# 4. TYÖARKKI
#
# Kaksisuuntainen varianssianalyysi. Havainnollistetaan gl()-funktion käyttäö
# tasapainoisen koesuunnitelman faktorien tasojen asettamisessa. Aineisto on
# tiedostossa "Irish_It". The Independent lehti julkaisi aineiston (8.10.1992)
# otsikolla "Irlantilaiset ja italialaiset ovat Euroopan seksistejä".
#
#Havainnot ovat prosenttilukuja, jotka kertovat, montako prosenttia
#maan kansalaisista (erään tutkimuksen mukaan) uskoo miesten ja 
#naisten selviytyvän yhtä hyvin ammatissa A.
#
#86 85 82 86  Denmark
#75 83 75 79  Netherlands
#77 70 70 68  France
#61 70 66 75  UK
#67 66 64 67  Belgium
#56 65 69 67  Spain
#52 67 65 63  Portugal
#57 55 59 64  W. Germany
#47 58 60 62  Luxembourg
#52 56 61 58  Greece
#54 56 55 59  Italy
#43 51 50 61  Ireland
#
# Ammatit ovat
# bussin/junankuljettaja, kirurgi, asianajaja, kansanedustaja 
#
# sink("A:\\TMallit\\Rscripts\\TA4.txt")
# komennolla voidaan tulostus ohjata tiedostoon
#
# Teksti on poistettava tiedostosta, ennen kuin se voidaan lukea scan()-funktiolla
p <- scan("A:\\TMallit\\Datat\\Irish_It.txt"); p
occ <- scan(,"")      #luetaan sarakkeiden ja rivien nimet
bussik kirurgi asianajaja kans.ed.
      
country <- scan(,"")
Tanska Hollanti Ranska Englanti Belgia Espanja
Portug Saksa Luxemb Kreikka Italia Irlanti

OCC <- gl(4,1,48,labels=occ)  #gl() on "generate level" käsky
COUNTRY <- gl(12,4,48,labels=country)
OCC; COUNTRY
OCC <- factor(OCC)
COUNTRY <- factor(COUNTRY)  #faktorien (=selittäjien) määrittely
# Kokeillaan erilaisia malleja.
# Tutki tulostuksia ja kommentoi eroja ja yhtäläisyyksiä.
ex2 <- lm(p ~ COUNTRY + OCC); anova(ex2)
summary(ex2)
names(ex2)
ex2$coefficients
lex2 <- lm(p ~ OCC + COUNTRY); anova(lex2)
lex3 <- lm(p ~ OCC); lex3; summary(lex3)
lex4 <- lm(p ~ COUNTRY); lex4; summary(lex4)
lex5 <- lm(p ~ OCC + COUNTRY); lex5; summary(lex5,cor=T)
# cor=T antaa parametrien estimattien korrelaatiot
tapply(p,OCC,mean)
tapply(p,COUNTRY,mean)
##################
#Varianssianalyysi voidaan tehdä myös aov()-funktiolla
#Esim.
aov(p ~ OCC + COUNTRY)
summary(aov(p ~ OCC + COUNTRY))
summary(aov(p ~ COUNTRY + OCC)) #Muuttujat eri järjestyksessä!
