使用 R 和 Tidyverse 进行数据驱动的统计推断

熟悉R语言中的数据分析，从可视化到编程及实际项目。

使用 R 语言的 Tidyverse 框架中的 ggplot2 开始可视化数据之间的关系。

掌握使用R进行有效数据叙事的基础，重点在于分析与可视化。

研究使用 dplyr 和 Tidyverse 进行高效分析的数据转换技术。

深入探索R语言、RStudio以及重要的R包，以提升数据分析能力。

掌握使用 R 语言中的 Tidyverse 进行导入和整理整洁数据的基本方法。

使用 R 和 Tidyverse 功能实现基本回归分析的步骤如下： 1. 加载所需包 使用 `library(tidyverse)` 加载 Tidyverse 生态系统中的核心包（如 dplyr、ggplot2、tidyr、readr 等）。 2. 导入数据 使用 `read_csv()` 或其他读取函数加载数据集，例如： `data <- read_csv("your_data.csv")` 3. 数据探索与清理 - 查看数据结构：`str(data)` - 检查缺失值：`sum(is.na(data))` - 处理缺失值或异常值（如用 `drop_na()` 删除缺失行，或用 `filter()` 筛选合理范围） - 重命名变量或转换变量类型（如使用 `rename()`、`mutate()`） 4. 可视化数据关系 使用 `ggplot2` 绘制散点图观察因变量与自变量之间的关系： `ggplot(data, aes(x = predictor, y = response)) + geom_point() + geom_smooth(method = "lm")` 5. 构建线性回归模型 使用 `lm()` 函数建立简单线性回归模型： `model <- lm(response ~ predictor, data = data)` 6. 查看模型结果 使用 `summary(model)` 查看回归系数、R²、p 值等关键统计量。 7. 模型诊断 - 残差图检查：`plot(model)` - 检查残差是否随机分布，是否存在异方差或非线性趋势 - 可通过 `augment()` 函数从 `broom` 包中提取预测值和残差 8. 模型预测 使用 `predict()` 函数对新数据进行预测： `new_data <- data.frame(predictor = c(10, 20))` `predictions <- predict(model, newdata = new_data)` 9. 结果解释与报告 将回归结果整理为清晰的表格或图形，结合业务背景解释回归系数的意义。 10. （可选）模型比较与优化 若有多个候选模型，可使用 `glance()`（来自 broom 包）比较 AIC、BIC、R² 等指标。

通过可视化方法解决多元回归、交互效应模型、残差分析及模型选择问题。

掌握使用手工和虚拟抽样技术进行统计推断的步骤，重点强调随机性与样本量。

提升你在使用 infer 包进行自举法、重采样以及构建置信区间方面的技能。

深入理解假设检验的核心，评估性别歧视、电影评分以及基于理论的方法。

掌握利用理论和模拟分析、解释和推断回归关系的步骤。