1 自己紹介

1.1 はじめまして

水野君平
北大教育学院（not文学部）D3
専門：教育心理学
R歴：5年（ただしあまり使わない）

2 Rとは

2.1 統計環境ソフトR

分析できる
データの可視化（グラフ）ができる
スライドをつくれる
Youtubeを観れる
今日は心理調査屋流？のRの使い方
- 統計ソフトとしてのR

2.2 Rの利点

無料であること（SPSSは高い、Mplusは安い）
拡張性が高い（他ソフトはお着せ）
CUI（プログラム不得意なので少し使いにくい）
コピーアンドペースト（）で操作できる利点

3 Rの特徴

エラーがしんどい（CUIゆえ）
コードが難しい（でも助けてくれる人がいる）
コードの使い回しができる（コメントアウト機能も便利）
分析の手順を残せる（SPSSは地獄）

3.1 Rを使って何をするのか

高価な有償ソフトを使わなくても研究できる
- HADがるからいいじゃん
- JASPがあるからいいじゃん
かゆいところに手が届く分析が可能

3.2 Rstudeio

あると便利、というかほぼマストなもの
高機能システムキッチン
生Rは使いにくい（地獄）
一部GUIなので便利（GUIに慣れているので）
コードをサジェストしてくれる
もちろん無償

3.3 Rstudioの画面

rstudio

3.4 さっそくやってみよう

Rのインストール
- cran.r-project.org
RStudioのインストール
- www.rstudio.com

4 Rstudioの使い方

4.1 まずやること

Rを自分好みにする
ToolsからGrobal Optionsへ

4.2 Groval Options

options

4.3 Appearance

文字と背景の色でイキろう

4.4 Panel layout

使いやすいようにパネルの位置を変更することも良い
スクリプトとコンソールは上など

4.5 プロジェクトをつくる！

プロジェクトを作成する
- フォルダみたいなもの
- ここに全てを置く

4.6 実際の作成手順

fileからnew project
New Directory
Empty Project
Directoryの名前とパスは適当に

4.7 注意点

パスに日本語が入るとエラーを吐く場合がある
特にユーザー名を日本語にしている場合は絶望的
- 自分は一度ユーザー設定を作り直した

4.8 ちがうかも

hokuso - らしい

4.9 スクリプトを開く

scr

4.10 ででーん

scr2

4.11 スクリプトとは？

メモみたいなもの（知らんけど）
生Rだとコンソールに直打ち込み（地獄）
スクリプトだとテキストメモを使う必要もない

4.12 簡単な計算をする

1+1

## [1] 2

4.13 変数を扱う

x<- 1 + 1
x

## [1] 2

4.14 変数計算も可

x * 10

## [1] 20

x ^ 2

## [1] 4

sqrt( x )

## [1] 1.414214

y <- x ^ 2
z <- x * 10
sum( y , z )

## [1] 24

5 データファイルで分析

5.1 データファイルを使う準備

データファイルはコンマ区切りのやつ（csv）
- .excelや.savの拡張子でも読み込める（らしい）
Excelから作成するときには・・・
- ファイルから名前を付けて保存
- CSV (コンマ区切り) (.csv)で保存
- 警告を何度か踏むが無視

5.2 csv以外を読み込むときには

Import Datasetを押す

6 データセットの説明

6.1 データを読み込む

ファイル名はdata.csv
1行目は変数名 (英数字、カッコを使わないほうがいい)
欠損値はピリオド
中学校46学級への調査データを共分散行列から再び乱数で作成したもの
- HADでやりました
- なので不自然な値がある
- 学年、学級、性別もランダムに再割当て（手作業）

6.2 どんなデータなのか

id……生徒のID
class……学級のナンバリング
grade……学年
sex……0=男子、1=女子
その他質問項目

6.3 学級風土

zikokaizi
- 「自然な自己開示」という学級風土尺度の下位尺度
1……個人的な問題を安心して話せる
2……自分たちの気持ちを気軽に言い合える
3……自分たちの気持ちを率直に先生にみせる

6.4 学校適応感

igokochi
- 「居心地の良さの感覚」という学校適応感尺度の下位尺度
1……周囲に溶け込めている
2……ありのままの自分を出せている
3……周りの人と楽しい時間を過ごせている
4……自由に話せる雰囲気を感じている
5……自分と周りがかみ合っている

