Psicometria e Modelagem de Equações Estruturais usando o R: Parte 1
Ricardo Primi
27 de junho de 2015
Importando dados no R
- Primeiro instale os pacotes
install.packages(c("haven", "readxl", "readr", "xlsx","foreign"))- Importe o arquivo (ative o pacote e execute o comando)
- Note que a cada importação, você verá no Global Enviroment um novo objeto como
df1edf2
library(readxl)
df1 <-read_excel("lego.xlsx", col_names = TRUE, sheet = "Sheet1")- Importe o arquivo do SPSS
library(haven)
df2 <-read_spss("bd_geral_03_01_2014.sav")Explorando dados em dataframes
Veja as variáveis nos arquivos
names(df1)## [1] "id" "IDA_SEXO" "IDA_DT_NASCIMENTO"
## [4] "IDA_SERIE" "IDA_TURMA" "IDA_TURNO"
## [7] "ahv_1" "ahv_2" "ahv_3"
## [10] "ahv_4" "ahv_5" "ahv_6"
## [13] "ahv_7" "ahv_8" "ahv_9"
## [16] "aha_1" "aha_2" "aha_3"
## [19] "aha_4" "aha_5" "aha_6"
## [22] "aha_7" "aha_8" "aha_9"
## [25] "ahe_1" "ahe_2" "ahe_3"
## [28] "ahe_4" "ahe_5" "ahe_6"
## [31] "ahe_7" "ahe_8" "ahe_9"
## [34] "ise_1" "ise_2" "ise_3"
## [37] "ise_4" "ise_5" "ise_6"
## [40] "ise_7" "ise_8" "ise_9"
## [43] "ise_10" "ise_11" "ise_12"
## [46] "ise_13" "ise_14" "ise_15"
## [49] "ise_16" "ise_17" "ise_18"
## [52] "ise_19" "ise_20" "ise_21"
## [55] "ise_22" "ise_23" "ise_24"
## [58] "ise_25" "ise_26" "ise_27"
## [61] "ise_28" "ise_29" "ise_30"
## [64] "ise_31" "ise_32" "ise_33"
## [67] "ise_34" "ise_35" "ise_36"
## [70] "ise_37" "ise_38" "ise_39"
## [73] "ise_40" "ise_41" "ise_42"
## [76] "ise_43" "ise_44" "ise_45"
## [79] "ise_46" "ise_47" "ise_48"
## [82] "ise_49" "ise_50" "ise_51"
## [85] "ise_52" "ise_53" "ise_54"
## [88] "ise_55" "ise_56" "ise_57"
## [91] "ise_58" "ise_59" "ise_60"
## [94] "ise_61" "ise_62" "ise_63"
## [97] "ise_64" "ise_65" "ise_66"
## [100] "ise_67" "ise_68" "ise_69"
## [103] "ise_70" "ise_71" "ise_72"
## [106] "ise_73" "ise_74" "ise_75"
## [109] "ise_76" "ise_77" "ise_78"
## [112] "ise_79" "ise_80" "ise_81"
## [115] "ise_82" "ise_83" "ise_84"
## [118] "ise_85" "ise_86" "ise_87"
## [121] "ise_88" "ise_89" "ise_90"
## [124] "ise_91"names(df2)## [1] "ID" "grp" "aplic"
## [4] "Nome" "Sexo" "Escola"
## [7] "AnoEscolar" "Turma" "DataNasc"
## [10] "DataAplic" "Idade0" "idade1"
## [13] "Esc.Pai" "Esc.Mae" "TV"
## [16] "Rádio" "Banheiro" "Automóvel"
## [19] "Empregada" "Aspirador" "Máquina"
## [22] "DVD" "Geladeira" "Freezer"
## [25] "Computador" "Curso_pai" "Curso_Mae"
## [28] "RV.tot" "RA.tot" "RN.tot"
## [31] "RL.tot" "fg_elb" "fg_emo"
## [34] "fg_cog" "qual1" "qual2"
## [37] "met_quat_tri" "met_qual_fairmavg" "met_flx_medio"
## [40] "RVt1" "RVt2" "RAt1"
## [43] "RAt2" "RNt1" "RNt2"
## [46] "RLt1" "RLt2" "Flu"
## [49] "Flex" "Elab" "Elab2"
## [52] "Orig" "Emo" "Fant"
## [55] "Mov" "prs_inc" "prs_int"
## [58] "contex" "Tit" "Tit2"
## [61] "E01" "E02" "E03"
## [64] "E04" "E05" "E06"
## [67] "E07" "E08" "E09"
## [70] "E10" "E0G" "N_BREAK"
## [73] "ideias_juiz" "Qm_pri" "Qm_Rq"
## [76] "Qm_Wa" "Qm_ts" "qm_ri"
## [79] "Qm_Let" "qm_af" "qm_dn"
## [82] "qm_rq2" "qm_is" "qm_ma"
## [85] "qm_am" "Fx_Pri" "Fx_Rq"
## [88] "fx_Wa" "Fx_Ts" "fx_ri"
## [91] "Fx_Let" "fx_af" "fx_dn"
## [94] "fx_rq2" "fx_is" "fx_ma"
## [97] "fx_am" "met_qual_medio" "met_qual_dp"
## [100] "met_qual_max.min" "met_flx_dp" "met_obs.avge"
## [103] "met_t.score" "met_t.count" "met_s.e#"
## [106] "met_infitms" "met_infitz" "met_outfitms"
## [109] "met_outfitz" "met_ptmea" "met_ptexp"
## [112] "met_discrim" "met_displace" "met_status"
## [115] "met_e.number" "misE01" "misE02"
## [118] "misE03" "misE04" "misE05"
## [121] "misE06" "misE07" "misE08"
## [124] "misE09" "misE10" "miss_r"
## [127] "E01b" "E02b" "E03b"
## [130] "E04b" "E05b" "E06b"
## [133] "E07b" "E08b" "E09b"
## [136] "E10b" "filter_$" "idade"- Veja a estrutura dos arquivos
str(df1)## Classes 'tbl_df', 'tbl' and 'data.frame': 3578 obs. of 124 variables:
