saratoga-cor2

R

vis

causal

eda

Published

December 18, 2023

Aufgabe

Importieren Sie den Datensatz saratoga.

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

Hinweise:

Beachten Sie die Standardhinweise des Datenwerks.

Lösung

Setup

library(tidyverse)
library(ggpubr)

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

Gruppieren

d2 <-
  SaratogaHouses |> 
  group_by(bedrooms)

Statistiken

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

# A tibble: 7 × 2
  bedrooms korrelation
     <int>       <dbl>
1        1       0.115
2        2       0.510
3        3       0.636
4        4       0.687
5        5       0.721
6        6       0.882
7        7       0.791

Visualisierung

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

---
date: 2023-12-18  # HEUTIGES DATUM EINTRAGEN
draft: false   # ACHTUNG DRAFT STEHT AUF TRUE!
title: saratoga-cor2  # 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`. 




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


Hinweise:

- Beachten Sie die [Standardhinweise des Datenwerks](https://datenwerk.netlify.app/hinweise).



</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 |> 
  group_by(bedrooms)
```


## Statistiken

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


## Visualisierung


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