Önálló adatelemzés: egészségügyi költségek és egyéni jellemzők

15. 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_15.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.
• 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 életkor – 15 pont

1. Olvasd be az adatokat! Ellenőrizd a méretet, a változók típusát és a hiányzó értékeket.
2. A age változóról készíts táblázatot: létszám, átlag, medián, szórás, alsó és felső kvartilis.
3. Készíts a változó eloszlásának bemutatására alkalmas ábrát! Jellemezd az eloszlást 2–3 mondatban: az átlag és medián viszonya, valamint a szóródás is szerepeljen benne.

2. Életkor és dohányzási státusz – 20 pont

Kérdés: eltér-e a(z) age sokasági átlaga a smoker két kategóriájában?

1. Nevezd meg a változók típusát, indokold a módszerválasztást, és fogalmazd meg H0-t és H1-et.
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, valamint az átlagkülönbség 95%-os konfidenciaintervallumát. A különbséget no − yes sorrendben értelmezd.
4. Hozd meg a döntést, és a különbséget év egységben magyarázd el. Nevezz meg egy alkalmazási feltételt, amely a CSV-ből önmagában nem igazolható.

3. Egészségügyi költség a négy régióban – 20 pont

Kérdés: megegyezik-e a(z) charges sokasági átlaga a négy régióban?

1. Indokold a módszerválasztást és fogalmazd meg a hipotéziseket.
2. Készíts régiónként létszámot, átlagot és szórást tartalmazó táblázatot, és készíts a numerikus változó régiók közötti összehasonlítására alkalmas ábrát.
3. Végezd el a tanult, azonos sokasági varianciát nem megkövetelő többcsoportos próbát; közöld az F-értéket, p-értéket és a döntést.
4. Előre rögzített feladatként az összpróba eredményétől függetlenül készítsd el mind a hat Games–Howell-összehasonlítást. Nevezd meg az 5%-os szinten elutasított párokat, vagy jelezd, ha nincs ilyen. Egy választott pár különbségét és intervallumát USD egységben értelmezd, megnevezve a kivonás sorrendjét.

4. Nemi kategória és dohányzási státusz – 15 pont

Kérdés: független-e egymástól a(z) sexés a(z) smoker a sokaságban?

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 egészségügyi költség – 15 pont

1. Készíts a két változó kapcsolatának bemutatására alkalmas ábrát!
2. Számíts Pearson-korrelációt, végezd el a kétoldali próbáját és közöld a 95%-os konfidenciaintervallumot. 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 az állítást:„Az 5%-os szinten szignifikáns átlagéletkor-különbség egyúttal azt jelenti, hogy a különbség gyakorlati szempontból nagy.” A(z) 2. rész saját számaira vagy ábrájára hivatkozva írd át szakmailag helyesen, és magyarázd el a hibát. Ha feltételes az állítás, jelezd azt is, hogy a saját eredményedben teljesül-e a feltétel.
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_15.Rmdés Vezeteknev_Keresztnev_15.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.