Přednáška 2 Etapy výzkumu, přístup k datům 13.10. 2009.

Prezentace na téma: "Přednáška 2 Etapy výzkumu, přístup k datům 13.10. 2009."— Transkript prezentace:

1 Přednáška 2 Etapy výzkumu, přístup k datům 13.10. 2009

2 Několik otázek na úvod úkoly četba Tinn-R data a syntaxy v Moodlu zaheslování Moodlu: analyzadat

3 Model empirického výzkumu (viz Hendl kap. 1) vědecká otázka návrh teorie identifikace proměnných určení hypotéz plán výzkumu sběr dat, testování hypotéz vyhodnocení výsledků kritické shrnutí

4 Tvorba teoretického základu výzkumu Teorie Hypotéza Formální model Operacionalizace Empirické indikátory

5 Testování hypotéz a jiné možnosti Přístup k hypotézám Explorace (formulace nových hypotéz) Demonstrace (deduktivně podporujeme platnost hypotéz) Opakování (opakování výsledků výzkumu) Zamítnutí (falsifikace hypotéz vycházející z Popperova kritického realismu)

6 Typy vektorů číselný vektor (věk) vek<-c(12, 17, 28) logický vektor (pravda/ nepravda ~ 0/1) zletily<-vek<18 nominální vektor = faktor!!! – hodnoty mohou být číselné nebo stringové, ale jsou diskrétní příklad faktoru se stringovými hodnotami: velmi souhlasím – spíše souhlasím – spíše nesouhlasím - nesouhlasím nazor1 <- factor(c(“velmi souhlasim”, “nesouhlasim”, “velmi nesouhlasim”)) příklad faktoru s číselnými podnotami: 1, 3, 4 nazor2 <- factor(c(1,3,4)) znakový vektor (jméno města) mesto<-c("Praha", "Praha", "Brno") zkuste udělat ze znakového vektoru faktor: mesto2<-as.factor(mesto)

7 Jak zjistíme typ vektoru class () – informace o třídě objektu (např. vektoru) str() – podrobnější informace o objektu class(vek) [1] "numeric„ str(vek) num [1:3] 12 17 28

8 Typy vektorů class(vek) [1] "numeric„ > class(zletily) [1] "logical" class(nazor1) [1] "factor„ class(mesto) [1] "character" numerický vektor logický vektor nominální vektor stringový vektor

9 Datový rámce: další užitečný objekt dvourozměrné pole, matice sloupce nemusí být vektory stejného typu užitečný při zpracování dat data1<-data.frame(vek, zletily, nazor, mesto) podívejte se na svá data: edit(data1) opravte svá data data2<-edit(data1) zavolejte sloupec (proměnnou) z datového rámce: data2$vek

10 Import datových souborů není tak jednoduchý jako v jiných programech ale je možné naimportovat data z prakticky jakéhokoli formátu

11 Import: cut and paste import dat z tabulkového procesoru (například Excell) read.clipboard(psych) – tzn. musíte nainstalovat package “psych“ install.packages (“psych”) library(“psych”) ?psych() 1. zkopírujte data z tabulkového editoru do cplipboardu 2. data<-read.clipboard() 3. edit(data2)

12 Import: csv (comma separated value)

13

14

15 read.csv () ?read.csv() data4<- read.csv("\\\\ajifs01\\czphome2\\czpurban\\Deskt op\\mazat\\data.csv",header=TRUE, sep=";") ale jde to i jednodušeji: source<-file.choose() data4<-read.csv(source, header=T, sep=“;”) podívejte se i na význam dalších argumentů v read.csv!

16 Import z dalších formátů (STATA, SAS, SPSS...) - package „foreign“ - bohužel načítání dat např. z SPSS může dělat problémy (nefunguje ukládání jako data.frame) - proto bude pracovat s csv data oddělenými tabulátorem

17 Import dat Eurobarometer Natáhněte data z CD (textový soubor „data_Eurobarometer“) source<-file.choose() data<-read.csv(source, header = T, sep = "\t") prohlédněte si data edit(data) prohlédněte si jména proměnných v datovém rámci names(data)

18

19 Četnosti hodnot, míry variability a rozptýlenosti (viz Vavrčík 4.1) table() mean() median() min() max() sd() var() četnost průměr medián minimum maximum směrodatná odchylka rozptyl

20 Děkuji za pozornost

21

22