Đồ thị thanh – SPSS

* Tạo đồ thị thanh trong SPSS
* Tác giả: Thực hành kinh tế lượng
* Mục đích: Tạo đồ thị thanh giản đơn và phân nhóm

* Mở file dữ liệu
GET FILE='hsb2.sav'.

* Tạo đồ thị thanh giản đơn (Simple Bar)
* So sánh điểm toán giữa nam và nữ
GRAPH
  /BAR(SIMPLE)=MEAN(math) BY female
  /TITLE='So sánh điểm toán theo giới tính'
  /SUBTITLE='Đồ thị thanh giản đơn'
  /FOOTNOTE='Nguồn: Dữ liệu hsb2.sav'.

* Tạo đồ thị thanh phân nhóm (Clustered Bar)
* So sánh điểm toán giữa các dân tộc theo loại trường
GRAPH
  /BAR(GROUPED)=MEAN(math) BY race BY schtyp
  /TITLE='So sánh điểm toán theo dân tộc và loại trường'
  /SUBTITLE='Đồ thị thanh phân nhóm'
  /FOOTNOTE='Nguồn: Dữ liệu hsb2.sav'.

* Tạo đồ thị với error bars (thanh lỗi)
GRAPH
  /BAR(SIMPLE)=MEAN(math) BY female
  /ERRORBAR=CI(95.0)
  /TITLE='So sánh điểm toán với khoảng tin cậy 95%'
  /SUBTITLE='Đồ thị thanh với thanh lỗi'
  /FOOTNOTE='Nguồn: Dữ liệu hsb2.sav'.

* Tạo đồ thị với thống kê mô tả kèm theo
EXAMINE VARIABLES=math BY female
  /PLOT BOXPLOT HISTOGRAM
  /STATISTICS DESCRIPTIVES
  /CINTERVAL 95
  /MISSING LISTWISE
  /NOTOTAL.

* Tạo đồ thị thanh trong Stata
* Tác giả: Thực hành kinh tế lượng
* Mục đích: Tạo đồ thị thanh giản đơn và phân nhóm

* Mở file dữ liệu
use "hsb2.dta", clear

* Tạo đồ thị thanh giản đơn
* So sánh điểm toán trung bình giữa nam và nữ
graph bar math, over(female) ///
    title("So sánh điểm toán theo giới tính") ///
    subtitle("Đồ thị thanh giản đơn") ///
    ytitle("Điểm toán trung bình") ///
    bar(1, color(lightblue)) ///
    legend(label(1 "Nam") label(2 "Nữ")) ///
    note("Nguồn: Dữ liệu hsb2.dta")

* Lưu đồ thị
graph export "simple_bar.png", replace

* Tạo đồ thị thanh phân nhóm
* So sánh điểm toán giữa các dân tộc theo loại trường
graph bar math, over(schtyp) over(race) ///
    title("So sánh điểm toán theo dân tộc và loại trường") ///
    subtitle("Đồ thị thanh phân nhóm") ///
    ytitle("Điểm toán trung bình") ///
    legend(label(1 "Công lập") label(2 "Tư thục")) ///
    note("Nguồn: Dữ liệu hsb2.dta")

* Lưu đồ thị
graph export "clustered_bar.png", replace

* Tạo đồ thị với thanh lỗi (error bars)
cibar math, over(female) ///
    title("So sánh điểm toán với khoảng tin cậy 95%") ///
    subtitle("Đồ thị thanh với thanh lỗi") ///
    ytitle("Điểm toán trung bình") ///
    legend(label(1 "Nam") label(2 "Nữ")) ///
    note("Nguồn: Dữ liệu hsb2.dta")

* Thống kê mô tả kèm theo
tabstat math, by(female) statistics(n mean sd min max) ///
    columns(statistics) format(%9.2f)

* Tạo bảng tần suất
tab female, missing
tab race schtyp, missing

# Tạo đồ thị thanh trong R
# Tác giả: Thực hành kinh tế lượng
# Mục đích: Tạo đồ thị thanh giản đơn và phân nhóm

# Tải thư viện cần thiết
library(haven)      # Đọc file SPSS
library(ggplot2)    # Vẽ đồ thị
library(dplyr)      # Xử lý dữ liệu
library(scales)     # Định dạng trục
library(RColorBrewer) # Bảng màu

