Analise de Dados

Carrega a planilha de dados¶

Lê o arquivo CSV "dados_questionario.csv" em um data frame

In [1]:

todos_dados.df <- read.csv2("dados_questionario.csv")

todos_dados.df <- read.csv2("dados_questionario.csv")

Definição das colunas dos dados¶

In [2]:

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]:

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]:

(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

A matrix: 13 × 13 of type dbl

	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]:

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]:

(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)

1. 2.8047943738846
2. 1.08991560527671
3. 1.08000493067468
4. 1.17142982028832
5. 1.14802976887815
6. 1.16397539049476
7. 1.31943602282595
8. 1.49773681459601
9. 1.38863797016587
10. 1.35957283734679
11. 1.40768136319144
12. 1.24269498856856
13. 0.970639117787351