Interpréter svymean()

Pouvez-vous expliquer la sortie de svymean() ? Affichez l’objet svymean() que nous avons créé dans l’exercice précédent, tab_means. Laquelle des propositions suivantes interprète correctement la première valeur numérique ?

Cet exercice fait partie du cours

Analyzing Survey Data in R

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

Analyzing Survey Data in R

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Nous commencerons notre exploration des données d’enquête par les pondérations. Dans ce chapitre, nous verrons ce que sont les poids d’enquête et pourquoi ils sont essentiels à l’analyse. Autre particularité des données d’enquête : leur collecte via le regroupement en grappes et la stratification. Nous nous exercerons à spécifier et explorer ces caractéristiques d’échantillonnage pour plusieurs jeux de données d’enquête.

Exercise 1: Qu’appelle-t-on des poids d’enquête ?Exercise 2: Pondérations d’enquête Exercise 3: Visualiser les pondérations Exercise 4: Définir les éléments du plan de sondage dans R Exercise 5: Plans d’échantillonnage dans R Exercise 6: Plans stratifiés dans R Exercise 7: Plans en grappes dans R Exercise 8: Comparer les pondérations d’enquête selon différents plans Exercise 9: Visualiser l’impact des pondérations d’enquête Exercise 10: Pondérations NHANES Exercise 11: Tout rassembler !

Maintenant que vous maîtrisez les pondérations d’enquête, nous allons les intégrer à l’analyse de données catégorielles dans ce chapitre. Nous réaliserons des inférences descriptives en calculant des statistiques de synthèse, en construisant des tableaux récapitulatifs et des diagrammes en barres. Pour l’inférence analytique, nous apprendrons à effectuer des tests du chi carré.

Exercise 1: Visualiser une variable catégorielle Exercise 2: Résumer une variable catégorielle Exercise 3: Interpréter des tableaux d’effectifs Exercise 4: Représenter graphiquement une variable catégorielle Exercise 5: Explorer deux variables catégorielles Exercise 6: Créer des tableaux de contingence Exercise 7: Créer des histogrammes segmentés Exercise 8: Résumer avec svytotal()Exercise 9: Interpréter svymean()

Exercice en cours

Exercise 10: Inférence pour des variables catégorielles Exercise 11: Effectuer un test du chi carré Exercise 12: Mettons tout cela en pratique !

Toutes les données d’enquête ne sont pas catégorielles ; dans ce chapitre, nous analyserons des données quantitatives. Nous apprendrons à calculer des statistiques pondérées par sondage, comme la moyenne et les quantiles. Pour la visualisation, nous construirons des diagrammes en barres, des histogrammes et des courbes de densité. Nous conclurons le chapitre par des inférences analytiques avec des tests t pondérés par sondage.

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

La modélisation de données d’enquête exige également de prendre en compte la manière dont les données ont été collectées. Nous ouvrirons ce chapitre consacré à la modélisation en intégrant les pondérations d’enquête dans des nuages de points via des attributs comme la taille, la couleur et la transparence. Nous modéliserons les données d’enquête avec une 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 en bulles Exercise 3: Nuages de points pondérés par l’enquête Exercise 4: Utiliser 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: Réunir tous les éléments Exercise 14: Récapitulatif