Sunday, September 2, 2018
16 bài học cho người kinh doanh
Hầu hết mọi người đều nói rằng họ thất bại là vì thiếu tiền và không có kỹ năng kinh doanh. Theo Robert Kiyosaki, nguyên nhân quan trọng nhất khiến kinh doanh thất bại là do họ thiếu những kỹ năng quan trọng nhất mà một doanh nhân cần phải có. Nếu bạn có những kỹ năng kinh doanh, bạn có thể kiếm ra tiền. Những kỹ năng kinh doanh nó như một cỗ máy in tiền hoàn hảo!
Bài học số 1
Chàng yêu nàng từ thuở nàng mười lăm mười sáu tuổi. Cả hai lén lút đi lại, quan hệ, quậy gia đình, trốn nhà đi, dọa chết nếu không được chấp nhận. Nếu quan hệ ấy kéo dài một năm, được gọi là phạm pháp, dụ dỗ trẻ vị thành niên, có nguy cơ ra tòa thụ án. Nếu mối tình ấy kéo dài ba năm, được gọi là yêu trộm, tình yêu oan trái. Nếu mối tình kéo dài sáu bảy năm, sẽ được gọi là tình yêu đích thực, vượt núi trèo đèo qua bao khó khăn để yêu nhau.
Kết luận: Bạn làm gì chả quan trọng, quan trọng là bạn làm được trong… bao lâu!
Bài học số 2
Một cô gái bán hoa nếu qua đêm với thợ thuyền hoặc lao động ngoại tỉnh, thì bị gọi là đối tượng xã hội. Nếu qua đêm với đại gia lừng lẫy, thì được gọi là chân dài. Nếu qua đêm với một ngôi sao sân cỏ hoặc màn bạc, sẽ được đàng hoàng lên báo kể chuyện “nghề nghiệp” và trưng ảnh hở da thịt giữa công chúng, không ai có ý định bắt nàng.
Kết luận: Bạn làm gì chả quan trọng, quan trọng là bạn làm điều đó với ai!
Bài học số 3
Phòng tắm công cộng bỗng dưng bị chập điện gây hỏa hoạn lớn, vô số chị em chạy túa ra đường mà không kịp mặc gì. Những nàng thông minh là người không lấy tay che thân thể, mà lấy tay che… mặt.
Kết luận: Hãy quan tâm tới mấu chốt của mọi vấn đề.
Bài học số 4
Một nàng gái ế chạy tới đồn cảnh sát tố cáo: “Tôi đã cẩn thận để tiền trong áo lót, thế mà thằng cha đẹp trai đứng cạnh tôi ở trên xe bus đông đúc đã móc lấy mất tiền của tôi!”. Cảnh sát ngạc nhiên: “Tại sao nó có thể móc tiền được ở một vị trí “nhạy cảm” như thế, mà cô không phát hiện ra?”
Cô nàng gái ế thút thít: “Ai ngờ được là nó chỉ muốn moi tiền?”
Kết luận: Một nhà kinh doanh tài ba là người moi được tiền của khách hàng trong lúc đang khiến khách hàng sung sướng ngất ngây.
Bài học số 5
Một con chim nhỏ bay về phương Nam tránh rét. Trời lạnh quá con chim bị lanh cứng và rơi xuống một cánh đồng lớn. Trong lúc nó nằm đấy, một con bò đi qua ỉa vào người nó. Con chim nằm giữa đống phân bò nhận ra rằng nó đang ấm dần. Đống phân đã ủ ấm cho nó. Nó nằm đấy thấy ấm áp và hạnh phúc, nó bắt đầu cất tiếng hót yêu đời. Một con mèo đi ngang, nghe tiếng chim hót liền tới thám thính. Lần theo âm thanh, con mèo phát hiện ra con chim nằm trong đống phân, nó liền kéo con chim ra ăn thịt.
