saigonpho55
New Member
Link tải luận văn miễn phí cho ae Kết Nối
1 Lời nói đầu
2 Giới thiệu ngôn ngữ R
2.1 R là gì ?
2.2 Tải và cài đặt R vào máy tính
2.3 Package cho các phân tích đặc biệt
2.4 Khởi động và ngưng chạy R
2.5 “Văn phạm” ngôn ngữ R
2.6 Cách đặt tên trong R
2.7 Hỗ trợ trong R
2.8 Môi trường vận hành
3 Nhập dữ liệu
3.1 Nhập số liệu trực tiếp: c()
3.2 Nhập số liệu trực tiếp: edit(data.frame())
3.3 Nhập số liệu từ một textfile: read.table()
3.4 Nhập số liệu từ Excel: read.csv
3.5 Nhập số liệu từ SPSS: read.spss
3.6 Tìm thông tin cơ bản về dữ liệu
4 Biên tập dữ liệu
4.1 Kiểm tra số liệu trống không: na.omit()
4.2 Tách rời dữ liệu: subset
4.3 Chiết số liệu từ một data .frame
4.4 Nhập hai data.frame thành một: merge
4.5 Mã hóa số liệu (data coding)
4.5.1 Mã hoá bằng hàm replace
4.5.2 Đổi một biến liên tục thành biến rời rạc
4.6 Chia một biến liên tục thành nhóm: cut
4.7 Tập hợp số liệu bằng cut2 (Hmisc)
5 Sử R cho các phép tính đơn giản và ma trận
5.1 Tính toán đơn giản
5.2 Số liệu về ngày tháng
5.3 Tạo dãy số bằng seq, rep và gl
5.4 Sử dụng R cho các phép tính ma trận
5.4.1 Chiết phần tử từ ma trận
5.4.2 Tính toán với ma trận
6 Tính toán xác suất và mô phỏng (simulation)
6.1 Tính toán đơn giản
6.1.1 Phép hoán vị (permutation)
6.1.2 Tổ hợp (combination)
6.2 Biến số ngẫu nhiên và hàm phân phối
6.3 Các hàm phân phối xác suất (probability distribution
function)
6.3.1 Hàm phân phối nhị phân (Binomial distribution)
6.3.2 Hàm phân phối Poisson (Poisson distribution)
6.3.3 Hàm phân phối chuẩn (Normal distribution)
6.3.4 Hàm phân phối chuẩn chuẩn hóa (Standardized Normal
distribution)
6.3.5 Hàm phân phối t, F và χ2
6.4. Mô phỏng (simulation)
6.4.1 Mô phỏng phân phối nhị phân
6.4.2 Mô phỏng phân phối Poisson
6.4.3 Mô phỏng phân phối χ2, t, F, gamma, beta, Weibull,
Cauchy
6.5 Chọn mẫu ngẫu nhiên (random sampling)
7 Kiểm định giả thiết thống kê và ý nghĩa trị số P
7.1 Trị số P
7.2 Giả thiết khoa học và phản nghiệm
7.3 Ý nghĩa của trị số P qua mô phỏng
7.4 Vấn đề logic của trị số P
7.5 Vấn để kiểm định nhiều giả thiết (multiple tests of
hypothesis)
8 Phân tích số liệu bằng biểu đồ
8.1 Môi trường và thiết kế biểu đồ
8.1.1 Nhiều biểu đồ cho một cửa sổ (windows)
8.1.2 Đặt tên cho trục tung và trục hoành
8.1.3 Cho giới hạn của trục tung và trục hoành
8.1.4 Thể loại và đường biểu diễn
8.1.5 Màu sắc, khung, và kí hiệu
8.1.6 Ghi chú (legend)
8.17 Viết chữ trong biểu đồ
8.2 Số liệu cho phân tích biểu đồ
8.3 Biểu đồ cho một biến số rời rạc (discrete variable):
barplot
8.4. Biểu đồ cho hai biến số rời rạc (discrete variable):
barplot
8.5 Biểu đồ hình tròn
8.6 Biểu đồ cho một biến số liên tục: stripchart và hist
8.6.1 Stripchart
8.6.2 Histogram
8.6.3 Biểu đồ hộp (boxplot)
8.6.4 Biểu đồ thanh (barchart)
8.6.5 Biểu đồ điểm (dotchart)
8.7 Phân tích biểu đồ cho hai biến liên tục
8.7.1 Biểu đồ tán xạ (scatter plot)
8.8 Phân tích Biểu đồ cho nhiều biến: pairs
8.9 Một số biểu đồ “đa năng”
8.9.1 Biểu đồ tán xạ và hình hộp
8.9.2 Biểu đồ tán xạ với kích thước biến thứ ba
8.9.3 Biểu đồ thanh và xác suất tích lũy
8.9.4 Biểu đồ hình đồng hồ (clock plot)
8.9.5 Biểu đồ với sai số chuẩn (standard error)
8.9.6 Biểu đồ vòng (contour plot)
8.9.10 Biểu đồ với kí hiệu toán
9 Phân tích thống kê mô tả
9.0 Khái niệm về tổng thể (population) và mẫu (sample)
9.1 Thống kê mô tả: summary
9.2 Kiểm định xem một biến có phải phân phối chuẩn
9.3 Thống kê mô tả theo từng nhóm
9.4 Kiểm định t (t.test)
9.4.1 Kiểm định t một mẫu
9.4.2 Kiểm định t hai mẫu
9.5 So sánh phương sai (var.test)
9.6 Kiểm định Wilcoxon cho hai mẫu (wilcox.test)
9.7 Kiểm định t cho các biến số theo cặp (paired t-test,
t.test)
9.8 Kiểm định Wilcoxon cho các biến số theo cặp
(wilcox.test)
9.9 Tần số (frequency)
9.10 Kiểm định tỉ lệ (proportion test, prop.test,
binom.test)
9.11 So sánh hai tỉ lệ (prop.test, binom.test)
9.12 So sánh nhiều tỉ lệ (prop.test, chisq.test)
9.12.1 Kiểm định Chi bình phương
9.12.2 Kiểm định Fisher
10 Phân tích hồi qui tuyến tính (regression analysis)
10.1 Hệ số tương quan
10.1.1 Hệ số tương quan Pearson
10.1.2 Hệ số tương quan Spearman