## $ id : num 1 2 3 4 5 6 7 8 9 10 ...
## $ IDA_SEXO : num 1 2 NA 1 1 1 2 NA 1 1 ...
## $ IDA_DT_NASCIMENTO: POSIXct, format: NA NA ...
## $ IDA_SERIE : num 5 5 5 5 5 3 5 5 3 3 ...
## $ IDA_TURMA : chr "A" "B" "B" "B" ...
## $ IDA_TURNO : num NA 2 NA 1 1 1 2 1 1 1 ...
## $ ahv_1 : num NA NA 2 NA 2 2 2 NA NA NA ...
## $ ahv_2 : num NA NA 4 NA 1 5 4 NA NA NA ...
## $ ahv_3 : num NA NA 3 NA 3 1 1 NA NA NA ...
## $ ahv_4 : num NA NA 2 NA 3 3 2 NA NA NA ...
## $ ahv_5 : num NA NA 3 NA 1 4 1 NA NA NA ...
## $ ahv_6 : num NA NA 3 NA 2 1 2 NA NA NA ...
## $ ahv_7 : num NA NA 3 NA 2 2 1 NA NA NA ...
## $ ahv_8 : num NA NA 1 NA 3 5 3 NA NA NA ...
## $ ahv_9 : num NA NA 1 NA 1 2 5 NA NA NA ...
## $ aha_1 : num 1 NA 3 NA 3 3 3 NA NA NA ...
## $ aha_2 : num 2 NA 5 NA 5 5 5 NA NA NA ...
## $ aha_3 : num 1 NA 5 NA 4 4 4 NA NA NA ...
## $ aha_4 : num 2 NA 3 NA 3 4 4 NA NA NA ...
## $ aha_5 : num 3 NA 4 NA 4 4 5 NA NA NA ...
## $ aha_6 : num 2 NA 2 NA 2 4 2 NA NA NA ...
## $ aha_7 : num NA NA 3 NA 2 3 5 NA NA NA ...
## $ aha_8 : num 4 NA 4 NA 1 2 4 NA NA NA ...
## $ aha_9 : num NA NA 4 NA 3 5 2 NA NA NA ...
## $ ahe_1 : num NA NA 3 NA 5 1 3 NA NA NA ...
## $ ahe_2 : num NA NA 5 NA 1 1 2 NA NA NA ...
## $ ahe_3 : num NA NA 2 NA 2 3 5 NA NA NA ...
## $ ahe_4 : num NA NA 4 NA 4 1 3 NA NA NA ...
## $ ahe_5 : num NA NA 1 NA 3 2 2 NA NA NA ...
## $ ahe_6 : num NA NA 4 NA 4 2 5 NA NA NA ...
## $ ahe_7 : num NA NA 3 NA 3 2 4 NA NA NA ...
## $ ahe_8 : num NA NA 1 NA 1 1 4 NA NA NA ...
## $ ahe_9 : num NA NA 3 NA 5 5 4 NA NA NA ...
## $ ise_1 : num 4 NA 1 NA NA NA 1 NA NA NA ...
## $ ise_2 : num 3 NA 2 NA NA NA 2 NA NA NA ...
## $ ise_3 : num 5 NA 5 NA NA NA 4 NA NA NA ...
## $ ise_4 : num 3 NA 3 NA NA NA 2 NA NA NA ...
## $ ise_5 : num 5 NA 5 NA NA NA 3 NA NA NA ...
## $ ise_6 : num 3 NA 3 NA NA NA 4 NA NA NA ...
## $ ise_7 : num 4 NA 2 NA NA NA 2 NA NA NA ...
## $ ise_8 : num 2 NA 3 NA NA NA 2 NA NA NA ...
## $ ise_9 : num 1 NA 5 NA NA NA 2 NA NA NA ...
## $ ise_10 : num 4 NA 3 NA NA NA 5 NA NA NA ...
## $ ise_11 : num 1 NA 3 NA NA NA 2 NA NA NA ...
## $ ise_12 : num NA NA 5 NA NA NA 5 NA NA NA ...
## $ ise_13 : num 2 NA NA NA NA NA 4 NA NA NA ...
## $ ise_14 : num NA NA 1 NA NA NA 5 NA NA NA ...
## $ ise_15 : num 2 NA 5 NA NA NA 5 NA NA NA ...
## $ ise_16 : num 3 NA 4 NA NA NA 5 NA NA NA ...
## $ ise_17 : num 1 NA 3 NA NA NA 4 NA NA NA ...
## $ ise_18 : num 3 NA 3 NA NA NA 5 NA NA NA ...
## $ ise_19 : num NA NA 1 NA NA NA 1 NA NA NA ...
## $ ise_20 : num NA NA 4 NA NA NA 1 NA NA NA ...
## $ ise_21 : num 2 NA NA NA NA NA 5 NA NA NA ...
## $ ise_22 : num 3 NA 2 NA NA NA 5 NA NA NA ...
## $ ise_23 : num 2 NA 4 NA NA NA 5 NA NA NA ...
## $ ise_24 : num 2 NA 4 NA NA NA 4 NA NA NA ...
