R语言对苏格兰独立民意调查的Meta分析

简介: R语言对苏格兰独立民意调查的Meta分析

2014年9月18日,苏格兰居民将投票进行公民投票决定是否独立于英国。虽然运动之前已经保持了相当健康的领先优势,但是根据投票意向的民意调查,竞选已经大大收紧。特别是,两个民意调查现在已经显示出更大的比例,表示他们将投票赞成投票比例。由于上周进行了一系列民意调查,结果略有不同,我决定对其进行简单的Meta分析。根据现有证据,调查结果,估计当前的状态。


数据

包括从9月14日进行的最后六个投票,网站给出的数据whatscotlandthinks.org。如下所示。


民意调查开始 民意调查结束 #选民 #yes
2014年9月9日 2014年11月9日 1205 571
2014年9月9日 2014年11月9日 820 400
2014年9月9日 2014年11月9日 992 475
2014年10月9日 2014年12月9日 844 389
2014年10月9日 2014年12月9日 642 345
2014年10月9日 14/09/2014 943 466

分析

用R进行分析。此函数结合了和被调查数字(不包括未定数)的数量,以给出对选民的平均比例的总体估计。进行两项分析,一项是所谓的固定效应分析,第二项是随机效应分析。


结果

下面所谓的森林图显示了分析的结果。投票的总体估计比例为(在随机效应模型下)为48.72%,95%置信区间为46.82%至50.62%。因此,仅基于这六个民意调查(并参见下面的警告),估计投票比例是低于50%,而置信区间显示数据与“真实”比例一致,高于50 %。

来自不同研究的95%置信区间与每个基本上重叠,说明了在每个研究中给出(相对)小数量的点,结果的微小差异可能纯粹是由于抽样误差。



这里提出的简单分析可能存在许多缺陷。

荟萃分析就好像随机抽样一样。事实上,民意调查样本是使用更复杂的调查设计技术构建的,并且可能不应该像我所做的那样进行分析(就像它们是简单的随机样本一样)。


R输出

对于那些感兴趣的人,如下所示是分析的R输出,给出每个民意调查的比例,每个民意调查的95%CI,分配给每个民意调查的权重(在固定和随机效应分析中),估计I ^ 2(可归因于真实异质性的变异比例)。

                      proportion           95%-CI %W(fixed) %W(random)
The Times and The Sun     0.4739 [0.4453; 0.5025]     22.12      19.16
The Guardian              0.4878 [0.4531; 0.5226]     15.09      15.99
The Observer              0.4788 [0.4473; 0.5104]     18.23      17.57
Better Together           0.4609 [0.4269; 0.4952]     15.44      16.19
The Sunday Telegraph      0.5374 [0.4979; 0.5765]     11.75      13.94
The Sunday Times          0.4942 [0.4618; 0.5266]     17.36      17.16

Number of studies combined: k=6

                     proportion           95%-CI  z  p.value
Fixed effect model       0.4859 [0.4726; 0.4991] NA       --
Random effects model     0.4872 [0.4682; 0.5062] NA       --

Quantifying heterogeneity:
tau^2 = 0.0045; H = 1.42 [1; 2.25]; I^2 = 50.3% [0%; 80.3%]

Test of heterogeneity:
     Q d.f.  p.value
 10.07    5   0.0734

Details on meta-analytical method:
- Inverse variance method
- DerSimonian-Laird estimator for tau^2
- Logit transformation
- Clopper-Pearson confidence interval for individual studies
相关文章
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
9月前
|
数据采集 机器学习/深度学习 数据可视化
探索大数据分析的无限可能:R语言的应用与实践
探索大数据分析的无限可能:R语言的应用与实践
343 9
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
326 3
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
|
机器学习/深度学习 数据采集
R语言逻辑回归、GAM、LDA、KNN、PCA主成分分类分析预测房价及交叉验证
上述介绍仅为简要概述,每个模型在实施时都需要仔细调整与优化。为了实现高度精确的预测,模型选择与调参是至关重要的步骤,并且交叉验证是提升模型稳健性的有效途径。在真实世界的房价预测问题中,可能还需要结合地域经济、市场趋势等宏观因素进行综合分析。
349 3