Весь софт, который используется для создания постеров, характеризуется двумя важными аспектами. Во-первых, это требования к грамотности и квалификации пользователя. И второе — это доступность софта, надо ли платить деньги за его использование.
В целом, софт, используемый для подготовки постеров, делится на офисные приложения, графические и издательские пакеты, языки разметки и специализированные программы. Читать далее Программы для создания постеров
Один из принципов обучения — смотреть на хорошие и плохие работы, стараясь копировать по максимуму полезных идей из хороших работ и избегать ошибок плохих работ.
С постерами это не так легко, поскольку в отличие от статей отсутствует обязательная практика выкладывания их в интернет для широкой публики. Но мы все же собрали для вас некоторые примеры того, как стоит и не стоит делать постеры. Читать далее Примеры плохих и хороших постеров
Здравствуйте, наши маленькие любители научных коммуникаций (ц). Сейчас мы расскажем вам одну старую историю.
Давным-давно, когда Nature был простой еженедельной газетой, конференций в современном понимании этого слова не было. А были собрания научных обществ — например, королевского научного общества в Англии или Петербургской Академии наук. Слово «конференция» тогда относилось к руководящему органу академии, по крайней мере в России. В том случае, если ученый хотел выступить перед коллегами (и его хотели послушать), то организовывалась его лекция. Потом ученых стало больше, времени стало меньше… а вот с дорожными расходами всегда было плохо. В общем, все заинтересованные начали биться на кучки, стали появляться отдельные тематические (или не очень) конференции со своими секциями. Наконец, ученых стало совсем много, и стали они жить-поживать и добра наживать, пока не умерли в один день. И появился такой тип докладов как постеры. Читать далее Библиотека полезных материалов по созданию научных постеров
Все #горячиеюныекогнитивные рано или поздно вынуждены делать презентации.
Этот опыт может быть болезненным (причем не столько для докладчика, сколько для слушателей). Чтобы этого не произошло, вот несколько полезных советов: Читать далее Рекомендации по созданию презентаций
Если вы сейчас пишете курсовую или диплом и оформляете список литературы вручную — не делайте этого. Не в том смысле, что не надо писать, а в том смысле, что для составления списков литературы и их оформления умные люди давно придумали две полезные программы — Mendeley и Zotero (есть еще Endnote и всякое другое, но они хуже). Они достаточно похожи, поэтому для краткости я буду называть их M&Z. Подробнее про разницу M&Z можно почитать тут: chetvericov.ru/faq-po-mendeley-i-zotero/ Основной момент — Zotero предполагает интеграцию в Firefox или Chrome, в то время как Mendeley — принципиально отдельное приложение. Чтобы их использовать, вам нужно выполнить несколько простых шагов.
1. Нужно установить программу на ваш компьютер. Mendeley можно взять отсюда, Zotero — отсюда.
2. Нужно импортировать свои статьи в базу программы. M&Z умеют автоматически обрабатывать большиство PDF и вытаскивать из них информацию об авторе, издании,
3. Каждая из этих программ автоматически устанавливает плагины (дополнения) для Word и OpenOffice. Поэтому далее вы открываете свой текст и там, где вы ссылаетесь на какого-нибудь автора, вы используете плагин, чтобы вместо просто текста типа (Аллахвердов, 1993) вставить ссылку на соответствующий источник в базе, которую вы создали на предыдущем шаге.
4. Наконец, вы выбираете стиль цитирования ГОСТ Р 7.0.5−2008 (или тот стиль, который от вас требует ваш руководитель), жмете магическую кнопку «вставить библиографию», и у вас в тексте появляется аккуратно оформленная по всем правилам библиография.
Чтобы добавить наглядности — вот видео Юрия Тукачева, на котором он показывает, как можно просто сделать библиографию по ГОСТ с помощью Mendeley: www.youtube.com/watch?v=6ETQpdGa-4U
Если у вас есть вопросы про то, как использовать эти программы, пишите, мы готовы вам что-то подсказать. Если наберется достаточно желающих, можно попробовать какой-нибудь мини-семинар на психфаке СПбГУ организовать по работе с ними (в обмен на участие в экспериментах — А.Ч. =)).