Bài học xương máu:
1. không phải ai "đi nặng" vào người mình cũng là kẻ thù của mình
2. không phải thằng nào kéo mình ra khỏi đống phân cũng là bạn mình
Bài học số 6
Một tu-sĩ nam ngỏ ý mời tu-sĩ nữ đi chung xe. Người nữ chui vào xe, ngồi bắt chéo chân để lộ 1 bên bắp chân. Người nam suýt nữa thì gây tai nạn. Sau khi điều chỉnh lại tay lái, người nam thò tay mò mẫm lên đùi người nữ. Nữ kêu: “Xin ngài, hãy nhớ điều răn 129″. Nam liền bỏ tay ra. Nhưng sau khi vào số, nam lại tiếp tục sờ soạng chân nữ. Một lần nữa nữ kêu: “Xin ngài, hãy nhớ điều răn 129″. Nam thẹn quá: “xin lỗi nữ, tôi trần tục quá”. Tới nơi, nữ thở dài và bỏ đi.
Vừa tới nhà tu, nam vội chạy vào thư viện tra cứu ngay cái điều răn 129 ấy, thấy đề: “Hãy tiến lên, tìm kiếm, xa hơn nữa, con sẽ tìm thấy hào quang.”
Bài học xương máu: Nếu anh không nắm rõ thông tin trong công việc của mình anh sẽ bỏ lỡ 1 cơ hội lớn.
Bài học số 7
Ông chồng đi tắm sau khi vợ vừa mới tắm xong, đúng lúc chuông cửa reo. Vợ vội quấn khăn tắm vào và chạy xuống mở cửa. Cửa mở thì ra là ông hàng xóm Bob. Chị vợ chưa kịp nói gì thì Bob bảo: tôi sẽ cho chị 800 đô nếu chị buông cái khăn tắm kia ra. Suy nghĩ 1 chút rồi chị vợ buông khăn tắm, đứng trần truồng trước mặt Bob. Sau vài giây ngắm nghía, Bob đưa 800 đô cho chị vợ rồi đi. Chị vợ quấn lại khăn tắm vào người rồi đi lên nhà.
– Vào đến phòng tắm, chồng hỏi: Ai đấy em?
– Vợ: ông Bob hàng xóm.
– Chồng: Tốt. thế hắn có nói gì đến số tiền 800 đô hắn nợ anh không?
Bài học xương máu: Nếu anh trao đổi thông tin tín dụng với cổ đông của mình kịp thời thì anh đã có thể ngăn được sự “phơi bày”.
Bài học số 8
Nhân viên vệ sinh của công ty rất buồn phiền vì các quý ông thường lơ đãng khi vào nhà vệ sinh. Để giải quyết những vũng nước vàng khè dưới nền toilette, công ty dán lên tường, phía trên bệ xí nam một tờ giấy: “Không tiểu tới bô chứng tỏ bạn bị ngắn, tiểu ra ngoài bô chứng tỏ bạn bị… ủ rũ!”. Ngay từ ngày hôm sau, toilette nam sạch bóng và không còn quý ông nào lơ đãng nữa.
Kết luận: Hãy chứng minh cho khách hàng thấy vấn đề một cách cụ thể, ấn tượng.
Bài học số 9
Bố mẹ nàng mở cuộc thi tuyển con rể. Chàng A nói, tài khoản có một triệu đô. Chàng B khoe, có biệt thự hai triệu đô. Bố mẹ nàng có vẻ ưng lắm. Chàng C nói, cháu chả có gì cả, thưa các bác. Cháu chỉ có mỗi một đứa con, hiện đang nằm trong bụng của con gái các bác!
Kết luận: Muốn cạnh tranh với đối thủ, cần có tay trong!
Bài học số 10
Hai con bồ câu trống và mái tha hạt thóc về đầy tổ, cả hai rất ư hạnh phúc. Gặp mùa khô hanh, hạt thóc ngót lại. Con trống thấy tổ vơi đi liền trách con mái ăn vụng. Con mái cãi lại liền bị con trống mổ chết. Mấy hôm sau mưa xuống, hạt thóc thấm nước và nở to ra. Bồ câu trống ngẩn tò te.
Bài học rút ra: “thịt” nhân viên một cách hồ đồ không làm bạn trông thông minh hơn.
Bài học số 11
Một ông vua nọ do chán chuyện triều đình nên mua một con khỉ đem về. Con khỉ làm trò rất hay nên được vua sủng ái, đi đâu cũng mang theo, cho mặc quần áo, giao cả kiếm cho giữ. Một hôm, vua ra vườn thượng uyển ngủ. Có con ong bay đến đậu lên đầu vua. Khỉ muốn đuổi ong, lấy kiếm nhắm vào ong mà chém. Đức vua băng hà.