7 データを読み込んで分析する

7.1 データ読み込み

dat = read.csv("dataset.csv", na.strings = ".", head=T, row.names=1)

na.strings= " . " で . を NA に変更
row.namesで先頭列をidと認識させる

7.2 まずは

summary()を用いる
- データフレームの全ての変数の最小値、第1四分位(25%)、中央値、平均値、第3四分位(75%)、最大値が表示される。
乱数データなので変な値が出るが気にしないでください

summary(dat)

##      class           grade            sex           zikokaizi1    
##  Min.   : 1.00   Min.   :1.000   Min.   :0.0000   Min.   :-1.025  
##  1st Qu.:12.00   1st Qu.:1.000   1st Qu.:0.0000   1st Qu.: 2.207  
##  Median :23.00   Median :2.000   Median :1.0000   Median : 3.125  
##  Mean   :23.16   Mean   :2.019   Mean   :0.5503   Mean   : 3.101  
##  3rd Qu.:35.00   3rd Qu.:3.000   3rd Qu.:1.0000   3rd Qu.: 3.937  
##  Max.   :46.00   Max.   :3.000   Max.   :1.0000   Max.   : 7.573  
##                                  NA's   :5                        
##    zikokaizi2        zikokaizi3        igokochi1         igokochi2      
##  Min.   :-0.5137   Min.   :-0.7089   Min.   :-0.1827   Min.   :-0.5368  
##  1st Qu.: 2.5293   1st Qu.: 2.3409   1st Qu.: 2.9950   1st Qu.: 2.6355  
##  Median : 3.4322   Median : 3.2326   Median : 3.6417   Median : 3.4315  
##  Mean   : 3.4002   Mean   : 3.2021   Mean   : 3.6664   Mean   : 3.4255  
##  3rd Qu.: 4.2295   3rd Qu.: 4.0573   3rd Qu.: 4.3452   3rd Qu.: 4.2637  
##  Max.   : 8.1928   Max.   : 7.3596   Max.   : 6.9891   Max.   : 7.0810  
##  NA's   :2                           NA's   :1                          
##    igokochi3       igokochi4         igokochi5       
##  Min.   :0.531   Min.   :-0.1365   Min.   :-0.07205  
##  1st Qu.:3.324   1st Qu.: 3.0179   1st Qu.: 2.85282  
##  Median :4.013   Median : 3.8398   Median : 3.64251  
##  Mean   :3.994   Mean   : 3.7679   Mean   : 3.60712  
##  3rd Qu.:4.679   3rd Qu.: 4.5045   3rd Qu.: 4.32881  
##  Max.   :7.442   Max.   : 7.3863   Max.   : 6.76755  
##  NA's   :2       NA's   :1         NA's   :1

7.3 性別と学年の内訳を確認する

table()を使う
データフレーム$変数、でどこのどの変数かを指定

table(dat$sex, dat$grade)

##    
##       1   2   3
##   0 199 211 225
##   1 258 258 261

わかりずら・・・

7.4 データ変換

性別、学年をカテゴリカル変数にする
- sex=0が男子、1が女子
- gradeは数字が学年

dat$sex2<-factor(dat$sex, labels=list("boy", "girl"))
dat$grade2<-factor(dat$grade, labels=list("1st", "2nd", "3rd"))

7.5 もう一度table関数を実行

table(dat$sex2, dat$grade2)

##       
##        1st 2nd 3rd
##   boy  199 211 225
##   girl 258 258 261

イイネ

8 変数の計算とデータセットの書き出し

8.1 変数の集計

下位尺度の変数をまとめる
新しくデータセットをつくる

dat$zikokaizi<- (dat$zikokaizi1+dat$zikokaizi2+
                   dat$zikokaizi3)/3
dat$igokochi<- (dat$igokochi1+dat$igokochi2+dat$igokochi3+
                  dat$igokochi4+dat$igokochi5)/5

8.2 これでも可能

apply()を使う
dat [, x : y ]でxからyまでの列に対して
1で横方向に計算

dat$zikokaizi<- apply ( dat [ , 4 : 6 ], 1 ,mean, na.rm = TRUE )
dat$igokochi<- apply ( dat [ , 7 : 11 ], 1, mean, na.rm = TRUE )

8.3 特定の条件でデータを抜き出す

3年生のデータのみを取り出す

san <- subset(dat, grade2=="3rd")
head(san)

