*tidyverse 패키지를 활용한 분석방법
- 추론 방식을 사용하여 ANOVA를 실시할 때는 부트스트래핑 방법을 활용할 수 있음
- 부트스트래핑: 데이터에서 여러 개의 샘플을 반복적으로 추출하여 새로운 분포를 만들어 내고, 이를 활용하여 통계적 추정이나 가설 검정을 수행하는 방법
- 사용되는 함수
- specify(): 어떤 데이터를 가져올거야?
- generate(): 데이터에서 가상의 샘플들을 뽑아줘
- calculate(): 각각의 통계치 계산해
- visualize(): 새로운 분포 그래프 만들기
- hypothesize(): 귀무가설 가정
오늘 실습에서는 한 프랜차이즈 매장의 4개의 지점 간 고객만족도 점수의 차이가 있는지를 살펴본다
귀무가설: 4곳 매장의 고객만족도는 차이가 없다
차례
1. 패키지 설치 및 불러오기, 데이터 불러오기, 변수 설정
2. 추론을 활용한 가설검정: F값 검정
패키지 설치 및 불러오기, 데이터 불러오기, 변수설정
- 오늘의 실습을 위해 필요한 R 패키지. 패키지는 한 번 설치하면 다음에 다시 설치할 필요 없음. 그러나 라이브러리는 매번 불러와야 함!
# 패키지 설치
install.packages("tidyverse") #쌍따옴표 주의
install.packages("tidymodels")
install.packages("rstatix")
# 설치한 패키지 불러오기 (라이브러리)
library(tidyverse) #쌍따옴표 없음
library(tidymodels)
library(rstatix)
# 데이터 불러오기
owa_tb <- read_csv("08.owa.csv",
col_names = T,
na = ".",
locale = locale("ko", encoding = "euc-kr")) %>%
mutate_if(is.character, as.factor) %>%
mutate(매장명 = factor(매장명,
levels = c(1:4),
labels = c("강남","강서","강동","강북")))
# F값확인
f_cal <- owa_tb %>%
specify(formula = 만족도 ~ 매장명) %>%
calculate(stat = "F") %>%
print() # 10.8
null_dist_f <- owa_tb %>%
specify(formula = 만족도 ~ 매장명) %>%
hypothesize(null = "independence") %>% # 그룹 간 차이이기 때문에 각각의 독립적인 값을 활용한다
generate(reps = 1000,
type = "permute") %>% # 퍼뮤트 방법 사용하겠다!
calculate(stat = "F") %>%
print()
위를 실행시키면 아래와 같이 출력됨. 1000번 추출한 샘플들 각각의 F값을 보여줌
Response: 만족도 (numeric)
Explanatory: 매장명 (factor)
Null Hypothesis: independence
# A tibble: 1,000 × 2
replicate stat
<int> <dbl>
1 1 1.07
2 2 1.01
3 3 0.870
4 4 2.95
5 5 1.40
6 6 0.0897
7 7 0.270
8 8 0.165
9 9 0.597
10 10 0.763
# ℹ 990 more rows
# ℹ Use `print(n = ...)` to see more rows
>
신뢰구간 구하는 것은 의미가 없고, p밸류 구해서 그래프로 시각화함.
null_dist_f %>%
get_p_value(obs_stat = f_cal,
direction = "greater") # 큰지 작은지 비교하는 단측검정임
null_dist_f %>%
visualize(method = "both") +
shade_p_value(obs_stat = f_cal,
direction = "greater") # 이론적 분포에서 많이 떨어져 있음 -> 귀무가설 기각