Bài học rút ra: trao quyền cho những kẻ không có năng lực thì luôn phải cảnh giác.
Bài học số 12
Quạ thấy chó ngậm khúc xương quá ngon, bèn đánh liều lao xuống mổ vào đầu chó. Bị bất ngờ, chó bỏ chạy để lại khúc xương. Quạ ngoạm lấy khúc xương nhưng nặng quá không tha nổi. Chó, sau khi hoàn hồn, thấy kẻ tấn công chỉ là con quạ nên quay lại táp một cú, quạ chết tươi.
Bài học rút ra: đừng chiếm thị trường nếu bạn biết là không giữ được nó.
Bài học số 13
Ba con thú dữ là sói, gấu và cáo thay nhau ức hiếp đàn dê. Dê đầu đàn bèn nói với cả bầy: “Ta nên mời một trong ba gã sói, gấu hay cáo làm thủ lĩnh của chúng ta”. Cả đàn dê bất bình, nhưng ba “hung thần” nghe tin này rất mừng. Thế là chúng quay sang tranh giành nhau quyền lãnh đạo, cuối cùng cáo dùng bẫy hại chết được sói và gấu. Nhưng rồi một mình nó không còn ức hiếp đàn dê được nữa.
Bài học rút ra: hãy thận trọng khi nghe tin bạn sắp được làm sếp!
Bài học số 14
Một nhân viên bán hàng, một thư ký hành chính và một sếp quản lý cùng đi ăn trưa với nhau, họ bắt được một cây đèn cổ. Họ xoa tay vào đèn và thần đèn hiện lên. Thần đèn bảo: “Ta cho các con mỗi đứa một điều ước”. Tôi trước! Tôi trước! – Cô thư ký hành chính nhanh nhảu nói: Tôi muốn được ở Bahamas lái canô và quên hết sự đời. Vút. Cô thư ký biến mất. Tôi! Tôi! anh nhân viên bán hàng nói: Tôi muốn ở Hawaii nằm dài trên bãi biển có nhân viên massage riêng, nguồn cung cấp Pina Coladas vô tận và với người tình trăm năm. Vút. Anh nhân viên bán hàng biến mất. Ok tới lượt anh. Thần đèn nói với ông quản lý. Ông quản lý nói: tôi muốn hai đứa ấy có mặt ở văn phòng làm việc ngay sau bữa trưa.
Bài học xương máu: luôn luôn để sếp phát biểu trước.
Bài học số 15
Một con đại bàng đang đậu trên cây nghỉ ngơi, chẳng làm gì cả. Con thỏ nhìn thấy thế hỏi: Tôi có thể ngồi không và chẳng làm gì như anh được không? Đại bàng trả lời: Được chứ, sao không. Thế là con thỏ ngồi xuống gốc cây nghỉ ngơi. Bỗng dưng một con cáo xuất hiện, vồ lấy con thỏ mà ăn thịt.
Bài học xương máu: để được ngồi không mà chẳng cần làm gì, anh phải ngồi ở vị trí rất cao.
Bài học số 16
Một con gà tây trò chuyện với một con bò:
“Giá mà tôi có thể bay lên ngọn cây kia thì thích quá, nhưng tôi không đủ sức”, gà tây thở dài.
“Được rồi, tại sao bạn không nếm tý phân của tôi nhỉ? Nó có nhiều chất bổ lắm đấy”, bò trả lời. Gà tây mổ ăn phân bò và nó thấy quả là nó đã đủ sức bay lên cái cành thấp nhất. Ngày hôm sau, ăn thêm phân bò, nó bay lên được cành thứ hai. Cuối cùng, sau đêm thứ tư, gà tây khoái chí lên tới được ngọn cây. Nó lập tức bị một nông dân phát hiện, anh này bắn nó rơi xuống đất.
Bài học xương máu: sự ngu ngốc có thể đưa bạn lên đỉnh cao nhưng không thể giữ bạn ở đó mãi.