10.1.3 Hệ số tương quan Kendall
10.2 Mô hình của hồi qui tuyến tính đơn giản
10.2.1 Vài dòng lí thuyết
10.2.2 Phân tích hồi qui tuyến tính đơn giản bằng R
10.2.3 Giả định của phân tích hồi qui tuyến tính
10.2.4 Mô hình tiên đoán
10.3 Mô hình hồi qui tuyến tính đa biến (multiple linear
regression)
10.4 Phân tích hồi qui đa thức (Polynomial regression analysis)
10.5 Xây dựng mô hình tuyến tính từ nhiều biến
10.6 Xây dựng mô hình tuyến tính bằng Bayesian Model
Average (BMA)
11 Phân tích phương sai (analysis of variance)
11.1 Phân tích phương sai đơn giản (one-way analysis of
variance - ANOVA)
11.1.1 Mô hình phân tích phương sai
11.1.2 Phân tích phương sai đơn giản với R
11.2 So sánh nhiều nhóm (multiple comparisons) và điều chỉnh
trị số p
11.2.1 So sánh nhiều nhóm bằng phương pháp Tukey
11.2.2 Phân tích bằng biểu đồ
11.3 Phân tích bằng phương pháp phi tham số
11.4 Phân tích phương sai hai chiều (two-way analysis of
variance - ANOVA)
11.4.1 Phân tích phương sai hai chiều với R
11.5 Phân tích hiệp biến (analysis of covariance - ANCOVA)
11.5.1 Mô hình phân tích hiệp biến
11.5.2 Phân tích bằng R
11.6 Phân tích phương sai cho thí nghiệm giai thừa (factorial
experiment)
11.7 Phân tích phương sai cho thí nghiệm hình vuông Latin
(Latin square experiment)
11.8 Phân tích phương sai cho thí nghiệm giao chéo (cross-over
experiment)
11.9 Phân tích phương sai cho thí nghiệm tái đo lường (repeated
measure experiment)
12 Phân tích hồi qui logistic (logistic regression
analysis)
12.1 Mô hình hồi qui logistic
12.2 Phân tích hồi qui logistic bằng R
12.3 Ước tính xác suất bằng R
12.4 Phân tích hồi qui logistic từ số liệu giản lược bằng R
12.5 Phân tích hồi qui logistic đa biến và chọn mô hình
12.6 Chọn mô hình hồi qui logistic bằng Bayesian Model
Average
12.7 Số liệu dùng cho phân tích
13 Phân tích biến cố (survival analysis)
13.1 Mô hình phân tích số liệu mang tính thời gian
13.2 Ước tính Kaplan-Meier bằng R
13.3 So sánh hai hàm xác suất tích lũy: kiểm định log-rank (logrank test)
13.4 Kiểm định log-rank bằng R
13.5 Mô hình Cox (hay Cox’s proportional hazards model)
13.6 Xây dựng mô hình Cox bằng Bayesian Model Average
(BMA)
14 Phân tích tổng hợp (meta-analysis)
14.1 Nhu cầu cho phân tích tổng hợp
14.2 Ảnh hưởng ngẫu nhiên và ảnh hưởng bất biến (Fixedeffects và Random-effects)
14.3 Qui trình của một phân tích tổng hợp
14.4 Phân tích tổng hợp ảnh hưởng bất biến cho một tiêu chí liên
tục (Fixed-effects meta-analysis for a continuous outcome)
14.4.1 Phân tích tổng hợp bằng tính toán “thủ công”
14.4.2 Phân tích tổng hợp bằng R
14.5 Phân tích tổng hợp ảnh hưởng bất biến cho một tiêu chí nhị
phân (Fixed-effects meta-analysis for a dichotomous
outcome)
14.5.1 Mô hình phân tích
14.5.2 Phân tích bằng R
15 Ước tính cỡ mẫu (estimation of sample size)
15.1 Khái niệm về “power”
15.2 Thử nghiệm giả thiết thống kê và chẩn đoán bệnh
15.3 Số liệu để ước tính cỡ mẫu
15.4 Ước tính cỡ mẫu
15.4.1 Ước tính cỡ mẫu cho một chỉ số trung bình
15.4.2 Ước tính cỡ mẫu cho so sánh hai số trung bình
15.4.3 Ước tính cỡ mẫu cho phân tích phương sai
15.4.4 Ước tính cỡ mẫu cho ước tính một tỉ lệ
15.4.5 Ước tính cỡ mẫu cho so sánh hai tỉ lệ
16 Phụ lục 1: Lập trình và viết hàm bằng ngôn ngữ R
17 Phụ lục 2: Một số lệnh thông dụng trong R
18 Phụ lục 3: Thuật ngữ dùng trong sách
19 Lời bạt (tài liệu tham khảo và đọc thêm)
Trái với quan điểm của nhiều người, thống kê là một bộ môn khoa học: Khoa học
thống kê (Statistical Science). Các phương pháp phân tích dù dựa vào nền tảng của toán
học và xác suất, nhưng đó chỉ là phần “kĩ thuật”, phần quan trọng hơn là thiết kế nghiên
cứu và diễn dịch ý nghĩa dữ liệu. Người làm thống kê, do đó, không chỉ là người đơn
thuần làm phân tích dữ liệu, mà phải là một nhà khoa học, một nhà suy nghĩ (“thinker”)
về nghiên cứu khoa học. Chính vì thế, mà khoa học thống kê đóng một vai trò cực kì
quan trọng, một vai trò không thể thiếu được trong các công trình nghiên cứu khoa học,
nhất là khoa học thực nghiệm. Có thể nói rằng ngày nay, nếu không có thống kê thì các
thử nghiệm gen với triệu triệu số liệu chỉ là những con số vô hồn, vô nghĩa.