Британский нейропсихолог Дороти Бишоп опубликовала в своем блоге «10 советов по анализу данных, которые я хотела бы узнать раньше», и любезно согласилась поделиться ими с #горячимиюнымикогнитивными. Советы в основном касаются сбора и систематизации данных, и рассчитаны на психологов, использующих SPSS и Excel. Кстати, TCTS горячо рекомендует блоги Дороти — deevybee.blogspot.com/. Там можно найти много интересного, в том числе вводные занятия по R, анализу близнецовых данных, анализу ЭЭГ, нейропсихологические тексты и просто около-академические размышления.
Итак, по мнению Дороти, при планировании эксперимента нужно держать в уме следующее:
• От того, как построен набор данных, напрямую зависит то, насколько просто будет его анализировать
• Через несколько месяцев, и тем более лет, вы о своих данных забудете практически все
• Совместное использование данных стремительно набирает популярность — подумайте о том, чтобы хранить свои данные в публичном репозитории.
Именно на эти основные идеи опираются сами рекомендации.
«1. Называйте файлы испытуемых однообразно и анонимно.
Большинство этических комиссий при использовании людей в качестве испытуемых требует анонимизировать данные. Не используйте в качестве названий файлов имена, инициалы и даты рождения испытуемых! Обычно для названий вполне подходят цифры. Но нужно помнить о двух вещах. Во-первых, вам может понадобиться возможность сортировки испытуемых по группам, поэтому к цифре удобно приставить букву, обозначающую группу (например, для групп young-middle aged-old подойдет Y1, Y2, … M1, M2
С другой стороны, если вы планируете использовать автоматическую обработку данных, убедитесь в том, что для названий файлов легко придумать цикл. Гораздо проще попросить программу последовательно обработать файлы, начинающиеся с S и заканчивающиеся номерами от 1 до 20, чем вводить названия файлов вручную.
А если вам нужно проанализировать большое количество файлов, задумайтесь о систематизации папок. Некоторые хранят все файлы по отдельному испытуемому в отдельной папке, а эту папку — в папке соответствующей группы — как неудобно! Мне нравится, когда все файлы, которые должны быть проанализированы вместе, хранятся вместе. Если продумать систему наименования файлов, нет никакой вероятности запутаться, где кто, и можно при анализе добраться до одной нужной папки не прибегая к большому количеству циклов.
2. Называйте переменные единообразно и интуитивно понятно, так чтобы эти названия работали в любой среде.
Если вы собираетесь анализировать свои данные в SPPS, назовите свои переменные так как этого требует SPSS — без пробелов, цифр в начале или запрещенных символов (и латиницей — прим.пер.). Подумайте о том, как вы будете называть эту переменную при описании результатов исследования. Часто рецензентов раздражает, когда одна и та же переменная называется по-разному в разных разделах текста. Гораздо правильнее начать с того названия, которое продержится как можно дольше.
3. Используйте закрепленные области в Excel
Это очень просто, но на удивление мало людей об этом знает. При прокручивании файла вниз или вправо в Excel, название переменной или наблюдения скрывается с листа. Если же вы наведете курсор на ячейку непосредственно под названиями переменных и справа от названий строк (т.е. на первую ячейку собственно данных, и выберете «окно"→"закрепить области», и столбцы, и строки над выделенной ячейкой будут оставаться на месте, когда вы прокручиваете таблицы.
Кроме того, есть (не очень удобный) способ заморозить области в SPSS — он описан здесь.
4. Ведите список переменных с их описанием.
В SPSS для сохранения подробностей можно использовать «метки» переменных, но они ограничены по длине и не всегда вмещают все необходимое. Имеет смысл держать отдельный файл для описания кодировки данных, включающий в себя список переменных, их описание, как обозначены отсутствующие данные
5. Используйте один большой файл вместо множества маленьких, и скрывайте переменные, которые вы не используете в конкретный момент.
Если вы работаете с большим набором данных, часто хочется разбить его на несколько более простых в обращении. У вас могут быть сотни переменных, из которых вы хотите взять несколько интересующих в конкретный момент, и выделить в отдельный файл. Проблема в том, что сделав это, вы можете легко потеряться в собственных данных.
