ANOVA MR
### ANOVA MR ###
#INSTALAREA PACHETELOR
[Link]("ez")
[Link]("nlme")
#ÎNCĂRCAREA PACHETELOR
library(psych)
library(ez)
library(nlme)
#încărcarea bazei de date - bdANOVAMR (from SPSS)
View(bdANOVAMR)
#Ipoteza cercetării
# Performanța studenților la parțial este diferită pe parcursul anului universitar
#Organizarea bazei de date
Nume<-rep(bdANOVAMR$ID,4) # va repeta în variabila Nume ID-ul fiecărui student de 4 ori
Nota<-c(bdANOVAMR$P1,bdANOVAMR$P2,bdANOVAMR$P3,bdANOVAMR$P4)
#variabila Nota va cuprinde rezultatele de la cele 4 parțiale ale fiecărui student
Evaluare<-rep(c("P1", "P2", "P3", "P4"), c(180, 180, 180, 180))
#Variabila Evaluare va indica Parțialul la care a fost obținută fiecare notă
#De la 1 la 180 va cuprinde notele de la P1
#De la 181 la 360 va cuprinde notele de la P2
anovamrpartial<-[Link](Nume, Nota, Evaluare)
View(anovamrpartial)
# definirea variabilei Evluare ca variabilă independentă
anovamrpartial$Evaluare<-[Link](anovamrpartial$Evaluare)
#Statistica descriptivă
describeBy(anovamrpartial$Nota, anovamrpartial$Evaluare)
#P1 -> m = 8,30; sd = 2,93;
#P2 -> m = 9,82; sd = 3,23;
#P3 -> m = 8,68; sd = 2,99;
#P4 -> m = 9,82; sd = 3,10;
modelanovamrpartial<-ezANOVA(data = anovamrpartial,
dv = Nota,
wid = Nume,
within = Evaluare,
type=3, detailed = TRUE)
modelanovamrpartial
#Analiza post-hoc - Bonferroni
[Link](anovamrpartial$Nota, anovamrpartial$Evaluare, paired=TRUE,
[Link] = "bonferroni")
REGRESIE
### ANALIZA DE REGRESIE ###
#instalarea pachetelor
#încărcarea pachetelor
library(psych)
library(car)
#importarea bazei de date - [Link]
#Statistica descriptivă
describe(bdregresie)
#Analiza de regresie simplă
regresiestatistica1<-lm(Performanta~IQNumeric, data=bdregresie)
summary(regresiestatistica1)
#Analiza de regresie multiplă
regresiestatistica2<-lm(Performanta~IQNumeric+StatAnx, data=bdregresie)
summary(regresiestatistica2)
#VIF & Tolerance
vifindices <- vif(regresiestatistica2)
vifindices
tolerance<-1/vifindices
tolerance
cbind(vifindices, tolerance)
ANCOVA
### Analiza de covarianță (ANCOVA) ###
[Link]("effects")
[Link]("multcomp")
#încărcarea pachetelor
library(psych)
library(car)
library(effects)
library(multcomp)
#importarea bazei de date - [Link]
#Etichetarea VI
orientare<-factor(bdancova$orientaresex, levels=c(0:1), labels=c("Hetero", "LGBT"))
bdancova<-[Link](bdancova, orientare)
#statistica descriptivă
describeBy(bdancova$ED, bdancova$orientare)
#Veficarea condițiilor
#1. Corelația dintre VI și VCo
[Link](bdancova$orientaresex, bdancova$Depresie, method="spearman")
