Önálló adatelemzés: egészségügyi költségek és egyéni jellemzők

01. változat · Időkeret: 180 perc · Összesen: 100 pont

Egy elemzői feladatban azt vizsgálod, hogyan különböznek az állományban szereplő személyek egészségügyi költségei és egyes jellemzői. Olyan jelentést készíts, amelyben a választott módszer, a kód, az eredmény és annak értelmezése egyaránt követhető.

Adatfájl:biztositas_01.csv letöltése

Töltsd le a CSV-t, majd hozz létre egy új, HTML-kimenetű R Markdown-dokumentumot! Add meg a címet és a saját nevedet, a gyári mintaszöveget és példakódokat pedig töröld. Mentsd a dokumentumot Vezeteknev_Keresztnev_01.Rmd néven a CSV-t tartalmazó mappába. A csomagbetöltéseket és a beolvasást is írd bele, a CSV-t biztositas néven olvasd be. A jelentést önállóan építsd fel a feladatok sorrendjében, fejezetcímekkel, R-kódrészletekkel és szöveges értelmezésekkel. A fájl 800 megfigyelést tartalmaz; egy sor egy forrásbeli megfigyelés. Az adatállomány amerikai régiókat jelöl. A költségek időszaka, árszintjének referenciaéve és a mintavételi terv nem kellően dokumentált: ne nevezd a költséget éves díjnak, és ne általánosíts automatikusan az amerikai lakosságra.

Munkaszabályok

• A tanult módszerek közül válassz; a választást röviden indokold! Minden próbánál 5%-os szignifikanciaszinttel dolgozz.
• A jegyzetek és technikai vagy AI-segítség használható. A beadott kódot és következtetéseket értened és ellenőrizned kell. Más hallgató kész megoldásának átvétele nem megengedett.
• A számításokhoz az eredeti pontosságú adatokat használd; a szövegben és táblázatban ésszerűen kerekíts! A kis p-értékeket ne írd 0-nak.
• Az ábratípusokat önállóan válaszd meg, és röviden indokold a választásodat! Az ábrák legyenek áttekinthetők, megfelelő feliratokkal és mértékegységekkel.
• A kód és a fontos eredmények maradjanak láthatók a HTML-ben. Az ábrák tengelyeit változónévvel és indokolt mértékegységgel feliratozd.

1. Beolvasás és első áttekintés – 15 pont

1. Olvasd be az adatokat! Ellenőrizd a méretet, a változók típusát és a hiányzó értékeket.
2. A charges változóra készíts táblázatot: létszám, átlag, medián, szórás, alsó és felső kvartilis.
3. Készíts a változó eloszlásának bemutatására alkalmas ábrát! Két mondatban jellemezd a költségek eloszlását, az átlag és a medián különbségére is kitérve.

2. Költségek és dohányzási státusz – 20 pont

Kérdés: eltér-e az átlagos költség a két dohányzási kategóriában?

1. Nevezd meg a két változó típusát, és indokold a módszerválasztást. Írd fel a null- és alternatív hipotézist.
2. Készíts csoportonként létszámot, átlagot, mediánt és szórást tartalmazó táblázatot, valamint a numerikus változó két csoport közötti összehasonlítására alkalmas ábrát.
3. Végezz kétoldali próbát! Közöld a próbastatisztikát, a p-értéket és a két átlag különbségének 95%-os konfidenciaintervallumát. Nevezd meg, milyen sorrendben számolod a különbséget!
4. Értelmezd a különbséget USD-ben és hozd meg a döntést! Nevezz meg egy alkalmazási feltételt, amelynek teljesülését a CSV önmagában nem igazolja.

3. BMI és régió – 20 pont

Kérdés: megegyezik-e az átlagos BMI a négy régióban?

1. Indokold a módszerválasztást, és fogalmazd meg a hipotéziseket.
2. Készíts régiónként létszámot, átlagot és szórást tartalmazó táblázatot, valamint a numerikus változó régiók közötti összehasonlítására alkalmas ábrát.
3. Végezd el a tanult, azonos varianciát nem megkövetelő többcsoportos próbát. Közöld az F-értéket és a p-értéket, majd a döntést.
4. A változatok azonos terhelése érdekében az összpróba eredményétől függetlenül készítsd el mind a hat Games–Howell-összehasonlítást. A korrigált p-értékek alapján nevezd meg az eltérő átlagú párokat. Egy választott pár átlagkülönbségét és intervallumát értelmezd; ha nincs elutasított pár, egy nem elutasított párt értelmezz.

4. Nem és dohányzási státusz – 15 pont

Kérdés: összefügg-e a két kategóriaváltozó?

1. Nevezd meg a két változó típusát, válassz megfelelő vizsgálati módszert, és fogalmazd meg a null- és alternatív hipotézist.
2. Készíts kereszttáblát a megfigyelt és várható gyakoriságokkal, valamint a kérdés megválaszolásához megfelelő százalékokkal. Melyik nemi kategóriában mekkora a dohányzók aránya? Az egyik százalékot ellenőrizd a darabszámokból.
3. Ellenőrizd a választott próba alkalmazási feltételeit. Közöld a próbastatisztikát és a p-értéket, majd fogalmazd meg a döntést 5%-os szignifikanciaszinten.
4. Vizsgáld meg a kapcsolat erősségét, és értelmezd a kapott eredményt.

5. Életkor és költség – 15 pont

1. Készíts a két változó kapcsolatának bemutatására alkalmas ábrát!
2. Számíts Pearson-korrelációt, végezd el a kétoldali próbáját és közöld a korreláció 95%-os konfidenciaintervallumát. Fogalmazd meg a hipotéziseket.
3. Értelmezd a lineáris kapcsolat irányát és erősségét. Vesd össze a számszerű eredményt az ábrával: mennyire írja le a korreláció a látható kapcsolatot?

6. Hibás következtetés javítása és összegzés – 15 pont

1. Javítsd ezt az állítást:„A csoportátlagok különbsége megmutatja, mennyivel növeli meg a dohányzás az egészségügyi költséget.” Írj helyette szakmailag helyes mondatot a 2. rész saját számaival! Magyarázd meg röviden a hibát.
2. Foglald össze az elemzésed legfontosabb tanulságait 5–6 mondatban! Válassz ki két olyan eredményt, amelyet érdemes kiemelni, és konkrét számokkal mutasd be őket. Az összegzésből derüljön ki az is, milyen következtetést nem vonhatunk le az adatokból. Ne a feladatmegoldás lépéseit sorold fel.
3. A Knit segítségével futtasd le a teljes dokumentumot. Ellenőrizd, hogy minden szükséges kód, eredmény, ábra és szöveges értelmezés megjelenik a HTML-ben.

Beadás

Két fájlt tölts fel: Vezeteknev_Keresztnev_01.Rmdés Vezeteknev_Keresztnev_01.html. Az időkeret a feltöltést is tartalmazza. Töltsd fel az Rmd- és a HTML-fájlt, majd véglegesítsd a beadást a Moodle-ben. Ellenőrizd, hogy a próbálkozásod lezárt állapotban van, mert a fájlok feltöltése önmagában még nem zárja le a beadást. A későbbi szóbeli kérdés a saját beadott elemzésedhez kapcsolódik; arra külön jegyet kapsz.

Forrás: Medical Cost Personal Datasets, Kaggle (mirichoi0218/insurance); CSV-másolat: stedy/Machine-Learning-with-R-datasets. Oktatói részállomány. A charges változó mértékegységét az oktatási feldolgozásban USD-ként használjuk; a forrás nem biztosít teljes adatfelvételi dokumentációt.