วิธีที่ดีในการสอน R ในห้องปฏิบัติการคอมพิวเตอร์คืออะไร

มีการคำถามที่ดีหลายประการและชุดของคำตอบในหนังสือเบื้องต้นหรือวิธีการเรียนรู้เช่น R ที่นี่และที่นี่ แต่ฉันมีปัญหาแตกต่างกันเล็กน้อย - วิธีที่ดีที่สุดในการใช้งานเซสชั่นนานหนึ่งชั่วโมง (หรือหลายครั้ง) ในห้องปฏิบัติการคอมพิวเตอร์ที่จะทำให้ผู้คนเริ่มต้นใน R คุ้นเคยกับวิธีการพื้นฐาน ฯลฯ

แผนปัจจุบันของฉันคือการทำงานอย่างมีประสิทธิภาพผ่านบทเบื้องต้นของสิ่งที่ต้องการ SimpleR ของ Verzani จากนั้นแนะนำชุดข้อมูลที่คุ้นเคย แต่มีวิธีอื่นที่ผู้คนพบว่ามีประโยชน์หรือไม่ ตัวอย่างเช่นมันเป็นการดีที่จะแนะนำข้อมูลจริงทันทีหรือปัญหาที่อยู่ในทางที่เป็นนามธรรมมากขึ้น? ฉันควรใช้วิธีนี้อย่างถี่ถ้วนเพื่อใช้วงเล็บเหลี่ยมหรือกระตุ้นผู้คนด้วยตัวอย่างของกราฟิกขัดแตะ?

กลุ่มเป้าหมายของฉันคุ้นเคยกับสถิติ (แม้ว่าไม่ใช่ผู้เชี่ยวชาญ) และผู้ใช้ SPSS ที่มีความเชี่ยวชาญ ไม่คุ้นเคยกับภาษาการเขียนโปรแกรมนอกเหนือจากแมโครและการเขียนสคริปต์ที่คุณจะได้รับใน SPSS และสิ่งที่คล้ายกัน

คำแนะนำหรือการอ้างอิงถึงแผนการสอนใด ๆ จะได้รับการชื่นชม อย่างไรก็ตามฉันไม่ต้องการคัดลอกรายชื่อวัสดุออนไลน์จำนวนมากที่แนะนำ R - อ้างอิงอย่างเคร่งครัดกับคำถามแบบตัวต่อตัว

ฉันขอแย้งกับวิธีที่แตกต่างอย่างสิ้นเชิง ฉันได้เห็นแบบฝึกหัด R ที่สอนจากมุมมองที่แตกต่างกันสองแบบ: วิธีการแบบบล็อกซึ่งผู้ใช้จะได้รับการแนะนำให้รู้จักกับแนวคิดพื้นฐานของ R และวิธีการแบบช็อกและหวาดกลัวซึ่งผู้ใช้จะแสดงความสามารถที่น่าทึ่งของ R ความเข้าใจค่อนข้างน้อยเกี่ยวกับวิธีการทำอะไร อันที่จริงแล้วเสียงสะท้อนดังก้องกับนักเรียนมากขึ้น แต่ก็ไม่มีใครเห็นว่ามีประสิทธิภาพมากในการสร้างผู้ใช้งานจริง

แต่ฉันจะใช้งานทั่วไปและค่อนข้างง่ายใน SPSS และเดินผ่านการแปลงเป็น R ด้วยความไร้เดียงสาหลอกๆเล็กน้อยในส่วนของคุณ - เช่นทำตามคำแนะนำที่ยอดเยี่ยมของซีอานเพื่อค้นหาฟังก์ชั่นที่ต้องการ??มากกว่าเพียงแค่ การเรียกใช้ฟังก์ชันที่ถูกต้องจากหน่วยความจำ มือใหม่ของคุณเกือบจะแปลงกระบวนการที่มีอยู่ในขณะที่พวกเขาเรียนรู้ R ไม่ใช่เขียนตั้งแต่ต้นดังนั้นทำไมไม่แสดงให้พวกเขาเห็นว่าคุณจะทำอย่างไร

