분산분석을 활용한 기대수명에 영향을 미치는 환경적 요소 확인

소개글

분산분석을 활용한 기대수명에 영향을 미치는 환경적 요소 확인에 대한 보고서 자료입니다.

목차

1. 초록

2. 서론

(1) 데이터분석의 목적과 계획

(2) 사용자료 및 분석방법

3. 본론

(1) 분산분석 : 1960~2010년 기대수명 증가율 비교

(2) 유의성 검정 : 분산분석에 영향을 주는 집단 구분 및 추가분석

(3) 독립성검정 :성별과 질병과의 관계

(4) 다중회귀분석 : 다양한 요인에 의한 기대수명 예측

4. 결론

본문내용

렴점을 확인해보았다. 최대의 기대수명을 알아보기 위해서 각(each) 독립변수(independent)들의 최소값을 모형에 대입하여 결과를 산출하였다. 그 결과 그림 ( )와 같은 결론이 도출되었다. 이 모형에 의해 설명되는 기대수명의 수렴 지점은 86.04세이다.
그림 (5-10)
본 논문에서는 기대수명에 대한 다양한 분석을 통하여 기대수명의 증가율을 비교하여 앞으로 증가율의 방향을 예측하고 차이가 나는 이유를 설명하였다. 또한 회귀식을 도출하여 앞으로 기대수명에 영향을 미치는 요인들을 통해 대략적인 기대수명을 예측 할 수 있다. 그리고 요인들의 영향을 파악해 기대수명 상승을 위한 중요한 자료로 쓰일 수 있을 것이라 판단된다.
반면 본 논문의 한계점으로써는 사용된 데이터의 양이 크지 않아 정규성이 낮고 다양하지 않은 변수의 생성으로 인해 실질적으로 모형 개발에 선택된 파생변수 생성이 필요하다. 또 모형을 개발하는 데 있어 여러 가지 기법을 통해 최적의 모형을 선별해야 할 것이다.
본 논문은 기대수명 예측을 위한 분석으로 쓰였지만 우리사회의 큰 문제로 떠오른 고령화 문제를 대비하여 정년퇴직 나이나 연금문제에 관련한 정책사항 결정에 있어 미리 기대수명을 예측하여 대비함으로써 유용하게 사용하여 더 실효성 있는 선택에 영향을 줄 것이다.
참고문헌
- 김남순, (2014). 한국 여성의 전반적인 건강수준 차이 - 기대수명, 건강인식 및 활동제한 중심으로, 한국보건사회연구원, 통권 제210호, 6p.
- 한소연, (2012). 우리나라 지역별 건강수명과 관련요인, DBpia, 제 35권 제2호, p.229.
R-코딩
<분산분석>
#데이터 불러오기
x=read.csv("C:/R/ANOVA.csv",header=T)
#정규성 검정
shapiro.test(x$X67y)
shapiro.test(x$X78y)
shapiro.test(x$X89y)
shapiro.test(x$X90y)
library(car)
qqnorm(x$X67y)
qqline(x$X67y)
qqnorm(x$X78y)
qqline(x$X78y)
qqnorm(x$X89y)
qqline(x$X89y)
qqnorm(x$X90y)
qqline(x$X90y)
#분산분석
b.life=stack(x)
boxplot(values~ind,data=b.life)
life.aov=oneway.test(values~ind,data=b.life,var.equal=F)
pairwise.t.test(b.life$values,b.life$ind,pool.sd=F)
<유의성 검정>
#유의성 검정
t.test(x$X67y,x$X78y)
t.test(x$X67y,x$X90y)
t.test(x$X67y,x$X89y)
t.test(x$X78,x$X89y)
t.test(x$X78,x$X90y)
t.test(x$X89,x$X80y)
t.test(x$X78,x$X90y,alt='greater')
t.test(x$X89,x$X90y,alt='greater')
#데이터 불러오기
x1=read.csv("C:/R/M,F_life.csv",header=T)
D=x1[,5]
t.test(D)
life.city_a=c(81.58,78.96,79.59,79.76,79.94,80.27,79.05)
life.city_b=c(80.51,79.10,78.94,79.59,79.38,79.01,78.98,78.93,80.95)
t.test(life.city_a,life.city_b)
<독립성 검정>
#데이터 읽기, 카이제곱 검정
x=matrix(c(47768,6253,27098,12485,7278,28853,8751,30084,10005,3892),
nc=2)
(y=chisq.test(x))
<회귀분석>
#데이터
data.set=read.csv(file="C:/R/table3.csv", head=T, sep=',') ; data.set
#독립변수
life=cbind(data.set$life) ; life
cancer.1=cbind(data.set$암) ; cancer.1
micro.dust=cbind(data.set$미세먼지) ; micro.dust
saving.d=cbind(data.set$저축) ; saving.d
saving=cbind(data.set$실질저축) ;
shapiro.test(life) ; windows() ; plot(life, xlab="time", title="Test of normality")
#회귀모델
output_lm=lm(life~ log(micro.dust^2) + log(cancer.1)+ log(saving))
#요약통계량
summary(output_lm)
#산점도 행렬
library(lattice)
splom(~data.set, which="3")
#요약통계량
summary(output_lm)
회귀가정
# 오차항 등분산성
library(car)
ncvTest(output_lm)
windows() ; plot(output_lm, which=1) ; windows() ; plot(output_lm, which=3)
# 오차항 독립성
durbinWatsonTest(output_lm) ;
windows() ; el=residuals(output_lm) ; plot(el) ; abline(h=0, lty=2)
#오차항의 정규성
windows() ; par(mfrow=c(1,2))
qqPlot(output_lm) ; plot(output_lm, which=2)
shapiro.test(residuals(output_lm)) ;
#다중공선성
vif(output_lm)
#모델에 의해 설명되는 수렴기대수명
Life.Convergence=231.887-12.019*log(45.49^2)-1.507*log(700)-4.217*log(35705.44)
Life.Convergence
y
predicted.life=231.887-12.019*log(micro.dust^2)-1.507*log(cancer)-4.217*log(saving)
a.life
life
plot(predicted.life,life) ; t.test(predicted.life, life)

키워드

분산분석,   기대수명,   환경요인,   통계