# Đọc dữ liệu từ file SPSS
data <- read_sav("hsb2.sav")

# Chuyển đổi biến phân loại
data$female <- factor(data$female, labels = c("Nam", "Nữ"))
data$race <- factor(data$race, labels = c("Hispanic", "Asian", "African American", "White"))
data$schtyp <- factor(data$schtyp, labels = c("Công lập", "Tư thục"))

# Tạo đồ thị thanh giản đơn
p1 <- ggplot(data, aes(x = female, y = math, fill = female)) +
  stat_summary(fun = "mean", geom = "bar", alpha = 0.7) +
  stat_summary(fun.data = "mean_cl_normal", geom = "errorbar", 
               width = 0.2, size = 0.8) +
  labs(
    title = "So sánh điểm toán theo giới tính",
    subtitle = "Đồ thị thanh giản đơn",
    x = "Giới tính",
    y = "Điểm toán trung bình",
    fill = "Giới tính",
    caption = "Nguồn: Dữ liệu hsb2.sav"
  ) +
  scale_fill_manual(values = c("lightblue", "pink")) +
  theme_minimal() +
  theme(legend.position = "none")

# Hiển thị đồ thị
print(p1)

# Lưu đồ thị
ggsave("simple_bar.png", p1, width = 8, height = 6)

# Tạo đồ thị thanh phân nhóm
p2 <- ggplot(data, aes(x = race, y = math, fill = schtyp)) + stat_summary(fun = "mean", geom = "bar", position = "dodge", alpha = 0.7) + stat_summary(fun.data = "mean_cl_normal", geom = "errorbar", position = position_dodge(width = 0.9), width = 0.2) + labs( title = "So sánh điểm toán theo dân tộc và loại trường", subtitle = "Đồ thị thanh phân nhóm", x = "Dân tộc", y = "Điểm toán trung bình", fill = "Loại trường", caption = "Nguồn: Dữ liệu hsb2.sav" ) + scale_fill_brewer(palette = "Set2") + theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Hiển thị đồ thị print(p2) # Lưu đồ thị ggsave("clustered_bar.png", p2, width = 10, height = 6) # Thống kê mô tả data %>%
  group_by(female) %>%
  summarise(
    n = n(),
    mean = mean(math, na.rm = TRUE),
    sd = sd(math, na.rm = TRUE),
    min = min(math, na.rm = TRUE),
    max = max(math, na.rm = TRUE)
  ) %>%
  knitr::kable(caption = "Thống kê mô tả điểm toán theo giới tính")

# Thống kê mô tả chi tiết hơn
data %>%
  group_by(race, schtyp) %>%
  summarise(
    n = n(),
    mean = mean(math, na.rm = TRUE),
    sd = sd(math, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  knitr::kable(caption = "Thống kê mô tả điểm toán theo dân tộc và loại trường")

# Kiểm định t-test
t.test(math ~ female, data = data)

# Phân tích ANOVA
anova_result <- aov(math ~ race * schtyp, data = data)
summary(anova_result)

# Tạo đồ thị thanh trong Python
# Tác giả: Thực hành kinh tế lượng
# Mục đích: Tạo đồ thị thanh giản đơn và phân nhóm

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
import pyreadstat

# Thiết lập hiển thị tiếng Việt
plt.rcParams['font.family'] = 'DejaVu Sans'
sns.set_style("whitegrid")

# Đọc dữ liệu từ file SPSS
data, meta = pyreadstat.read_sav("hsb2.sav")

# Chuyển đổi biến phân loại
data['female'] = data['female'].map({0: 'Nam', 1: 'Nữ'})
data['race'] = data['race'].map({
    1: 'Hispanic', 2: 'Asian', 3: 'African American', 4: 'White'
})
data['schtyp'] = data['schtyp'].map({1: 'Công lập', 2: 'Tư thục'})

# Tạo đồ thị thanh giản đơn
plt.figure(figsize=(10, 6))

# Tính toán điểm trung bình và sai số chuẩn
mean_scores = data.groupby('female')['math'].agg(['mean', 'std', 'count'])
mean_scores['se'] = mean_scores['std'] / np.sqrt(mean_scores['count'])

# Vẽ đồ thị thanh với thanh lỗi
bars = plt.bar(mean_scores.index, mean_scores['mean'], 
               yerr=mean_scores['se'], capsize=5, alpha=0.7,
               color=['lightblue', 'pink'])

plt.title('So sánh điểm toán theo giới tính', fontsize=16, fontweight='bold')
plt.xlabel('Giới tính', fontsize=12)
plt.ylabel('Điểm toán trung bình', fontsize=12)
plt.grid(axis='y', alpha=0.3)

# Thêm nhãn giá trị trên các thanh
for bar, mean_val in zip(bars, mean_scores['mean']):
    plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
             f'{mean_val:.2f}', ha='center', va='bottom', fontweight='bold')

plt.tight_layout()
plt.savefig('simple_bar.png', dpi=300, bbox_inches='tight')
plt.show()

# Tạo đồ thị thanh phân nhóm
plt.figure(figsize=(12, 8))

# Tính toán điểm trung bình theo nhóm
grouped_data = data.groupby(['race', 'schtyp'])['math'].agg(['mean', 'std', 'count']).reset_index()
grouped_data['se'] = grouped_data['std'] / np.sqrt(grouped_data['count'])

# Sử dụng seaborn để tạo đồ thị thanh phân nhóm
ax = sns.barplot(data=data, x='race', y='math', hue='schtyp', 
                 palette='Set2', capsize=0.1, errwidth=1.5)

plt.title('So sánh điểm toán theo dân tộc và loại trường', 
          fontsize=16, fontweight='bold')
plt.xlabel('Dân tộc', fontsize=12)
plt.ylabel('Điểm toán trung bình', fontsize=12)
plt.legend(title='Loại trường', title_fontsize=12, fontsize=10)
plt.xticks(rotation=45, ha='right')
plt.grid(axis='y', alpha=0.3)

plt.tight_layout()
plt.savefig('clustered_bar.png', dpi=300, bbox_inches='tight')
plt.show()

# Thống kê mô tả
print("Thống kê mô tả điểm toán theo giới tính:")
desc_stats = data.groupby('female')['math'].agg(['count', 'mean', 'std', 'min', 'max'])
print(desc_stats.round(2))

print("\nThống kê mô tả điểm toán theo dân tộc và loại trường:")
desc_stats_detailed = data.groupby(['race', 'schtyp'])['math'].agg(['count', 'mean', 'std'])
print(desc_stats_detailed.round(2))

# Kiểm định t-test
nam_scores = data[data['female'] == 'Nam']['math'].dropna()
nu_scores = data[data['female'] == 'Nữ']['math'].dropna()

t_stat, p_value = stats.ttest_ind(nam_scores, nu_scores)
print(f"\nKiểm định t-test:")
print(f"T-statistic: {t_stat:.4f}")
print(f"P-value: {p_value:.4f}")
print(f"Kết luận: {'Có sự khác biệt' if p_value < 0.05 else 'Không có sự khác biệt'} có ý nghĩa thống kê") # Phân tích ANOVA hai chiều from scipy.stats import f_oneway # Chuẩn bị dữ liệu cho ANOVA groups = [] for race in data['race'].unique(): for schtyp in data['schtyp'].unique(): group_data = data[(data['race'] == race) & (data['schtyp'] == schtyp)]['math'].dropna() if len(group_data) > 0:
            groups.append(group_data)

if len(groups) > 1:
    f_stat, p_value_anova = f_oneway(*groups)
    print(f"\nKiểm định ANOVA:")
    print(f"F-statistic: {f_stat:.4f}")
    print(f"P-value: {p_value_anova:.4f}")
    print(f"Kết luận: {'Có sự khác biệt' if p_value_anova < 0.05 else 'Không có sự khác biệt'} có ý nghĩa thống kê")