# r = 0,28 -> coeficientul de corelație este slab -> orientarea sexuală nu corelează cu depresia.
#2. Omogenitatea pantelor de regresie
omogenitatepanteregresie<-lm(ED~Depresie+orientare+Depresie*orientare, data=bdancova)
summary(omogenitatepanteregresie)
#3. Omogenitatea varianțelor
leveneTest(bdancova$Depresie, bdancova$orientare, center=mean)
#Aplicarea ANCOVA
ancovaED<-aov(ED~Depresie+orientare, data=bdancova)
Anova(ancovaED, type="III")
#Estimarea mediilor ED sub controlul Depresiei
adjustedMeans<-effect("orientare", ancovaED, se=TRUE)
summary(adjustedMeans)
#Analiza psot-hoc
postHocs<-glht(ancovaED)
summary(postHocs)
MEDIERE
### ANALIZA DE MEDIERE ###
#instalarea pachetelor
[Link]("lavaan")
[Link]("semPlot")
#încărcarea pachetelor
library(psych)
library(lavaan)
library(semPlot)
#importarea bazei de date - [Link] (from SPSS)
#Ipoteza cercetării: DERS mediază relația dintre ACE și depresie
#X = ACE; Y = Depresie; M = DERS
### Analiza de mediere în abordarea clascică - prin analiza de regresie ###
#Pasul 1 - efectul ACE asupra depresiei în lipsa DERS
caleac<-lm(Depresiv~ACE, data=bdmediere)
summary(caleac)
#Pasul 2 - efectul ACE asupra DERS
caleaa<-lm(DERS~ACE, data=bdmediere)
summary(caleaa)
#Pasul 3 - efectul DERS asupra Depresiei și efectul ACE asupra Depresiei sub controlul lui
DERS
caleabcprim<-lm(Depresiv~DERS+ACE, data=bdmediere)
summary(caleabcprim)
### Analiza de mediere în pachetul lavaan ###
#specificarea modelului
medieredepresie<-'DERS~a*ACE
Depresiv~b*DERS + cprim*ACE
indirect:=a*b
total:=a*b + cprim'
#analiza de mediere
analizamedieredepresie<-lavaan::sem(model = medieredepresie, data = bdmediere,
[Link]=260)
#afișarea rezultatelor
summary(analizamedieredepresie)
#Reprezentarea grafică
etichete<-c("Dif Reg Em", "Depresie", "ACE")
aspect <- matrix(c(0.3,0.4, 0.5,0.3,
0.1,0.3), ncol=2, byrow=TRUE)
semPaths(analizamedieredepresie, whatLabels = 'est',
sizeMan = 8, sizeMan2 = 5,
nodeLabels = etichete, layout = aspect,
curve = 2, curvature = 0.7,
color = list(man='cyan'),
[Link] = "black", normalize = FALSE)
MODERARE
### ANALIZA DE MODERARE ###
#instalarea pachetelor
[Link]("sjPlot")
#incărcarea pachetelor
library(sjPlot)
library(psych)
library(lavaan)
#importarea bazei de date - [Link] (from excel)
#Ipoteza: Experiența moderează relația dintre ACE și Stresul traumatic secundar (STS)
# b3 diferit de 0
#La valori crescute ale experienței este de așteptat ca efectul ACE asupra STS să fie mai puternic
#La valori scăzute ale experienței este de așteptat ca efectul ACE asupra STS să fie mai slab
#X = ACE; Y = STS; W = Experiența
#Verificarea condițiilor
[Link](bdc9$ACE, bdc9$STS, method="pearson")
[Link](bdc9$ACE, bdc9$Exp, method="pearson")
#Calculea pragurilor de intensitate ale moderatorului
describe(bdc9$Exp)
# m = 3,95; sd = 1.78
# m-1sd = 3,95 - 1,78 = 2,17 (aproximativ 2)
# m + 1sd = 3,95 + 1,78 = 5,73 (aproximativ 6)
# Experiență <=2 înseamnă valori mici ale experienței
# Experiență >=6 înseamnă valori mari ale experienței
#Calcularea variabilei interacțiunii
ACEExp<-bdc9$ACE*bdc9$Exp
bdc9<-[Link](bdc9, ACEExp)
#Specificarea modelului
moderareSTS<-'STS~b1*ACE+b2*Exp+b3*ACEExp
STS1:= b1+b3*2
STS2:= b1+b3*3.95
STS3:= b1+b3*6'
#STS1 este efectul ACE asupra STS la valori mici ale Exp
#STS2 este efectul ACE asupra STS la valori medii ale Exp
#STS3 este efectul ACE asupra STS la valori mari ale Exp
#Analiza de moderare
analizamoderareSTS<-lavaan::sem(model=moderareSTS, data = bdc9, [Link]=223)
#afișarea rezultatelor
summary(analizamoderareSTS)