Hoàng Linh (T/h)
Tuesday, August 21, 2018
rename files in R
filez <- list.files(pattern="bscore_with*")
file.rename(filez, sub(pattern="bscore_with_package_scorecard", replacement="bscore_vs_pkg_scorecard", filez))
file.rename(filez, sub(pattern="bscore_with_package_scorecard", replacement="bscore_vs_pkg_scorecard", filez))
Friday, July 20, 2018
Definition of default
1. Definition of default
452. A default is considered to have occurred with regard to
a particular obligor when either or both of the two following events have taken
place.
- The bank considers that the obligor is unlikely to pay its credit obligations to the banking group in full, without recourse by the bank to actions such as realizing security (if held).
- The obligor is past due more than 90 days on any material credit obligation to the banking group. Overdrafts will be considered as being past due once the customer has breached an advised limit or been advised of a limit smaller than current outstandings.
2. Phương pháp phân loại nợ
Theo khoản 3, Điều 1 Quyết định 18/2007/QĐ-NHNN sửa đổi, bổ sung Điều 6 Quyết định 493/2005/QĐ-NHNN về việc phân chia các nhóm nợ, cụ thể là 5 nhóm:
“a) Nhóm 1 (Nợ đủ tiêu chuẩn) bao gồm:
– Các khoản nợ trong hạn và tổ chức tín dụng đánh giá là có khả năng thu hồi đầy đủ cả gốc và lãi đúng hạn;– Các khoản nợ quá hạn dưới 10 ngày và tổ chức tín dụng đánh giá là có khả năng thu hồi đầy đủ gốc và lãi bị quá hạn và thu hồi đầy đủ gốc và lãi đúng thời hạn còn lại;
– Các khoản nợ được phân loại vào nhóm 1 theo quy định tại Khoản 2 Điều này.
b) Nhóm 2 (Nợ cần chú ý) bao gồm:
– Các khoản nợ quá hạn từ 10 ngày đến 90 ngày;– Các khoản nợ điều chỉnh kỳ hạn trả nợ lần đầu (đối với khách hàng là doanh nghiệp, tổ chức thì tổ chức tín dụng phải có hồ sơ đánh giá khách hàng về khả năng trả nợ đầy đủ nợ gốc và lãi đúng kỳ hạn được điều chỉnh lần đầu);
– Các khoản nợ được phân loại vào nhóm 2 theo quy định tại Khoản 3 Điều này.
c) Nhóm 3 (Nợ dưới tiêu chuẩn) bao gồm:
– Các khoản nợ quá hạn từ 91 ngày đến 180 ngày;– Các khoản nợ cơ cấu lại thời hạn trả nợ lần đầu, trừ các khoản nợ điều chỉnh kỳ hạn trả nợ lần đầu phân loại vào nhóm 2 theo quy định tại Điểm b Khoản này;
– Các khoản nợ được miễn hoặc giảm lãi do khách hàng không đủ khả năng trả lãi đầy đủ theo hợp đồng tín dụng;
– Các khoản nợ được phân loại vào nhóm 3 theo quy định tại Khoản 3 Điều này.
d) Nhóm 4 (Nợ nghi ngờ) bao gồm:
– Các khoản nợ quá hạn từ 181 ngày đến 360 ngày;– Các khoản nợ cơ cấu lại thời hạn trả nợ lần đầu quá hạn dưới 90 ngày theo thời hạn trả nợ được cơ cấu lại lần đầu;
– Các khoản nợ cơ cấu lại thời hạn trả nợ lần thứ hai;
– Các khoản nợ được phân loại vào nhóm 4 theo quy định tại Khoản 3 Điều này.
đ) Nhóm 5 (Nợ có khả năng mất vốn) bao gồm:
– Các khoản nợ quá hạn trên 360 ngày;
– Các khoản nợ cơ cấu lại thời hạn trả nợ lần đầu quá hạn từ 90 ngày trở lên theo thời hạn trả nợ được cơ cấu lại lần đầu;
– Các khoản nợ cơ cấu lại thời hạn trả nợ lần thứ hai quá hạn theo thời hạn trả nợ được cơ cấu lại lần thứ hai;
– Các khoản nợ cơ cấu lại thời hạn trả nợ lần thứ ba trở lên, kể cả chưa bị quá hạn hoặc đã quá hạn;
– Các khoản nợ khoanh, nợ chờ xử lý;– Các khoản nợ được phân loại vào nhóm 5 theo quy định tại Khoản 3 Điều này”.
