Analise de Dados
Carrega a planilha de dados¶
Lê o arquivo CSV "dados_questionario.csv" em um data frame
In [1]:
Copied!
todos_dados.df <- read.csv2("dados_questionario.csv")
todos_dados.df <- read.csv2("dados_questionario.csv")
Definição das colunas dos dados¶
In [2]:
Copied!
colunas.var <- c("P1","P2","P3","P4","P5","P6","P7","P8","P9","P10","P11","P12","P13") # Define as colunas a serem usadas nos cálculos
colunas.var <- c("P1","P2","P3","P4","P5","P6","P7","P8","P9","P10","P11","P12","P13") # Define as colunas a serem usadas nos cálculos
INICIO DOS CÁLCULOS¶
Alpha de Cronbach é bom acima de 0.7
In [7]:
Copied!
library(dplyr)
library(psychometric) # Carrega a biblioteca para análise psicométrica
alpha(todos_dados.df[colunas.var]) # Calcula o Alpha de Cronbach para as colunas especificadas
library(dplyr)
library(psychometric) # Carrega a biblioteca para análise psicométrica
alpha(todos_dados.df[colunas.var]) # Calcula o Alpha de Cronbach para as colunas especificadas
0.796564063475174
Cáculo da Correlação de Pearson OU Spearman¶
(elimina os NAs -> pairwise.complete.obs)
In [4]:
Copied!
(v_cor <- cor(todos_dados.df[colunas.var], use=c("pairwise.complete.obs"), method=c("pearson"))) # Calcula a matriz de correlação
(v_cor <- cor(todos_dados.df[colunas.var], use=c("pairwise.complete.obs"), method=c("pearson"))) # Calcula a matriz de correlação
P1 | P2 | P3 | P4 | P5 | P6 | P7 | P8 | P9 | P10 | P11 | P12 | P13 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
P1 | 1.00000000 | -0.01666583 | 0.1553411 | -0.15069781 | -0.02552223 | -0.00329361 | -0.1264604 | 0.05491058 | -0.1044484 | -0.01497163 | -0.02509420 | 0.03687278 | 0.29669369 |
P2 | -0.01666583 | 1.00000000 | 0.6711894 | 0.50611355 | 0.59540809 | 0.52549922 | 0.3854291 | 0.26740146 | 0.2676038 | 0.40722271 | 0.49709687 | 0.47311988 | 0.17036868 |
P3 | 0.15534115 | 0.67118938 | 1.0000000 | 0.55750318 | 0.52282046 | 0.65862504 | 0.3701016 | 0.32635869 | 0.3740205 | 0.42560559 | 0.48044030 | 0.48547320 | 0.22321863 |
P4 | -0.15069781 | 0.50611355 | 0.5575032 | 1.00000000 | 0.50657437 | 0.57567827 | 0.6908811 | 0.16620332 | 0.2666096 | 0.60779299 | 0.68327966 | 0.38128192 | 0.05629032 |
P5 | -0.02552223 | 0.59540809 | 0.5228205 | 0.50657437 | 1.00000000 | 0.43452409 | 0.4325104 | 0.25550323 | 0.3001476 | 0.43450431 | 0.50472640 | 0.44360714 | 0.11441584 |
P6 | -0.00329361 | 0.52549922 | 0.6586250 | 0.57567827 | 0.43452409 | 1.00000000 | 0.4655931 | 0.18195323 | 0.4556956 | 0.39069569 | 0.49218702 | 0.29735052 | 0.19034675 |
P7 | -0.12646041 | 0.38542906 | 0.3701016 | 0.69088114 | 0.43251041 | 0.46559313 | 1.0000000 | 0.27102266 | 0.1066142 | 0.45712385 | 0.56817622 | 0.30369279 | 0.25587721 |
P8 | 0.05491058 | 0.26740146 | 0.3263587 | 0.16620332 | 0.25550323 | 0.18195323 | 0.2710227 | 1.00000000 | 0.2085243 | 0.09517561 | -0.06229386 | 0.28954749 | 0.24373088 |
P9 | -0.10444835 | 0.26760384 | 0.3740205 | 0.26660964 | 0.30014760 | 0.45569555 | 0.1066142 | 0.20852428 | 1.0000000 | 0.35691281 | 0.25578590 | 0.16096962 | 0.06515010 |
P10 | -0.01497163 | 0.40722271 | 0.4256056 | 0.60779299 | 0.43450431 | 0.39069569 | 0.4571239 | 0.09517561 | 0.3569128 | 1.00000000 | 0.68744750 | 0.48383764 | 0.24192121 |
P11 | -0.02509420 | 0.49709687 | 0.4804403 | 0.68327966 | 0.50472640 | 0.49218702 | 0.5681762 | -0.06229386 | 0.2557859 | 0.68744750 | 1.00000000 | 0.40437075 | 0.19898948 |
P12 | 0.03687278 | 0.47311988 | 0.4854732 | 0.38128192 | 0.44360714 | 0.29735052 | 0.3036928 | 0.28954749 | 0.1609696 | 0.48383764 | 0.40437075 | 1.00000000 | 0.28929523 |
P13 | 0.29669369 | 0.17036868 | 0.2232186 | 0.05629032 | 0.11441584 | 0.19034675 | 0.2558772 | 0.24373088 | 0.0651501 | 0.24192121 | 0.19898948 | 0.28929523 | 1.00000000 |
Verifica quais são as correlações significativas¶
In [5]:
Copied!
symnum(v_cor) # Mostra as correlações significativas
symnum(v_cor) # Mostra as correlações significativas
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P1 1 P2 1 P3 , 1 P4 . . 1 P5 . . . 1 P6 . , . . 1 P7 . . , . . 1 P8 . 1 P9 . . . 1 P10 . . , . . . . 1 P11 . . , . . . , 1 P12 . . . . . . . 1 P13 1 attr(,"legend") [1] 0 ‘ ’ 0.3 ‘.’ 0.6 ‘,’ 0.8 ‘+’ 0.9 ‘*’ 0.95 ‘B’ 1
Calculo do desvio padrão¶
In [16]:
Copied!
(dp <- c(sd(todos_dados.df$P2),
sd(todos_dados.df$P3),
sd(todos_dados.df$P4),
sd(todos_dados.df$P5),
sd(todos_dados.df$P6),
sd(todos_dados.df$P7),
sd(todos_dados.df$P8),
sd(todos_dados.df$P9),
sd(todos_dados.df$P10),
sd(todos_dados.df$P11),
sd(todos_dados.df$P12),
sd(todos_dados.df$P13)))
dataDp <- data.table(questao = colunas.var, data = dp)
(dp <- c(sd(todos_dados.df$P2),
sd(todos_dados.df$P3),
sd(todos_dados.df$P4),
sd(todos_dados.df$P5),
sd(todos_dados.df$P6),
sd(todos_dados.df$P7),
sd(todos_dados.df$P8),
sd(todos_dados.df$P9),
sd(todos_dados.df$P10),
sd(todos_dados.df$P11),
sd(todos_dados.df$P12),
sd(todos_dados.df$P13)))
dataDp <- data.table(questao = colunas.var, data = dp)
- 2.8047943738846
- 1.08991560527671
- 1.08000493067468
- 1.17142982028832
- 1.14802976887815
- 1.16397539049476
- 1.31943602282595
- 1.49773681459601
- 1.38863797016587
- 1.35957283734679
- 1.40768136319144
- 1.24269498856856
- 0.970639117787351