Cách tiếp cận tốt để dạy R trong phòng thí nghiệm máy tính là gì?

Đã có một số câu hỏi hay và bộ câu trả lời về sách giới thiệu hoặc phương pháp tiếp cận để học R, ví dụ ở đây và đây . Nhưng tôi có một vấn đề hơi khác - cách tốt nhất để chạy một phiên dài một giờ (hoặc một vài phiên như vậy) trong phòng thí nghiệm máy tính sẽ khiến mọi người bắt đầu ở R, làm quen với cách tiếp cận cơ bản của nó, v.v.

Kế hoạch hiện tại của tôi sẽ là làm việc hiệu quả thông qua các chương giới thiệu của một thứ như SimpleR của Verzani và sau đó giới thiệu một bộ dữ liệu quen thuộc, nhưng có cách tiếp cận nào khác mà mọi người thấy hữu ích không? Ví dụ, có tốt không khi giới thiệu dữ liệu thực ngay lập tức hoặc giải quyết các vấn đề theo cách trừu tượng hơn? Tôi có nên tìm hiểu kỹ về cách sử dụng dấu ngoặc vuông hay kích thích mọi người bằng các ví dụ về đồ họa mạng?

Đối tượng mục tiêu của tôi quen thuộc với các số liệu thống kê (mặc dù không phải là chuyên gia) và người dùng SPSS có thẩm quyền; không quen thuộc với các ngôn ngữ lập trình ngoài loại macro và tập lệnh mà bạn có trong SPSS và những thứ tương tự.

Bất kỳ lời khuyên hoặc tài liệu tham khảo cho kế hoạch bài học sẽ được đánh giá cao. Tuy nhiên, tôi không muốn sao chép nhiều danh sách tốt các tài liệu trực tuyến giới thiệu R - tham khảo nghiêm ngặt câu hỏi hướng dẫn trực tiếp.

Tôi tranh luận về một cách tiếp cận hoàn toàn khác. Tôi đã thấy các hướng dẫn R được dạy từ hai quan điểm khác nhau: cách tiếp cận khối xây dựng, trong đó người dùng được giới thiệu các khái niệm cơ bản của R và cách tiếp cận gây sốc, trong đó người dùng được thể hiện khả năng tuyệt vời của R nhưng vẫn còn tương đối ít hiểu biết về cách làm bất cứ điều gì. Loại thứ hai chắc chắn tạo ra tiếng vang mạnh mẽ hơn với các học sinh, nhưng không ai có vẻ rất hiệu quả trong việc tạo ra người dùng thực sự.

Thay vào đó, tôi sẽ thực hiện một nhiệm vụ phổ biến và tương đối đơn giản trong SPSS và chuyển qua chuyển đổi nó thành R, với một chút ngây thơ giả tạo về phía bạn - ví dụ, làm theo gợi ý tuyệt vời của Xi'an để tìm kiếm một số chức năng mong muốn ??thay vì chỉ nhớ lại chức năng đúng từ bộ nhớ. Người mới của bạn gần như chắc chắn sẽ chuyển đổi các quy trình hiện có khi họ học R, không viết chúng từ đầu - vậy tại sao không chỉ cho họ chính xác cách bạn thực hiện điều đó?

Một ví dụ điển hình có thể bao gồm chỉ tải dữ liệu, thực hiện một số mô tả và bật ra một số sơ đồ cơ bản. lm()có thể rất, rất đơn giản và tạo ra kết quả mà họ sẽ hiểu và có thể so sánh với đầu ra SPSS, do đó cũng có thể tốt.

Đối với bài tập về nhà, hãy yêu cầu họ thực hiện chuyển đổi một trong các quy trình đơn giản của họ hoặc tải và khám phá bộ dữ liệu mà họ rất quen thuộc. Cung cấp cho họ một lần một lần để tìm ra nơi nào đang xảy ra sự cố, sau đó bao gồm những điều đó trong phiên tiếp theo với nhiều chuyển đổi ví dụ hơn. Các khái niệm từ danh sách của bạn chắc chắn sẽ xuất hiện (đặt cược của tôi: các yếu tố so với vectơ ký tự, so với áp dụng) - và sau đó bạn sẽ có một động lực trong thế giới thực để che đậy chúng. Nếu họ không đến (attach ), thì họ chưa thực sự cần thiết - nếu điều đó có nghĩa là người mới của bạn viết một mã không thành ngữ sớm ( forthay vì apply), tôi sẽ không thấy tác hại.