Một công trình nghiên cứu khoa học, cho dù có tốn kém và quan trọng cỡ nào,
nếu không được phân tích đúng phương pháp sẽ không có ý nghĩa khoa học gì cả. Chính
vì thế thế mà ngày nay, chỉ cần nhìn qua tất cả các tập san nghiên cứu khoa học trên thế
giới, hầu như bất cứ bài báo y học nào cũng có phần “Statistical Analysis” (Phân tích
thống kê), nơi mà tác giả phải mô tả cẩn thận phương pháp phân tích, tính toán như thế
nào, và giải thích ngắn gọn tại sao sử dụng những phương pháp đó để hàm ý “bảo kê”
hay tăng trọng lượng khoa học cho những phát biểu trong bài báo. Các tạp san y học có
uy tín càng cao yêu cầu về phân tích thống kê càng nặng. Xin nhắc lại để nhấn mạnh:
không có phần phân tích thống kê, bài báo không có ý nghĩa khoa học.
Một trong những phát triển quan trọng nhất trong khoa học thống kê là ứng dụng
máy tính cho phân tích và tính toán thống kê. Có thể nói không ngoa rằng không có máy
tính, khoa học thống kê vẫn chỉ là một khoa học buồn tẻ khô khan, với những công thức
rắc rối mà thiếu tính ứng dụng vào thực tế. Máy tính đã giúp khoa học thống kê làm một
cuộc cách mạng lớn nhất trong lịch sử của bộ môn: đó là đưa khoa học thống kê vào thực
tế, giải quyết các vấn đề gai góc nhất và góp phần làm phát triển khoa học thực nghiệm.
Người viết còn nhớ hơn 20 năm về trước khi còn là một sinh viên theo học
chương trình thạc sĩ thống kê ở Úc, một vị giáo sư khả kính kể một câu chuyện về nhà
thống kê danh tiếng người Mĩ, Fred Mosteller, nhận được một hợp đồng nghiên cứu từ
Bộ Quốc phòng Mĩ để cải tiến độ chính xác của vũ khí Mĩ vào thời Thế chiến thứ II, mà
trong đó ông phải giải một bài toán thống kê gồm khoảng 30 thông số. Ông phải mướn
20 sinh viên sau đại học làm việc này: 10 sinh viên chỉ việc suốt ngày tính toán bằng tay;
còn 10 sinh viên khác kiểm tra lại tính toán của 10 sinh viên kia. Công việc kéo dài gần
một tháng trời. Ngày nay, với một máy tính cá nhân (personal computer) khiêm tốn,
phân tích thống kê đó có thể giải trong vòng trên dưới 1 giây.
Nhưng nếu máy tính mà không có phần mềm thì máy tính cũng chỉ là một đống
sắt hay silicon “vô hồn” và vô dụng. Một phần mềm đã, đang và sẽ làm cách mạng thống
kê là R. Phần mềm này được một số nhà nghiên cứu thống kê và khoa học trên thế giới
phát triển và hoàn thiện trong khoảng 10 năm qua để sử dụng cho việc học tập, giảng dạy
và nghiên cứu. Cuốn sách này sẽ giới thiệu bạn đọc cách sử dụng R cho phân tích thống
kê và đồ thị.
Tại sao R? Trước đây, các phần mềm dùng cho phân tích thống kê đã được phát
triển và khá thông dụng. Những phần mềm nổi tiếng từ thời “xa xưa” như MINITAB,
BMD-P đến những phần mềm tương đối mới như STATISTICA, SPSS, SAS, STAT,
v.v… thường rất đắt tiền (giá cho một đại học có khi lên đến hàng trăm ngàn đô-la hàng
năm), một cá nhân hay thậm chí cho một đại học không khả năng mua. Nhưng R đã thay
đổi tình trạng này, vì R hoàn toàn miễn phí. Trái với cảm nhận thông thường, miễn phí
không có nghĩa là chất lượng kém. Thật vậy, chẳng những hoàn toàn miễn phí, R còn có
khả năng làm tất cả (xin nói lại: tất cả), thậm chí còn hơn cả, những phân tích mà các
phần mềm thương mại làm. R có thể tải xuống máy tính cá nhân của bất cứ cá nhân nào,
bất cứ lúc nào, và bất cứ ở đâu trên thế giới. Chỉ vài phút cài đặt là R có thể đưa vào sử
dụng. Chính vì thế mà đại đa số các đại học Tây phương và thế giới càng ngày càng
chuyển sang sử dụng R cho học tập, nghiên cứu và giảng dạy. Trong xu hướng đó, cuốn
sách này có một mục tiêu khiêm tốn là giới thiệu đến bạn đọc trong nước để kịp thời cập
nhật hóa những phát triển về tính toán và phân tích thống kê trên thế giới.