ตัวอย่างที่ดีอาจประกอบด้วยการโหลดข้อมูลการแสดงคำอธิบายและการแปลงพื้นฐานบางอย่าง lm()สามารถทำได้ง่ายมากและสร้างผลลัพธ์ที่พวกเขาจะเข้าใจและสามารถเปรียบเทียบกับเอาต์พุต SPSS เพื่อให้ครอบคลุมได้ดี

สำหรับการบ้านให้พวกเขาจดการแปลงกระบวนการง่ายๆหรือโหลดและสำรวจชุดข้อมูลที่คุ้นเคย ให้เวลากับพวกเขาแบบตัวต่อตัวเพื่อหาว่ามีอะไรผิดปกติจากนั้นครอบคลุมช่วงเวลาถัดไปด้วยการแปลงตัวอย่างเพิ่มเติม แนวคิดจากรายการของคุณจะเกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ (การเดิมพันของฉัน: ปัจจัยเทียบกับตัวละครเวกเตอร์สำหรับกับและนำไปใช้) - แล้วคุณจะมีแรงจูงใจในโลกแห่งความเป็นจริงสำหรับครอบคลุมพวกเขา หากพวกเขายังไม่เกิดขึ้น ( attach) แสดงว่าพวกเขายังไม่ต้องการจริงๆ - ถ้านั่นหมายความว่ามือใหม่ของคุณเขียนรหัสที่ไม่ใช่สำนวนเล็ก ๆ น้อย ๆ ตั้งแต่ต้น ( forแทนapply) ฉันไม่เห็นอันตรายใด ๆ

ด้วยวิธีนี้นักเรียนของคุณสามารถก้าวหน้าได้ในลักษณะเดียวกับที่นักเรียนภาษาต่างประเทศทำ (หรืออย่างน้อยก็อย่างที่ฉันทำ): การแปลอย่างง่าย ๆ ของการแสดงออกที่เรียบง่ายทำให้เกิดความปรารถนาสำหรับการแสดงออกที่ซับซ้อนมากขึ้น ซึ่งในที่สุดก็นำไปสู่การแสดงออกที่สำนวน อย่าข้ามไปที่ "ไวยากรณ์" เร็วเกินไปและไม่ต้องกังวลมากเกินไปเกี่ยวกับการสอนสิ่งที่พวกเขาไม่ได้ถามเพราะพวกเขาอาจจะลืมมันไป พอยน์เตอร์ที่อ่อนโยนเกี่ยวกับการแสดงออกของสำนวนนั้นยอดเยี่ยม ( forvs apply) แต่สิ่งสำคัญคือให้พวกมันสร้างผลผลิตและสำรวจด้วยตัวเอง

ตกลงนี่คือคำตอบของฉันเองจนถึงสิ่งที่ฉันคิดว่าจะทำให้ผู้คนเริ่มต้นและกระตุ้นให้พวกเขาเรียนรู้เพิ่มเติม (ฉันพยายามหย่านมพวกเขาจาก SPSS ซึ่งแท้จริงแล้วไม่สามารถทำสิ่งที่เราต้องการเช่นการวิเคราะห์แบบสำรวจที่ซับซ้อนอย่างน้อย โดยไม่ต้องซื้อโมดูลเพิ่มเติมซึ่งฉันปฏิเสธที่จะทำ)

ในตอนท้ายของเซสชั่นแรกคุณควรจะสามารถ:

ข้อมูลพื้นฐานเกี่ยวกับ

• ใช้อินเทอร์เฟซเพื่อทำการคำนวณที่ตรงไปตรงมา (ใช้ R เป็นเครื่องคิดเลข)
• เริ่มบันทึกและโหลดหน้าต่างสคริปต์และใช้อย่างมีประสิทธิภาพ
• สร้างและลบวัตถุในพื้นที่ทำงานของคุณ
• ดูว่าโฟลเดอร์ใดเป็นโฟลเดอร์ทำงานของคุณ
• ทำความเข้าใจวิธีการทำงานของโฟลเดอร์ P: / R / yourid และการบันทึกพื้นที่ทำงานเมื่อออก
• โหลดภาพพื้นที่ทำงานรวมถึง XXX (ข้อมูลที่เราใช้บ่อย)
• รายการวัตถุในหน่วยความจำ
• แสดงรายการชื่อคอลัมน์ (ตัวแปร) ใน data frame
• พิมพ์วัตถุไปที่หน้าจอ
• แนบและแยกเฟรมข้อมูล
• รู้ว่าอะไรหมายถึงอะไร: วัตถุ, ฟังก์ชั่น, อาร์กิวเมนต์ (ไปยังฟังก์ชั่น), พื้นที่ทำงาน, เวกเตอร์, กรอบข้อมูล, เมทริกซ์, ตัวเลข, ปัจจัย
• รู้วิธีค้นหาความช่วยเหลือจากฟังก์ชั่น
• ใช้ ?? เพื่อค้นหารายการฟังก์ชั่นที่เกี่ยวข้อง
• จะไปที่ไหนบนเว็บและหนังสือท้องถิ่นและ LAN ของเราสำหรับแหล่งข้อมูลเพิ่มเติม
• เข้าใจพื้นฐาน R มากพอที่จะเข้าร่วมในห้องทดลองโดยใช้เทคนิคทางสถิติที่เฉพาะเจาะจง

การจัดการข้อมูล

• สร้างเวกเตอร์ของตัวเลขโดยใช้ตัวดำเนินการ:
• ทำตารางการนับสำหรับหนึ่งตัวแปร
• ทำอ้างอิงไขว้นับสำหรับสองตัวแปร
• สร้างวัตถุใหม่ (เช่นหนึ่งในตารางด้านบน) เพื่อจัดการเพิ่มเติม
• สลับเมทริกซ์หรือตาราง
• สร้างเวกเตอร์ค่าเฉลี่ยของตัวแปรต่อเนื่องโดยใช้ tapply ()
• ผูกเวกเตอร์หลาย ๆ ตัวเข้าด้วยกันโดยใช้ cbind () หรือ data.frame ()
• สร้างเซตย่อยของเมทริกซ์โดยใช้ []
• สร้างการแปลงอย่างง่ายเช่นลอการิทึมหรือรากที่สอง

สถิติ

• คำนวณสหสัมพันธ์ของตัวแปรต่อเนื่องสองตัว

กราฟิก

• สร้างฮิสโตแกรมของตัวแปรต่อเนื่อง
• สร้างหน้าต่างกราฟิกและแบ่งออกเป็น 2 หรือ 4 ส่วน
• สร้างพล็อตเส้นความหนาแน่นของตัวแปรต่อเนื่อง
• สร้าง scatterplot ของตัวแปรสองตัวต่อเนื่อง
• เพิ่มเส้นตรงไปยัง scatterplot (แนวตั้งแนวนอนหรือ ab)
• สร้างป้ายกำกับสำหรับแกนและชื่อเรื่อง

ในตอนท้ายของสามเซสชั่นและทำแบบฝึกหัดในระหว่างนั้นคุณควรจะสามารถ:

ข้อมูลพื้นฐานเกี่ยวกับ

• นำเข้าข้อมูลในรูปแบบ SPSS หรือ. csv
• ลบวัตถุทั้งหมดในพื้นที่ทำงานของคุณเพื่อเริ่มต้นใหม่
• ใช้ไลบรารีของแพคเกจ
• บันทึกภาพพื้นที่ทำงานและเข้าใจหลักการพื้นฐาน R และหน่วยความจำ
• สร้างตัวแปรสุ่ม
• ใช้ c () เพื่อสร้างเวกเตอร์
• มีความรู้สึกที่ดีสำหรับการเรียนรู้วิธีการและเทคนิคใหม่ ๆ