## $ ise_25 : num 1 NA 4 NA NA NA 4 NA NA NA ...
## $ ise_26 : num 2 NA 5 NA NA NA 3 NA NA NA ...
## $ ise_27 : num 4 NA 4 NA NA NA 4 NA NA NA ...
## $ ise_28 : num 3 NA 4 NA NA NA 3 NA NA NA ...
## $ ise_29 : num 1 NA 5 NA NA NA 2 NA NA NA ...
## $ ise_30 : num 2 NA 4 NA NA NA 3 NA NA NA ...
## $ ise_31 : num NA NA 1 NA NA NA 1 NA NA NA ...
## $ ise_32 : num 2 NA 4 NA NA NA 2 NA NA NA ...
## $ ise_33 : num 1 NA 4 NA NA NA 3 NA NA NA ...
## $ ise_34 : num 2 NA 4 NA NA NA 5 NA NA NA ...
## $ ise_35 : num 4 NA 1 NA NA NA 1 NA NA NA ...
## $ ise_36 : num 4 NA 1 NA NA NA 1 NA NA NA ...
## $ ise_37 : num 4 NA 5 NA NA NA 3 NA NA NA ...
## $ ise_38 : num 3 NA 4 NA NA NA 3 NA NA NA ...
## $ ise_39 : num 3 NA 4 NA NA NA 4 NA NA NA ...
## $ ise_40 : num NA NA 5 NA NA NA 1 NA NA NA ...
## $ ise_41 : num 2 NA 4 NA NA NA 5 NA NA NA ...
## $ ise_42 : num 3 NA 5 NA NA NA NA NA NA NA ...
## $ ise_43 : num 2 NA 1 NA NA NA NA NA NA NA ...
## $ ise_44 : num 4 NA 4 NA NA NA 3 NA NA NA ...
## $ ise_45 : num 3 NA 4 NA NA NA 2 NA NA NA ...
## $ ise_46 : num NA NA 1 NA NA NA 3 NA NA NA ...
## $ ise_47 : num 1 NA 5 NA NA NA 1 NA NA NA ...
## $ ise_48 : num 3 NA 5 NA NA NA 1 NA NA NA ...
## $ ise_49 : num 1 NA 5 NA NA NA 4 NA NA NA ...
## $ ise_50 : num 2 NA 5 NA NA NA 3 NA NA NA ...
## $ ise_51 : num NA NA 5 NA NA NA 2 NA NA NA ...
## $ ise_52 : num 4 NA 1 NA NA NA 4 NA NA NA ...
## $ ise_53 : num 1 NA 5 NA NA NA 3 NA NA NA ...
## $ ise_54 : num 3 NA 4 NA NA NA 3 NA NA NA ...
## $ ise_55 : num 1 NA 1 NA NA NA 3 NA NA NA ...
## $ ise_56 : num NA NA 4 NA NA NA 2 NA NA NA ...
## $ ise_57 : num NA NA 4 NA NA NA NA NA NA NA ...
## $ ise_58 : num 2 NA NA NA NA NA NA NA NA NA ...
## $ ise_59 : num 3 NA 5 NA NA NA NA NA NA NA ...
## $ ise_60 : num 3 NA 4 NA NA NA NA NA NA NA ...
## $ ise_61 : num NA NA 1 NA NA NA NA NA NA NA ...
## $ ise_62 : num 2 NA 1 NA NA NA NA NA NA NA ...
## $ ise_63 : num 3 NA 2 NA NA NA NA NA NA NA ...
## $ ise_64 : num 2 NA 5 NA NA NA NA NA NA NA ...
## $ ise_65 : num 4 NA 5 NA NA NA NA NA NA NA ...
## $ ise_66 : num 3 NA 5 NA NA NA NA NA NA NA ...
## [list output truncated]str(df2)## Classes 'tbl_df', 'tbl' and 'data.frame': 987 obs. of 138 variables:
## $ ID : atomic BG0001 BG0002 BG0003 BG0004 ...
## ..- attr(*, "label")= chr "Element Label"
## $ grp : num 3 3 3 3 3 3 3 3 3 3 ...
## $ aplic : chr "Walquiria" "Walquiria" "Walquiria" "Walquiria" ...
## $ Nome : chr "Ana Beatriz Silva Carvalho" "Maria Eduarda Filie da Silva" "Alice Fernanda Rodrigues" "João Henrique Caneo" ...
## $ Sexo : num 1 1 1 2 2 1 2 2 2 2 ...
## $ Escola : chr "Amália Malheiro Moreira" "Amália Malheiro Moreira" "Amália Malheiro Moreira" "Amália Malheiro Moreira" ...