Nợ xấu là nợ thuộc các nhóm 3, 4 và 5.
Thursday, July 12, 2018
Rcode pdf to text
# Text Mining
eng <- read.table("http://www-01.sil.org/linguistics/wordlists/english/wordlist/wordsEn.txt", stringsAsFactors = FALSE)
library(tidyverse)
library(stringr)
#--------------------------------------------------------------------------------------------------------
# 1. Làm việc với chữ cái trong tiếng anh
#--------------------------------------------------------------------------------------------------------
eng <- eng %>% mutate(n_w = str_count(V1))
theme_set(theme_minimal())
# 1.1. Phân bố số lượng chữ cái trong Tiếng Anh:
eng %>%
group_by(n_w) %>%
count() %>%
ggplot(aes(n_w, n)) + geom_col() +
labs(x = NULL, y = NULL)
# 1.2. Các nguyên âm:
vowels <- c("a", "e", "i", "o", "u")
num_vowels <- vector(mode = "integer", length = 5)
for (j in seq_along(vowels)) {
num_aux = str_count(eng$V1, vowels[j])
num_vowels[j] = sum(num_aux)
}
df1 <- data.frame(N = num_vowels, nguyen_am = vowels)
# 1.3. Tần suất xuất hiện các nguyên âm:
library(hrbrthemes)
df1 %>%
ggplot(aes(reorder(nguyen_am, N), N)) +
geom_col() + labs(x = NULL, y = NULL) + coord_flip() +
scale_y_continuous(breaks = seq(0, 110000, by = 10000)) +
theme_ipsum(grid = "X")
# 1.4. Tần suất xuất hiện của các chữ cái trong tiếng Anh:
u <- strsplit(eng$V1, "")
k <- unlist(u)
let <- eng$V1 %>% strsplit("") %>% unlist()
let <- data.frame(l = let)
let %>% group_by(l) %>% count() %>%
mutate(per = 100*n / nrow(let)) %>%
mutate_if(is.numeric, function(x) round(x, 2)) %>%
ggplot(aes(reorder(l, per), per)) + geom_col() +
coord_flip() +
labs(x = NULL, y = NULL) +
theme_ipsum(grid = "X") +
scale_y_continuous(breaks = seq(1, 12, by = 1))
# Load các gói:
pakg <- c('tm',
'SnowballC',
'wordcloud',
'RColorBrewer')
lapply(pakg, require, character.only = TRUE)
#--------------------------------------------------------------------------------------------------------
# 2. Làm việc với các files pdf
#--------------------------------------------------------------------------------------------------------
# http://data.library.virginia.edu/reading-pdf-files-into-r-for-text-mining/
# 2.1. Đọc các file pdf
setwd("D:/pdftotext/")
files <- list.files(pattern = "pdf$") # lập danh sách file pdf để đọc
Rpdf <- readPDF(control = list(text = "-layout"))
corp2 <- Corpus(URISource(files),
readerControl = list(reader = Rpdf))
# -----------------------------------------------------------------
# So sánh với cách đọc của gói pdftools
library(pdftools)
mk <- lapply(files,pdf_text) # Dùng gói pdftools
corp <- Corpus(VectorSource(mk))
print(corp)
print(corp2)
# -----------------------------------------------------------------
# 2.2. Loại những từ không liên quan
# Bỏ các từ như cengage, learning vì cengage learning là tên của nhà in. Sẽ không hợp lí nếu tính chúng vào phân tích:
corp <- corp %>% tm_map(removeWords, c("cengage", "learning"))
# Xóa tất cả các loại dấu câu như chấm, phẩy
# Sử dụng hàm này tốt hơn so với hàm mặc định
replacePunctuation <- function(x) {
gsub("[[:punct:]]+", " ", x) }
corp <- corp %>% tm_map(replacePunctuation)
