Inferenz für kategoriale Variablen

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Diese Übung ist Teil des Kurses

Umfragen mit R analysieren

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

169 reviews

Kurs kostenlos starten

Unsere Reise durch Umfragedaten beginnt mit Stichprobengewichten. In diesem Kapitel lernst du, was Umfragegewichte sind und warum sie für die Analyse so wichtig sind. Ein weiteres Merkmal von Umfragedaten ist die Art der Datenerhebung über Clustering und Stratifizierung. Wir üben, diese Stichprobenmerkmale für mehrere Umfragedatensätze in R zu spezifizieren und zu untersuchen.

Exercise 1: Was sind Stichprobengewichte?Exercise 2: Stichprobengewichte Exercise 3: Gewichte visualisieren Exercise 4: Elemente des Designs in R festlegen Exercise 5: Designs in R Exercise 6: Stratified designs in R Exercise 7: Cluster-Designs in R Exercise 8: Vergleich von Survey-Gewichten unterschiedlicher Designs Exercise 9: Die Auswirkungen von Stichprobengewichten visualisieren Exercise 10: NHANES-Gewichte Exercise 11: Alles zusammenführen!

Nachdem wir nun die Umfragegewichte im Griff haben, üben wir in diesem Kapitel, wie wir sie in die Analyse kategorialer Daten einbeziehen. Wir führen deskriptive Inferenz durch, indem wir Kennzahlen berechnen, Übersichtstabellen erstellen und Balkendiagramme konstruieren. Für analytische Inferenz lernen wir, Chi-Quadrat-Tests durchzuführen.

Exercise 1: Eine kategoriale Variable visualisieren Exercise 2: Eine kategoriale Variable zusammenfassen Exercise 3: Häufigkeitstabellen interpretieren Exercise 4: Eine kategoriale Variable grafisch darstellen Exercise 5: Zwei kategoriale Variablen erkunden Exercise 6: Kontingenztafeln erstellen Exercise 7: Segmentierte Balkendiagramme erstellen Exercise 8: Mit svytotal() zusammenfassen Exercise 9: svymean() interpretieren Exercise 10: Inferenz für kategoriale Variablen

Aktuelle Übung

Exercise 11: Einen Chi-Quadrat-Test durchführen Exercise 12: Alles zusammenführen!

Natürlich sind nicht alle Umfragedaten kategorial. In diesem Kapitel analysieren wir quantitative Umfragedaten. Wir lernen, umfragegewichtete Kennzahlen wie Mittelwert und Quantile zu berechnen. Zur Visualisierung erstellen wir Balkendiagramme, Histogramme und Dichtediagramme. Zum Abschluss führen wir analytische Inferenz mit umfragegewichteten t-Tests durch.

Exercise 1: Quantitative Daten zusammenfassen Exercise 2: Umfragestatistiken Exercise 3: Quantile schätzen Exercise 4: Quantitative Daten visualisieren Exercise 5: Balkendiagramme von umfragegewichteten Mittelwerten Exercise 6: Ausgabe von svyby()Exercise 7: Balkendiagramme mit Fehlerbalken Exercise 8: Stichprobengewichtete Histogramme Exercise 9: Stichprobengewichtete Dichteplots Exercise 10: Inferenz für quantitative Daten Exercise 11: T-Test mit Survey-Gewichtung Exercise 12: Alles zusammenführen!

Auch beim Modellieren von Umfragedaten muss die Erhebungsmethode sorgfältig berücksichtigt werden. Wir starten das Modellierungskapitel damit, Umfragegewichte in Streudiagrammen über Ästhetiken wie Größe, Farbe und Transparenz zu integrieren. Anschließend modellieren wir die Umfragedaten mit linearer Regression und schauen uns an, wie sich kategoriale Prädiktoren und Polynomterme in die Modelle einbinden lassen.

Exercise 1: Visualisierung mit Streudiagrammen Exercise 2: Bubble-Plots Exercise 3: Streuplots mit Survey-Gewichten Exercise 4: Farbe in Streudiagrammen verwenden Exercise 5: Trends visualisieren Exercise 6: Ausgleichsgerade Exercise 7: Trendlinien Exercise 8: Umfragedaten modellieren Exercise 9: Regressionsmodell Exercise 10: Regression: Inferenz Exercise 11: Komplexeres Modellieren Exercise 12: Multiple lineare Regression Exercise 13: Alles zusammenführen Exercise 14: Zusammenfassung