100% satisfaction guarantee Immediately available after payment Both online and in PDF No strings attached
logo-home
Previously searched by you
Previously searched by you
logo
Samenvatting van alle R-functies en klein stukje JASP dat nodig is voor het tentamen van statistisch redeneren en wetenschapsfilosofie van jaar 2. $8.92
Add to cart
Quickly navigate to
Preview
  2.  
  3. Universiteit Van Amsterdam (UvA)
  4.  
  5. Wetenschapsfilosofie en statistisch redeneren

Summary

Samenvatting van alle R-functies en klein stukje JASP dat nodig is voor het tentamen van statistisch redeneren en wetenschapsfilosofie van jaar 2.

1 review
 1 purchase
  • Course
  • Wetenschapsfilosofie en statistisch redeneren
  • Institution
  • Universiteit Van Amsterdam (UvA)

In dit document is een samenvatting te zien van alle R-functies die nodig zijn voor het tentamen van wetenschapsfilosofie en statistisch redeneren. Hier wordt beschreven hoe te indexeren in R-studio, de mean te berekenen met lastige data-sets, data op te schonen en op de juiste manier aan te passen...

[Show more]

Preview 2 out of 8  pages

Document information

  • July 8, 2021
  • 8
  • 2020/2021
  • Summary

Subjects

  • r studio
  • jasp
  • moderatie analyse
  • colineariteit
  • f statistiek
  • sum of squares
  • verklaarde variantie
  • meervoudige regressie
  • ssw
  • dfw
  • kruskal wallis
  • post hoc
  • mixed anova
  • one way repeated anova
  • assumpties
  • df
  • no

Written for

  • Universiteit van Amsterdam (UvA)
  • Psychobiologie
  • Wetenschapsfilosofie en statistisch redeneren
All documents for this subject (6)

1  review

review-writer-avatar

By: nienkerooijen • 4 months ago

Seller

avatar-seller
evasteultjens

Reviews received

Content preview

R-studio – Statistische redeneren

Indexeren ------------------------------------------------------------------------------------------------------------------------
 Indexeren van een kolom/rij met [..]  data[rij, kolom]
 Speciefieke rij bekijken
- Kip46 = ChickWeight[ChickWeight$Chick == 46,] #alle waarde voor kip 46 indexeren
 Groter dan/kleiner dan
- kip46dag10 = kip46[kip46$Time <=10,] #alle waardes voor alles gelijk aan of lager dan 10
 rij/kolom/punt weg halen
- worpen[,-1] indexeert alles behalve kolom 1
 alle kolomen in 1 keer bekijken
- unlist()
 unlist(worpen[,-1])
 1 rij/kolom uit de data laten zien
- na.omit(worpen[18,])
- laat gehele rij 18 zien

berekenen van mean met lastigere datasets----------------------------------------------------------------------------
 gemiddeld aantal keer kop gegooid:
- mean(apply(worpen[,-1],1,sum, FUN = as.numeric))
- door 1 in de apply functie te zetten geef je aan het gemiddelde aantal keer dat 1
voorkomt te willen weten
- FUN = as.numeric hoeft niet maar nu kwam NA uit dus was het nodig

Data opschonen en aanpassen ---------------------------------------------------------------------------------------------
 bepaalde waarde/woorden vervangen
- worpen[11,which(worpen[11,] == “kop”)] = “1”
- hiermee worden alle data punten met het woord “kop” op rij 11 vervangen door 1
 opsporen van bepaalde waarden/woorden
- # identificeren van welke elementen "ja"/"nee" zijn
ind = which(worpen=="ja" | worpen=="nee", arr.ind = TRUE)
- #identificeren welke unieke rijen de afwijkende waardes staan
rijen = unique(ind[,1])
- Laat de data zien met afwijkende waardes
worpen[rijen,]
 nu krijg je een rij met data waar ja en nee staat i.p.v. 0 en 1 dus vervang je die weer op
bovenstaande manier
 Opsporen welke data punten bepaalde woorden/waarde niet zijn
- # identificeer welke elementen niet 0 of 1 zijn
ind = which(!(worpen[,-1] == 0 | worpen[,-1] == 1), arr.ind=TRUE)
- # identificeer in welke unieke rijen de afwijkende waardes staan
rijen = unique(ind[,1])
- # laat de data zien met afwijkende waardes
worpen[rijen,]
 Opsporen van ontbrekende data
- complete.cases(worpen)
- #rijen met NA's (ontbrekende data) verwijderen
bioStabiel = bioStabiel[complete.cases(bioStabiel),]