Bằng cách này, sinh viên của bạn có thể tiến bộ giống như cách sinh viên ngoại ngữ làm (hoặc ít nhất là cách tôi đã làm): bản dịch thô sơ của các biểu thức đơn giản thúc đẩy mong muốn diễn đạt phức tạp hơn, điều này gây ra mong muốn hiểu sâu hơn về ngữ pháp , mà cuối cùng dẫn đến biểu hiện thành ngữ. Đừng nhảy vào "ngữ pháp" quá sớm và đừng quá lo lắng về việc dạy cho họ những điều họ không hỏi vì dù sao họ cũng sẽ quên nó. Con trỏ nhẹ nhàng về biểu hiện thành ngữ là tuyệt vời ( forso với apply), nhưng điều chính là để làm cho chúng tạo ra đầu ra và tự khám phá.

OK, đây là câu trả lời của riêng tôi cho đến nay về những gì tôi nghĩ sẽ khiến mọi người bắt đầu và thúc đẩy họ tìm hiểu thêm (tôi đang cố gắng loại bỏ chúng khỏi SPSS, theo nghĩa đen không thể thực hiện một số điều chúng ta cần để phân tích khảo sát phức tạp, ít nhất là mà không mua thêm các mô-đun mà tôi từ chối làm).

Vào cuối phiên đầu tiên, bạn sẽ có thể:

Khái niệm cơ bản

• Sử dụng giao diện để thực hiện các phép tính đơn giản (sử dụng R làm máy tính)
• Bắt đầu, lưu và tải một cửa sổ script và sử dụng nó một cách hiệu quả
• Tạo và xóa các đối tượng trong không gian làm việc của bạn
• Xem thư mục nào là thư mục làm việc của bạn
• Hiểu cách thư mục P: / R / yourid hoạt động và việc lưu không gian làm việc khi thoát không
• Tải hình ảnh của một không gian làm việc bao gồm cả XXX (dữ liệu thường được sử dụng của chúng tôi)
• Liệt kê các đối tượng trong bộ nhớ
• Liệt kê tên của các cột (biến) trong khung dữ liệu
• In một đối tượng ra màn hình
• Đính kèm và tách khung dữ liệu
• Biết ý nghĩa của: đối tượng, hàm, đối số (đối với hàm), không gian làm việc, vectơ, khung dữ liệu, ma trận, số, hệ số
• Biết cách tìm kiếm trợ giúp về một chức năng
• Sử dụng ?? để tìm danh sách các chức năng liên quan
• Đi đâu trên web và sách địa phương và mạng LAN của chúng tôi để có thêm tài nguyên
• hiểu đủ các kiến ​​thức cơ bản về R để tham gia các buổi thí nghiệm về các kỹ thuật thống kê cụ thể

Thao tác dữ liệu

• Tạo một vectơ số bằng toán tử:
• Làm một bảng đếm cho một biến
• Thực hiện một dấu thập đếm cho hai biến
• Tạo một đối tượng mới (ví dụ: một trong các bảng trên) để thao tác thêm
• Chuyển một ma trận hoặc bảng
• Tạo một vectơ phương tiện của một biến liên tục theo một yếu tố sử dụng tapply ()
• Liên kết một số vectơ với nhau bằng cbind () hoặc data.frame ()
• Tạo một tập hợp con của ma trận bằng cách sử dụng []
• Tạo một phép biến đổi đơn giản, ví dụ logarit hoặc căn bậc hai

Số liệu thống kê

• Tính tương quan của hai biến liên tục

Đồ họa

• Tạo một biểu đồ của một biến liên tục
• Tạo một cửa sổ đồ họa và chia nó thành 2 hoặc 4 phần
• Tạo một biểu đồ đường mật độ của một biến liên tục
• Tạo một biểu đồ phân tán gồm hai biến liên tục
• Thêm một đường thẳng vào một biểu đồ phân tán (dọc, ngang hoặc ab)
• Tạo nhãn cho trục và tiêu đề