Представьте, что у вас есть гигантский файл, и вы выделили несколько переменных для нового файла, и в нем нашли ошибку. Теперь вам придется исправить ее в двух файлах, что неудобно — настолько неудобно, что вы можете пропустить этот шаг и у вас будет две разные версии данных, и вы забудете, какая из них правильная.
Кроме того, если вам захочется проанализировать связь между выделенными переменными и переменными в том большом файле, вам придется еще дольше возиться с переносом данных, что является прямым путем к ошибкам — особенно если вы копируете и вставляете. Поэтому я советую работать с большим файлом, содержащим все данные, скрупулезно переименовывая его в случае изменений. Проблема «слишком много данных» решается скрыванием ненужных частей файла.
В Excel это делается просто. Выделите колонки, которые хотите скрыть, и нажмите «Ячейки—Формат--Скрыть «. Чтобы вернуть их назад, выделите колонки рядом со скрытыми и нажмите «Отобразить».
Похожую операцию можно сделать в SPSS, она называется «набор переменных». Она требует чуть больше шагов чем в Excel, но достаточно определить набор один раз, и он сохраняется вместе с файлом, так что выбрать те же переменные заново можно очень просто. Инструкции — здесь.
Кстати, этот сайт полон полезностей. Например, там есть инструкция по созданию таблиц в формате APA в SPSS.
6. Никогда не добавляйте к названию файла «final» и всегда храните копии основных данных.
Назвать файл «финальным» очень хочется. Но у вас обязательно окажутся файлы с названиями «final final», «действительно final» или «final версия 10». Для определения наиболее свежей версии лучше использовать даты.
Совет о резервном копировании элементарен до боли, но даже самые опытные из нас забывают это делать. Если вы потратили на что-то несколько дней, пусть оно хранится в безопасности, даже если компьютер сломается или его украдут.
7. Смотрите на данные
Прежде чем хвататься за статистику, важно визуализировать ваши данные. Это хороший способ обнаружения странностей в вашем наборе данных, например, выходящих за ожидаемые рамки значений. Например, если у вас есть сырые и взвешенные значения, построив график рассеивания, вы убедитесь, что конвертация произошла правильно. Также следует проверить распределение данных, и определиться с дальнейшими шагами, если анализ предполагает нормальность, а данные распределены иначе. Об этой часто встречающейся ситуации можно прочесть в учебнике Филда «Discovering Statistics Using SPSS» (да и в других учебниках по статистике, список которых можно найти в блоге по тегу stats — прим. пер).
8. Ведите журнал анализа.
Обычно я продумываю то, что я хочу сделать, составляю список аналитических процедур и таблиц, которые я хочу получить, и работаю по этому списку. На практике, работа редко идет гладко. Можно обнаружить отсутствующий или поврежденный файл, или понять, что данные нужно трансформировать. Традиционно в процессе анализа используют с"лабораторный журнал", в который заносят соответствующие записи. Я предпочитаю использовать обычный файл Word, который держу открытым в процессе анализа, и в который я записываю все что делаю, по дням.
Эти записи включают в себя названия созданных файлов, их местоположение, и что в них находится. Это действительно важно, если вы не хотите через некоторое время оказаться посреди огромного количества разных версий разных файлов, пытаясь найти тот, который вы едва помните как создавали.
Кроме того, я веду записи о возникших проблемах. Например, у вас есть экспериментальная задача, которая была несколько раз проведена неправильно, так что эти случаи нужно будет исключить. В журнале вы можете сделать запись о том, когда ошибка была замечена, какая часть данных была затронута, и какие меры были предприняты. Если вы этого не сделаете, вполне возможно что вы, или кто-то другой, работая с данными позднее, не будет понимать, откуда проблема. Или, как это, пожалуй, слишком часто бывает со мной, вы проведете все утро, пытаясь найти проблему, которую уже находили месяц назад.
10. Используйте скрипты SPSS
При использовании SPSS нужно хранить скрипты проведенных тестов и манипуляций — это касается всех нас. Даже если вы ничего не знаете о скриптах, это очень просто начать делать. Сделайте все нужные настройки через меню SPSS, но вместо OK нажмите Paste. Откроется окно, в котором выбранные вами команды записаны в виде скрипта. Теперь можно выделить весь скрипт или его часть, и запустить его, нажав на большую зеленую стрелку. Если вы проведете другой анализ, и снова нажмете Paste, новые команды будут дописаны к тому же скрипту.