##########
# Yleensä järjestys, jossa muuttujia lisätään malliin, on tärkeä
# ja vaikuttaa tuloksiin. Tässä järjestyksellä ei ole väliä, koska
# mjat ovat ortogonaalisia. Ortogonaalisuus tarkoittaa mm. sitä, että
# selittäjän OCC estimaatit ovat samoja olipa mja COUNTRY mallissa tai
# ei.
##########
#
# Jos malli on
#		E(Y_{ij})=\mu + \alpha_i + \beta_j
# niin R:n oletusparametrisoinnissa \alpha_1 = 0  ja  \beta_1 = 0  1.taso
# on siis valittu perustasoksi, johon muita tasoja vertaillaan.
#
# Seuraavaksi hiukan grafiikkaa.
boxplot(split(p,OCC))
boxplot(split(p,COUNTRY))
res <- ex2$residuals; fv <- ex2$fitted.values
plot(fv,res)
hist(resid(ex2))
qqnorm(resid(ex2));qqline(resid(ex2))
# pisteiden pitäisi asettua suurinpiirtein suoralle, jos hav. n-jakaumasta
##########
#Hyödyllisiä funktioita
##########
#seq(60, 80, 5)       	[1] 60 65 70 75 80
#seq(300, 100, -50)   	[1] 300 250 200 150 100
#1:5		     	[1] 1 2 3 4 5
#seq(0.3,2,0.2)		[1] 0.3 0.5 0.7 0.9 1.1 1.3 1.5 1.7 1.9
#expand.grid(occ,country)
#X <- array(expand.grid(occ,country))  #tehdään taulukko X (matriisi)
##########
ls() # nähdään käytössä olevat objektit
rm(ex2)  # rm()-funktiolla voidaan siivota työtilaa
#
#
#######################
#The Independent, 16 June 1999, under the headline 
#`Tourists get hidden costs warnings' gave the following table, for
#`How the resorts compared' (costs in pounds)
######################
#
#            
#Algarve      8.00  0.50  3.50  3.00  4.00  100.00
#CostaDelSol  6.95  1.30  4.10 12.30  4.10  130.85
#Majorca     10.25  1.45  5.35  6.15  3.30  122.20
#Tenerife    12.30  1.25  4.90  3.70  2.90  130.85 
#Florida     15.60  1.90  5.05  5.00  2.50  114.00
#Tunisia     10.90  1.40  5.45  1.90  2.75  218.10
#Cyprus      11.60  1.20  5.95  3.00  3.60  149.45
#Turkey       6.50  1.05  6.50  4.90  2.85  263.00
#Corfu        5.20  1.05  3.75  4.20  2.50  137.60
#Sorrento     7.70  1.40  6.30  8.75  4.75  215.40
#Malta       11.20  0.70  4.55  8.00  4.80   87.85
#Rhodes       6.30  1.05  5.20  3.15  2.70  261.30
#Sicily      13.25  1.75  4.20  7.00  3.85  174.40
#Madeira     10.25  0.70  5.10  6.85  6.85  153.70
#
# Taulukon sarakkeet (mjat) ovat
# kolmen ruokalajin ateria, pullo olutta, Suntan aurinkoöljy,
# Taksi (5km), filmirulla (24), auton vuokra (viikko)
#
data <- read.table("A:\\TMallit\\Datat\\Resorts.txt",row.names=1)
products <- c("Meal","Beer","Sunoil","Taxi","Film","CarRent")
#colnames(data) <- products
pr <- as.matrix(data)
pr <- as.vector(pr)
PROD <- gl(6,14,84,labels=products)
resorts <- row.names(data)
RESORTS <- gl(14,1,84,labels=resorts)
va2 <- lm(pr ~ PROD + RESORTS)
lpr <- log(pr)
lva2 <- lm(lpr ~ PROD + RESORTS)
summary(lva2)
summary(lm(lpr ~ PROD))
summary(lm(lpr ~ RESORTS))
tapply(pr,RESORTS,mean)
tapply(pr,PROD,mean)
boxplot(split(pr,PROD))
boxplot(split(pr,RESORTS))
#Jätetään CarRent pois
products <- c("Meal","Beer","Sunoil","Taxi","Film")
PROD <- gl(5,14,70,labels=products)
resorts <- row.names(data)
RESORTS <- gl(14,1,70,labels=resorts)
pr <- as.matrix(data[,1:5])
pr <- as.vector(pr)
boxplot(split(pr,PROD))
boxplot(split(pr,RESORTS))
#
# Sovita malli
#		log(hinta) ~ paikka + tuote	(1)
# ja tulkitse tulokset. 
# Vertaile malliin 
#		hinta ~ paikka + tuote		(2)
# Kumpi on sopivampi malli?
# Miksi? Mikä on kallein paikkakunta? Kuinka johtopäätöksesi muuttuvat, jos
# viimeinen sarake (Car Hire) jätetään aineistosta pois?
# Tee samantapainen analyysi kuin Irish_It-aineistolle.