Plans stratifiés dans R

Passons maintenant à la pratique en spécifiant un plan d'échantillonnage stratifié avec le jeu de données apistrat. Les écoles sont stratifiées selon le type d'école stype, où E = primaire (Elementary), M = intermédiaire (Middle) et H = secondaire (High School). Pour chaque type d'école, un échantillon aléatoire simple d'écoles a été prélevé.

Cette activité fait partie du cours

Analyse de données d'enquête avec R

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Glimpse the data
glimpse(___)

Modifier et exécuter le code

Cette activité fait partie du cours

Analyse de données d'enquête avec R

SkillTag.level.intermediateSkillTag.label

4.8+

224 reviews

Commencer le cours gratuitement

Nous amorcerons notre exploration des données d'enquête avec les pondérations d'enquête. Dans ce chapitre, vous verrez ce que sont les pondérations et pourquoi elles sont essentielles à l'analyse des données d'enquête. Un autre aspect propre aux données d'enquête concerne la façon dont elles sont recueillies, notamment par le regroupement en grappes et la stratification. Nous pratiquerons la définition et l'exploration de ces caractéristiques d'échantillonnage pour plusieurs ensembles de données d'enquête.

Exercise 1: Que sont les poids d'enquête ?Exercise 2: Poids d'enquête Exercise 3: Visualiser les poids Exercise 4: Définir les éléments du plan dans R Exercise 5: Plans dans R Exercise 6: Plans stratifiés dans R

Exercice en cours

Exercise 7: Plans en grappes dans R Exercise 8: Comparer les pondérations d'enquête selon différents plans Exercise 9: Visualiser l'impact des poids d'enquête Exercise 10: Poids NHANES Exercise 11: Tout rassembler !

Maintenant que nous maîtrisons les pondérations, nous allons apprendre à les intégrer à l'analyse des données catégorielles dans ce chapitre. Nous réaliserons de l'inférence descriptive en calculant des statistiques sommaires, en construisant des tableaux récapitulatifs et en traçant des diagrammes à bandes. Pour l'inférence analytique, nous apprendrons à effectuer des tests du khi carré.

Exercise 1: Visualiser une variable catégorielle Exercise 2: Résumer une variable catégorielle Exercise 3: Interpréter des tableaux de fréquences Exercise 4: Représenter graphiquement une variable catégorielle Exercise 5: Explorer deux variables catégorielles Exercise 6: Créer des tableaux de contingence Exercise 7: Créer des graphiques à barres segmentées Exercise 8: Résumer avec svytotal()Exercise 9: Interpréter svymean()Exercise 10: Inférence pour des variables catégorielles Exercise 11: Exécuter un test du chi carré Exercise 12: Mettre tout ensemble!

Bien sûr, toutes les données d'enquête ne sont pas catégorielles; dans ce chapitre, nous verrons donc comment analyser des données quantitatives. Nous apprendrons à calculer des statistiques pondérées pour les enquêtes, comme la moyenne et les quantiles. Pour la visualisation, nous construirons des diagrammes à bandes, des histogrammes et des tracés de densité. Nous conclurons le chapitre avec de l'inférence analytique au moyen de tests t pondérés pour les enquêtes.

Exercise 1: Résumer des données quantitatives Exercise 2: Statistiques d'enquête Exercise 3: Estimer des quantiles Exercise 4: Visualiser des données quantitatives Exercise 5: Graphiques à barres des moyennes pondérées de l'enquête Exercise 6: Sortie de svyby()Exercise 7: Diagrammes à barres avec marge d'erreur Exercise 8: Histogrammes pondérés pour les sondages Exercise 9: Courbes de densité pondérées par sondage Exercise 10: Inférence pour des données quantitatives Exercise 11: Test t pondéré par sondage Exercise 12: Tout rassembler !

La modélisation de données d'enquête exige aussi de bien tenir compte de la façon dont les données ont été recueillies. Nous commencerons ce chapitre sur la modélisation en apprenant à intégrer les pondérations d'enquête dans les nuages de points à l'aide d'attributs comme la taille, la couleur et la transparence. Nous modéliserons les données d'enquête avec la régression linéaire et verrons comment intégrer des prédicteurs catégoriels et des termes polynomiaux dans nos modèles.

Exercise 1: Visualisation avec des nuages de points Exercise 2: Graphiques à bulles Exercise 3: Nuages de points pondérés par l'enquête Exercise 4: Utilisation de la couleur dans les nuages de points Exercise 5: Visualiser les tendances Exercise 6: Droite de meilleure adéquation Exercise 7: Lignes de tendance Exercise 8: Modéliser des données d'enquête Exercise 9: Modèle de régression Exercise 10: Inférence en régression Exercise 11: Modélisation plus complexe Exercise 12: Régression linéaire multiple Exercise 13: Tout rassembler Exercise 14: Récapitulatif