saratoga-cor1

R

vis

causal

eda

Published

December 18, 2023

Aufgabe

Importieren Sie den Datensatz saratoga.

Gruppieren Sie den Datensatz in die Quartile für livingArea.

Berechnen Sie dann den Zusammenhang zwischen price und bedrooms pro Quartil von livingArea.

Hinweise:

Beachten Sie die Standardhinweise des Datenwerks.
Tipp: Die Funktion ntile aus {dplyr} teilt eine Variable var in Quartile auf, wenn Sie schreiben ntile(var, 4).

Lösung

Setup

library(tidyverse)
library(ggpubr)

data("SaratogaHouses", package = "mosaicData")

Gruppieren

d2 <-
  SaratogaHouses |> 
  mutate(q = ntile(livingArea, 4)) |> 
  group_by(q)

Statistiken

d2 |> 
  summarise(korrelation = cor(bedrooms, price))

q	korrelation
1	0.1262003
2	0.0780997
3	-0.1427274
4	-0.0478333

Visualisierung

ggscatter(d2, 
          x = "bedrooms",
          y = "price",
          facet.by = "q",
          add = "reg.line")

---
date: 2023-12-18  
draft: false  
title: saratoga-cor1  # ACHTUNG: HIER NAMEN DER AUFGABE ANGEBEN

execute: 
  eval: true 
  
highlight-style: arrow 
cache: true


extype: string
exsolution: ""
exshuffle: no
categories:
- R  # ENTER CATEGORIES HERE
- vis
- causal
- eda
---








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







# Aufgabe


Importieren Sie den Datensatz `saratoga`. 

Gruppieren Sie den Datensatz in die Quartile für `livingArea`.



Berechnen Sie dann den Zusammenhang zwischen `price` und `bedrooms` *pro Quartil* von `livingArea`.



Hinweise:

- Beachten Sie die [Standardhinweise des Datenwerks](https://datenwerk.netlify.app/hinweise).
- Tipp: Die Funktion `ntile` aus `{dplyr}` teilt eine Variable `var` in Quartile auf, wenn Sie schreiben `ntile(var, 4)`.


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

# Lösung


## Setup

```{r}
library(tidyverse)
library(ggpubr)
```


```{r}
data("SaratogaHouses", package = "mosaicData")
```




## Gruppieren

```{r}
d2 <-
  SaratogaHouses |> 
  mutate(q = ntile(livingArea, 4)) |> 
  group_by(q)
```


## Statistiken

```{r}
d2 |> 
  summarise(korrelation = cor(bedrooms, price))
```


## Visualisierung


```{r}
ggscatter(d2, 
          x = "bedrooms",
          y = "price",
          facet.by = "q",
          add = "reg.line")
```