##     class grade sex zikokaizi1 zikokaizi2 zikokaizi3 igokochi1 igokochi2
## 306    11     3   0   2.426850   2.289442   3.809834  3.558017  2.318262
## 307    11     3   0   3.084496   5.212387   4.056563  3.239719  4.375513
## 308    11     3   0   3.293465   2.332457   3.097077  3.466792  2.435147
## 309    11     3   0   2.868459   3.383862   3.175218  4.128947  3.252894
## 310    11     3   1   4.194919   4.163725   4.478951  4.781364  4.686919
## 311    11     3   0   1.308495   1.087232   2.546142  1.131737  2.416010
##     igokochi3 igokochi4 igokochi5 sex2 grade2 zikokaizi igokochi
## 306  3.444321  2.933151  2.458916  boy    3rd  2.842042 2.942533
## 307  3.664370  4.941441  4.357842  boy    3rd  4.117815 4.115777
## 308  3.976130  2.908981  3.968420  boy    3rd  2.907666 3.351094
## 309  5.032416  3.685323  4.416290  boy    3rd  3.142513 4.103174
## 310  5.617944  3.198245  3.760299 girl    3rd  4.279199 4.408954
## 311  3.297775  1.422641  1.933586  boy    3rd  1.647290 2.040350

8.4 複数の列を取り出す

dat2<- dat[,c("class", "grade2", "sex2", "zikokaizi", "igokochi")]

8.5 他のやり方

subset()でもできる

dat3 <- subset(dat, select=c(class, grade2, sex2, zikokaizi, igokochi))

8.6 データセットへの書き出し

Tだとidが一番左端に出力される

write.csv(dat2, "dataset2.csv", row.names=F)

9 データの可視化

9.1 かんたんヒストグラム

hist()を使う

hist(dat2$igokochi)

9.2 かんたん棒グラフ

tapply(変数, 群わけ, みるもの)とbarplot()を使う

bar <- tapply(dat2$igokochi, dat2$sex2, mean, na.rm=T)
barplot(bar)

9.3 かんたん散布図

plot(x軸, y軸)

plot(dat2$zikokaizi, dat2$igokochi)

9.4 ヒストグラムをきれいに

ggplot2を使う

library(ggplot2)
ggplot(dat2, aes(x = igokochi))+
  geom_histogram(na.rm=T, bins=30)

9.5 ヒストグラムを重ねる

fill=“white”で塗りつぶしを白
colour=“black”で枠の色を黒

ggplot(dat2, aes(x = igokochi, y=..density..))+
  geom_histogram(fill="white", colour="black", na.rm=T, bins=30)+
  geom_density(na.rm=T)

9.6 ヒストグラムを学年でわける

明らかに数がおかしい

ggplot(dat2, aes(x = igokochi, fill=grade2))+
  geom_histogram(bins=20, na.rm=T)

9.7 ヒストグラムを学年でわける

position = “identity”で重なるように指示
alphaで透明度を指定

ggplot(dat2, aes(x = igokochi, fill=grade2))+
  geom_histogram(bins=20, position = "identity", na.rm=T, alpha = 0.7)

9.8 棒グラフを学年でわける

stat=“identity”で平均
position=“dodge”で隣接だが…

ggplot(dat2, aes(x = grade2,y = igokochi))+ 
  geom_bar(stat="identity",position = "dodge", na.rm=T)

9.9 棒グラフを性別と学年でわける

ggplot(dat2, aes(x = grade2,y = igokochi, fill=sex2))+ 
  geom_bar(stat="identity",position = "dodge", na.rm=T)

9.10 scaleほげを入れる必要があるらしい

しかし3年生の棒グラフの幅がおかしい

ggplot(dat2, aes(x = grade2,y = igokochi, fill=sex2))+ 
  geom_bar(stat="identity",position = "dodge", na.rm=T)+
  scale_fill_discrete(na.translate = F)

9.11 ラベルを日本語に

labs(x=“”)で各軸や群の内容を付け足す
グラフ隣接が嫌ならposition_dodge(width = 0.5)

ggplot(dat2, aes(x = grade2,y = igokochi, fill=sex2))+ 
  geom_bar(stat="identity",position = "dodge", na.rm=T)+
  scale_fill_discrete(na.translate = F)+
  labs(x="学年", y="居心地の良さの感覚", fill="性別")