การจัดการข้อมูล

• ใช้การรวม () กับชุดข้อมูลจริงเช่นจำนวนผู้เข้าชมตามเดือนและประเทศ
• ตัวดำเนินการ ==,! = และ% ใน% เวกเตอร์เชิงตรรกะ และใช้พวกเขาเพื่อย่อยข้อมูล
• ifelse () และใช้เพื่อสร้างตัวแปรใหม่
• max, min และฟังก์ชั่นที่คล้ายกันและวิธีการทำงานของเวกเตอร์
• สร้างเวกเตอร์หรือเมทริกซ์เพื่อเก็บผลลัพธ์มากมาย
• ใช้การวนซ้ำเพื่อทำซ้ำฟังก์ชันที่คล้ายกันหลายครั้ง
• ใช้ Apply () เพื่อใช้ฟังก์ชั่นกับแต่ละคอลัมน์หรือแถวของเมทริกซ์
• สร้างปัจจัยสั่ง
• ใช้ cut () เพื่อถอดรหัสตัวแปรที่เป็นตัวเลข

สถิติ

• การทดสอบไคสแควร์สำหรับตารางฉุกเฉิน
• เวอร์ชันสัมพันธ์ที่แข็งแกร่ง
• พอดีตัวแบบเชิงเส้นกับตัวแปรต่อเนื่องสองตัววางผลลัพธ์ไว้ในวัตถุและใช้ anova (), summary () และ plot () เพื่อดูผลลัพธ์
• มีความเข้าใจเพียงพอเกี่ยวกับแบบจำลองและวิธีการทำงานใน R เพื่อให้พร้อมใช้ทักษะของคุณกับประเภทแบบจำลองที่หลากหลาย
• ใช้ boot () เพื่อดำเนินการ bootstrap บนฟังก์ชั่นพื้นฐานเช่น cor (), mean () หรือ var ()
• ใช้ตัวอย่าง () ในชุดข้อมูลชีวิตจริง

กราฟิก

• สร้างพล็อตเส้นความหนาแน่นของโครงตาข่ายของตัวแปรต่อเนื่องที่ให้ระดับปัจจัยที่แตกต่างกัน
• qqnorm
• สร้างพล็อตกระจายที่มีสีและจุดอักขระที่แตกต่างกันซึ่งแสดงระดับปัจจัยที่แตกต่างกัน เพิ่มคะแนนหรือบรรทัดลงในพล็อตกระจายที่มีอยู่
• เพิ่มคำอธิบาย
• dotcharts
• errbar ()
• ใช้การวนซ้ำเพื่อวาดแผนภูมิจำนวนมากบนหน้า

ในรายการของปีเตอร์ฉันจะเพิ่ม:

1. เฟรมข้อมูลชุดย่อย: ชุดย่อยโดยการสังเกต (เช่นการตอบสนองทั้งหมดข้างต้น 3), ชุดย่อยโดยตัวแปร
2. ใช้คำสั่ง ifelse (นี่เป็นกราฟการเรียนรู้ขนาดใหญ่สำหรับฉันฉันพยายามใช้ชนิดของคำสั่ง if) โดยเฉพาะ ifelse ที่ซ้อนกัน
3. สรุปข้อมูลลงในกรอบข้อมูลที่เล็กลงโดยใช้คำสั่งรวม
4. เรียนรู้การใช้ตัวดำเนินการ ==
5. ใช้ <- มากกว่า =
6. เปลี่ยนชื่อตัวแปร
7. กับดัก vectorization ขั้นพื้นฐานเช่น max (A, B) ใน SAS ไม่ได้ทำอะไรสูงสุด (A, B) ทำใน R ถ้า A เป็นตัวแปรในกรอบข้อมูลและ B เป็นค่าเดียว ในการทำเทียบเท่ากับรหัส SAS (และอาจเป็นรหัส SPSS) ฉันจะใช้คำสั่ง ifelse
8. ใช้กับแทนที่จะแนบ :)

คิดมากขึ้น: พวกเขาอาจจะใช้COMPUTEสิ่งต่างๆมากมายSPSSดังนั้นการปกปิดวิธีการทำสิ่งนั้นRให้ดี นอกจากนี้วิธีการRECODEตัวแปรในอาร์เมื่อฉันใช้SPSSฉันคิดว่างาน "ไม่ใช่การวิเคราะห์" ส่วนใหญ่ของฉันกำลังใช้ทั้งสองคำสั่ง