Cuốn sách này được soạn chủ yếu cho sinh viên đại học và các nhà nghiên cứu
khoa học, những người cần một phần mềm để học thống kê, để phân tích số liệu, hay vẽ
đồ thị từ số liệu khoa học. Cuốn sách này không phải là sách giáo khoa về lí thuyết thống
kê, hay nhằm chỉ bạn đọc cách làm phân tích thống kê, nhưng sẽ giúp bạn đọc làm phân
tích thống kê hữu hiệu hơn và hào hứng hơn. Mục đích chính của tui là cung cấp cho bạn
đọc những kiến thức cơ bản về thống kê, và cách ứng dụng R cho giải quyết vấn đề, và
qua đó làm nền tảng để bạn đọc tìm hiểu hay phát triển thêm R.
tui cho rằng, cũng như bất cứ ngành nghề nào, cách học phân tích thống kê hay
nhất là tự mình làm phân tích. Vì thế, sách này được viết với rất nhiều ví dụ và dữ liệu
thực. Bạn đọc có thể vừa đọc sách, vừa làm theo những chỉ dẫn trong sách (bằng cách gõ
các lệnh vào máy tính) và sẽ thấy hào hứng hơn. Nếu bạn đọc đã có sẵn một dữ liệu
nghiên cứu của chính mình thì việc học tập sẽ hữu hiệu hơn bằng cách ứng dụng ngay
những phép tính trong sách. Đối với sinh viên, nếu chưa có số liệu sẵn, các bạn có thể
dùng các phương pháp mô phỏng (simulation) để hiểu thống kê hơn.
Khoa học thống kê ở nước ta tương đối còn mới, cho nên một số thuật ngữ chưa
được diễn dịch một cách thống nhất và hoàn chỉnh. Vì thế, bạn đọc sẽ thấy đây đó trong
sách một vài thuật ngữ “lạ”, và trong trường hợp này, tui cố gắng kèm theo thuật ngữ gốc
Tài liệu tham khảo
Hiện nay, thư viện sách về R còn tương đối khiêm tốn so với thư viện cho các
phần mềm thương mại như SAS và SPSS. Tuy nhiên, trong thời đại tiến bộ phi thường
về thông tin internet và toàn cầu hóa như hiện nay, sách in và sách xuất bản trên website
không còn là những khác nhau bao xa. Phần lớn chỉ dẫn về cách sử dụng R có thể tìm
thấy rải rác đây đó trên các website từ các trường đại học và website cá nhân trên khắp
thế giới. Trong phần này tui chỉ liệt kê một số sách mà bạn đọc, nếu cần tham khảo
thêm, nên tìm đọc. Trong quá trình viết cuốn sách mà bạn đọc đang cầm trên tay, tôi
cũng tham khảo một số sách và trang web mà tui sẽ liệt kê sau đây với vài lời nhận xét cá
nhân.
Tài liệu tham khảo chính về R là bài báo của hai người sáng tạo ra R: Ihaka R,
Gentleman R. R: A language for data analysis and graphics. Journal of Computational
and Graphical Statistics 1996; 5:299-314.
18.1 Sách tham khảo về R
• “Data Analysis and Graphics Using R – An Example Approach” (Nhà xuất bản
Cambridge University Press, 2003) của John Maindonald nay đã xuất in lại lần thứ
2 với thêm một tác giả mới John Braun. Đây là cuốn sách rất có ích cho những ai
muốn tìm hiểu và học về R. Năm chương đầu của sách viết cho bạn đọc chưa từng
biết về R, còn các chương sau thì viết cho các bạn đọc đã biết cách sử dụng R thành
thạo.
• “Introductory Statistics With R” (Nhà xuất bản Springer, 2004) của Peter
Dalgaard là một cuốn sách loại căn bản cho R nhắm vào bạn đọc chưa biết gì về R.
Sách tương đối ngắn (chỉ khoảng 200 trang) nhưng khá đắt giá!
• “Linear Models with R” (Nhà xuất bản Chapman & Hall/CRC, 2004) của Julian
Faraway. Sách hiện có thể tải từ internet xuống miễn phí tại website sau đây:
• “R Graphics (Computer Science and Data Analysis)” (Nhà xuất bản Chapman &
Hall/CRC, 2005) của Paul Murrell. Đây là cuốn sách chuyên về phân tích biểu đồ
bằng R. Sách có rất nhiều mã để bạn đọc có thể tự mình thiết kế các biểu đồ phức
tạp và … màu mè.