# corp <- corp %>% tm_map(removePunctuation) # Do hàm này sẽ không để khoảng trống khi remove .
# Ví dụ:
removePunctuation("hello...world")
#
# Bỏ các Stop Word trong tiếng Anh:
corp <- corp %>% tm_map(removeWords, stopwords("english")) # tùy thuộc stopwords trong từng hàm, số lượng từ bị xóa sẽ khác nhau
# Chuyển hóa tất về chữ in thường:
corp <- corp %>% tm_map(content_transformer(tolower))
# Chuyển động từ về nguyên dạng, không chia, không nên dùng, vì nó bỏ hết cả chữ e cuối từ
corp <- corp %>% tm_map(PlainTextDocument)
corp <- corp %>% tm_map(stemDocument, "english")
# Bỏ các con số:
corp <- corp %>% tm_map(removeNumbers)
# Xóa khoảng trắng
corp <- corp %>% tm_map(stripWhitespace)
# 2.3. Chuyển hóa về Document Matrix: -------------------------------------------------------------
# Nếu có lỗi dùng hàm dưới
# corp <- tm_map(corp, content_transformer(function(x) iconv(enc2utf8(x), sub = "byte")))
tdm <- TermDocumentMatrix(corp)
# Kiểm tra tdm
inspect(tdm[1:10,])
m <- as.matrix(tdm)
v <- sort(rowSums(m), decreasing = TRUE)
d <- data.frame(word = names(v), freq = v)
str(d)
# Chuyển hóa factor về character:
d$word <- as.character(d$word)
# Danh sách của 500 từ xuất hiện nhiều nhất trong
# cuốn sách của Gujarati cùng tần suất tương ứng:
knitr::kable(d %>% slice(1:500))
# 500 từ này chiếm 75.9% tất cả các từ vựng mà tác giả dùng để viết sách:
sum(d$freq[1:500]) / sum(d$freq)
# Trong khi đó 500 từ kế tiếp chỉ chiếm 12.5%
sum(d$freq[1:1000]) / sum(d$freq)
#-----------------------------------------------------
# Dưới đây chúng ta lọc ra hai bộ dữ liệu riêng biệt.
# Bộ thứ nhất là những từ thuộc bộ từ điển tiếng Anh.
# Bộ còn lại không thuộc.
#-----------------------------------------------------
# Bộ thứ nhất chủ yếu là các từ phổ thông:
gu_eng <- d %>% filter(word %in% eng$V1)
# Bộ thứ hai hầu hết là từ chuyên ngành Thống kê - Kinh tế lượng:
gu_non_eng <- dplyr::setdiff(d, gu_eng)
# Tổng số từ vựng sử dụng để viết sách là 9078:
nrow(d)
nrow(gu_eng)
nrow(gu_non_eng)
nrow(gu_non_eng) / nrow(d)
knitr::kable(gu_non_eng %>% filter(freq >= 100))
knitr::kable(head(gu_non_eng, 200))
#--------------------------------------------------------------------------------------------------------
# 3. Vẽ đám mây từ
#--------------------------------------------------------------------------------------------------------
# Cho 100 từ xuất hiện nhiều nhất ở bộ 1:
par(bg = "black")
set.seed(15888)
wordcloud(words = gu_eng$word,
freq = gu_eng$freq,
# Chỉ hiện thị từ nào xuất hiện ít nhất 100 lần:
min.freq = 100,
# Số từ hiển thị trên wordcloud tối đa là 200:
max.words = 200,
# Ngẫu nhiên thứ tự:
random.order = FALSE,
# 35% số từ được hiển thị theo chiều thẳng đứng
rot.per = 0.35,
# Chọn kích cỡ chữ:
font = 2,
# Tô màu cho chữ:
colors = brewer.pal(8, "Dark2"))
# Cho 100 từ xuất hiện ở bộ 2:
set.seed(1409)
wordcloud(words = gu_non_eng$word,
freq = gu_non_eng$freq,
# Chỉ hiện thị từ nào xuất hiện ít nhất 10 lần
min.freq = 10,
# Số từ hiển thị trên wordcloud tối đa là 200:
max.words = 200,
# Ngẫu nhiên thứ tự:
random.order = FALSE,
# 35% số từ được hiển thị theo chiều thẳng đứng
rot.per = 0.35,
# Chọn kích cỡ chữ:
font = 2,
# Tô màu cho chữ:
colors = brewer.pal(8, "Dark2"))
eng <- read.table("http://www-01.sil.org/linguistics/wordlists/english/wordlist/wordsEn.txt", stringsAsFactors = FALSE)
library(tidyverse)
