Photo by Taisiia Shestopal on Unsplash www.crosshyou.info の続きです。 今回はlm()関数で回帰分析をして、その結果をstargazer()関数で美しく出力してみたいと思います。 shotoku_1617: 所得の2016年から2017年の変化幅を被説明変数にして、その他の変数…

都道府県別の後期高齢者医療制度被保険者実態調査のデータ分析６ - R言語のstargazer()関数で回帰分析の結果を美しく出力する。

Photo by Lesly Juarez on Unsplash www.crosshyou.info このブログは、上のブログの続きです。 今回は所得の変化幅をもう少し詳しくみてみます。 まずは、big6との関係を見てみます。 2016年から2017年の所得の変化幅は、big6は1万2千円、そうでないところ…

都道府県別の後期高齢者医療制度被保険者実態調査のデータ分析５ - 所得の変化幅をt.test()関数でt検定する。

Photo by Karsten Winegeart on Unsplash www.crosshyou.info の続きです。 今回は前回作成したワイド型のデータフレームを使って、各データの変化幅を計算していましょう。 mutate()関数を使います。 select()関数とsummary()関数を使って各変化幅のサマリ…

都道府県別の後期高齢者医療制度被保険者実態調査のデータ分析４ - 各変数の変化幅を計算してグラフにする。

Photo by Sharon Pittaway on Unsplash www.crosshyou.info このブログは上のブログの続きです。 今回はR言語のでロング型のデータフレームをワイド型に変換しようと思います。 ロング型のデータフレームは、 このように「科目」の列と「点数」で一つのデー…

都道府県別の後期高齢者医療制度被保険者実態調査のデータ分析３ - R言語でロング型のデータフレームをワイド型に変換する。

Photo by JUNHØ on Unsplash www.crosshyou.info このブログは上のブログの続きです。 今回はデータをグラフにして視覚化しましょう。 まずは、ヒストグラムです。geom_histogram()関数を使います。 shotokuからいきます。 右端に離れ小島のように高額所得の…

都道府県別の後期高齢者医療制度被保険者実態調査のデータ分析２ - R言語でヒストグラム、箱ひげ図、散布図を描く。

Photo by Manuel Sardo on Unsplash 今回は都道府県別の後期高齢者医療制度被保険者実態調査のデータを分析してみようと思います。データは、政府統計の総合窓口(www.e-stat.go.jp)から取得しました。 この中から、都道府県別１人当たり所得額・保険料調定額…

都道府県別の後期高齢者医療制度被保険者実態調査のデータの分析１ - R言語にデータを読み込む。

Photo by Aditi Jain on Unsplash www.crosshyou.info This post is following of above post.In this post, I will make a slope chart using R.We can get an idea of changes based on the slope of the lines, so we can see which country has improved…

OECD International Student Mobility Data Analysis 5 - Making a slope chart using R plot(), lines(), points() and text() functions.

Photo by Kumiko SHIMIZU on Unsplash www.crosshyou.info This post is following of above post. Let's make data frame which contains 2005 data only. Then, let's make data frame which contains 2018 data only. Then, join these two data frames w…

OECD International Student Mobility Data Analysis 4 - Which country has the largest net change for International Student Mobility?

Photo by Tegar Surya on Unsplash www.crosshyou.info This post is following of above post.In this post, let's do t-test with t.test() function using R. In the previous post we see International Mobility is gradually increasing.Let's confirm…

OECD International Student Mobility Data Analysis 3 - t-test with t.test() function using R

Photo by Lance Anderson on Unsplash www.crosshyou.info This post is following of above post. In this post, let's make some graphs to see data distributions. First, let's see overall student_mobility data histogram. We see there are a few o…

OECD International Student Mobility Data Analysis 2 - making graphs with ggplot2() function.