Такой способ имеет четыре преимущества:
1) Скрипт можно сохранить, и у вас будет постоянная запись о проведенном анализе. Она может дополнять ваш журнал (в котором можно хранить имя файла со скриптом).
2) Скрипт можно комментировать. Любой текст, начинающийся звездочкой и заканчивающийся точкой, является комментарием. Их можно использовать для заметок о том, что именно проверяет анализ.
3) Можно всегда вернуться и провести анализ заново. Например, если вы обнаружили ошибку в данных и исправили её, вам не нужно повторять все свои шаги заново — вы можете просто еще раз запустить скрипт.
4) Это отличный способ научиться скриптам SPSS. Очень многому можно научиться просто взяв сгенерированный код в качестве основы и изменяя параметры (например, названия переменных). Если вы хотите параллельно провести анализ нескольких переменных, гораздо проще скопировать часть скрипта и подставить нужные названия, чем возвращаться в меню.
10. Проверьте весь анализ перед публикацией.
Очень важно проверить все шаги прежде чем сдать работу. Всегда проверяйте, все ли таблицы и цифры вы можете воспроизвести. Удивительно, насколько часто, делая анализ второй раз, получаешь другие результаты! Иногда кажется, что это какой-то злой дух вселился в компьютер и дразнится. Даже если различия небольшие, они все равно вызывают беспокойство. В моем опыте, такие вещи часто происходят из-за того, что забываешь выделить нужную группу испытуемых (если есть критерии исключения). Или код отсутствия данных по ошибке был включен в данные. При плохом развитии событий, вы могли скопировать и вставить что-то в файл, забыв о том, что данные были определенным образом отсортированы. И иногда (лишь иногда), эти ошибки распространяются и на файл в Excel и на файл в SPSS. Полезно хранить данные в обоих форматах, чтобы в таких случаях иметь возможность грубо сравнить, например, средние. И здесь вы оцените скрипты SPSS. Со скриптом гораздо проще провести анализ заново. Более того, при финальной проверке, можно подписать, какая таблица в статье к какому фрагменту кода относится, и таким образом всегда иметь возможность вернуться и перепроверить результаты."
Оригинальная запись тут.
Внимание-внимание, есть еще 2 места для участия в нашем журнальном клубе в это воскресенье! Пишите нам на , мы очень ждем!
Ну, а пока — небольшое руководство по тому, как отличить «хорошую» науку от «плохой». Руководство подготовлено CompoundChem, а нами переведено и адаптировано для #горячихюныхкогнитивных. Итак, на что нужно в первую очередь обращать внимание при оценке качества исследований:
1. Остерегайтесь громких заголовков. В большинстве случаев громкие заголовки отражают упрощенный смысл результатов исследования и нередко ведут к их недопониманию.
2. Статьи в не-научных журналах нередко жертвуют адекватностью передачи информации ради красивой истории. Если Вас заинтересовало исследование в пересказе, обязательно обратитесь к исходной статье и убедитесь, что автор пересказа правильно расставил акценты.
3. Конфликт интересов. В психологических исследованиях такое встречается редко, но встречается. Например, в исследованиях «тренировки мозга», «программы развития когнитивных способностей» и прочих потенциально коммерчески интересных областях. Если исследователь или его наниматель был заинтересован в получении определенных результатов (например, доказательстве эффективности программы), это может повлиять на объективность проведения исследования. В научных журналах конфликт интересов обычно заявляется в конце статьи.
4. Установление причинно-следственных связей на основе найденной корреляции между переменными. Корреляция означает связь и ничего не говорит ни о том, является ли эта связь прямой, ни о механизмах этой связи. Correlation does not equal causation — казалось бы, вещь очевидная, но иногда исследователям бывает сложно остановить себя от принятия желаемого за действительное. Существуют способы и методы, позволяющие оценить причинность в корреляционном исследовании, но они требуют очень аккуратного использования и непросты в применении.