## $ AnoEscolar : num 4 4 4 4 4 4 4 4 4 4 ...
## $ Turma : chr "A" "A" "A" "A" ...
## $ DataNasc : POSIXct, format: "2000-04-12" "2003-03-17" ...
## $ DataAplic : POSIXct, format: "2012-03-09" "2012-03-09" ...
## $ Idade0 : num 9 9 12 9 9 9 9 9 9 9 ...
## $ idade1 : num 11.91 8.98 12.04 9.93 9.04 ...
## $ Esc.Pai : chr "8" "11" "5" "10" ...
## $ Esc.Mae : chr "8" "9" "4" "11" ...
## $ TV : num 2 1 0 4 3 3 2 3 1 3 ...
## $ Rádio : num 1 1 1 2 1 2 1 2 1 3 ...
## $ Banheiro : num 1 1 2 3 1 2 1 0 1 1 ...
## $ Automóvel : num 1 1 1 2 1 1 1 0 1 0 ...
## $ Empregada : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Aspirador : num 1 0 0 2 1 1 1 0 0 0 ...
## $ Máquina : num 1 1 1 3 1 1 2 1 1 1 ...
## $ DVD : num 1 1 0 3 1 1 1 1 1 2 ...
## $ Geladeira : num 1 1 1 3 1 1 1 1 1 1 ...
## $ Freezer : num 1 0 1 2 0 1 0 0 0 1 ...
## $ Computador : num 1 1 0 2 1 2 2 3 1 2 ...
## $ Curso_pai : chr "" "" "" "" ...
## $ Curso_Mae : chr "" "" "" "3" ...
## $ RV.tot : num 3 6 3 4 6 5 5 2 4 6 ...
## $ RA.tot : num 2 6 8 3 5 6 6 0 3 8 ...
## $ RN.tot : num 1 1 4 2 3 3 3 1 1 8 ...
## $ RL.tot : num 4 3 4 0 6 5 3 3 3 7 ...
## $ fg_elb : num 8 46 35 16 17 21 14 3 33 35 ...
## $ fg_emo : num 0 4 7 0 0 3 0 0 0 2 ...
## $ fg_cog : num 18 24 19 25 18 22 18 8 22 15 ...
## $ qual1 : num NA 15 14 6 NA 8 8 NA NA 13 ...
## $ qual2 : num NA 11 NA 8 7 12 NA NA NA NA ...
## $ met_quat_tri : num -4 -1.75 -4.78 -3.52 -1.52 ...
## $ met_qual_fairmavg: num 0.1823 0.8094 0.0912 0.2704 0.8936 ...
## $ met_flx_medio : num 0.2 0.7167 0.0708 0.35 0.88 ...
## $ RVt1 : num 3 3 2 1 3 4 3 2 3 4 ...
## $ RVt2 : num 0 3 1 3 3 1 2 0 1 2 ...
## $ RAt1 : num 1 3 4 1 3 3 3 0 2 5 ...
## $ RAt2 : num 1 3 4 2 2 3 3 0 1 3 ...
## $ RNt1 : num 1 1 1 1 2 2 2 1 1 4 ...
## $ RNt2 : num 0 0 3 1 1 1 1 0 0 4 ...
## $ RLt1 : num 2 3 3 0 3 2 3 2 1 4 ...
## $ RLt2 : num 2 0 1 0 3 3 0 1 2 3 ...
## $ Flu : num 7 10 8 10 7 10 8 3 8 6 ...
## $ Flex : num 6 9 6 8 6 7 5 3 7 6 ...
## $ Elab : num 8 42 30 16 16 20 13 3 28 31 ...
## $ Elab2 : num 4 10 10 7 7 8 6 2 9 10 ...
## $ Orig : num 5 5 5 7 5 5 5 2 7 3 ...
## $ Emo : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Fant : num 0 0 1 0 0 0 0 0 0 0 ...
## $ Mov : num 0 2 1 0 0 2 0 0 0 1 ...
## $ prs_inc : num 0 1 0 0 0 1 1 0 3 1 ...
## $ prs_int : num 0 1 1 0 1 0 0 0 1 1 ...
## $ contex : num 0 2 3 0 0 0 0 0 1 2 ...
## $ Tit : num 0 2 6 0 0 1 0 0 0 1 ...
## $ Tit2 : num 0 2 6 0 0 1 0 0 0 1 ...
## $ E01 : num 1 3 4 1 NA 1 3 NA 4 3 ...
## $ E02 : num 1 2 2 1 2 1 2 1 3 3 ...
## $ E03 : num 3 4 1 1 NA 2 1 NA NA 3 ...
## $ E04 : num NA 4 3 1 NA 2 1 NA 1 2 ...
## $ E05 : num 2 2 4 2 1 2 1 1 3 2 ...
## $ E06 : num NA 2 NA 2 2 3 1 1 2 2 ...
## $ E07 : num 2 2 3 2 1 2 1 NA 1 NA ...
## $ E08 : num 1 3 3 1 1 2 1 NA 3 NA ...
## $ E09 : num NA 3 3 1 2 2 NA NA 3 NA ...
## $ E10 : num 1 1 NA 2 1 3 NA NA NA NA ...
## $ E0G : num 1 3 3 1 1 2 1 1 3 3 ...
## $ N_BREAK : num 5 5 5 5 5 5 5 5 4 5 ...
## $ ideias_juiz : num 12 12 12 12 12 12 12 12 12 12 ...
## $ Qm_pri : num 0.2 0.8 0 0.2 0.2 0.4 0 0.2 0 0.8 ...
## $ Qm_Rq : num 0.6 1.4 0.25 0.4 1.4 1 0.2 0 NA NA ...
## $ Qm_Wa : num 0 0.6 0 0.2 1 1 0.2 0.8 0 1.6 ...
## $ Qm_ts : num 0.4 1.2 0 0.2 1.6 0.6 0 1 NA NA ...
## $ qm_ri : num 0 0.6 0 0 NA NA NA NA NA NA ...
## $ Qm_Let : num 0.2 1 0 0.2 0.6 0.6 0 0 NA NA ...
## $ qm_af : num 0.2 1 0 1 NA NA NA NA NA NA ...
## $ qm_dn : num 0 0.4 0 0 NA NA NA NA NA NA ...
## $ qm_rq2 : num 0.2 0.4 0 0 NA NA NA NA NA NA ...
## $ qm_is : num 0.4 1.4 0.4 2 NA NA NA NA NA NA ...
## $ qm_ma : num 0.2 1 0.2 1 NA NA NA NA NA NA ...
## $ qm_am : num 0 0 0.4 0 NA NA NA NA NA NA ...
## $ Fx_Pri : num 0.2 0.6 0 0.2 0.2 0.4 0 0.2 0 0.6 ...
## $ Fx_Rq : num 0.6 1.4 0.25 0.4 1.4 1 0.2 0 NA NA ...
## $ fx_Wa : num 0 0.6 0 0.2 0.8 0.8 0.2 0.8 0 0.6 ...
## $ Fx_Ts : num 0.2 0.4 0 0.2 0.8 0.6 0 1 NA NA ...
## $ fx_ri : num 0.2 1 0 0 NA NA NA NA NA NA ...
## $ Fx_Let : num 0.2 1.6 0 0.2 1.2 0.8 0 0 NA NA ...
## $ fx_af : num 0.2 0.6 0 1 NA NA NA NA NA NA ...
## $ fx_dn : num 0 0.2 0 0 NA NA NA NA NA NA ...
## $ fx_rq2 : num 0.2 0.4 0 0 NA NA NA NA NA NA ...
## $ fx_is : num 0.2 0.2 0.2 1 NA NA NA NA NA NA ...
## $ fx_ma : num 0.4 1.6 0.4 1 NA NA NA NA NA NA ...
## $ fx_am : num 0 0 0 0 NA NA NA NA NA NA ...
## $ met_qual_medio : num 0.2 0.817 0.104 0.433 0.96 ...
## $ met_qual_dp : num 0.191 0.43 0.163 0.608 0.573 ...
## [list output truncated]- Alternativamente transforme o arquivo em tbl class usando o pacote dplyr
library(dplyr)##
## Attaching package: 'dplyr'
##
## The following object is masked from 'package:stats':
##
## filter
##
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondf1 <-tbl_df(df1)
df2 <-tbl_df(df2)- Veja agora o que acontece quando você simplesmente digita e roda o nome do dataframe
df1## Source: local data frame [3,578 x 124]
##
## id IDA_SEXO IDA_DT_NASCIMENTO IDA_SERIE IDA_TURMA IDA_TURNO ahv_1 ahv_2
## 1 1 1 <NA> 5 A NA NA NA
## 2 2 2 <NA> 5 B 2 NA NA
## 3 3 NA <NA> 5 B NA 2 4
## 4 4 1 <NA> 5 B 1 NA NA
## 5 5 1 2003-12-20 5 A 1 2 1
## 6 6 1 2005-08-05 3 A 1 2 5
## 7 7 2 2003-07-20 5 C 2 2 4
## 8 8 NA <NA> 5 A 1 NA NA
## 9 9 1 <NA> 3 C 1 NA NA
## 10 10 1 <NA> 3 C 1 NA NA
## .. .. ... ... ... ... ... ... ...
## Variables not shown: ahv_3 (dbl), ahv_4 (dbl), ahv_5 (dbl), ahv_6 (dbl),
## ahv_7 (dbl), ahv_8 (dbl), ahv_9 (dbl), aha_1 (dbl), aha_2 (dbl), aha_3
## (dbl), aha_4 (dbl), aha_5 (dbl), aha_6 (dbl), aha_7 (dbl), aha_8 (dbl),
## aha_9 (dbl), ahe_1 (dbl), ahe_2 (dbl), ahe_3 (dbl), ahe_4 (dbl), ahe_5
## (dbl), ahe_6 (dbl), ahe_7 (dbl), ahe_8 (dbl), ahe_9 (dbl), ise_1 (dbl),
## ise_2 (dbl), ise_3 (dbl), ise_4 (dbl), ise_5 (dbl), ise_6 (dbl), ise_7
## (dbl), ise_8 (dbl), ise_9 (dbl), ise_10 (dbl), ise_11 (dbl), ise_12
## (dbl), ise_13 (dbl), ise_14 (dbl), ise_15 (dbl), ise_16 (dbl), ise_17
## (dbl), ise_18 (dbl), ise_19 (dbl), ise_20 (dbl), ise_21 (dbl), ise_22
## (dbl), ise_23 (dbl), ise_24 (dbl), ise_25 (dbl), ise_26 (dbl), ise_27
## (dbl), ise_28 (dbl), ise_29 (dbl), ise_30 (dbl), ise_31 (dbl), ise_32
## (dbl), ise_33 (dbl), ise_34 (dbl), ise_35 (dbl), ise_36 (dbl), ise_37
## (dbl), ise_38 (dbl), ise_39 (dbl), ise_40 (dbl), ise_41 (dbl), ise_42
## (dbl), ise_43 (dbl), ise_44 (dbl), ise_45 (dbl), ise_46 (dbl), ise_47
## (dbl), ise_48 (dbl), ise_49 (dbl), ise_50 (dbl), ise_51 (dbl), ise_52
## (dbl), ise_53 (dbl), ise_54 (dbl), ise_55 (dbl), ise_56 (dbl), ise_57
## (dbl), ise_58 (dbl), ise_59 (dbl), ise_60 (dbl), ise_61 (dbl), ise_62
## (dbl), ise_63 (dbl), ise_64 (dbl), ise_65 (dbl), ise_66 (dbl), ise_67
## (dbl), ise_68 (dbl), ise_69 (dbl), ise_70 (dbl), ise_71 (dbl), ise_72
## (dbl), ise_73 (dbl), ise_74 (dbl), ise_75 (dbl), ise_76 (dbl), ise_77
## (dbl), ise_78 (dbl), ise_79 (dbl), ise_80 (dbl), ise_81 (dbl), ise_82
## (dbl), ise_83 (dbl), ise_84 (dbl), ise_85 (dbl), ise_86 (dbl), ise_87
## (dbl), ise_88 (dbl), ise_89 (dbl), ise_90 (dbl), ise_91 (dbl)df2## Source: local data frame [987 x 138]
##
## ID grp aplic Nome Sexo
## 1 BG0001 3 Walquiria Ana Beatriz Silva Carvalho 1
## 2 BG0002 3 Walquiria Maria Eduarda Filie da Silva 1
## 3 BG0003 3 Walquiria Alice Fernanda Rodrigues 1
## 4 BG0004 3 Walquiria João Henrique Caneo 2
## 5 BG0005 3 Walquiria Kaique Fernandes 2
## 6 BG0006 3 Walquiria Maria Eduarda Stale 1
## 7 BG0007 3 Walquiria Arthur Evangelista 2
## 8 BG0008 3 Walquiria Cauã Bonato Marques 2
## 9 BG0009 3 Walquiria Gustavo Gomes de Carvalho Mendes 2
## 10 BG0010 3 Walquiria João Gabriel Vitto 2
## .. ... ... ... ... ...
## Variables not shown: Escola (chr), AnoEscolar (dbl), Turma (chr), DataNasc
## (time), DataAplic (time), Idade0 (dbl), idade1 (dbl), Esc.Pai (chr),
## Esc.Mae (chr), TV (dbl), Rádio (dbl), Banheiro (dbl), Automóvel (dbl),
## Empregada (dbl), Aspirador (dbl), Máquina (dbl), DVD (dbl), Geladeira
## (dbl), Freezer (dbl), Computador (dbl), Curso_pai (chr), Curso_Mae
## (chr), RV.tot (dbl), RA.tot (dbl), RN.tot (dbl), RL.tot (dbl), fg_elb
## (dbl), fg_emo (dbl), fg_cog (dbl), qual1 (dbl), qual2 (dbl),
## met_quat_tri (dbl), met_qual_fairmavg (dbl), met_flx_medio (dbl), RVt1
## (dbl), RVt2 (dbl), RAt1 (dbl), RAt2 (dbl), RNt1 (dbl), RNt2 (dbl), RLt1
## (dbl), RLt2 (dbl), Flu (dbl), Flex (dbl), Elab (dbl), Elab2 (dbl), Orig
## (dbl), Emo (dbl), Fant (dbl), Mov (dbl), prs_inc (dbl), prs_int (dbl),
## contex (dbl), Tit (dbl), Tit2 (dbl), E01 (dbl), E02 (dbl), E03 (dbl),
## E04 (dbl), E05 (dbl), E06 (dbl), E07 (dbl), E08 (dbl), E09 (dbl), E10
## (dbl), E0G (dbl), N_BREAK (dbl), ideias_juiz (dbl), Qm_pri (dbl), Qm_Rq
## (dbl), Qm_Wa (dbl), Qm_ts (dbl), qm_ri (dbl), Qm_Let (dbl), qm_af (dbl),
## qm_dn (dbl), qm_rq2 (dbl), qm_is (dbl), qm_ma (dbl), qm_am (dbl), Fx_Pri
## (dbl), Fx_Rq (dbl), fx_Wa (dbl), Fx_Ts (dbl), fx_ri (dbl), Fx_Let (dbl),
## fx_af (dbl), fx_dn (dbl), fx_rq2 (dbl), fx_is (dbl), fx_ma (dbl), fx_am
## (dbl), met_qual_medio (dbl), met_qual_dp (dbl), met_qual_max.min (dbl),
## met_flx_dp (dbl), met_obs.avge (dbl), met_t.score (dbl), met_t.count
## (dbl), met_s.e# (dbl), met_infitms (dbl), met_infitz (dbl), met_outfitms
## (dbl), met_outfitz (dbl), met_ptmea (dbl), met_ptexp (dbl), met_discrim
## (dbl), met_displace (dbl), met_status (dbl), met_e.number (dbl), misE01
## (dbl), misE02 (dbl), misE03 (dbl), misE04 (dbl), misE05 (dbl), misE06
## (dbl), misE07 (dbl), misE08 (dbl), misE09 (dbl), misE10 (dbl), miss_r
## (dbl), E01b (dbl), E02b (dbl), E03b (dbl), E04b (dbl), E05b (dbl), E06b
## (dbl), E07b (dbl), E08b (dbl), E09b (dbl), E10b (dbl), filter_$ (lbll),
## idade (dbl)- Seleção de variáveis. Use o número das variáveis entre
[linhas , colunas ]logo após o nome do objeto, nesse caso, um dataframe
1:5## [1] 1 2 3 4 5names(df1[ , 1:5])## [1] "id" "IDA_SEXO" "IDA_DT_NASCIMENTO"
## [4] "IDA_SERIE" "IDA_TURMA"c(1, 4, 35)## [1] 1 4 35names(df1[ , c(1, 4, 35)])## [1] "id" "IDA_SERIE" "ise_2"# Anonimaliza
df2 <- df2[ , -(3:4)]
# Criando um novo dataframe com as variáveis selecionadas
temp <- df1[ , 1:5]
# removendo da área de trabalho
rm(temp) - Seleção de observações. É possível usar os números das linhas ou operações lógicas
$e|
# Seleção usando números
df1[1:5 , 1:5]
# Seleção usando lógica
df1b <- df1[df1$IDA_SERIE==5, ]
df1b <- df1[df1$IDA_SERIE>3, ]
df1b <- df1[df1$IDA_SERIE==5 & df1$IDA_TURMA=="A", ]- Salvando os objetos em arquivos que podem sere lidos posteriormente
# Salva todos objetos
save.image(file = "ibap.RData")
# Salva somente um objeto
save(list = "df1", file = "df1.RData")- Abrindo arquivos em novas sessões de análise
load("ibap.RData")Análises descritivas
- Usando recursos do “base R”
names(df2)## [1] "ID" "grp" "Sexo"
## [4] "Escola" "AnoEscolar" "Turma"
## [7] "DataNasc" "DataAplic" "Idade0"
## [10] "idade1" "Esc.Pai" "Esc.Mae"
## [13] "TV" "Rádio" "Banheiro"
## [16] "Automóvel" "Empregada" "Aspirador"
## [19] "Máquina" "DVD" "Geladeira"
## [22] "Freezer" "Computador" "Curso_pai"
## [25] "Curso_Mae" "RV.tot" "RA.tot"
## [28] "RN.tot" "RL.tot" "fg_elb"
## [31] "fg_emo" "fg_cog" "qual1"
## [34] "qual2" "met_quat_tri" "met_qual_fairmavg"
## [37] "met_flx_medio" "RVt1" "RVt2"
## [40] "RAt1" "RAt2" "RNt1"
## [43] "RNt2" "RLt1" "RLt2"
## [46] "Flu" "Flex" "Elab"
## [49] "Elab2" "Orig" "Emo"
## [52] "Fant" "Mov" "prs_inc"
## [55] "prs_int" "contex" "Tit"
## [58] "Tit2" "E01" "E02"
## [61] "E03" "E04" "E05"
## [64] "E06" "E07" "E08"
## [67] "E09" "E10" "E0G"
## [70] "N_BREAK" "ideias_juiz" "Qm_pri"
## [73] "Qm_Rq" "Qm_Wa" "Qm_ts"
## [76] "qm_ri" "Qm_Let" "qm_af"
## [79] "qm_dn" "qm_rq2" "qm_is"
## [82] "qm_ma" "qm_am" "Fx_Pri"
## [85] "Fx_Rq" "fx_Wa" "Fx_Ts"
## [88] "fx_ri" "Fx_Let" "fx_af"
## [91] "fx_dn" "fx_rq2" "fx_is"
## [94] "fx_ma" "fx_am" "met_qual_medio"
## [97] "met_qual_dp" "met_qual_max.min" "met_flx_dp"
## [100] "met_obs.avge" "met_t.score" "met_t.count"
## [103] "met_s.e#" "met_infitms" "met_infitz"
## [106] "met_outfitms" "met_outfitz" "met_ptmea"
## [109] "met_ptexp" "met_discrim" "met_displace"
## [112] "met_status" "met_e.number" "misE01"
## [115] "misE02" "misE03" "misE04"
## [118] "misE05" "misE06" "misE07"
## [121] "misE08" "misE09" "misE10"
## [124] "miss_r" "E01b" "E02b"
## [127] "E03b" "E04b" "E05b"
## [130] "E06b" "E07b" "E08b"
## [133] "E09b" "E10b" "filter_$"
## [136] "idade"table(df2$AnoEscolar)##
## 2 3 4 5 6 7 8 9 10 11 12
## 1 4 124 170 257 191 105 106 10 15 4table(df2$AnoEscolar, df2$Sexo)##
## 1 2
## 2 0 1
## 3 1 3
## 4 71 53
## 5 72 98
## 6 141 116
## 7 108 83
## 8 60 45
## 9 63 43
## 10 3 7
## 11 3 12
## 12 1 3summary(df2[ , 26:29])## RV.tot RA.tot RN.tot RL.tot
## Min. : 0.00 Min. : 0.000 Min. : 0.00 Min. : 0.000
## 1st Qu.: 5.00 1st Qu.: 5.000 1st Qu.: 3.00 1st Qu.: 2.000
## Median : 6.00 Median : 7.000 Median : 5.00 Median : 5.000
## Mean : 5.91 Mean : 6.504 Mean : 5.34 Mean : 4.856
## 3rd Qu.: 7.00 3rd Qu.: 8.000 3rd Qu.: 8.00 3rd Qu.: 7.000
## Max. :12.00 Max. :12.000 Max. :12.00 Max. :12.000- Usando recursos do “Psych”
library(psych)
headTail(df2[ , 26:29])## RV.tot RA.tot RN.tot RL.tot
## 1 3 2 1 4
## 2 6 6 1 3
## 3 3 8 4 4
## 4 4 3 2 0
## ... ... ... ... ...
## 6 9 9 9 0
## 7 6 9 10 0
## 8 9 9 4 0
## 9 7 4 11 0describe(df2[ , 26:29])## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 987 5.91 2.12 6 5.87 1.48 0 12 12 0.17 0.15
## RA.tot 2 987 6.50 2.56 7 6.53 2.97 0 12 12 -0.12 -0.35
## RN.tot 3 987 5.34 3.21 5 5.25 2.97 0 12 12 0.27 -0.97
## RL.tot 4 987 4.86 3.11 5 4.81 2.97 0 12 12 0.04 -0.91
## se
## RV.tot 0.07
## RA.tot 0.08
## RN.tot 0.10
## RL.tot 0.10describeBy(df2[ , 26:29], group=df2$AnoEscolar)## group: 2
## vars n mean sd median trimmed mad min max range skew kurtosis se
## RV.tot 1 1 4 NA 4 4 0 4 4 0 NA NA NA
## RA.tot 2 1 5 NA 5 5 0 5 5 0 NA NA NA
## RN.tot 3 1 5 NA 5 5 0 5 5 0 NA NA NA
## RL.tot 4 1 4 NA 4 4 0 4 4 0 NA NA NA
## --------------------------------------------------------
## group: 3
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 4 6.00 1.63 6.0 6.00 1.48 4 8 4 0.00 -1.88
## RA.tot 2 4 7.75 1.71 7.5 7.75 1.48 6 10 4 0.28 -1.96
## RN.tot 3 4 7.25 1.26 7.0 7.25 0.74 6 9 3 0.42 -1.82
## RL.tot 4 4 3.75 2.06 4.0 3.75 1.48 1 6 5 -0.27 -1.85
## se
## RV.tot 0.82
## RA.tot 0.85
## RN.tot 0.63
## RL.tot 1.03
## --------------------------------------------------------
## group: 4
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 124 4.94 1.82 5.0 4.95 1.48 0 9 9 -0.12 -0.15
## RA.tot 2 124 5.23 2.40 5.5 5.33 2.22 0 10 10 -0.34 -0.73
## RN.tot 3 124 3.63 2.42 3.0 3.44 1.48 0 10 10 0.67 -0.34
## RL.tot 4 124 3.52 2.61 3.0 3.34 2.97 0 11 11 0.50 -0.30
## se
## RV.tot 0.16
## RA.tot 0.22
## RN.tot 0.22
## RL.tot 0.23
## --------------------------------------------------------
## group: 5
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 170 5.59 1.90 6 5.62 1.48 0 10 10 -0.15 -0.15
## RA.tot 2 170 6.19 2.19 6 6.24 1.48 1 12 11 -0.10 -0.12
## RN.tot 3 170 4.81 2.98 5 4.68 2.97 0 12 12 0.35 -0.72
## RL.tot 4 170 4.74 2.69 5 4.71 2.97 0 10 10 0.06 -0.82
## se
## RV.tot 0.15
## RA.tot 0.17
## RN.tot 0.23
## RL.tot 0.21
## --------------------------------------------------------
## group: 6
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 257 5.51 1.73 6 5.56 1.48 0 10 10 -0.30 0.74
## RA.tot 2 257 5.97 2.38 6 5.97 2.97 0 12 12 -0.01 -0.27
## RN.tot 3 257 4.56 2.95 4 4.42 2.97 0 12 12 0.48 -0.73
## RL.tot 4 257 4.43 2.88 5 4.41 2.97 0 11 11 -0.05 -1.02
## se
## RV.tot 0.11
## RA.tot 0.15
## RN.tot 0.18
## RL.tot 0.18
## --------------------------------------------------------
## group: 7
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 191 5.82 2.00 6 5.83 1.48 1 11 10 -0.02 0.08
## RA.tot 2 191 6.63 2.45 7 6.67 1.48 0 12 12 -0.20 -0.22
## RN.tot 3 191 5.43 3.07 5 5.32 2.97 0 12 12 0.30 -0.86
## RL.tot 4 191 4.74 3.24 5 4.65 2.97 0 11 11 0.05 -0.95
## se
## RV.tot 0.14
## RA.tot 0.18
## RN.tot 0.22
## RL.tot 0.23
## --------------------------------------------------------
## group: 8
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 105 6.84 2.18 7 6.78 2.97 2 12 10 0.19 -0.48
## RA.tot 2 105 7.68 2.53 8 7.78 2.97 1 12 11 -0.37 -0.28
## RN.tot 3 105 7.35 2.84 8 7.55 2.97 0 12 12 -0.52 -0.59
## RL.tot 4 105 5.78 3.42 7 5.93 2.97 0 11 11 -0.47 -1.01
## se
## RV.tot 0.21
## RA.tot 0.25
## RN.tot 0.28
## RL.tot 0.33
## --------------------------------------------------------
## group: 9
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 106 6.90 2.39 7 6.90 2.97 0 12 12 -0.07 -0.50