Photo by Kenrick Baksh on Unsplash In this post I will analyze OECD International Student Mobility data using R. You can download data from Students - International student mobility - OECD Data CSV file image is below. Let's upload this da…

OECD International Student Mobility Data Analysis 1 - load CSV file data into R with read_csv() function

Photo by MusicFox Fx on Unsplash www.crosshyou.info 前回は差分でバス会社の数と人口や県内総生産額の回帰分析をしました。人口が10万増加すると、バス会社が8社増えるという関係でした。なんかそんなに増えるのか！という感じがします。 今回はもともと…

都道府県別のバスのデータの分析６ - バス会社の数を人口や県内総生産額などで回帰分析する

Photo by david Griffiths on Unsplash www.crosshyou.info の続きです。 今回は前回作成した、2001年と2013年の差分のデータで回帰分析をしてみようと思います。 まず。各変数の散布図をみてみます。 firm_pop_diffとfirm_gdp_diffは非常に相関が強いですね…

都道府県別のバスのデータの分析５ - 2001年のデータと2013年のデータの差分を回帰分析する。Breush-Pegan検定も実行。

Photo by Brady Stoeltzing on Unsplash www.crosshyou.info の続きです。 前回の分析で、山梨県や島根県が人口や経済規模のわりにバス会社の数が多いことがわかりました。 今回は最新年の2013年と一番古い年の2001年でどれだけ各データが変化したのか見てみ…

都道府県別のバスのデータの分析４ - 2001年のデータと2013年のデータを比較する。

Photo by Ernest Brillo on Unsplash www.crosshyou.info の続きです。 今回は、都道府県別の平均値を見てみます。 まずは、pop: 総人口(人)の平均値です。 明るい色は東日本、暗い色は西日本の都道府県を表しています。 東日本のほうが人口は多い傾向ですね…

都道府県別のバスのデータの分析３ - 人口当たり、県内総生産額当たりのバス会社数を調べる。東の横綱は山梨県、西の横綱は島根県。

Photo by Johannes Plenio on Unsplash www.crosshyou.info の続きです。 前回までで、pop: 総人口の他はNAがあることがわかりました。とりあえず。各変数の一番新しい年がいつなのかを確認します。 まず、gdp: 県内総生産額は一番新しい年はいつのデータで…

都道府県別のバスのデータの分析２ - R言語で年ごとのバス会社の数の推移を見る。増加傾向にあることがわかる。

Photo by Boris Smokrovic on Unsplash 今回は都道府県別のバスのデータを分析してみます。 政府統計の総合窓口(www.e-stat.go.jp)からデータを取得します。 まず、47都道府県を選択します。 選択したデータは、総人口(人)、県内総生産額(平成17年基準・百万…

都道府県別のバスのデータの分析１ - R言語でデータを読み込む。read_csv()関数やinner_join()関数などを使う。

Photo by Navi Photography on Unsplash www.crosshyou.info This post is following of above post.In this post, I use PCA(Principal Component Analysis).First, I make a data frame for PCA. Then, I use prcomp() function to do PCA. We see PC1 exp…

OECD Net Oda data analysis 8 - PCA(Principal Component Analysis) shows G7 countries

Photo by Eugene Golovesov on Unsplash www.crosshyou.info This post is following of above post. In this post let's ee make a correlation matirx. To begin with, I make a data frame for average ODAFLOWS & MLN_USD by country. Next, I make ODAF…

OECD Net ODA data analysis 7 - making a correlation matrix and scatter plots.

Photo by 301+ Kim on Unsplash www.crosshyou.info This post is following of above post. In this post, let's see ODAGRANT & PCT_GNI. What is the highest ODAGRAN & PCT_GNI country - year? 2019 Turkey has the highest ODAGRANT & PC_GNI. What is…

OECD Net ODA data analysis 6 - Turkey has the highest ODAGRANT & PC_GNI. There is not significant difference in year.