• “Modern Applied Statistics with S-Plus” (Nhà xuất bản Springer, 4th Edition,
2003) của W. N. Venables và B. D. Ripley được viết cho ngôn ngữ S-Plus nhưng
tất cả các lệnh và mã trong sách này đều có thể áp dụng cho R mà không cần thay
đổi. (S-Plus là tiền thân của R, nhưng S-Plus là một phần mềm thương mại, còn R
thì hoàn toàn miễn phí!) Đây là cuốn sách có thể nói là cuốn sách tham khảo cho
tất cả ai muốn phát triển thêm về R. Hai tác giả cũng là những chuyên gia có thẩm
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
1 Lời nói đầu
2 Giới thiệu ngôn ngữ R
2.1 R là gì ?
2.2 Tải và cài đặt R vào máy tính
2.3 Package cho các phân tích đặc biệt
2.4 Khởi động và ngưng chạy R
2.5 “Văn phạm” ngôn ngữ R
2.6 Cách đặt tên trong R
2.7 Hỗ trợ trong R
2.8 Môi trường vận hành
3 Nhập dữ liệu
3.1 Nhập số liệu trực tiếp: c()
3.2 Nhập số liệu trực tiếp: edit(data.frame())
3.3 Nhập số liệu từ một textfile: read.table()
3.4 Nhập số liệu từ Excel: read.csv
3.5 Nhập số liệu từ SPSS: read.spss
3.6 Tìm thông tin cơ bản về dữ liệu
4 Biên tập dữ liệu
4.1 Kiểm tra số liệu trống không: na.omit()
4.2 Tách rời dữ liệu: subset
4.3 Chiết số liệu từ một data .frame
4.4 Nhập hai data.frame thành một: merge
4.5 Mã hóa số liệu (data coding)
4.5.1 Mã hoá bằng hàm replace
4.5.2 Đổi một biến liên tục thành biến rời rạc
4.6 Chia một biến liên tục thành nhóm: cut
4.7 Tập hợp số liệu bằng cut2 (Hmisc)
5 Sử R cho các phép tính đơn giản và ma trận
5.1 Tính toán đơn giản
5.2 Số liệu về ngày tháng
5.3 Tạo dãy số bằng seq, rep và gl
5.4 Sử dụng R cho các phép tính ma trận
5.4.1 Chiết phần tử từ ma trận
5.4.2 Tính toán với ma trận
6 Tính toán xác suất và mô phỏng (simulation)
6.1 Tính toán đơn giản
6.1.1 Phép hoán vị (permutation)
6.1.2 Tổ hợp (combination)
6.2 Biến số ngẫu nhiên và hàm phân phối
6.3 Các hàm phân phối xác suất (probability distribution
function)
6.3.1 Hàm phân phối nhị phân (Binomial distribution)
6.3.2 Hàm phân phối Poisson (Poisson distribution)
6.3.3 Hàm phân phối chuẩn (Normal distribution)
6.3.4 Hàm phân phối chuẩn chuẩn hóa (Standardized Normal
distribution)
6.3.5 Hàm phân phối t, F và χ2
6.4. Mô phỏng (simulation)
6.4.1 Mô phỏng phân phối nhị phân
6.4.2 Mô phỏng phân phối Poisson
6.4.3 Mô phỏng phân phối χ2, t, F, gamma, beta, Weibull,
Cauchy
6.5 Chọn mẫu ngẫu nhiên (random sampling)
7 Kiểm định giả thiết thống kê và ý nghĩa trị số P
7.1 Trị số P
7.2 Giả thiết khoa học và phản nghiệm
7.3 Ý nghĩa của trị số P qua mô phỏng
7.4 Vấn đề logic của trị số P
7.5 Vấn để kiểm định nhiều giả thiết (multiple tests of
hypothesis)
8 Phân tích số liệu bằng biểu đồ
8.1 Môi trường và thiết kế biểu đồ
8.1.1 Nhiều biểu đồ cho một cửa sổ (windows)
8.1.2 Đặt tên cho trục tung và trục hoành
8.1.3 Cho giới hạn của trục tung và trục hoành
8.1.4 Thể loại và đường biểu diễn
8.1.5 Màu sắc, khung, và kí hiệu
8.1.6 Ghi chú (legend)
8.17 Viết chữ trong biểu đồ
8.2 Số liệu cho phân tích biểu đồ
8.3 Biểu đồ cho một biến số rời rạc (discrete variable):
barplot
8.4. Biểu đồ cho hai biến số rời rạc (discrete variable):
barplot
8.5 Biểu đồ hình tròn
8.6 Biểu đồ cho một biến số liên tục: stripchart và hist
8.6.1 Stripchart
8.6.2 Histogram
8.6.3 Biểu đồ hộp (boxplot)
8.6.4 Biểu đồ thanh (barchart)
8.6.5 Biểu đồ điểm (dotchart)
8.7 Phân tích biểu đồ cho hai biến liên tục
8.7.1 Biểu đồ tán xạ (scatter plot)
8.8 Phân tích Biểu đồ cho nhiều biến: pairs
8.9 Một số biểu đồ “đa năng”
8.9.1 Biểu đồ tán xạ và hình hộp
8.9.2 Biểu đồ tán xạ với kích thước biến thứ ba
8.9.3 Biểu đồ thanh và xác suất tích lũy
8.9.4 Biểu đồ hình đồng hồ (clock plot)
8.9.5 Biểu đồ với sai số chuẩn (standard error)
8.9.6 Biểu đồ vòng (contour plot)
8.9.10 Biểu đồ với kí hiệu toán
9 Phân tích thống kê mô tả
9.0 Khái niệm về tổng thể (population) và mẫu (sample)
9.1 Thống kê mô tả: summary
9.2 Kiểm định xem một biến có phải phân phối chuẩn
9.3 Thống kê mô tả theo từng nhóm
9.4 Kiểm định t (t.test)
9.4.1 Kiểm định t một mẫu
9.4.2 Kiểm định t hai mẫu
9.5 So sánh phương sai (var.test)
9.6 Kiểm định Wilcoxon cho hai mẫu (wilcox.test)
9.7 Kiểm định t cho các biến số theo cặp (paired t-test,
t.test)
9.8 Kiểm định Wilcoxon cho các biến số theo cặp
(wilcox.test)
9.9 Tần số (frequency)
9.10 Kiểm định tỉ lệ (proportion test, prop.test,
binom.test)
9.11 So sánh hai tỉ lệ (prop.test, binom.test)
9.12 So sánh nhiều tỉ lệ (prop.test, chisq.test)
