Tecniche Psicometriche e Analisi dei Dati
a.a. 2016/2017
Prof. Rocco Micciolo
[email protected]
Dettagli logistici
• Consultare frequentemente la pagina
web del corso all’indirizzo
http://hostingwin.unitn.it/micciolo/
• Ricevimento: su appuntamento (o al termine delle
lezioni)
• E-mail : [email protected]
• Ufficio: a Rovereto, 2° piano della palazzina di
Palazzo Fedrigotti. Stanza 222.
Modalità di svolgimento del corso
• Lezione: lunedì, martedì, mercoledì
• I materiali relativi alle lezioni sono depositati on-line
• Le lezioni nelle intenzioni sono interattive (sta a voi
renderle tali). È utile portare a lezione un pc
• La frequenza è obbligatoria? No, ma è assolutamente
consigliato frequentare regolarmente il corso
• Modalità di esame: in aula informatica
• Testi di riferimento
http://hostingwin.unitn.it/micciolo/RcR/home.html
Agresti - Finlay
Statistical Methods for the Social Sciences
Pearson Prentince Hall
• Capitolo 12 (ANOVA)
• Capitolo 13 (ANCOVA)
• Capitolo 15 (Modello logistico)
Modalità di esame
• Esame “scritto” (al computer, in aula informatica)
con la possibilità di portare e consultare il testo di
riferimento Ricerca con R (l’originale, non le
fotocopie!)
• Pre-appello…
Statistica
21–mo secolo
Disponibilità di grandi moli
di informazioni.
La sfida:
come usare le informazioni
disponibili per prendere le
decisioni migliori?
Bisogna capire e conoscere
la Statistica!
Una definizione di Statistica:
“tecnica che ha per scopo la conoscenza quantitativa dei
fenomeni collettivi”.
Lo studio del fenomeno collettivo si può fare osservando
interamente la collettività di individui (Popolazione).
Statistica descrittiva
Esempi di raccolta delle informazioni su tutta la collettività:
Censimento della Popolazione e delle Abitazioni
Censimento dell’Agricoltura
Censimento dell’Industria e dei Servizi.
… oppure osservandone una sua parte (Campione)
Statistica inferenziale
C
P
Indagine Istat sulle forze di lavoro
“Proiezioni” elettorali
Esperimenti
Studi osservazionali
L’unità statistica
è l’elemento di osservazione di base
della popolazione oggetto di indagine statistica.
L’unità di rilevazione
è l’elemento di osservazione di base della rilevazione
e può non coincidere con l’unità statistica.
Stili di vita e condizioni di salute
(Istat)
Il Campione: 21718 famiglie per 58653 individui.
L’unità statistica (elemento di base di investigazione) è l’individuo.
L’unità di rilevazione è la famiglia.
Unità statistica unità di rilevazione
• Le lezioni non avranno soltanto carattere “teorico” ma
saranno integrate con esemplificazioni pratiche
• Verrà impiegato il software R per l’analisi dei dati
• Siete invitati a installare R e a riprodurre tutto quanto
viene fatto vedere a lezione e a integrarlo con opportune
varianti
• Per lavorare al meglio con R è opportuno disporre di un
editor come R studio
Getting Started
•
•
•
•
•
Where to get R?
Go to cran.r-project.org
Select the version for your OS
For Windows: select base
Select the latest version (…)
The R GUI
The R Working Area
This is the area where all
commands are issued, and
non-graphical outputs
observed when run
interactively
Quitting – q()
Packages
To load a package from the GUI menu
• A package is a standardized
collection of material
extending R
• Contain R functions, data sets,
compiled dll’s
• A default R installation
contains several packages.
• Additional packages can be
installed.
• Not part of the user workspace
• Can be loaded with a
library statement
rmf
• È una libreria di funzioni sviluppata preparando le lezioni
di vari corsi di Statistica
• È scritta esclusivamente usando funzioni preesistenti di R e
si occupa(va) principalmente di produrre un output
• Permette (al docente e allo studente) di eseguire
simulazioni per “dimostrare” empiricamente le regole e i
metodi dell’inferenza statistica
• Potete scaricarla e installarla dal link seguente:
http://hostingwin.unitn.it/micciolo/
• Come tutte le librerie (packages) va installata una volta per
tutte e richiamata all’apertura di ogni sessione di R con il
comando library(rmf)
• La versione di R deve essere 3.0.0 o successive
Lavoriamo un po’ con R
R as a calculator
> x <- c(1,3,2,10,5); y <- c(1:5)
> x
[1] 1 3 2 10 5
> x+y
[1] 2 5 5 14 10
> x*y
[1] 1 6 6 40 25
> x/y
[1] 1.0000000 1.5000000 0.6666667 2.5000000 1.0000000
> x^y
[1]
1
9
8 10000
3125
R as a calculator
• > x <- c(1,3,2,10,5); y <- c(1:5)
• > sum(x)
[1] 21
• > cumsum(x)
[1] 1 4 6 16 21
• > x <- 0.5; 2*x^2-3*x+1<0
[1] FALSE
Frequently used operators
<Assign
+
Sum
Difference
*
Multiplication
/
Division
^
Exponent
%%
Mod
%*%
Dot product
%/% Integer division
%in%
Subset
|
&
<
>
<=
>=
!
!=
==
Or
And
Less
Greater
Less or =
Greater or =
Not
Not equal
Is equal
R as a plotter
• R has many nice and easy-touse plotting functions
• > plot(cars)
*)
• > lines(lowess(cars), col
= "Red")
• > lines(c(4, 25),
c(4, 25)*3.932- 17.579,
lty = 2, col = "Blue")
• > legend(5, 118, c("lowess
smoother", "linear
regression"), lty = 1:2,
col = c("Red", "Blue"))
*) The data give the speed of cars and
the distances taken to stop. Note that
the data were recorded in the 1920s.
> plot(sin, 0, 2*pi,
type = "p", pch = "*",
col = 2)
> plot(table(rpois(1000,5)),
type="h",col="red",lwd=10,
main="rpois(1000,lambda=5)")
> curve(dnorm,-3,3)