5. Предположения (читай «фантазирование») на основе результатов исследования допускается даже в научных статьях при условии, что автор ясно дает понять, что его рассуждения являются спекулятивными и не подкреплены данными. Маркеры спекуляций — «возможно», «мог бы», «можно предположить», «скорее всего» и пр. В англоязычных статьях — слова ряда «сould», «might». Это необходимая и полезная часть работы, но нельзя забывать, что это не выводы, а предположения, которые нужно проверять — часто они становятся гипотезами для следующих исследований.
6. Слишком маленький объем выборки. Тоже, с одной стороны, общее место для психологов-исследователей, а с другой — большая проблема качества психологических исследований. Даже если и были получены статистически значимые различия, то при малой выборке есть большая вероятность того, что это совпадение или результат непрофессионального подхода к сбору и анализу данных. Требования к выборке (количество, принципы формирования) должны быть максимально определены до начала сбора данных, поскольку это ключевые параметры, определяющие достоверность будущих статистических выводов.
7. Нерепрезентативность выборки. Большей части когнитивных исследований это не касается — предполагается, что закономерности одни на всех. Однако, если среди испытуемых заявлено 3−5 авторов, это уже ne comme il faut. Кроме того, некоторые исследования предъявляют требования к возрасту, социальному уровню испытуемых, знанию иностранного языка — в этом случае стоит обратить пристальное внимание на то, как была сформирована выборка и является ли она адекватной для задаваемых исследовательских задач.
8. Отсутствие контрольной группы — в психологии контрольные группы все-таки чаще всего присутствуют. Вопрос в том, что эти контрольные группы делают и что у них замеряют. Иногда манипуляция в контрольной группе отличается от манипуляции в экспериментальной группе не только исследуемым параметром (как должно быть), а целым букетом характеристик разной степени значимости. Иногда это дает зеленый свет альтернативным интерпретациям. Проверка на адекватность контроля — один из важнейших моментов при оценке качества исследования.
9. Слепой метод (испытуемые не должны знать, находятся они в контрольной или в экспериментальной группе). Опять же, для большей части психологических исследований нерелевантно, если только речь не идет о вышеупомянутых «программах повышения когнитивных способностей» и других исследованиях терапевтических, обучающих вмешательств.
10. «Подобранные» результаты. Если долго пытаться, что-нибудь обязательно получится. В случае с исследованиями — выводы должны быть основаны на всех результатах, а не на их части. К сожалению, в опубликованной литературе за этим проследить сложно, так как исследования с негативными результатами до публикации просто не доходят. Но если в выводах проигнорированы не подтвердившиеся гипотезы или неожиданные результаты — это плохой знак.
11. Нереплицируемость. Бич психологии. Если что-то удивительное найдено один раз и никем никогда не повторялось, есть подозрение, что находка была случайной. Например, кожно-оптическое восприятие звучит потрясающе, но, по причине отсутствия успешных репликационных исследований на протяжении многих лет, увы, теряет доверие.
Читайте внимательно и с удовольствием, вдохновляйтесь хорошей наукой!
Ваш, TCTS
Ниже перечислены те учебные материалы по мат. методам анализа данных, к которым я так или иначе обращаюсь. Это не самый полный список и даже может быть не самый лучший набор, особенно в части англоязычных материалов. Если вы знаете какой-нибудь интересный и адекватный учебник, который я обошел вниманием — пишите в комментариях.
Учебников по мат. методам много, и в каждой специальности они разные. Так, русскоязычные психологи используют обычно учебник А. Наследова (ранее — Е. Сидоренко). Социологи отдают предпочтение другим учебникам — «Измерение в социологии» Ю. Толстой и «Математическая обработка данных в социальных науках. Современные методы» Д. Крамера, медики — «Медико-биологическая статистика» С.Гланца. Все специальности, как правило, имеют свои традиции использования методов и описания результатов, иногда очень специфические или необычные — особенно в этом отношении преуспели медики и экономисты (экoнометристы).