9.12 散布図

ggplot(dat2, aes(x=zikokaizi, y=igokochi))+
  geom_point(na.rm=T)

9.13 性別ごとの散布図

性別ごとに色を付け回帰直線を引く（95%CI付き）

ggplot( dat2, aes (x = zikokaizi, y = igokochi ) )+
  geom_point( aes ( colour = sex2 ), na.rm=T ) +
  stat_smooth( method ="lm", na.rm=T )

9.14 学年ごとの散布図

学年ごとに色を付け回帰直線を引く（95%CI付き）

ggplot( dat2, aes (x = zikokaizi, y = igokochi ) )+
  geom_point( aes ( colour = grade2 ), na.rm=T ) +
  stat_smooth( method ="lm", na.rm=T )

10 もっと分析していく

10.1 相関を求める

cor.test( dat2$zikokaiz , dat2$igokochi )

## 
##  Pearson's product-moment correlation
## 
## data:  dat2$zikokaiz and dat2$igokochi
## t = 36.452, df = 1415, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.6680392 0.7218218
## sample estimates:
##      cor 
## 0.695905

10.2 総当たりで相関を求める

data.frame(変数)で特定の変数を抜き出せる

library(psych)
cordat <- data.frame(dat$sex,dat$igokochi, dat$zikokaizi)
corr.test(cordat)

## Call:corr.test(x = cordat)
## Correlation matrix 
##               dat.sex dat.igokochi dat.zikokaizi
## dat.sex          1.00         0.04          0.04
## dat.igokochi     0.04         1.00          0.70
## dat.zikokaizi    0.04         0.70          1.00
## Sample Size 
##               dat.sex dat.igokochi dat.zikokaizi
## dat.sex          1412         1412          1412
## dat.igokochi     1412         1417          1417
## dat.zikokaizi    1412         1417          1417
## Probability values (Entries above the diagonal are adjusted for multiple tests.) 
##               dat.sex dat.igokochi dat.zikokaizi
## dat.sex          0.00         0.22          0.22
## dat.igokochi     0.13         0.00          0.00
## dat.zikokaizi    0.11         0.00          0.00
## 
##  To see confidence intervals of the correlations, print with the short=FALSE option

10.3 だいたい全部やってくれるかっこいいヤツ

na.omitで欠損値を無視
dat2[, 3 : 5 ]で3~5列目の変数を使うことを指示

library(GGally)
ggpairs(na.omit( dat2[ , 3 : 5 ] ), aes_string( colour = "sex2", alpha = 0.5 ) )

10.4 だいたい全部やってくれる

library(GGally)
ggpairs(na.omit( dat2[ , 3 : 5 ] ), aes_string( colour = "sex2", alpha = 0.5 ) )

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

10.5 平均値差の検定

t.test(従属変数, 群分け変数)
デフォルトでwelch検定（これでいい）

t.test( dat2$igokochi~ dat2$sex2 )

## 
##  Welch Two Sample t-test
## 
## data:  dat2$igokochi by dat2$sex2
## t = -1.5251, df = 1349.4, p-value = 0.1275
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.17481276  0.02188864
## sample estimates:
##  mean in group boy mean in group girl 
##           3.651579           3.728041

10.6 効果量を出す

compute.esを使う
langtest.jpなどのツールに投げる
関数を作る

10.7 関数

daihiko_t関数（Sappro.R 8thより）

daihiko_t<-function(x,y,paired=TRUE) {
  if (paired) {
    d<-data.frame(x,y)
    d<-subset(d,complete.cases(d))
    rt<-t.test(d$x,d$y,paired=TRUE)
    rsd<-c(sd(d$x,na.rm=T),sd(d$y,na.rm=T))
    cohend<-abs(mean(d$x-d$y)/(sd(d$x-d$y)/sqrt(2*(1-cor(d$x,d$y)))))
    return(list(meanx=mean(d$x),meany=mean(d$y),SD=rsd,t=rt,cohend=cohend))
  }
  else {  
    rt<-t.test(x~y)
    rsd<-tapply(x,y,sd,na.rm=TRUE)
    rt1<-table(y,x)
    rt2<-apply(rt1,1,sum)
    cohend<-(rt$estimate[1]-rt$estimate[2])/sqrt(((rt2[1]-1)*rsd[1]^2+(rt2[2]-1)*rsd[2]^2)/(rt2[1]+rt2[2]-2))
    cohend<-unname(cohend)
    return(list(N=rt2,SD=rsd,t=rt,cohend=cohend))
  } 
}

