R语言基础及和SPSS的对比.pdfVIP

第一招 数据描述性分析 理论部分1： 1.描述数据集中趋势的统计量是均值、众数、中位数、百分数等。 2.描述分散程度的是方差、标准差、极差、四分位极差、变异系数和标准误等。 3.描述数据分布用分布函数、直方图、茎叶图等。 操作实现部分1 w-read.csv(C:\\Users\\megaz\\Desktop\\R vs SPSS\\data1.csv, header=T) ##w2-c(data), w3-scan() w.sum-sum(w) #求和 w.mean-sapply(w,mean) #求均值， sum(wtt)/length(t(wtt)) sort(w) #排序，可降序，使用参数decreasing=TRUE median(w) #中位数 quantile(w) #百分位数 var(w) #方差 sd(w) #标准差 range(w) #max(wt)-min(wt) pnorm(q,mu,sd) #分布函数，以p 开头 dnorm(x,mu,sd) #概率密度函数，以d 开头 rnorm(n,mu,sd) #随机数函数，以r开头 qnorm(p,mu,sd) #下分为点函数，以q 开头,以上默认mu=0,sd=1 #其他分布函数做相同规律。 hist(w) #直方图 density(w) #与直方图配合的核密度估计函数 lines(density(w),col=”blue”) ecdf(x) #经验分布 qqnorm(y,..),qqline(y,..),qqplot(x,y),.. #绘制qq 图 stem(x) #茎叶图 boxplot(x) #箱线图 fivenum(x) #五数概括：中位数、下四分位、上四分位、最小值、最大值 彩蛋：R 语言基础绘图 ◎高级作图函数 plot() #绘散点图、曲线图、箱线图、回归图等。plot 是最基本的作图函数，也是最重要的，多 看文档，多研究各种参数的设置问题。 pairs() #显示多变量 coplot() #更多变量 qqnorm() 、qqline() #qq 图 hist() #直方图 dotchart() #点图 contour()、persp() #等高线、三维表面 ◎低级作图函数 points() lines() text() abline() polygon() legend() title() axis() 理论部分2 多元数据特征分析的基本问题是均值、方差、协方差、相关系数 x-c(67,43,54,56,37) y-c(23,45,64,27,55) ore-data.frame(x,y) ore.m-mean(ore) ore.s-cov(ore) ore.r-cor(ore) cor.test(x,y,method=”spearman”) #本函数提供Pearson、Spearman、Kendall 三种相关性检验方式，小写。 彩蛋：多元函数作图 轮廓图（自己编写函数） 星图stars(x) 第二招 假设检验 假设检验。显著性水平常取0.1,0.05,0.01 等，对于一个显著性水平为a 的假设检验，假定 原假设成立，而样本落入拒绝域W 中，就意味着小概率发生了 【参数检验】 ◎单个总体的正态总体均值假设检验/两个总体的正态总体均值检验 t.test(x,y=NULL) #提供t 检验和响应的区间估计功能。既可单侧也可双侧，默认双侧。单侧 要加alternative=”greater/less”，默认two.sides ◎成对数据的t 检验 t.test(X-Y) #做减法就行了 ◎单个总体的正态总体方差假设检验/两个总体的正态方差假设减压 var.test() ◎二项分布总体假设检验 binom.test() 【非参数检验】 ◎Pearson拟合优度检验 chisq.test() ◎KS 检验 ks.test() ◎Fisher检验 fisher.test() ◎Wilcoxon 符号秩检验 Wilcox .test() 第三招 回归分析 ◎一元线性回归 lm() #相当重要 summary() #提取模型计算结果 lm.sol-lm(y~1+x) summary(lm.sol) anova() predict()