Когда меня спрашивают, какой учебник читать, я обычно рекомендую начинать с учебника Наследова и потом переходить на англоязычные учебники. И, отдельным пунктом — не очень рекомендую учебник Сидоренко, ввиду его некоторой старости и акцента на ручных методах анализа. Не говоря уже о некоторых фактических ошибках, о которых как-то мне говорили коллеги. Учебник Наследова достаточно прост в понимании, содержит, как я уже ранее упоминал, примеры работы в SPSS
Англоязычные учебники, как правило, либо совсем простенькие (и я, честно говоря, их не знаю, не назову), либо, что чаще, затрагивают какую-то определенную группу методов. Психологи чаще всего пользуются многомерными методами, помимо примитивных методов проверки значимости нулевой гипотезы. В этой области вполне хороши учебники «Applied multivariate research» от Meyers, Gamst & Guarino. Естественно, хорош «Using Multivariate Statistics» от Tabachnick, Fidell. Коллеги утверждают, что неплох ранее упоминавшийся учебник Филда «Discovering Statistics using IBM SPSS Statistics». Я в последнее время эпизодически обращаюсь к «Handbook of statistics. Volume 26 Psychometrics» под редакцией Rao и Sinharay. Несмотря на то, что в названии фигурирует «психометрика» (к слову, самая «статистически"-емкая дисциплина в психологии; или, как мне тут под руку ворчат намекают, как минимум, «одна из»), это более тысячи страниц концентрированной радости аналитика.
Для тех, кто уже более опытен в аналитизе данных и знает свою область исследований и релевантные методы анализа, могу порекомендовать две серии:
1) небольшие, достаточно давние, но весьма подробные тексты по конкретным методам или парадигмам.
2) современная и динамично пополняющаяся серия книг от Springer. Ощущается небольшой уклон в сторону промышленно-программистских тем и методов, но может быть полезно и академическим психологам.
Из онлайн-ресурсов очень хорош электронный учебник от компании StatSoft Statistica — statsoft.ru/home/textbook/default.htm. Рассмотрены и внятно описаны базовые понятия и алгоритмы. Естественно, так как это продукт компании, которая выпускает программу Statistica, многие разделы выглядят как статистическая справка к реализованным в программе методам. Ну и, естественно, все иллюстрации из Statistica.
___________
За время моего обучения в университете курс «информатики» был два или три раза в разных ипостасях. Ничего более бесполезного я в жизни не видел. Но на самом деле, есть все же пара вещей про Word, которые стоит знать, и которые почему-то не рассказывают всем перед написанием первой курсовой. Я, например, про последнюю часть сегодняшней инструкции узнал только в момент написания диссертации =)
Первое, что надо знать, это как использовать перекрестные ссылки. Когда вы вставляете картинку или таблицу, не нужно писать ниже Рисунок 1 или Таблица 1. Нужно использовать команду Вставить заголовок (меню References или Ссылки). В появившемся меню вам нужно выбрать тип ссылки (Рисунок), и дописать название.
После этого, когда вам нужно в тексте сослаться на этот рисунок (NB: по требованиям большинства журналов, если у вас есть в тексте таблица или рисунок, вы обязательно должны ссылаться на нее где-то в тексте), вы можете использовать командру «перекрестная ссылка» (cross-reference), она рядом с вставкой заголовка. В появившемся меню вам нужно выбрать тип ссылки (например, Рисунок) и формат — «Only label and number».
Есть проблема: Word не понимает, что такое склонения существительных, и всегда вставляет тип ссылки в именительном падеже, например, «это можно увидеть на Рисунок 1». LibreOffice такой проблемы лишен, но речь сейчас не о нем. Чтобы решить эту проблему, нужно проделать еще одну операцию. Сначала вам нужно щелкнуть правой кнопкой на перекрестной ссылке в тексте, которую вы только что вставили и выбрать пункт меню «Toggle field code». Вместо ссылки появится ее код, например, {REF _Ref383120336 \h}. Вам нужно перед «\h» вписать «\# 0» (без кавычек). Эти магические знаки говорят Word, что вы хотите видеть только номер ссылки, больше ничего. После этого снова жмем правой кнопкой мыши на ссылке и выбираем Update Field. Теперь от ссылки остался только номер, и вы можете вписать перед ним слово Рисунок в любом нужном вам падеже.