10.8 回帰分析

lm(従属変数~独立変数, データセット)
超簡単

result1<- lm( igokochi ~ sex2 + grade2 + zikokaizi, dat2 )
summary(result1)

## 
## Call:
## lm(formula = igokochi ~ sex2 + grade2 + zikokaizi, data = dat2)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.00520 -0.45220 -0.01092  0.44681  2.31704 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.77400    0.06391  27.756   <2e-16 ***
## sex2girl     0.02030    0.03611   0.562    0.574    
## grade22nd    0.02644    0.04432   0.597    0.551    
## grade23rd   -0.03735    0.04396  -0.850    0.396    
## zikokaizi    0.59114    0.01632  36.215   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.6743 on 1407 degrees of freedom
##   (5 observations deleted due to missingness)
## Multiple R-squared:  0.4833, Adjusted R-squared:  0.4819 
## F-statistic: 329.1 on 4 and 1407 DF,  p-value: < 2.2e-16

10.9 標準化係数を出す

標準化係数とseを出す
あらかじめ標準化しなくていいので超便利

library(betas)
betas.lm(result1)

##                  beta    se.beta
## sex2girl   0.01078395 0.01918542
## grade22nd  0.01330044 0.02229397
## grade23rd -0.01895142 0.02230322
## zikokaizi  0.69495665 0.01918961

11 研究関心に立ち戻ってもっともっと分析

11.1 学級風土と生徒の学校適応感の関連

学級風土（雰囲気）と生徒の学校への適応との関係は？
あくまでも個人の回答なので変数を作成しなければいけない
- 個人（風土の認知）
- 学級（認知の平均は学級の風土）
- 学級と個人の相互作用（風土認知の差、環境と個人の相性）

11.2 個人の風土の認知にしかならないので学級平均値を作成する

学級平均と学級標準偏差の作成
tapply(変数, 計算するカテゴリ単位, 計算するもの)
[ as.character( ) ]でカッコ内の単位で結果を返してくれる

dat2$zikokaizi_m <- tapply( dat2$zikokaizi, 
                           dat2$class, mean, na.rm=T )[ as.character( dat2$class ) ]
dat2$zikokaizi_sd <- tapply( dat2$zikokaizi, 
                            dat2$class, sd, na.rm=T )[ as.character( dat2$class ) ]

11.3 個人レベルの変数をいじる

生徒個人の得点を学級平均で中心化

dat2$zikokaizi_i <- dat2$zikokaizi - dat2$zikokaizi_m

11.4 学級レベルの変数をいじる

学級レベルの変数は全体平均で中心化

dat2$zikokaizi_mc <- dat2$zikokaizi_m - mean( dat2$zikokaizi_m, na.rm=T )
dat2$zikokaizi_sdc <- dat2$zikokaizi_sd - mean( dat2$zikokaizi_sd, na.rm=T )

11.5 階層線形モデルで分析する

基本的にはlm()と同様
- 交互作用を含む場合は*で変数をくっつける
(傾きの変量効果|グループ)
- (1|class)だと切片のみの変量効果

library(lmerTest)
result2 <- lmer( igokochi ~ sex2 + grade2+
                  zikokaizi_i*zikokaizi_mc +
                  zikokaizi_sdc +
                ( zikokaizi_i|class )
                , REML = F, data = dat2 )
summary(result2)