, - Als je kolommen met ontbrekende data wilt verwijderen zet je complete.cases(data) na
de komma
 data numeriek maken
- worpen[,-1] = apply(X = worpen[,-1], MARGIN = 2, FUN = as.numeric)
- met FUN = as.numeric geef je aan dat de punten numeriek zijn (in deze data 0 en 1)
- met de apply() functie kun je dit soort aanpassingen aan een data set geven
- Met MARGIN = 2 geef je aan dat er een marge is van 2 antwoorden/uitkomsten (hier
namelijk 0 en 1)
 Gehele rijen herschrijven:
- worpen[44,]=c("s44",1,1,1,1,0,0,0,0,0,0)
- hierin herschrijf je rij 44 (hierbij begint de rij met ss44 dus die hoef je bij andere data niet
neer te zetten)
 1 specifiek punt herschrijven
- worpen[4,7] = 1
#data punt rij 4, kolom 7 wordt nu 1
 rijen verwijderen uit data
- compleet <- worpen[-c(18,58),]
#haalt rij 18 en 58 uit de data
 alle labels van condities veranderen (bv van 1, 2 en 3 naar controle etc.)
- alcoholrijden$cond = factor(alcoholrijden$cond, labels = c("controle","0.2 prom","0.6
prom"))
 nummers van proefpersonen toevoegen aan data set
- alcoholrijden$ppn = factor(1:nrow(alcoholrijden))

Data bekijken--------------------------------------------------------------------------------------------------------------------
 kijken hoeveel rijen en hoeveel kolommen dataset heeft
- dim(data)
#geeft eerst aantal rijen en als tweede aantal kolommen
- Length(data)
#geeft alleen aantal kolommen
 Kijken welke waarde onder 0 is
- which(data$score<0)

Plotten ----------------------------------------------------------------------------------------------------------------------------
 hist() is een histogram maken
- main= '..' is het instellen van de titel van het histogram
- xlab= '..' is het aanpassen van de titel van de x-as
- ylim= c(..) is het aanpassen hoe lang de y-as moet
- las= 2 hierdoor gaan de waardes bij de x-as verticaal staan om ruimte te besparen
- breaks= 10 hierdoor zorg je dat er 10 staven in het histogram zitten
- col=c(2,4) de staven worden rood en donker blauw,
(1=zwart,3=groen,7=geel,5=lichtblauw,6=paars) kleuren kunnen ook door bv. "red"
neer te zetten
 mozaiek plot -> mosaicplot(table,...)
 staafdiagram -> barplot()
 boxplot -> boxplot()
 scatterplot-> plot(categorische variabele, numerieke variabele)

The benefits of buying summaries with Stuvia:

Guaranteed quality through customer reviews

Guaranteed quality through customer reviews

Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.

Quick and easy check-out

Quick and easy check-out

You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.

Focus on what matters

Focus on what matters

Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!

Frequently asked questions

What do I get when I buy this document?

You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.

Satisfaction guarantee: how does it work?

Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.

Who am I buying these notes from?

Stuvia is a marketplace, so you are not buying this document from us, but from seller evasteultjens. Stuvia facilitates payment to the seller.

Will I be stuck with a subscription?

No, you only buy these notes for $8.92. You're not tied to anything after your purchase.

Can Stuvia be trusted?

4.6 stars on Google & Trustpilot (+1000 reviews)

69411 documents were sold in the last 30 days

Founded in 2010, the go-to place to buy study notes for 15 years now

Start selling
$8.92  1x  sold
  • (1)
Add to cart
Added