_____________
Ниже перечислены пакеты, с которыми я сталкиваюсь в своей работе с той или иной частотой, поэтому набор может выглядеть несколько однобоким. Общие описания пакетов по направлениям и формам работы можно найти в официальном репозитории: cran.r-project.org/web/packages/. Так же есть симпатичная reference card от Yanchang Zhao: cran.r-project.org/doc/contrib/YanchangZhao-refcard-data-mining.pdf. Следует помнить, что немалая часть функций доступна в базовом пакете.
Манипуляции с данными
data.table — ключевой пакет для тех, кто работает с большими датасетами (сотни тысяч, миллионы строк), так как оптимизирован для максимально быстрой работы (сортировки, расщепления, слияния и проч). Операции с таблицами типа data. table совершаются в десятки или даже сотни раз быстрее, чем с простыми таблицами типа data.frame. К сожалению, синтаксис пакета ощутимо отличается от привычного синтаксиса R, и вызывает ощущение некоторой неотмирности и увлеченностью психотропными веществами авторов пакета.
reshape2 — пакет для перевода данных из формата wide в формат long и обратно, быстрый аналог базовой функции reshape.
Визуализация
ggplot2 — графики черные, графики белые, графики испанские… графики плотности, графики круговые, гистограммы — в общем, все, что душа пожелает. Даже есть возможность работать с географическими картами (spatial visualisation). Если что-то не нашлось — скорее всего, это и не нужно. Настраивается все, от цвета и формы графика, до цвета и размера шрифтов легенд. Впрочем, по специфичности и изощренности синтаксиса не уступает data.table. Есть еще другие пакеты для визуализации, например, lattice — но я с ним не работал, мне вполне достаточно и ggplot2.
Психометрика
sem — моделирование структурными уравнениями, конфирматорный факторный анализ во всей красе. Естественно, может применяться не только для психометрических исследований, но я для меня это первоочередное применение.
ltm — IRT-модели Раша и Бирнбаума (кроме 4PL) для дихотомических ответов, сложные политомические модели. Есть демо-примеры.
Линейные модели
lme4 — линейные модели со случайными эффектами. К сожалению, простую линейную модель с фиксированными эффектами построить нельзя, для этого лучше использовать nle. Для получения p-values, если они зачем-то потребуются, к пакету lme4 следует добавить пакет lmerTest.
Кластерный анализ
cluster — аггломеративный и дивизивный кластерные анализы, k-средних и k-медиан, кластерный анализ по подвыборкам для больших датасетов.
Работа с распределениями
gamlss — пакет для аппроксимации теоретической функции эмпирического распределения, оценки параметров эмпирического распределения, генерации данных с определенными параметрами и формой распределения (для симуляционных Монте-Карло-экспериментов).
Анализ нормальности распределения
nortest — базовые критерии для проверки гипотезы об отличии распределения от нормального.
moments — моменты (асимметрия и эксцесс).
Оценка мощности
pwr — простейший пакет для оценки размера выборки при определенных значениях ошибки измерения I/II типа и предполагаемом размере эффекта. Фактически, по трем данным параметрам можно вычислить четвертый.
Интерфейсы доступа к SQL-базам данных
RODBC — простой коннектор к MS SQL базам.
RPostgreSQL — такой же простой коннектор к PostgreSQL базам, единственное, надо научиться использовать ‘' и «» одновременно при написании запроса к базе (т.к. в PostgreSQL таблицы задаются через имена схем и таблиц в виде schema."Table", и эти двойные кавычки вызывают проблемы в синтаксисе команды в R).
Доступ к другим сервисам
RCurl, ROAuth — пакетs, необходимыt для работы с ssl-сертификатами и верификации доступа к API.
twitteR — пакет для импорта данных из твиттера
rga — пакет для доступа к Google Analytics (находится не в CRAN, надо отдельно устанавливать из гит-репозитория).
Отчеты в TeX
knitr — пакет для создания гибридного скрипта, с использованием TeX и чанками с R-кодом.
Профилирование кода
rbenchmark, microbenchmark — оценка времени выполнения функций, сравнение функций по скорости (вплоть до оценки статистической значимости различий).
Прочее
scale — позволяет переходить от академической формы отображения чисел (3,6E +05) к классическим, и обратно.
stringr — работа с текстовыми данными.
boot — пакет для бутстрепов функций.
foreign — импорт данных других программ (SPSS, например).
_____________