Vào cuối ba buổi và thực hiện một loạt các bài tập giữa bạn cũng có thể:

Khái niệm cơ bản

• Nhập dữ liệu ở định dạng SPSS hoặc .csv
• Xóa tất cả các đối tượng trong không gian làm việc của bạn để bắt đầu làm mới
• sử dụng thư viện gói
• Lưu hình ảnh không gian làm việc và hiểu các nguyên tắc cơ bản R và bộ nhớ
• Tạo các biến ngẫu nhiên
• Sử dụng c () để tạo một vectơ
• Có một cảm giác tốt về nơi để đi để tìm hiểu các phương pháp và kỹ thuật mới

Thao tác dữ liệu

• Sử dụng tổng hợp () trên tập dữ liệu thực, ví dụ: số lượt truy cập của khách theo tháng và quốc gia
• Các == ,! = Và% trong% toán tử; vectơ logic; và sử dụng chúng để tập hợp dữ liệu
• ifelse () và sử dụng nó để tạo các biến mới
• hàm tối đa, cực tiểu và tương tự và cách chúng hoạt động với vectơ
• Tạo một vectơ hoặc ma trận để lưu trữ nhiều kết quả
• Sử dụng một vòng lặp để lặp lại một chức năng tương tự nhiều lần
• Sử dụng áp dụng () để áp dụng một hàm cho mỗi cột hoặc hàng của ma trận
• Tạo một yếu tố theo thứ tự
• Sử dụng cut () để mã hóa lại một biến số

Số liệu thống kê

• Chi kiểm tra vuông cho một bảng dự phòng
• Phiên bản mạnh mẽ của mối tương quan
• Khớp mô hình tuyến tính với hai biến liên tục, đặt kết quả vào một đối tượng và sử dụng anova (), tóm tắt () và âm mưu () để xem kết quả
• hiểu đủ về các mô hình và cách chúng hoạt động trong R để sẵn sàng áp dụng các kỹ năng của bạn vào một loạt các kiểu mô hình
• Sử dụng boot () để thực hiện bootstrap trên một hàm cơ bản như cor (), mean () hoặc var ()
• Sử dụng mẫu () trên tập dữ liệu thực tế

Đồ họa

• Tạo một biểu đồ đường mật độ mạng của một biến liên tục với các mức khác nhau của một yếu tố
• qqnorm
• xây dựng một cốt truyện phân tán với các điểm màu sắc và ký tự khác nhau thể hiện các cấp độ khác nhau của một yếu tố; thêm điểm hoặc đường vào một biểu đồ phân tán hiện có
• thêm một huyền thoại
• dấu chấm
• errbar ()
• sử dụng vòng lặp để vẽ nhiều biểu đồ trên một trang

Vào danh sách của Peter, tôi sẽ thêm:

1. khung dữ liệu tập hợp con: tập hợp con theo quan sát (ví dụ: tất cả các phản hồi trên 3), tập hợp con theo biến.
2. sử dụng các câu lệnh ifelse (đây là một đường cong học tập rất lớn đối với tôi, tôi tiếp tục cố gắng sử dụng kiểu câu lệnh if), đặc biệt là ifelse lồng nhau.
3. tóm tắt dữ liệu thành một khung dữ liệu nhỏ hơn bằng cách sử dụng lệnh tổng hợp.
4. học cách sử dụng toán tử ==.
5. sử dụng <- chứ không phải =
6. đổi tên biến
7. Các bẫy vector hóa cơ bản, chẳng hạn như max (A, B) trong SAS không thực hiện những gì max (A, B) làm trong R, nếu A là một biến trong khung dữ liệu và B là một giá trị duy nhất. Để làm tương đương với mã SAS (và có thể là mã SPSS), tôi sử dụng câu lệnh ifelse.
8. sử dụng với thay vì đính kèm. :)

Nhiều suy nghĩ hơn: Có lẽ họ sử dụng COMPUTErất nhiều trong SPSS, vì vậy bao quát cách làm điều đó Rsẽ tốt. Ngoài ra, làm thế nào để RECODEbiến trong R. Khi tôi đang sử dụng SPSStôi nghĩ rằng hầu hết công việc "không phân tích" của tôi là sử dụng hai lệnh đó.