mariokart-korr2

datawrangling

dplyr

eda

association

num

Published

May 8, 2023

Aufgabe

Importieren Sie den Datensatz mariokart in R. Filtern Sie die neuen Spiele. Berechnen Sie die Korrelation von Verkaufspreis (total_pr) und Startgebot (start_pr)!

Hinweise:

Runden Sie auf 2 Dezimalstellen.

Lösung

Pakete starten:

library(tidyverse)
library(easystats)

Daten importieren:

d_url <- "https://vincentarelbundock.github.io/Rdatasets/csv/openintro/mariokart.csv"
d <- data_read(d_url)

Oder so:

data(mariokart, package = "openintro")

solution <- 
d  %>% 
  filter(cond == "new") %>% 
  summarise(pr_cor = cor(total_pr, start_pr))
solution

    pr_cor
1 0.405102

Alternativ kann man (komfortabel) die Korrelation z.B. so berechnen:

d %>% 
  select(start_pr, total_pr, cond) %>% 
  filter(cond == "new") %>% 
  correlation()

# Correlation Matrix (pearson-method)

Parameter1 | Parameter2 |    r |       95% CI | t(57) |       p
---------------------------------------------------------------
start_pr   |   total_pr | 0.41 | [0.17, 0.60] |  3.35 | 0.001**

p-value adjustment method: Holm (1979)
Observations: 59

Lösung: 0.41.

Categories:

datawrangling
dplyr
eda
association
num

---
exname: mariokart-korr2
extype: num
exsolution: r sol
exshuffle: no
extol: 0.05
expoints: 1
categories:
- datawrangling
- dplyr
- eda
- association
- num
date: '2023-05-08'
slug: mariokart-korr2
title: mariokart-korr2

---






```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
                      fig.asp = 0.618,
                      fig.width = 4,
                      fig.cap = "", 
                      fig.path = "",
                      cache = TRUE,
                      echo = TRUE,
                      message = FALSE,
                      fig.show = "hold")
```






# Aufgabe

Importieren Sie den Datensatz `mariokart` in R.
Filtern Sie die *neuen* Spiele.
Berechnen Sie die Korrelation von Verkaufspreis (`total_pr`) und Startgebot (`start_pr`)!

Hinweise:

- Runden Sie auf 2 Dezimalstellen.


</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung

Pakete starten:

```{r message=FALSE}
library(tidyverse)
library(easystats)
```


Daten importieren:

```{r}
d_url <- "https://vincentarelbundock.github.io/Rdatasets/csv/openintro/mariokart.csv"
d <- data_read(d_url)
```


Oder so:

```{r}
data(mariokart, package = "openintro")
```


```{r}
solution <- 
d  %>% 
  filter(cond == "new") %>% 
  summarise(pr_cor = cor(total_pr, start_pr))
solution
```


Alternativ kann man (komfortabel) die Korrelation z.B. so berechnen:

```{r}
d %>% 
  select(start_pr, total_pr, cond) %>% 
  filter(cond == "new") %>% 
  correlation()
```


```{r echo=FALSE}
sol <- exams::fmt(solution[1,1], digits = 2)
```

**Lösung:** `r sol`. 





---

Categories: 

- datawrangling
- dplyr
- eda
- association
- num