## Linear mixed model fit by maximum likelihood . t-tests use
##   Satterthwaite's method [lmerModLmerTest]
## Formula: 
## igokochi ~ sex2 + grade2 + zikokaizi_i * zikokaizi_mc + zikokaizi_sdc +  
##     (zikokaizi_i | class)
##    Data: dat2
## 
##      AIC      BIC   logLik deviance df.resid 
##   2906.9   2969.9  -1441.4   2882.9     1400 
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -2.9573 -0.6622 -0.0097  0.6655  3.4932 
## 
## Random effects:
##  Groups   Name        Variance Std.Dev. Corr 
##  class    (Intercept) 0.001049 0.03239       
##           zikokaizi_i 0.005682 0.07538  -1.00
##  Residual             0.444856 0.66698       
## Number of obs: 1412, groups:  class, 46
## 
## Fixed effects:
##                            Estimate Std. Error         df t value Pr(>|t|)
## (Intercept)                 3.68498    0.03839  521.15488  95.995  < 2e-16
## sex2girl                    0.02220    0.03584 1393.15021   0.619    0.536
## grade22nd                   0.02628    0.04523  374.05749   0.581    0.562
## grade23rd                  -0.03696    0.04691  356.57693  -0.788    0.431
## zikokaizi_i                 0.58867    0.01992   50.80338  29.556  < 2e-16
## zikokaizi_mc                0.64014    0.09615  201.21679   6.658 2.59e-10
## zikokaizi_sdc               0.02652    0.15386  330.36663   0.172    0.863
## zikokaizi_i:zikokaizi_mc    0.07145    0.10264   50.21259   0.696    0.490
##                             
## (Intercept)              ***
## sex2girl                    
## grade22nd                   
## grade23rd                   
## zikokaizi_i              ***
## zikokaizi_mc             ***
## zikokaizi_sdc               
## zikokaizi_i:zikokaizi_mc    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Correlation of Fixed Effects:
##             (Intr) sx2grl grd22n grd23r zikkz_ zkkz_m zkkz_s
## sex2girl    -0.525                                          
## grade22nd   -0.609  0.009                                   
## grade23rd   -0.627  0.018  0.508                            
## zikokaizi_i -0.047 -0.037 -0.004 -0.005                     
## zikokaiz_mc  0.037 -0.001  0.042 -0.124 -0.002              
## zikokaz_sdc -0.160 -0.009  0.115  0.289 -0.021 -0.009       
## zkkz_:zkkz_ -0.004  0.010 -0.002 -0.002  0.011 -0.143 -0.002
## convergence code: 0
## singular fit

初心者（がやる）セッション

SapporoR 9th

水野 君平

2019年3月2日

1 自己紹介

1.1 はじめまして

2 Rとは

2.1 統計環境ソフトR

2.2 Rの利点

3 Rの特徴

3.1 Rを使って何をするのか

3.2 Rstudeio

3.3 Rstudioの画面

3.4 さっそくやってみよう

4 Rstudioの使い方

4.1 まずやること

4.2 Groval Options

4.3 Appearance

4.4 Panel layout

4.5 プロジェクトをつくる！

4.6 実際の作成手順

4.7 注意点

4.8 ちがうかも

4.9 スクリプトを開く

4.10 ででーん

4.11 スクリプトとは？

4.12 簡単な計算をする

4.13 変数を扱う

4.14 変数計算も可

5 データファイルで分析

5.1 データファイルを使う準備

5.2 csv以外を読み込むときには

6 データセットの説明

6.1 データを読み込む

6.2 どんなデータなのか

6.3 学級風土

6.4 学校適応感

7 データを読み込んで分析する

7.1 データ読み込み

7.2 まずは

7.3 性別と学年の内訳を確認する

7.4 データ変換

7.5 もう一度table関数を実行

8 変数の計算とデータセットの書き出し

8.1 変数の集計

8.2 これでも可能

8.3 特定の条件でデータを抜き出す

8.4 複数の列を取り出す

8.5 他のやり方

8.6 データセットへの書き出し

9 データの可視化

9.1 かんたんヒストグラム

9.2 かんたん棒グラフ

9.3 かんたん散布図

9.4 ヒストグラムをきれいに

9.5 ヒストグラムを重ねる

9.6 ヒストグラムを学年でわける

9.7 ヒストグラムを学年でわける

9.8 棒グラフを学年でわける

9.9 棒グラフを性別と学年でわける

9.10 scaleほげを入れる必要があるらしい

9.11 ラベルを日本語に

9.12 散布図

9.13 性別ごとの散布図

9.14 学年ごとの散布図

10 もっと分析していく

10.1 相関を求める

10.2 総当たりで相関を求める

10.3 だいたい全部やってくれるかっこいいヤツ

10.4 だいたい全部やってくれる

10.5 平均値差の検定

10.6 効果量を出す

10.7 関数

10.8 回帰分析

10.9 標準化係数を出す

11 研究関心に立ち戻ってもっともっと分析

11.1 学級風土と生徒の学校適応感の関連

11.2 個人の風土の認知にしかならないので学級平均値を作成する

11.3 個人レベルの変数をいじる

11.4 学級レベルの変数をいじる

水野　君平