Jamovi-modulen Rj

Forberedelse

Først må du installere modulen Rj fra jamovi-biblioteket. Dette vil opprette et «R»-ikon i ikonlinjen.

Bruke R-kommandoer

Etterpå trykker du på «R»-ikonet og velger «Rj Editor».

Det åpner en inntastingsfelt på venstre siden av skjermet hvor du kan skrive R-kommandoer.

Dataset heter «data» og du kan bruke første linjen for å få de første tre kolonene eller du kan bruke variablenavner slik som visst i andre linjen.

summary(data[1:3])
summary(data[, c('var1', 'var2', 'var3')])

Noen flere tipps for handtering av dater.
Det er også mulig å ekskludere kolloner / variabler (kommando ekskluderer de første to). Det hjelpsomt om disse variablene inneholder f.eks. deltakerkoden eller seleksjonsvariabler

data[-1:-2]

Innenfor jamovi, spesielt hvis dater ble importert fra CSV-fil kan det være at de er oppfattet som ordinal og omgjort til en faktor (gjerne hvis de kommer fra spørreskjemaer hvor det er bare noen svaralternativer). De fleste operasjoner i R trenger numeriske data og dater kan konverteres med dette kommando:

sapply(data, jmvcore::toNumeric)

Du kan også velge funksjoner fra R-biblioteker:

stats::aggregate(as.numeric(data[, 'var1']), list(data[, 'gender']), mean)

Kanskje det tar litt tid å finne seg gjennom dette, spesielt detaljer slik som hvilken format trenges for inndata til funksjoner (det må kanskje konverteres til numrene med «as.numeric» eller til en liste med «list»). Men du har (nesten) ingen grenser lengre med hensyn hvilken analyser du kan kjøre.

Det er ikke minst fordi det kommer allerede en masse R-biblioteker installert med jamovi og Rj: abind, acepack, afex, arm, assertthat, backports, base, base64enc, BayesFactor, BDgraph, BH, bindr, bindrcpp, bitops, boot, ca, car, carData, caTools, cellranger, checkmate, class, cli, clipr, cluster, coda, codetools, colorspace, compiler, contfrac, corpcor, crayon, curl, d3Network, data.table, datasets, deSolve, digest, dplyr, ellipsis, elliptic, emmeans, estimability, evaluate, evaluate, exact2x2, exactci, fansi, fdrtool, forcats, foreign, Formula, gdata, GGally, ggm, ggplot2, ggridges, glasso, glue, gnm, GPArotation, gplots, graphics, grDevices, grid, gridExtra, gtable, gtools, haven, highr, Hmisc, hms, htmlTable, htmltools, htmlwidgets, huge, hypergeo, igraph, jmv, jmvcore, jpeg, jsonlite, KernSmooth, knitr, kutils, labeling, lattice, latticeExtra, lavaan, lazyeval, lisrelToR, lme4, lmerTest, lmtest, magrittr, maptools, markdown, MASS, Matrix, matrixcalc, MatrixModels, methods, mgcv, mi, mime, minqa, mnormt, multcomp, munsell, mvnormtest, mvtnorm, nlme, nloptr, nnet, numDeriv, OpenMx, openxlsx, parallel, pbapply, pbivnorm, pbkrtest, pillar, pkgconfig, pkgconfig, plogr, plyr, PMCMR, png, praise, prettyunits, progress, psych, purrr, qgraph, quantreg, qvcalc, R6, RColorBrewer, Rcpp, RcppArmadillo, RcppEigen, RCurl, readr, readxl, regsem, relimp, rematch, reshape, reshape2, RInside, rio, Rj, rjson, rlang, rockchalk, ROCR, rpart, rpf, RProtoBuf, Rsolnp, rstudioapi, RUnit, sandwich, scales, sem, semPlot, semTools, sp, SparseM, spatial, splines, ssanv, StanHeaders, stats, stats4, stringi, stringr, survival, tcltk, testthat, TH.data, tibble, tidyselect, tools, truncnorm, utf8, utils, vcd, vcdExtra, vctrs, viridis, viridisLite, whisker, withr, xfun, XML, xtable, yaml, zeallot, zip, zoo.

Noen av disse er spesielt interessant:

• stats gir tilgang til masse statistiske funksjoner (f.eks. stats::glm for fitting Generalized Linear Models eller stats:kmeans for å gjennomføre k-means-cluster-analyser)
• lme4 for å bruke Linear, generalized linear, and nonlinear mixed modeller
• MASS implementerer analyser beskrivet i boken av Venables og Ripley «Modern Applied Statistics with S» (det inkluderer f.eks. diskriminansanalyse MASS::lda)
• lavaan for å gjennomføre forskjellige analyser med latente variabler (inkl. confirmatory factor analysis, structural equation modeling og latent growth curve models)
• BayesFactor for å gjennomføre Bayes-analyser tilsvarende «klassiske» (frekventistiske) analyser (f.eks. Bayes-versjon av t-testen; OBS: det kan også gjøres enklere med å bruke jamovi-Modulen «jsq»)
• cluster for å gjennomføre forskjellige arter av cluster-analyser
• ggplot2 for å lage alle slags grafiker du kan tenke av
• flere av Hadley Wickham sine tidyverse biblioteker: dplyr, stringr eller tidyselect

Bytte mellom R-versjoner

Som standard bruker Rj den R-installasjonen som er inkludert i jamovi. I de fleste tilfeller vil dette være tilstrekkelig (ikke minst fordi det inkluderes mange R-biblioteker; se ovenfor). Men imidlertid kan det være ønskelig å bruke «hoved»-R-installasjonen på systemet. Vanligvis skjer dette hvis du vil bruke biblioteker som ikke er inkludert i jamovis R-installasjon. For å gjøre dette, klikk på tannhjulssymbolet øverst til høyre i Rj-inputfeltet. Et vindu åpnes der du kan angi om du vil bruke jamovis R-versjon («jamovi R» i nedtrekksboksen nederst) eller systemets R-versjon («System R»).