Математическая статистика

Часть 1. Корреляционный анализ

Выбрать две переменные из файла данных для

анализа. Файл данных загрузить с помощью кнопки «Import Dataset» в R-Studio.

Файл данных:

http://pfmethod.psy.spbu.ru/math/data_corr_stud.sav

Рассчитать корреляцию классическим способом, используя функцию cor.test, вывести результаты и записать статистический вывод.

Пример:

res.corr <-cor.test(x = data$SAF2, y= data$SAF3, method = "pearson", alternative = "two.sided", exact = FALSE) – считаем r; "method" может быть "pearson", "spearman“ или "kendall"; data$SAF2 – переменная "SAF2" из дата фрейма "data".

-

res.corr - выводим результаты.

Рассчитать байесовский фактор (BF10), используя функцию correlationBF. После этого оценить с помощью МСМС значение корреляции и доверительные интервалы, используя функцию posterior. Количество выборок для моделирования - 5000. Вывести все результаты расчетов и записать статистический вывод.

Пример:

bf <- correlationBF(y = data$SAF2, x = data$SAF3) - считаем BF10.

samples <- posterior(bf, iterations = 10000) –

апостериорная оценка значения rho, iterations количество выборок, генерируемых МСМС. summary(samples) - выводим результаты оцени параметров с помощью МСМС.

Часть 2. Регрессионный анализ

Выбрать 4 переменных из файла данных для анализа. Рассчитать MPA классическим способом, используя функцию Im, вывести результаты и записать статистический вывод.

Пример:

res.Im <- Im(data$SAF2~data$SAF1 + data$SAF3, data=data) – считаем регрессионную модель типа SAF2=SAF1 + SAF3.

summary(res.Im) - выводим результаты.

Рассчитать байесовский фактор (BF10), используя функцию regressionBF. После этого оценить с помощью МСМС значения регрессионных коэффициентов, используя функцию posterior. Количество выборок для моделирования – 5000. Вывести все результаты расчетов и записать статистический вывод.

Пример:

―

bf = regressionBF(SAF2~SAF1+SAF3, data=data) – считаем bf.

which.max(bf) – находим лучшую модель.

samples <-posterior(bf, iterations = 10000, index = n) - апостериорная оценка значений коэффициентов на 10000 выборках, n- номер лучшей модели.

п

summary(samples) – выводим результаты.

Часть 3. Дисперсионный анализ

Выбрать два фактора и одну зависимую переменную из файла данных для анализа. Рассчитать двухфакторный дисперсионный анализ класси способом, используя функцию aov, вывести результаты и записать статистический вывод.

Часть 3. Дисперсионный анализ

Выбрать два фактора и одну зависимую переменную из файла данных для анализа. Рассчитать двухфакторный дисперсионный анализ классическим способом, используя функцию aov, вывести результаты и записать статистический вывод. Обратите внимание, что факторы должны иметь формат «factor».

Пример:

res.aov <- aov(SAF2 ~ sex * department, data) – считаем ANOVA.

summary(res.aov) - выводим результаты. etaSquared(res.aov, type = 2, anova = FALSE ) –

рассчитываем силу эффекта.

data%>%

group_by(department, sex) %>%

get_summary_stats(SAF2, typе="mean_sd") -

выводим описательные статистики.

boxplot(SAF2~ sex * department, data) - рисуем график средних значений.

Рассчитать байесовский фактор (BF10), используя функцию anovaBF. После этого оценить с помощью МСМС параметры линейной модели, используя функцию posterior. Количество выборок для

—

моделирования – 5000. Вывести все результаты расчетов и записать статистический вывод.