ESTACIONAL → LIST SEASON IF QUARTER == 3
- di número xb + número anterior
CÀLCUL DELS COMPONENTS ESTACIONALS I PREDICCIÓ AMB UNA SÈRIE MULTIPLICATIVA
1. OBRIR FITXER I DECLARAR VARIABLE Y COM A SÈRIE TEMPORAL →
generate temps = tq(2012q1) + _n- format %tq temps tsset temps
- tsline Y
- ESPECIFICACIÓ MITJANA MÒBIL → tssmooth ma MA4= Vendes, window (1 1 2) 1 = quants casos abans del cas corrent s'ha de fer servir 1 = s'inclogui el cas corrent en la mitjana 2 = quants casos després del cas corrent s'ha de fer servir
- replace MA4 = .in 1
- replace MA4 =. in 15
- replace MA4 =. in 16
- si és parell tssmooth ma MA4C = MA4, window(1 1 0) replace MA4C =. in 2 replace MA4C =. in 15
- TREURE LA TENDÈNCIA → generate detrend = Y/MA4C
- gen quarter = quarter (dofq(temps))
- bysort quarter: egen season = mean (detrend)
- sort temps
- PREDIR TERCER PERÍODE 2017 → 11.1 reg Y temps 11.2 di tq(2017q3) 11.3 adjust temps = valor obtingut anterior
- MIRAR VALOR COMP. ESTACIONAL TERCER TRIMESTRE → list season if quarter == 3
- di valor xb * valor obtingut anterior
ANÀLISI DESIGUALTAT I CONCENTRACIÓ
RSTUDIO
AMB VALORS SIMPLES
ÍNDEX DE GINI → gini(nomarxiu$nomvariable,coefnorm=TRUE) CURVA DE LORENZ → lorenz(valoríndexgini)
AMB INTÈRVALS
PUNTS MIGS INTÈRVALS → x <- c(5000,55000,550000,6000000) ENTRAR FREQÜÈNCIES → w <- c(70.1, 21.3,7.9,0.7) ÍNDEX DE GINI → gini(x,weighting=w) CURVA DE LORENZ → lorenz(x,weighting=w)
MESURA DE CONCENTRACIÓ HERFINDAHL-HIRSCHMAN
ÍNDEX DE HERFINDAHL → herf(nomvariable)
NOMBRES ÍNDEX
RSTUDIO
ENTRAR TAULA EN VECTORS →
q.A<- c(100,125,150) p.A<- c(10000,12500,13000)
ENTRAR VECTORS EN UN MARC DE DADES → Dades<-data.frame(q.A,p.A,q.B,p.C,...) COMPLETAR DADES AMB ELS ANYS → rownames(Dades) <- c(1997,1998,1999) MIRAR TAULA → Dades
ÍNDEX COMPLEX LASPEYRES →
pL <- priceIndex( c( "p.A", "p.B","p.C" ),c( "q.A", "q.B", "q.C" ), 1, Dades)* (on 1=any base) enter pL
GRÀFICA DE SÈRIE TEMPORAL → plot.ts(pL)
AMB PONDERACIONS → apply(Dades3, 1,function(x) weighted.mean(x[1:3],x[4:6]))
