Basics
Dataset laden load (“naam.Rdata”)
Naam dataset wijzigen newname <- oldname
Dataset openen View (dataset)
Nieuw object met naamobject <- dataset[,c(“item1”, “item2”,
geselecteerde items “item3”)]
Selectie met naamobject <- naamdataset
kolomnummers [,c(15:21, 23:25)]
Package installeren install.packages (“package”)
Package laden library (package)
Schaalscores (totaalscores)
Som van rijen rowSums (dataset)
Som van kolommen colSums (dataset)
Mean van rijen rowMeans (dataset)
Mean van kolommen colMeans (dataset)
Means opslaan binnen dataset$scale_score <- rowMeans (dataset)
dataset
,Norm scores berekenen en normtabel maken
z-score z_score <- scale (scale_score)
Let op: in het voorbeeld gaan ze uit van de scalescores, verkregen dmv RowMeans
t-scores t-score <- 10 * z_score + 50
Let op: hiervoor heb je dus eerst z-score opgeslagen als object
Percentielscores percentile <- round (100 * rank
(afgerond 0 decimalen) (scale_score)/ length (scale_score),0)
Percentielscores percentile <- 100 * rank (scale_score)/
(niet afgerond) length (scale_score)
Let op: in het voorbeeld gaan ze uit van de scalescores, verkregen dmv RowMeans
Dataframe creëren met table_scale_norm <- data.frame
scale en normscores (scale_score, z_score, t_score, percentile)
(Normtabel)
Norm tabel bekijken head (table_scale_norm)
Let op: in het voorbeeld gaan ze uit van al opgeslagen norm en scale scores, plus
opgeslagen data frame/norm tabel
Norm tabel norm_table <- unique (table_scale_norm
Gesorteerd en zonder [order(table_scale_norm$scale_score),
duplicates c[“scale_score”, “z_score”, “t_score”,
“percentile”)])
Let op: deze versie met sorteren en verwijderen van duplicates wordt gebruikt in de
antwoorden.
, Computing descriptives and histograms for scale and norm scores
Gemiddelde bereken summary (dataset$item)
Kijk naar de mean van de scale_score, z_score, t_score en percentile
(Die heb je bij eerdere stappen als object opgeslagen, eventueel binnen dataset)
Mean z-score = 50, mean t-score = 0, mean percentile = .50
Standaarddeviatie sd (dataset$item)
Kijk naar de mean van de scale_score, z_score, t_score (niet percentile)
(Die heb je bij eerdere stappen als object opgeslagen, eventueel binnen dataset)
Sd z-score = 10, sd t-score = 1, geen sd voor percentile
Histogram hist (dataset$item, xlab = “Naam Item”,
main = “”)
Hier staat main voor de hoofdtitel voor de grafiek, xlab voor de tekst op de x-as. Eventueel
kun je met ylab = “” ook tekst op de y-as toevoegen.
Maak een histogram van de scale scores en de drie normscores.
Meerdere histogrammen in par (mfrow=c(2,2))
één venster
Dit zorgt voor vier histogrammen in één venster, 2 aan 2
Onder deze regel kun je dan de histogrammen plotten zoals eerder beschreven.
Dataset laden load (“naam.Rdata”)
Naam dataset wijzigen newname <- oldname
Dataset openen View (dataset)
Nieuw object met naamobject <- dataset[,c(“item1”, “item2”,
geselecteerde items “item3”)]
Selectie met naamobject <- naamdataset
kolomnummers [,c(15:21, 23:25)]
Package installeren install.packages (“package”)
Package laden library (package)
Schaalscores (totaalscores)
Som van rijen rowSums (dataset)
Som van kolommen colSums (dataset)
Mean van rijen rowMeans (dataset)
Mean van kolommen colMeans (dataset)
Means opslaan binnen dataset$scale_score <- rowMeans (dataset)
dataset
,Norm scores berekenen en normtabel maken
z-score z_score <- scale (scale_score)
Let op: in het voorbeeld gaan ze uit van de scalescores, verkregen dmv RowMeans
t-scores t-score <- 10 * z_score + 50
Let op: hiervoor heb je dus eerst z-score opgeslagen als object
Percentielscores percentile <- round (100 * rank
(afgerond 0 decimalen) (scale_score)/ length (scale_score),0)
Percentielscores percentile <- 100 * rank (scale_score)/
(niet afgerond) length (scale_score)
Let op: in het voorbeeld gaan ze uit van de scalescores, verkregen dmv RowMeans
Dataframe creëren met table_scale_norm <- data.frame
scale en normscores (scale_score, z_score, t_score, percentile)
(Normtabel)
Norm tabel bekijken head (table_scale_norm)
Let op: in het voorbeeld gaan ze uit van al opgeslagen norm en scale scores, plus
opgeslagen data frame/norm tabel
Norm tabel norm_table <- unique (table_scale_norm
Gesorteerd en zonder [order(table_scale_norm$scale_score),
duplicates c[“scale_score”, “z_score”, “t_score”,
“percentile”)])
Let op: deze versie met sorteren en verwijderen van duplicates wordt gebruikt in de
antwoorden.
, Computing descriptives and histograms for scale and norm scores
Gemiddelde bereken summary (dataset$item)
Kijk naar de mean van de scale_score, z_score, t_score en percentile
(Die heb je bij eerdere stappen als object opgeslagen, eventueel binnen dataset)
Mean z-score = 50, mean t-score = 0, mean percentile = .50
Standaarddeviatie sd (dataset$item)
Kijk naar de mean van de scale_score, z_score, t_score (niet percentile)
(Die heb je bij eerdere stappen als object opgeslagen, eventueel binnen dataset)
Sd z-score = 10, sd t-score = 1, geen sd voor percentile
Histogram hist (dataset$item, xlab = “Naam Item”,
main = “”)
Hier staat main voor de hoofdtitel voor de grafiek, xlab voor de tekst op de x-as. Eventueel
kun je met ylab = “” ook tekst op de y-as toevoegen.
Maak een histogram van de scale scores en de drie normscores.
Meerdere histogrammen in par (mfrow=c(2,2))
één venster
Dit zorgt voor vier histogrammen in één venster, 2 aan 2
Onder deze regel kun je dan de histogrammen plotten zoals eerder beschreven.
