Korrelationen nach sex

Wie du in einer früheren Übung gesehen hast, war die Korrelation zwischen dem age- und shellWeight-Merkmal der Abalone recht stark, mit Pearsons r = 0,63. Berechne diese Korrelation erneut für jedes sex: "I" für unreife Jungtiere, "F" für adulte Weibchen und "M" für adulte Männchen.

Für welches sex ist die Korrelation zwischen age und shellWeight am größten?

Der Datensatz abaloneKeep sowie die Pakete dplyr und psych wurden bereits für dich geladen.

Diese Übung ist Teil des Kurses

<Kurs>R für SAS-Anwender:innen</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>R für SAS-Anwender:innen</Kurs>

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem ersten Kapitel lernst du die R-Programmierumgebung kennen. Du erfährst, wie du Hilfe bekommst, einen Datensatz lädst und die Funktionalität durch zusätzliche Packages erweiterst. Du beginnst mit dem Abalone-Datensatz (im dplyr-Workflow), um beschreibende Statistiken zu berechnen und hilfreiche Visualisierungen zu erstellen (mit dem ggplot2-Package).

Exercise 1: Hilfe bekommen und Daten in R laden Exercise 2: Hilfe bekommen Exercise 3: Datensatz laden und Details abrufen Exercise 4: Funktionalität mit Packages erweitern Exercise 5: Inhalte des Datensatzes und deskriptive Statistiken Exercise 6: Externen Datensatz laden Exercise 7: Inhalt des Datensatzes Exercise 8: Beschreibende Statistiken Exercise 9: Grafische Visualisierungen Exercise 10: Histogramme Exercise 11: Boxplots und Violinplots Exercise 12: Streudiagramme

Nachdem du dich in der R-Umgebung zurechtgefunden hast, vertieft dieses Kapitel dein Verständnis für die Vielseitigkeit von R im Umgang mit Datenobjekten. Du lernst, wie du Variablen im Abalone-Datensatz erstellst und veränderst. Mit deinen ggplot2-Visualisierungsskills deckst du Datenfehler im Abalone-Datensatz auf und erstellst anschließend einen finalen bereinigten Datensatz, der bereit für Analyse und Modellierung ist.

Exercise 1: Objekte – die Bausteine von R Exercise 2: Datenobjekte in R erstellen Exercise 3: Zusammengesetzte Objekttypen erstellen Exercise 4: Elemente aus Objekten auswählen Exercise 5: Variablentypen bestimmen Exercise 6: Elemente in Objekten auswählen Exercise 7: Datensätze und Datenobjekte bearbeiten Exercise 8: Neue Variablen erstellen Exercise 9: Variablen neu kodieren Exercise 10: Objekttyp-Umwandlung Exercise 11: Datenqualität und -bereinigung Exercise 12: Variablen prüfen Exercise 13: Unlogische Gewichte Exercise 14: Prüfe Maßangaben der Dimensionen Exercise 15: Finalen Datensatz prüfen

Sobald dein Datensatz bereinigt ist, folgt die Exploration. In Kapitel 3 lernst du, wie du beschreibende Statistiken berechnest, Zusammenhänge (z. B. Korrelationen) zwischen Variablen erkundest und bivariate statistische Tests (z. B. t-Tests und Chi-Quadrat-Tests) durchführst. Außerdem erstellst du grafische Visualisierungen, die die bivariaten Zusammenhänge und Gruppenvergleiche veranschaulichen.

Exercise 1: Explorative Datenanalyse Exercise 2: Beschreibende Statistiken und Funktionsmaskierung Exercise 3: Spezifische Statistiken für eine oder mehrere Variablen Exercise 4: Zusammenfassende Statistiken nach Gruppe Exercise 5: Korrelationen und t-Tests Exercise 6: Bivariate Korrelationen Exercise 7: Streudiagramme Exercise 8: Korrelationen nach sex

Aktuelle Übung

Exercise 9: Tests für zwei Gruppen Exercise 10: Kategoriale Daten: analysieren und visualisieren Exercise 11: Chi-Quadrat-Tests Exercise 12: Mosaikdiagramme Exercise 13: Alterskategorien nach Schalengewicht-Kategorien

In diesem letzten Kapitel lernst du, mit einem der vielseitigsten Datenobjekttypen in R zu arbeiten: der Liste. Diese Fähigkeiten ermöglichen dir, Ausgaben aus beschreibender Statistik, Zusammenhängen und Gruppenvergleichen zu speichern und zu verarbeiten. Außerdem lernst du, wie du ANOVA (Analysis of Variance) und lineare Regression in R durchführst. In den abschließenden Übungen setzt du alles ein, um die besten Modelle zu erstellen, die das Alter von Abalonen anhand von Geschlecht, Größe und Gewichten vorhersagen.

Exercise 1: Mit Ausgabeobjekten arbeiten Exercise 2: Ausgaben der deskriptiven Statistik Exercise 3: Ausgabe zusammenfassen Exercise 4: Group_by-Ausgabe Exercise 5: Mit Listen arbeiten Exercise 6: Hmisc describe-Ausgabe Exercise 7: Korrelationsausgaben Exercise 8: Ausgabe von t-Tests Exercise 9: Ausgabe von Chi-Quadrat-Tests Exercise 10: ANOVA und lineare Modelle Exercise 11: ANOVA Exercise 12: Lineare Regression Exercise 13: Bewertung der finalen Modelle Exercise 14: Prädiktoren für das Abalone-Alter Exercise 15: Bestes Modell nach Geschlecht Exercise 16: Kurszusammenfassung und Empfehlungen