Pesos de pesquisa

Vamos analisar os dados da Consumer Expenditure Survey e nos familiarizar com os pesos de pesquisa. Use a função glimpse() do pacote dplyr para visualizar o conjunto de dados ce e conferir a coluna de pesos, FINLWT21. ce e dplyr já estão pré-carregados.

Interprete o significado do peso de pesquisa da terceira observação.

Este exercicio faz parte do curso

Analisando dados de pesquisa no R

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Analisando dados de pesquisa no R

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Nossa exploração de dados de pesquisa começa pelos pesos amostrais. Neste capítulo, você vai aprender o que são pesos de pesquisa e por que eles são tão importantes na análise. Outra característica marcante desses dados é a forma de coleta, com uso de conglomerados (clustering) e estratificação. Vamos praticar como especificar e explorar esses elementos de amostragem em vários conjuntos de dados de pesquisa.

Exercise 1: O que são pesos de pesquisa?Exercise 2: Pesos de pesquisa

Exercicio Atual

Exercise 3: Visualizando os pesos Exercise 4: Especificando elementos do delineamento no R Exercise 5: Desenhos no R Exercise 6: Desenhos estratificados em R Exercise 7: Desenhos em conglomerados no R Exercise 8: Comparando pesos amostrais de diferentes desenhos Exercise 9: Visualizando o impacto dos pesos da pesquisa Exercise 10: Pesos do NHANES Exercise 11: Juntando tudo!

Agora que entendemos os pesos amostrais, vamos praticar como incorporá-los na análise de dados categóricos neste capítulo. Vamos fazer inferência descritiva calculando estatísticas-resumo, construindo tabelas-resumo e criando gráficos de barras. Para inferência analítica, vamos aprender a executar testes do qui-quadrado.

Exercise 1: Visualizando uma variável categórica Exercise 2: Resumindo uma variável categórica Exercise 3: Interpretando tabelas de frequência Exercise 4: Representando graficamente uma variável categórica Exercise 5: Explorando duas variáveis categóricas Exercise 6: Criando tabelas de contingência Exercise 7: Criando gráficos de barras segmentadas Exercise 8: Resumindo com svytotal()Exercise 9: Interpretando svymean()Exercise 10: Inferência para variáveis categóricas Exercise 11: Executando um teste qui-quadrado Exercise 12: Juntando tudo!

Nem todos os dados de pesquisa são categóricos, então, neste capítulo, vamos analisar dados quantitativos. Você vai aprender a calcular estatísticas ponderadas pela amostra, como média e quantis. Para visualização, vamos criar gráficos de barras, histogramas e curvas de densidade. Encerramos o capítulo realizando inferência analítica com testes t ponderados por survey.

Exercise 1: Resumindo dados quantitativos Exercise 2: Estatísticas da pesquisa Exercise 3: Estimando quantis Exercise 4: Visualizando dados quantitativos Exercise 5: Gráficos de barras de médias ponderadas por survey Exercise 6: Saída de svyby()Exercise 7: Gráficos de barras com erro Exercise 8: Histogramas ponderados por survey Exercise 9: Gráficos de densidade com ponderação por survey Exercise 10: Inferência para dados quantitativos Exercise 11: Teste t com ponderação por survey Exercise 12: Juntando tudo!

Modelar dados de pesquisa também exige considerar com cuidado como os dados foram coletados. Vamos começar o capítulo de modelagem aprendendo a incorporar pesos amostrais em gráficos de dispersão por meio de estéticas como tamanho, cor e transparência. Em seguida, vamos modelar os dados com regressão linear e explorar como incluir preditores categóricos e termos polinomiais nos modelos.

Exercise 1: Visualização com gráficos de dispersão Exercise 2: Gráficos de bolhas Exercise 3: Gráficos de dispersão com pesos da pesquisa Exercise 4: Uso de cor em gráficos de dispersão Exercise 5: Visualizando tendências Exercise 6: Linha de melhor ajuste Exercise 7: Linhas de tendência Exercise 8: Modelando dados de pesquisa Exercise 9: Modelo de regressão Exercise 10: Inferência em regressão Exercise 11: Modelagem mais complexa Exercise 12: Regressão linear múltipla Exercise 13: Juntando tudo Exercise 14: Encerramento