Bir bilgisayar laboratuarında R'yi öğretmek için iyi bir yaklaşım nedir?

Giriş kitaplarında veya R'yi öğrenme konusunda burada ve burada birkaç iyi soru ve cevap seti vardır . Ama biraz farklı bir sorunum var - insanları bir bilgisayar laboratuarında saatte bir seans (veya birkaç seans) çalıştırmanın en iyi yolu, R'deki temel yaklaşımı tanıyan vb.

Şu anki planım Verzani'nin SimpleR gibi bir şeyin giriş bölümleri üzerinde etkili bir şekilde çalışmak ve daha sonra tanıdık bir veri kümesi sunmak olacaktır, ancak insanların yararlı bulduğu başka bir yaklaşım var mı? Örneğin, gerçek verileri hemen tanıtmak veya sorunları daha soyut bir şekilde ele almak iyi midir? Köşeli parantezleri nasıl kullanmalı veya kafes grafik örnekleri ile insanları heyecanlandırmalı mıyım?

Hedef kitlem, istatistikleri (uzman olmasa da) ve yetkin SPSS kullanıcılarını biliyor; SPSS ve benzeri şeylerde alacağınız makro ve komut dosyası türlerinin ötesinde programlama dillerine aşina değilsiniz.

Herhangi bir ipucu veya ders planlarına yapılan referanslar takdir edilecektir. Bununla birlikte, yüz yüze öğretim sorusuna kesinlikle atıfta bulunan R'yi tanıtan on-line materyallerin birçok iyi listesini çoğaltmak istemiyorum.

Tamamen farklı bir yaklaşım olduğunu savunuyorum. İki farklı perspektiften öğretilen R öğreticilerini gördüm: kullanıcıların R'nin temel kavramlarına tanıtıldığı bir yapı taşları yaklaşımı ve kullanıcılara R'nin şaşırtıcı yetenekleri gösterilen ancak geride bırakılan şok ve korku yaklaşımı bir şeyin nasıl yapılacağına dair nispeten az anlayış. İkincisi kesinlikle öğrencilerle daha güçlü bir şekilde yankılanıyor, ancak hiçbiri gerçekte kullanıcı üretmede çok etkili görünmüyor.

Bunun yerine, SPSS'de ortak ve nispeten basit bir görev alıp R'ye dönüştürerek, sizin parçanızda biraz sahte naivete sahip olarak yürüyeceğim - örneğin, Xi'an'ın ??sadece istenen değil bazı işlevlere bakmak için mükemmel önerisini izleyerek hafızadan doğru fonksiyonu çağırmak. Yeni başlayanlarınız neredeyse kesinlikle R'yi öğrendikçe mevcut süreçleri dönüştürecekler, sıfırdan yazmıyorlar - neden onlara tam olarak nasıl gideceğinizi göstermiyorsunuz?

Bunun iyi bir örneği sadece veri yüklemek, bazı tanımlayıcıları gerçekleştirmek ve bazı temel grafikleri ortaya çıkarmak olabilir. lm()çok, çok basit olabilir ve anlayacakları sonuçlar üretir ve SPSS çıktısıyla karşılaştırabilir, böylece bu da kapsaması iyi olabilir.

Ev ödevi için, basit süreçlerinden birini dönüştürme veya çok aşina oldukları bir veri kümesini yükleme ve keşfetme konusunda bir bıçak almalarını sağlayın. İşlerin nerede yanlış gittiğini anlamak için onlara bire bir zaman verin, ardından bir sonraki oturumdakileri daha fazla örnek dönüşümle kaplayın. Listenizdeki kavramlar kaçınılmaz olarak ortaya çıkacaktır (benim bahsim: faktörler ve karakter vektörleri, vs.'ye karşı) - ve sonra onları kapsayan gerçek dünya motivasyonuna sahip olacaksınız. Eğer gelmezlerse ( attach), o zaman henüz gerçekten gerekli değildirler - eğer bu yeni başlayanlarınızın erken bir süre deyimsiz bir kod yazdığı anlamına gelirse (for yerine apply) , zararı görmüyorum.

