の続きです。前回はエクセルに保存してあるデータをRに読み込みました。今回は読み込んだデータをみていきます。
まず、summary()関数で各変数の統計値を確認します。
あれ！？siryoとkakoが数値データでなくて、文字列データとして処理されていますね。
ちょっとみてみます。
NAがNAとして処理されなくて、文字列のNAとして読み込まれていたのですね。parse_number()関数で数値型の変数になおします。
siryoはNAが32個、kakoはNAが9個ありますね。どちらも最小値は0なので、0とNAは違うのですね。
stotal: 供給量合計とdtotal: 需要量合計の散布図を描いてみます。
北海道の農家は規模が他の都府県とは全く違いますね。長崎県の農家は、供給量と比べると、需要量が多いようです。
dtoalを被説明変数にして、stotalを説明変数にして回帰分析をしてみます。
p-valueはほとんど0なのでdtotalとstotalには線形の関係がありますね。
対数変換した値でも回帰分析してみます。
log(stotal)の係数が0.26434なので、stotalが1%増えると、dtotalは0.264%増えるという解釈になります。
散布図を描いてみます。
今回は以上です。
次回は
です。
はじめから読むには、
です。
今回のコードは以下になります。
#
# df_rawのサマリー
summary(df_raw)
#
# siryo, kakoの確認
df_raw |> select(siryo, kako)
#
# siryo, kakoを数値型にする
df_raw <- df_raw |>
mutate(siryo = parse_number(siryo, na = "NA"),
kako = parse_number(kako, na = "NA"))
df_raw |> select(siryo, kako) |>
summary()
#
# stotalとdtoal
df_raw |>
ggplot(aes(x = stotal, y = dtotal)) +
geom_point() +
geom_text(aes(label = pref), vjust = 1.2) +
theme_bw()
#
# dtotalをstotalで回帰分析
model1 <- lm(dtotal ~ stotal, data = df_raw)
summary(model1)
#
# 対数変換して回帰分析
model2 <- lm(log(dtotal) ~ log(stotal), data = df_raw)
summary(model2)
#
# log(dtotal), log(stotal)の散布図
df_raw |>
ggplot(aes(x = log(stotal), y = log(dtotal))) +
geom_point() +
geom_text(aes(label = pref), vjust = 1.2) +
geom_abline(intercept = coef(model2)[1], slope = coef(model2)[2],
color = "red") +
theme_bw()
#
(冒頭の画像は、Bing Image Creator で生成しました。プロンプトは Close up of golden flowers, under the blue sky, on the green grass field, photo です。)