市民科学者として生きる (岩波新書) 作者:高木 仁三郎 岩波書店 Amazon 「プルトニウムの危険性を世界の人々に知らしめ、また情報公開を政府に迫って一定の成果を上げるなど、市民の立場に立った科学者」の高木仁三郎博士の自伝的な本です。

読書記録 - 「市民科学者として生きる」 高木仁三郎 著 (岩波新書)

Photo by TOMOKO UJI on Unsplash www.crosshyou.info This post is following of above post.In this post, let's see how ODAGRANT & MLN_USD looks like. United States dominates. Germany is at the 2nd. Let's see average value by country. United S…

OECD Net ODA data analysis 5 - United States has the largest ODAGRANT & MLN_USD

Photo by Jarand K. Løkeland on Unsplash www.crosshyou.info This blog is following of above blog. In this post, let's see ODAFLOWS and PC_GNI data. To begin with, let's see time trend. I cannot see obvious trend. Let's calculate average val…

OECD Net ODA data analysis 4 - Examining ODAFLOWS & PC_GNI. Sweden has the highest ODAFLOWS & PC_GNI

Photo by Chris Lejarazu on Unsplash www.crosshyou.info This blog is following of above blog.This time, let's visualize ODAFLOWS & MLN_USD data. Fisrtly, let's see time x value Let'c caluculate average value by time and plot a line chart. W…

OECD Net ODA data analysis 3 - Visualizing data with ggplot() + geom_boxplot() and geom_line(). U.S.A. has the largest ODAFLOWS & MLN_USD.

Photo by kazuend on Unsplash www.crosshyou.info This blog is following of above blog. This time, let's import country name data too. I hvae below CSV file which contains ISO code and country name. I use read_csv() function to read this dat…

OECD Net ODA data analysis 2 - summary() function is to see summary stats. the maximum ODAFLOWS is 36551.15 million USD.

Photo by Wengang Zhai on Unsplash In this blog, I will analyzie OECD Net ODA data I got data from OECD web site. This is what the CSV file looks like.I use R for data analysis. Firstly, I load tidyverse package. Next, use read_csv() functi…

OECD Net ODA data analysis 1 - using read_csv() function to read CSV file data into R.

Photo by dilara harmanci on Unsplash www.crosshyou.info の続きです。 今回は、回帰分析の説明変数に2006年の献血者率を加えて、2011年の献血者率を回帰分析してみようと思います。 blood_popをblood_pop_2016と名前を変更しておきましょう。 続いて、201…

都道府県別の献血者数のデータの分析６ - やっぱりボランティア行動者率が上昇すると、献血者率が下がる。

Photo by Anton Maksimov juvnsky on Unsplash www.crosshyou.info の続きです。 今回は献血者率を他の変数で回帰分析してみましょう。 いままでの分析結果から、2006年と2011年では献血者率が違う、東日本と西日本では献血者率が違うなどがわかりました。 …

都道府県別の献血者数のデータの分析５ - R言語のlm関数で献血者率を回帰分析する。一人当たり県内総生産額が高いほうが献血者率が高い。ボランティア行動者率が高いほうが献血者率が低い。

Photo by Tanner Geringer on Unsplash www.crosshyou.info の続きです。 今回は献血者数と各数値データの関係を見ていきましょう。 はじめは対数変換した人口との関係です。 geom_point()関数で散布図を描いて、geom_smooth(metho = "lm")で線形回帰の直線…

都道府県別の献血者数のデータの分析４ - R言語のgeom_point()関数とgeom_smotth()関数で散布図を描き、回帰直線を重ねる。

日本近現代史講義-成功と失敗の歴史に学ぶ (中公新書) 作者:山内昌之,細谷雄一 中央公論新社 Amazon 「歴史は無限の宝庫」これは、あとがきにある言葉です。 この無限の宝庫である歴史を活かすためには事実を正しく認識しなければなりません。 本書は2015年1…

読書記録 - 「日本近代史講義 - 成功と失敗の歴史に学ぶ」 山内昌之・細谷雄一 編集著 中公新書