## RA.tot 2 106 7.47 2.54 8 7.63 2.97 0 12 12 -0.54 -0.34
## RN.tot 3 106 6.66 3.33 7 6.71 4.45 0 12 12 -0.20 -1.12
## RL.tot 4 106 6.08 3.25 6 6.16 4.45 0 12 12 -0.19 -0.96
## se
## RV.tot 0.23
## RA.tot 0.25
## RN.tot 0.32
## RL.tot 0.32
## --------------------------------------------------------
## group: 10
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 10 8.4 2.22 9.0 8.50 2.97 5 11 6 -0.24 -1.73
## RA.tot 2 10 9.3 2.00 9.5 9.38 2.22 6 12 6 -0.22 -1.57
## RN.tot 3 10 9.1 3.18 9.5 9.62 2.97 2 12 10 -0.96 -0.20
## RL.tot 4 10 7.8 2.20 7.5 7.88 2.22 4 11 7 -0.11 -1.36
## se
## RV.tot 0.70
## RA.tot 0.63
## RN.tot 1.00
## RL.tot 0.70
## --------------------------------------------------------
## group: 11
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 15 9.87 1.19 10 9.92 1.48 8 11 3 -0.48 -1.41
## RA.tot 2 15 10.53 1.30 11 10.62 1.48 8 12 4 -0.79 -0.63
## RN.tot 3 15 10.27 1.58 10 10.31 2.97 8 12 4 -0.21 -1.61
## RL.tot 4 15 8.80 2.08 8 8.77 2.97 6 12 6 0.20 -1.51
## se
## RV.tot 0.31
## RA.tot 0.34
## RN.tot 0.41
## RL.tot 0.54
## --------------------------------------------------------
## group: 12
## vars n mean sd median trimmed mad min max range skew kurtosis
## RV.tot 1 4 8.25 3.40 9.0 8.25 2.97 4 11 7 -0.24 -2.17
## RA.tot 2 4 8.00 4.24 8.5 8.00 4.45 3 12 9 -0.14 -2.25
## RN.tot 3 4 9.00 3.83 10.0 9.00 2.97 4 12 8 -0.32 -2.08
## RL.tot 4 4 7.25 4.35 8.5 7.25 2.22 1 11 10 -0.56 -1.79
## se
## RV.tot 1.70
## RA.tot 2.12
## RN.tot 1.91
## RL.tot 2.17pairs.panels(df2[ , c(26:32, 36, 37)], jiggle=TRUE)
cor.plot(cor(df2[ , c(26:32, 36, 37)], use="pair"))
round(cor(df2[ ,c(26:32, 36, 37)],use="pairwise"),2)## RV.tot RA.tot RN.tot RL.tot fg_elb fg_emo fg_cog
## RV.tot 1.00 0.60 0.52 0.51 0.25 0.15 0.09
## RA.tot 0.60 1.00 0.60 0.51 0.23 0.15 0.05
## RN.tot 0.52 0.60 1.00 0.52 0.21 0.14 0.08
## RL.tot 0.51 0.51 0.52 1.00 0.29 0.20 0.14
## fg_elb 0.25 0.23 0.21 0.29 1.00 0.35 0.44
## fg_emo 0.15 0.15 0.14 0.20 0.35 1.00 0.39
## fg_cog 0.09 0.05 0.08 0.14 0.44 0.39 1.00
## met_qual_fairmavg 0.44 0.42 0.37 0.47 0.23 0.15 0.07
## met_flx_medio 0.35 0.33 0.31 0.40 0.13 0.08 0.04
## met_qual_fairmavg met_flx_medio
## RV.tot 0.44 0.35
## RA.tot 0.42 0.33
## RN.tot 0.37 0.31
## RL.tot 0.47 0.40
## fg_elb 0.23 0.13
## fg_emo 0.15 0.08
## fg_cog 0.07 0.04
## met_qual_fairmavg 1.00 0.76
## met_flx_medio 0.76 1.00boxplot(df2[ ,c(26:29)], main = "BPRi")
boxplot(df2[ ,c(30:32)], main = "TCFI")
boxplot(df2[ ,c(35)], main = "Metáforas Theta")
boxplot(df2[ ,c(36:37)], main = "Metáforas Scores")
multi.hist(df2[ ,c(26:29)], main = "BPRi")
library(psych)
temp2 <- df2[ df2$AnoEscolar > 3 , c(5, 26:29)]
temp2[temp2$AnoEscolar > 9, ]$AnoEscolar <- 9
table(temp2$AnoEscolar)
violinBy(temp2[ , 2:3], temp$AnoEscolar, col=rainbow(6))
violinBy(temp2[ , 4:5], temp$AnoEscolar, col=rainbow(6))- Usando recursos do “ggplot”
library(ggplot2)
ggplot(df2, aes(x=RV.tot)) +
geom_histogram(aes(y=..density..), binwidth=1, colour="black", fill="white") +
geom_density(alpha=.4, fill="orange", adjust=2) +
scale_x_continuous(breaks=seq(0, 12, 1), limits=c(0,12))
# Usando loop
temp <-df2[ , 26:29]
colors<-rainbow(4)
for (i in 1:4){
p <- ggplot(temp, aes_string(names(temp[i]))) +
geom_histogram(aes(y=..density..), binwidth=1, colour="black", fill="white") +
geom_density(alpha=.4, fill=colors[i], adjust=2) +
scale_x_continuous(breaks=seq(0, 12, 1), limits=c(0,12)) + theme_minimal()
plot(p)
}