9.12.1 Kiểm định Chi bình phương
9.12.2 Kiểm định Fisher
10 Phân tích hồi qui tuyến tính (regression analysis)
10.1 Hệ số tương quan
10.1.1 Hệ số tương quan Pearson
10.1.2 Hệ số tương quan Spearman
10.1.3 Hệ số tương quan Kendall
10.2 Mô hình của hồi qui tuyến tính đơn giản
10.2.1 Vài dòng lí thuyết
10.2.2 Phân tích hồi qui tuyến tính đơn giản bằng R
10.2.3 Giả định của phân tích hồi qui tuyến tính
10.2.4 Mô hình tiên đoán
10.3 Mô hình hồi qui tuyến tính đa biến (multiple linear
regression)
10.4 Phân tích hồi qui đa thức (Polynomial regression analysis)
10.5 Xây dựng mô hình tuyến tính từ nhiều biến
10.6 Xây dựng mô hình tuyến tính bằng Bayesian Model
Average (BMA)
11 Phân tích phương sai (analysis of variance)
11.1 Phân tích phương sai đơn giản (one-way analysis of
variance - ANOVA)
11.1.1 Mô hình phân tích phương sai
11.1.2 Phân tích phương sai đơn giản với R
11.2 So sánh nhiều nhóm (multiple comparisons) và điều chỉnh
trị số p
11.2.1 So sánh nhiều nhóm bằng phương pháp Tukey
11.2.2 Phân tích bằng biểu đồ
11.3 Phân tích bằng phương pháp phi tham số
11.4 Phân tích phương sai hai chiều (two-way analysis of
variance - ANOVA)
11.4.1 Phân tích phương sai hai chiều với R
11.5 Phân tích hiệp biến (analysis of covariance - ANCOVA)
11.5.1 Mô hình phân tích hiệp biến
11.5.2 Phân tích bằng R
11.6 Phân tích phương sai cho thí nghiệm giai thừa (factorial
experiment)
11.7 Phân tích phương sai cho thí nghiệm hình vuông Latin
(Latin square experiment)
11.8 Phân tích phương sai cho thí nghiệm giao chéo (cross-over
experiment)
11.9 Phân tích phương sai cho thí nghiệm tái đo lường (repeated
measure experiment)
12 Phân tích hồi qui logistic (logistic regression
analysis)
12.1 Mô hình hồi qui logistic
12.2 Phân tích hồi qui logistic bằng R
12.3 Ước tính xác suất bằng R
12.4 Phân tích hồi qui logistic từ số liệu giản lược bằng R
12.5 Phân tích hồi qui logistic đa biến và chọn mô hình
12.6 Chọn mô hình hồi qui logistic bằng Bayesian Model
Average
12.7 Số liệu dùng cho phân tích
13 Phân tích biến cố (survival analysis)
13.1 Mô hình phân tích số liệu mang tính thời gian
13.2 Ước tính Kaplan-Meier bằng R
13.3 So sánh hai hàm xác suất tích lũy: kiểm định log-rank (logrank test)
13.4 Kiểm định log-rank bằng R
13.5 Mô hình Cox (hay Cox’s proportional hazards model)
13.6 Xây dựng mô hình Cox bằng Bayesian Model Average
(BMA)
14 Phân tích tổng hợp (meta-analysis)
14.1 Nhu cầu cho phân tích tổng hợp
14.2 Ảnh hưởng ngẫu nhiên và ảnh hưởng bất biến (Fixedeffects và Random-effects)
14.3 Qui trình của một phân tích tổng hợp
14.4 Phân tích tổng hợp ảnh hưởng bất biến cho một tiêu chí liên
tục (Fixed-effects meta-analysis for a continuous outcome)
14.4.1 Phân tích tổng hợp bằng tính toán “thủ công”
14.4.2 Phân tích tổng hợp bằng R
14.5 Phân tích tổng hợp ảnh hưởng bất biến cho một tiêu chí nhị
phân (Fixed-effects meta-analysis for a dichotomous
outcome)
14.5.1 Mô hình phân tích
14.5.2 Phân tích bằng R
15 Ước tính cỡ mẫu (estimation of sample size)
15.1 Khái niệm về “power”
15.2 Thử nghiệm giả thiết thống kê và chẩn đoán bệnh
15.3 Số liệu để ước tính cỡ mẫu
15.4 Ước tính cỡ mẫu
15.4.1 Ước tính cỡ mẫu cho một chỉ số trung bình
15.4.2 Ước tính cỡ mẫu cho so sánh hai số trung bình
15.4.3 Ước tính cỡ mẫu cho phân tích phương sai
15.4.4 Ước tính cỡ mẫu cho ước tính một tỉ lệ
15.4.5 Ước tính cỡ mẫu cho so sánh hai tỉ lệ
16 Phụ lục 1: Lập trình và viết hàm bằng ngôn ngữ R
17 Phụ lục 2: Một số lệnh thông dụng trong R
18 Phụ lục 3: Thuật ngữ dùng trong sách
19 Lời bạt (tài liệu tham khảo và đọc thêm)
Trái với quan điểm của nhiều người, thống kê là một bộ môn khoa học: Khoa học
thống kê (Statistical Science). Các phương pháp phân tích dù dựa vào nền tảng của toán
học và xác suất, nhưng đó chỉ là phần “kĩ thuật”, phần quan trọng hơn là thiết kế nghiên
cứu và diễn dịch ý nghĩa dữ liệu. Người làm thống kê, do đó, không chỉ là người đơn
thuần làm phân tích dữ liệu, mà phải là một nhà khoa học, một nhà suy nghĩ (“thinker”)
về nghiên cứu khoa học. Chính vì thế, mà khoa học thống kê đóng một vai trò cực kì
quan trọng, một vai trò không thể thiếu được trong các công trình nghiên cứu khoa học,
nhất là khoa học thực nghiệm. Có thể nói rằng ngày nay, nếu không có thống kê thì các
thử nghiệm gen với triệu triệu số liệu chỉ là những con số vô hồn, vô nghĩa.