Bu şekilde, öğrencileriniz yabancı dil öğrencilerinin yaptığı gibi ilerleyebilir (veya en azından benim yaptığım gibi): basit ifadelerin kaba çevirisi daha karmaşık ifadeler için istek uyandırır, bu da daha derin bir dilbilgisi anlayışına neden olur bu da sonunda deyimsel ifadeye yol açar. "Dilbilgisi" ne çok erken atlamayın ve onlara sormadıkları şeyleri öğretme konusunda fazla endişelenmeyin çünkü muhtemelen yine de unutacaklardır. Deyimsel ifade hakkındaki nazik işaretçiler harika ( forvs apply), ancak asıl şey, onların çıktı üretmelerini ve kendi başlarına keşfetmelerini sağlamaktır.

Tamam, işte şimdiye kadar insanların insanları daha fazla öğrenmeye teşvik etmelerini ve onları daha fazla öğrenmeye motive etmeleri konusunda kendi cevabım (en azından karmaşık anket analizi için ihtiyacımız olan şeylerden bazılarını yapamayan SPSS'den vazgeçmeye çalışıyorum) yapmayı reddeden daha fazla modül satın almadan).

İlk oturumun sonunda şunları yapabilmelisiniz:

temeller

• Basit hesaplamalar yapmak için arayüzü kullanın (hesap makinesi olarak R kullanın)
• Bir komut dosyası penceresi başlatın, kaydedin ve yükleyin ve verimli bir şekilde kullanın
• Çalışma alanınızdaki nesneleri oluşturma ve kaldırma
• Hangi klasörün çalışma klasörünüz olduğunu görün
• P: / R / yourid klasörünün nasıl çalıştığını ve çıkışta bir çalışma alanının kaydedilmesinin ne olduğunu anlayın
• XXX dahil bir çalışma alanının görüntüsünü yükleyin (yaygın olarak kullanılan verilerimiz)
• Bellekteki nesneleri listele
• Veri çerçevesindeki sütunların (değişkenlerin) adlarını listeleyin
• Bir nesneyi ekrana yazdırma
• Veri çerçevesi ekleme ve ayırma
• Ne anlama geldiğini bilin: nesne, işlev, bağımsız değişken (bir işleve), çalışma alanı, vektör, veri çerçevesi, matris, sayısal, faktör
• Bir işlev hakkında nasıl yardım arayacağınızı öğrenin
• Kullanın ?? ilgili fonksiyonların bir listesini bulmak için
• Daha fazla kaynak için web'e ve yerel kitaplarımıza ve LAN'ımıza nereye gitmeli
• spesifik istatistiksel teknikler üzerinde laboratuar oturumlarına katılmak için yeterli R temellerini anlayabilecek

Veri işleme

• : İşlecini kullanarak bir sayı vektörü oluşturma
• Bir değişken için bir sayım tablosu yapın
• İki değişken için sayıları çapraz tablo haline getirme
• Daha fazla manipülasyon için yeni bir nesne oluşturun (örn. Yukarıdaki tablolardan biri)
• Bir matris veya tablo dönüştürme
• Tapply () kullanarak bir faktöre göre sürekli değişkenin bir vektörünü oluşturma
• Birkaç vektörü cbind () veya data.frame () kullanarak birbirine bağlayın
• [] Kullanarak bir matrisin alt kümesi oluşturma
• Logaritma veya karekök gibi basit bir dönüşüm oluşturun

İstatistik

• İki sürekli değişkenin korelasyonunu hesaplar

Grafik

• Sürekli değişkenin histogramını oluşturma
• Bir grafik penceresi oluşturun ve 2 veya 4 parçaya bölün
• Sürekli bir değişkenin yoğunluk çizgisi grafiği oluşturma
• İki sürekli değişkenden oluşan bir dağılım grafiği oluşturma
• Dağılım grafiğine düz bir çizgi ekleme (dikey, yatay veya ab)
• Eksenler ve başlıklar için etiketler oluşturma