#Interpretarea rezultatelor
# b3(panta variabilei interacțiunii) = 0.30, p = .039 < alpha (.05) -> variabila interacțiunii
# are un efect semnificativ asupra STS -> experiența moderează relația dintre ACE și STS.
#la valori mici ale experienței (linia STS1) efectul ACE asupra STS este semnificativ (b = 1.04,
p = .002)
#la valori mari ale experienței (linia STS3) efectul ACE asupra STS este semnificativ (b = 2.22,
p < .001)
#graficul interacțiunii
graficmoderareSTS<-lm(STS~ACE*Exp, data = bdc9)
plot_model(graficmoderareSTS, type="pred", terms=c("ACE", "Exp"))
REGRESIE LOGISTICA
### ANALIZA DE REGRESIE LOGISTICĂ ###
#instalarea pachetelor
[Link]("pROC")
#încărcarea pachetelor
library(psych)
library(pROC)
library(car)
#încărcarea bazei de date - bdregresielog
bd<-bdregresielog
#H1 - Consumul de droguri și antecedentele penale în familie sunt predictori ai recidivei
infracționale
#Rezultatele testului chi-pătrat - Step 0
modelrecidiva.0<-glm(recidiva~1, data=bd, family=binomial(link = logit))
summary(modelrecidiva.0)
#În acest pas testez care este șansa de a face predicții doar pe baza șansei (fără predictorii pe care
îi testez)
# p = .008 -> pe baza șansei, fără predictori, există o probabilitate semnificativă de a identifica
# persoane care au recidivat.
#Specificarea modelului
modelrecidiva<-glm(recidiva~droguri+ant_familie, data=bd, family=binomial(link=logit))
#Afișarea rezultatelor
summary(modelrecidiva)
#Testul chi-pătrat face comparația dintre modelul fără predictori și modelul cu predictori
# Valoarea calculată a testului chi-pătrat
Chisquare_recidiva<-modelrecidiva$[Link]-modelrecidiva$deviance
Chisquare_recidiva
#Chi-pătrat = 132.13
#Calcularea numărului de grade de libertate (df)
Chisquaredf_recidiva<-modelrecidiva$[Link]-modelrecidiva$[Link]
Chisquaredf_recidiva
#df = 2
#Semnificația statistică a testului chi-pătrat
Chisquareprob_recidiva<-1-pchisq(Chisquare_recidiva,Chisquaredf_recidiva)
Chisquareprob_recidiva
#p < .001 -> modelul cu predictori este semnificativ mai bun decât modelul fără predictori
#Calcularea lui R-square Cox and Snell
[Link]<-Chisquare_recidiva/modelrecidiva$[Link]
[Link]
#R^2 Cox and Snell = 0,4586 -> aprox 46% din recidiva infracțională a femelilor este explicată
de
#consumul de droguri și antecedentele penale în familie.
#Afișarea coeficienților odds ratio
modelrecidiva$coefficients #afișează coeficientul beta (panta)
exp(modelrecidiva$coefficients) # afișează coeficienții odds ratio
exp(confint(modelrecidiva)) # afișează intervalul de încredere pt odds ratio
#Estimarea probabilității de a recidiva pe baza modelului pt fiecare participant
probabilitaterecidiva<-fitted(modelrecidiva)
bd<-[Link](bd, probabilitaterecidiva)
#Estimarea procentului de identificare corectă pe baza modelului - necesită pacheteul pROC
rocrecidiva <- roc(bd$recidiva, predict(modelrecidiva, type = "response"))
auc(rocrecidiva)
#Calcularea indicilor VIF și Tolerance (testează coliniaritatea predictorilor)
vif_value<-vif(modelrecidiva) #pachetul car
tolerance<-(1/vif_value)
tolerance
cbind(vif_value, tolerance)
MATRICE CORELATII
# corelațiile dintre predictori
bdCorPred <- [Link](Tema2_1_$N, Tema2_1_$E, Tema2_1_$D, Tema2_1_$A,
Tema2_1_$C, Tema2_1_$SM)
rcorr([Link](bdCorPred))