Một công trình nghiên cứu khoa học, cho dù có tốn kém và quan trọng cỡ nào,
nếu không được phân tích đúng phương pháp sẽ không có ý nghĩa khoa học gì cả. Chính
vì thế thế mà ngày nay, chỉ cần nhìn qua tất cả các tập san nghiên cứu khoa học trên thế
giới, hầu như bất cứ bài báo y học nào cũng có phần “Statistical Analysis” (Phân tích
thống kê), nơi mà tác giả phải mô tả cẩn thận phương pháp phân tích, tính toán như thế
nào, và giải thích ngắn gọn tại sao sử dụng những phương pháp đó để hàm ý “bảo kê”
hay tăng trọng lượng khoa học cho những phát biểu trong bài báo. Các tạp san y học có
uy tín càng cao yêu cầu về phân tích thống kê càng nặng. Xin nhắc lại để nhấn mạnh:
không có phần phân tích thống kê, bài báo không có ý nghĩa khoa học.
Một trong những phát triển quan trọng nhất trong khoa học thống kê là ứng dụng
máy tính cho phân tích và tính toán thống kê. Có thể nói không ngoa rằng không có máy
tính, khoa học thống kê vẫn chỉ là một khoa học buồn tẻ khô khan, với những công thức
rắc rối mà thiếu tính ứng dụng vào thực tế. Máy tính đã giúp khoa học thống kê làm một
cuộc cách mạng lớn nhất trong lịch sử của bộ môn: đó là đưa khoa học thống kê vào thực
tế, giải quyết các vấn đề gai góc nhất và góp phần làm phát triển khoa học thực nghiệm.
Người viết còn nhớ hơn 20 năm về trước khi còn là một sinh viên theo học
chương trình thạc sĩ thống kê ở Úc, một vị giáo sư khả kính kể một câu chuyện về nhà
thống kê danh tiếng người Mĩ, Fred Mosteller, nhận được một hợp đồng nghiên cứu từ
Bộ Quốc phòng Mĩ để cải tiến độ chính xác của vũ khí Mĩ vào thời Thế chiến thứ II, mà
trong đó ông phải giải một bài toán thống kê gồm khoảng 30 thông số. Ông phải mướn
20 sinh viên sau đại học làm việc này: 10 sinh viên chỉ việc suốt ngày tính toán bằng tay;
còn 10 sinh viên khác kiểm tra lại tính toán của 10 sinh viên kia. Công việc kéo dài gần
một tháng trời. Ngày nay, với một máy tính cá nhân (personal computer) khiêm tốn,
phân tích thống kê đó có thể giải trong vòng trên dưới 1 giây.
Nhưng nếu máy tính mà không có phần mềm thì máy tính cũng chỉ là một đống
sắt hay silicon “vô hồn” và vô dụng. Một phần mềm đã, đang và sẽ làm cách mạng thống
kê là R. Phần mềm này được một số nhà nghiên cứu thống kê và khoa học trên thế giới
phát triển và hoàn thiện trong khoảng 10 năm qua để sử dụng cho việc học tập, giảng dạy
và nghiên cứu. Cuốn sách này sẽ giới thiệu bạn đọc cách sử dụng R cho phân tích thống
kê và đồ thị.
Tại sao R? Trước đây, các phần mềm dùng cho phân tích thống kê đã được phát
triển và khá thông dụng. Những phần mềm nổi tiếng từ thời “xa xưa” như MINITAB,
BMD-P đến những phần mềm tương đối mới như STATISTICA, SPSS, SAS, STAT,
v.v… thường rất đắt tiền (giá cho một đại học có khi lên đến hàng trăm ngàn đô-la hàng
năm), một cá nhân hay thậm chí cho một đại học không khả năng mua. Nhưng R đã thay
đổi tình trạng này, vì R hoàn toàn miễn phí. Trái với cảm nhận thông thường, miễn phí
không có nghĩa là chất lượng kém. Thật vậy, chẳng những hoàn toàn miễn phí, R còn có
khả năng làm tất cả (xin nói lại: tất cả), thậm chí còn hơn cả, những phân tích mà các
phần mềm thương mại làm. R có thể tải xuống máy tính cá nhân của bất cứ cá nhân nào,
bất cứ lúc nào, và bất cứ ở đâu trên thế giới. Chỉ vài phút cài đặt là R có thể đưa vào sử
dụng. Chính vì thế mà đại đa số các đại học Tây phương và thế giới càng ngày càng
chuyển sang sử dụng R cho học tập, nghiên cứu và giảng dạy. Trong xu hướng đó, cuốn
sách này có một mục tiêu khiêm tốn là giới thiệu đến bạn đọc trong nước để kịp thời cập
nhật hóa những phát triển về tính toán và phân tích thống kê trên thế giới.