Üç seansın sonunda ve aralarında bir dizi egzersiz yaparak şunları da yapabilmeniz gerekir:

temeller

• SPSS veya .csv biçiminde veri içe aktarma
• Yeni başlamak için çalışma alanınızdaki tüm nesneleri kaldırın
• paket kütüphanesi kullan
• Bir çalışma alanı görüntüsünü kaydedin ve temel R ve bellek ilkelerini anlayın
• Rasgele değişkenler oluşturun
• Bir vektör oluşturmak için c () kullanın
• Yeni yöntem ve teknikleri öğrenmek için nereye gideceklerini iyi hissedin

Veri işleme

• Gerçek bir veri kümesinde toplama () kullanın, örneğin ziyaretçilerin aylara ve ülkelere göre gelen numaraları
• % Operatörlerinde ==,! = Ve%; mantıksal vektörler; ve verileri alt kümeye ayarlamak için kullanma
• ifelse () ve bunu yeni değişkenler oluşturmak için kullanma
• max, min ve benzeri fonksiyonlar ve vektörlerle nasıl çalıştıkları
• Çok sayıda sonucu depolamak için bir vektör veya matris oluşturma
• Benzer bir işlevi birçok kez tekrarlamak için bir döngü kullanın
• Bir matrisin her sütununa veya satırına bir işlev uygulamak için Apply () yöntemini kullanın
• Sıralı bir faktör oluşturma
• Sayısal bir değişkeni yeniden kodlamak için cut () yöntemini kullanın

İstatistik

• Beklenmedik tablo için ki kare testi
• Korelasyonların sağlam versiyonları
• Sonuçları bir nesneye yerleştirerek ve sonuçlara bakmak için anova (), özet () ve plot () kullanarak iki sürekli değişkene doğrusal bir model sığdırın
• Modellerinizi ve R'de nasıl çalıştıklarını, becerilerinizi daha geniş bir model tipine uygulamaya hazır olacak şekilde anlayın
• Cor (), mean () veya var () gibi temel bir işlevde bootstrap gerçekleştirmek için boot () kullanın
• Gerçek hayattaki veri kümesinde sample () kullanın

Grafik

• Bir faktörün farklı seviyeleri göz önüne alındığında, sürekli değişkenin bir kafes yoğunluk çizgisi grafiği oluşturma
• qqnorm
• faktörün farklı seviyelerini gösteren farklı renk ve karakter noktalarına sahip bir dağılım grafiği oluşturmak; mevcut bir dağılım grafiğine nokta veya çizgi ekleme
• efsane ekle
• dotcharts
• errbar ()
• sayfada birden çok grafik çizmek için döngü kullanma

Peter listesine eklemek istiyorum:

1. alt küme veri çerçeveleri: gözlemle alt küme (örneğin 3'ün üzerindeki tüm yanıtlar), değişkene göre alt küme.
2. ifelse ifadeleri kullanın (bu benim için çok büyük bir öğrenme eğrisiydi, if ifadesinin türünü kullanmaya çalıştım), özellikle iç içe ifelse.
3. toplama komutunu kullanarak verileri daha küçük bir veri çerçevesinde özetleyin.
4. == operatörünü kullanmayı öğrenme.
5. = yerine <- kullanarak
6. değişkenleri yeniden adlandır
7. A veri çerçevesindeki bir değişkense ve B tek bir değerse, SAS'taki max (A, B) gibi temel vektörleştirme tuzakları R'de max (A, B) 'nin yaptıklarını yapmaz. SAS kodu (ve muhtemelen SPSS kodu) eşdeğerini yapmak için bir ifelse deyimi kullanın.
8. eklemek yerine ile kullanın. :)

Daha fazla düşünce: Muhtemelen COMPUTEçok şey kullanıyorlar SPSS, bu yüzden bunu nasıl yapacağınızı kapsamak Riyi olacaktır. Ayrıca, RECODER'de değişkenlere nasıl bakılırsa Ben SPSS"analiz dışı" çalışmamın çoğunun bu iki komutu kullandığını düşünüyorum.