Expliquer la note d'enseignement par le genre

Modéliser des données avec le Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Visualisation exploratoire des données

library(ggplot2)
library(dplyr)
library(moderndive)

ggplot(evals, aes(x = gender, y = score)) +
  geom_boxplot() +
  labs(x = "gender", y = "score")

Boîte à moustaches de la note selon le genre

Histogramme par facettes

library(ggplot2)
library(dplyr)
library(moderndive)

ggplot(evals, aes(x = score)) +
  geom_histogram(binwidth = 0.25) +
  facet_wrap(~gender) +
  labs(x = "gender", y = "score")

Histogramme par facettes

Ajuster un modèle de régression

# Fit regression model
model_score_3 <- lm(score ~ gender, data = evals)

# Get regression table
get_regression_table(model_score_3)

# A tibble: 2 x 7
  term       estimate std_error statistic p_value...
  <chr>         <dbl>     <dbl>     <dbl>   <dbl>...
1 intercept     4.09      0.039    106.     0...
2 gendermale    0.142     0.051      2.78   0.006...

Ajuster un modèle de régression

# Compute group means based on gender
evals %>% 
  group_by(gender) %>% 
  summarize(avg_score = mean(score))

# A tibble: 2 x 2
  gender avg_score
  <fct>      <dbl>
1 female      4.09
2 male        4.23

Autre variable explicative catégorielle : rang

evals %>% 
  group_by(rank) %>% 
  summarize(n = n())

# A tibble: 3 x 2
  rank             n
  <fct>        <int>
1 teaching       102
2 tenure track   108
3 tenured        253

Passons à la pratique !

Modéliser des données avec le Tidyverse