Cuốn sách này được soạn chủ yếu cho sinh viên đại học và các nhà nghiên cứu
khoa học, những người cần một phần mềm để học thống kê, để phân tích số liệu, hay vẽ
đồ thị từ số liệu khoa học. Cuốn sách này không phải là sách giáo khoa về lí thuyết thống
kê, hay nhằm chỉ bạn đọc cách làm phân tích thống kê, nhưng sẽ giúp bạn đọc làm phân
tích thống kê hữu hiệu hơn và hào hứng hơn. Mục đích chính của tui là cung cấp cho bạn
đọc những kiến thức cơ bản về thống kê, và cách ứng dụng R cho giải quyết vấn đề, và
qua đó làm nền tảng để bạn đọc tìm hiểu hay phát triển thêm R.
tui cho rằng, cũng như bất cứ ngành nghề nào, cách học phân tích thống kê hay
nhất là tự mình làm phân tích. Vì thế, sách này được viết với rất nhiều ví dụ và dữ liệu
thực. Bạn đọc có thể vừa đọc sách, vừa làm theo những chỉ dẫn trong sách (bằng cách gõ
các lệnh vào máy tính) và sẽ thấy hào hứng hơn. Nếu bạn đọc đã có sẵn một dữ liệu
nghiên cứu của chính mình thì việc học tập sẽ hữu hiệu hơn bằng cách ứng dụng ngay
những phép tính trong sách. Đối với sinh viên, nếu chưa có số liệu sẵn, các bạn có thể
dùng các phương pháp mô phỏng (simulation) để hiểu thống kê hơn.
Khoa học thống kê ở nước ta tương đối còn mới, cho nên một số thuật ngữ chưa
được diễn dịch một cách thống nhất và hoàn chỉnh. Vì thế, bạn đọc sẽ thấy đây đó trong
sách một vài thuật ngữ “lạ”, và trong trường hợp này, tui cố gắng kèm theo thuật ngữ gốc
Tài liệu tham khảo
Hiện nay, thư viện sách về R còn tương đối khiêm tốn so với thư viện cho các
phần mềm thương mại như SAS và SPSS. Tuy nhiên, trong thời đại tiến bộ phi thường
về thông tin internet và toàn cầu hóa như hiện nay, sách in và sách xuất bản trên website
không còn là những khác nhau bao xa. Phần lớn chỉ dẫn về cách sử dụng R có thể tìm
thấy rải rác đây đó trên các website từ các trường đại học và website cá nhân trên khắp
thế giới. Trong phần này tui chỉ liệt kê một số sách mà bạn đọc, nếu cần tham khảo
thêm, nên tìm đọc. Trong quá trình viết cuốn sách mà bạn đọc đang cầm trên tay, tôi
cũng tham khảo một số sách và trang web mà tui sẽ liệt kê sau đây với vài lời nhận xét cá
nhân.
Tài liệu tham khảo chính về R là bài báo của hai người sáng tạo ra R: Ihaka R,
Gentleman R. R: A language for data analysis and graphics. Journal of Computational
and Graphical Statistics 1996; 5:299-314.
18.1 Sách tham khảo về R
• “Data Analysis and Graphics Using R – An Example Approach” (Nhà xuất bản
Cambridge University Press, 2003) của John Maindonald nay đã xuất in lại lần thứ
2 với thêm một tác giả mới John Braun. Đây là cuốn sách rất có ích cho những ai
muốn tìm hiểu và học về R. Năm chương đầu của sách viết cho bạn đọc chưa từng
biết về R, còn các chương sau thì viết cho các bạn đọc đã biết cách sử dụng R thành
thạo.
• “Introductory Statistics With R” (Nhà xuất bản Springer, 2004) của Peter
Dalgaard là một cuốn sách loại căn bản cho R nhắm vào bạn đọc chưa biết gì về R.
Sách tương đối ngắn (chỉ khoảng 200 trang) nhưng khá đắt giá!
• “Linear Models with R” (Nhà xuất bản Chapman & Hall/CRC, 2004) của Julian
Faraway. Sách hiện có thể tải từ internet xuống miễn phí tại website sau đây:
You must be registered for see links
hay
You must be registered for see links
. Tài liệu dài 213 trang.• “R Graphics (Computer Science and Data Analysis)” (Nhà xuất bản Chapman &
Hall/CRC, 2005) của Paul Murrell. Đây là cuốn sách chuyên về phân tích biểu đồ
bằng R. Sách có rất nhiều mã để bạn đọc có thể tự mình thiết kế các biểu đồ phức
tạp và … màu mè.
• “Modern Applied Statistics with S-Plus” (Nhà xuất bản Springer, 4th Edition,
2003) của W. N. Venables và B. D. Ripley được viết cho ngôn ngữ S-Plus nhưng
tất cả các lệnh và mã trong sách này đều có thể áp dụng cho R mà không cần thay
đổi. (S-Plus là tiền thân của R, nhưng S-Plus là một phần mềm thương mại, còn R
thì hoàn toàn miễn phí!) Đây là cuốn sách có thể nói là cuốn sách tham khảo cho
tất cả ai muốn phát triển thêm về R. Hai tác giả cũng là những chuyên gia có thẩm
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
You must be registered for see links
Last edited by a moderator: