利用Rstudio对考试成绩进行数据分析

首先导入数据到Rstudio中

使用read.csv()函数

scores

nrow(scores)

[1] 599

ncol(scores)

[1] 12

在scores的所有列中，num和class两列与成绩没有太大的关系，我们可以将其去掉，也可以保留

如果要去掉的话：

生成一个新的数据框，把num和class去掉：

scores1<-as.data.frame(scores[,c('chn','math','eng','phy','chem','politics','bio','history','geo','pe')])

或：

scores1<-as.data.frame(scores[,3:12])

然后分别给scores和scores1两个数据框各添加一列，总分sum：

scores$sum<-apply(scores[,3:12],1,sum)

scores1$sum<-apply(scores1,1,sum)

其中apply()函数中的1代表对行，2代表对列

结果：

可以发现原始数据其实是根据其中没有的总分来排列的

看一下描述性统计量数据：

summary(scores[,3:13])

对于sum这个变量，可以看到极差为：

attach(scores)
max(sum)-min(sum)

[1] 495.3

看一看sum值的分布情况：

hist(scores$sum,freq=F,breaks=50)
lines(density(scores$sum),col='red',lwd=2)

上图在sum分布直方图上添加了其核密度曲线，可以看到sum的分布情况

使用ggplot2实现：

library(ggplot2)
ggplot(scores,aes(sum,..density..))+geom_histogram(fill='darkgray')+geom_density(color='red')+ggtitle('Histogram with Density of SUM')

接下来考察一下各科目间的相关性，以数学为例，在使用cor()函数计算相关系数之前，我先来猜测一下，数学与物理、化学和生物的相关性比较大

cor(scores[,3:12])

观察math的一列可以发现，相关系数超过0.8的科目有三个，分别是英语，物理和化学，和我的猜测有些出入。

接下来使用lm()函数拟合线性回归模型

mathfit<-lm(math~.,data=scores[,3:12])

在拟合的模型中可以看到系数最大的是phy（0.760），其次是chem（0.428），第三是geo（0.408）

所以可以从对这个样本的分析中得出一个初步的结论：在多元线性回归模型中，数学成绩与物理成绩的相关程度最高，也就是说对于多数学生而言，数学成绩高则物理成绩高，反之亦然。这与我们日常的认识是一致的。

而对于其他科目，与数学成绩的相关性就没有那么高，尽管可能有联系，但是相比于物理成绩而言要稍微弱一些。

有了一个回归模型之后，就需要对回归模型进行评价

首先使用confint()函数查看置信区间

confint(mathfit,level=0.95)

在结论中可以看到：
1、chn和history成绩的置信区间包含0，则可以得出结论：当其他变量不变时，chn和history成绩的改变与math成绩无关
2、其余变量每改变1%，math成绩就在95%的置信区间里变化
例：eng成绩每改变1%，math成绩就在95%的置信区间[0.057,0.198]中变化

回归诊断的一个标准方法是使用基本包中的plot()函数生成评价模型拟合情况的四幅图形

plot(mathfit)

就得到了以下的四幅图：

1,Residuals & Fitted（残差与拟合图）：若变量与自变量线性相关，那么残差值与预测值就没有任何系统关联

2,Normal Q-Q（正态Q-Q图）：在正态分布对应的值下，标准化残差的概率图。若满足正态假设，那么图上的点应落在呈45°角的直线上，否则不满足正态假设。（正态假设：当预测变量固定式，因变量成正态分布，则残差值也应该是一个均值为零的正态分布）

3, Scale-Location Graph（位置尺度图）：表示标准化残差的开方与拟合值的残差图。若满足不变方差假设，则在该图中，曲线周围的点应该随机分布

4, Residuals vs Leverage（残差与杠杆图）：从图形可以鉴别出离群点、高杠杆值点和强影响点