Forskjell mellom versjoner av «Jamovi-modulen Rj»

Fra Jamovi
Hopp til: navigasjon, søk
Linje 30: Linje 30:
 
* [https://www.rdocumentation.org/packages/ggplot2 ggplot2] for å lage alle slags [http://www.ggplot2-exts.org/gallery/ grafiker] du kan tenke av
 
* [https://www.rdocumentation.org/packages/ggplot2 ggplot2] for å lage alle slags [http://www.ggplot2-exts.org/gallery/ grafiker] du kan tenke av
 
* flere av Hadley Wickham sine [https://www.tidyverse.org tidyverse] biblioteker: [https://www.rdocumentation.org/packages/dplyr dplyr], [https://www.rdocumentation.org/packages/stringr stringr] eller [https://www.rdocumentation.org/packages/tidyselect tidyselect]
 
* flere av Hadley Wickham sine [https://www.tidyverse.org tidyverse] biblioteker: [https://www.rdocumentation.org/packages/dplyr dplyr], [https://www.rdocumentation.org/packages/stringr stringr] eller [https://www.rdocumentation.org/packages/tidyselect tidyselect]
 +
 +
=Bytte mellom R-versjoner=

Revisjonen fra 11. nov. 2019 kl. 16:22

Forberedelse

Først må du installere modulen Rj fra jamovi-biblioteket. Dette vil opprette et «R»-ikon i ikonlinjen.
Jamovi Rj1.png

Bruke R-kommandoer

Etterpå trykker du på «R»-ikonet og velger «Rj Editor».
Jamovi Rj2.png

Det åpner en inntastingsfelt på venstre siden av skjermet hvor du kan skrive R-kommandoer.
Jamovi Rj3.png

Dataset heter «data» og du kan bruke første linjen for å få de første tre kolonene eller du kan bruke variablenavner slik som visst i andre linjen.

summary(data[1:3])
summary(data[, c('var1', 'var2', 'var3')])

Men du kan også velge funksjoner fra R-biblioteker:

stats::aggregate(as.numeric(data[, 'var1']), list(data[, 'gender']), mean)

Kanskje det tar litt tid å finne seg gjennom dette, spesielt detaljer slik som hvilken format trenges for inndata til funksjoner (det må kanskje konverteres til numrene med «as.numeric» eller til en liste med «list»). Men du har (nesten) ingen grenser lengre med hensyn hvilken analyser du kan kjøre.

Det er ikke minst fordi det kommer allerede en masse R-biblioteker installert med jamovi og Rj: abind, acepack, afex, arm, assertthat, backports, base, base64enc, BayesFactor, BDgraph, BH, bindr, bindrcpp, bitops, boot, ca, car, carData, caTools, cellranger, checkmate, class, cli, clipr, cluster, coda, codetools, colorspace, compiler, contfrac, corpcor, crayon, curl, d3Network, data.table, datasets, deSolve, digest, dplyr, ellipsis, elliptic, emmeans, estimability, evaluate, evaluate, exact2x2, exactci, fansi, fdrtool, forcats, foreign, Formula, gdata, GGally, ggm, ggplot2, ggridges, glasso, glue, gnm, GPArotation, gplots, graphics, grDevices, grid, gridExtra, gtable, gtools, haven, highr, Hmisc, hms, htmlTable, htmltools, htmlwidgets, huge, hypergeo, igraph, jmv, jmvcore, jpeg, jsonlite, KernSmooth, knitr, kutils, labeling, lattice, latticeExtra, lavaan, lazyeval, lisrelToR, lme4, lmerTest, lmtest, magrittr, maptools, markdown, MASS, Matrix, matrixcalc, MatrixModels, methods, mgcv, mi, mime, minqa, mnormt, multcomp, munsell, mvnormtest, mvtnorm, nlme, nloptr, nnet, numDeriv, OpenMx, openxlsx, parallel, pbapply, pbivnorm, pbkrtest, pillar, pkgconfig, pkgconfig, plogr, plyr, PMCMR, png, praise, prettyunits, progress, psych, purrr, qgraph, quantreg, qvcalc, R6, RColorBrewer, Rcpp, RcppArmadillo, RcppEigen, RCurl, readr, readxl, regsem, relimp, rematch, reshape, reshape2, RInside, rio, Rj, rjson, rlang, rockchalk, ROCR, rpart, rpf, RProtoBuf, Rsolnp, rstudioapi, RUnit, sandwich, scales, sem, semPlot, semTools, sp, SparseM, spatial, splines, ssanv, StanHeaders, stats, stats4, stringi, stringr, survival, tcltk, testthat, TH.data, tibble, tidyselect, tools, truncnorm, utf8, utils, vcd, vcdExtra, vctrs, viridis, viridisLite, whisker, withr, xfun, XML, xtable, yaml, zeallot, zip, zoo.

Noen av disse er spesielt interessant:

  • stats gir tilgang til masse statistiske funksjoner (f.eks. stats::glm for fitting Generalized Linear Models eller stats:kmeans for å gjennomføre k-means-cluster-analyser)
  • lme4 for å bruke Linear, generalized linear, and nonlinear mixed modeller
  • MASS implementerer analyser beskrivet i boken av Venables og Ripley «Modern Applied Statistics with S» (det inkluderer f.eks. diskriminansanalyse MASS::lda)
  • lavaan for å gjennomføre forskjellige analyser med latente variabler (inkl. confirmatory factor analysis, structural equation modeling og latent growth curve models)
  • BayesFactor for å gjennomføre Bayes-analyser tilsvarende «klassiske» (frekventistiske) analyser (f.eks. Bayes-versjon av t-testen; OBS: det kan også gjøres enklere med å bruke jamovi-Modulen «jsq»)
  • cluster for å gjennomføre forskjellige arter av cluster-analyser
  • ggplot2 for å lage alle slags grafiker du kan tenke av
  • flere av Hadley Wickham sine tidyverse biblioteker: dplyr, stringr eller tidyselect

Bytte mellom R-versjoner