library(stringr)
#--------------------------------------------------------------------------------------------------------
# 1. Làm việc với chữ cái trong tiếng anh
#--------------------------------------------------------------------------------------------------------
eng <- eng %>% mutate(n_w = str_count(V1))
theme_set(theme_minimal())
# 1.1. Phân bố số lượng chữ cái trong Tiếng Anh:
eng %>%
group_by(n_w) %>%
count() %>%
ggplot(aes(n_w, n)) + geom_col() +
labs(x = NULL, y = NULL)
# 1.2. Các nguyên âm:
vowels <- c("a", "e", "i", "o", "u")
num_vowels <- vector(mode = "integer", length = 5)
for (j in seq_along(vowels)) {
num_aux = str_count(eng$V1, vowels[j])
num_vowels[j] = sum(num_aux)
}
df1 <- data.frame(N = num_vowels, nguyen_am = vowels)
# 1.3. Tần suất xuất hiện các nguyên âm:
library(hrbrthemes)
df1 %>%
ggplot(aes(reorder(nguyen_am, N), N)) +
geom_col() + labs(x = NULL, y = NULL) + coord_flip() +
scale_y_continuous(breaks = seq(0, 110000, by = 10000)) +
theme_ipsum(grid = "X")
# 1.4. Tần suất xuất hiện của các chữ cái trong tiếng Anh:
u <- strsplit(eng$V1, "")
k <- unlist(u)
let <- eng$V1 %>% strsplit("") %>% unlist()
let <- data.frame(l = let)
let %>% group_by(l) %>% count() %>%
mutate(per = 100*n / nrow(let)) %>%
mutate_if(is.numeric, function(x) round(x, 2)) %>%
ggplot(aes(reorder(l, per), per)) + geom_col() +
coord_flip() +
labs(x = NULL, y = NULL) +
theme_ipsum(grid = "X") +
scale_y_continuous(breaks = seq(1, 12, by = 1))
# Load các gói:
pakg <- c('tm',
'SnowballC',
'wordcloud',
'RColorBrewer')
lapply(pakg, require, character.only = TRUE)
#--------------------------------------------------------------------------------------------------------
# 2. Làm việc với các files pdf
#--------------------------------------------------------------------------------------------------------
# http://data.library.virginia.edu/reading-pdf-files-into-r-for-text-mining/
# 2.1. Đọc các file pdf
setwd("D:/pdftotext/")
files <- list.files(pattern = "pdf$") # lập danh sách file pdf để đọc
Rpdf <- readPDF(control = list(text = "-layout"))
corp2 <- Corpus(URISource(files),
readerControl = list(reader = Rpdf))
# -----------------------------------------------------------------
# So sánh với cách đọc của gói pdftools
library(pdftools)
mk <- lapply(files,pdf_text) # Dùng gói pdftools
corp <- Corpus(VectorSource(mk))
print(corp)
print(corp2)
# -----------------------------------------------------------------
# 2.2. Loại những từ không liên quan
# Bỏ các từ như cengage, learning vì cengage learning là tên của nhà in. Sẽ không hợp lí nếu tính chúng vào phân tích:
corp <- corp %>% tm_map(removeWords, c("cengage", "learning"))
# Xóa tất cả các loại dấu câu như chấm, phẩy
# Sử dụng hàm này tốt hơn so với hàm mặc định
replacePunctuation <- function(x) {
gsub("[[:punct:]]+", " ", x) }
corp <- corp %>% tm_map(replacePunctuation)
# corp <- corp %>% tm_map(removePunctuation) # Do hàm này sẽ không để khoảng trống khi remove .
# Ví dụ:
removePunctuation("hello...world")
#
# Bỏ các Stop Word trong tiếng Anh:
corp <- corp %>% tm_map(removeWords, stopwords("english")) # tùy thuộc stopwords trong từng hàm, số lượng từ bị xóa sẽ khác nhau
# Chuyển hóa tất về chữ in thường:
corp <- corp %>% tm_map(content_transformer(tolower))
# Chuyển động từ về nguyên dạng, không chia, không nên dùng, vì nó bỏ hết cả chữ e cuối từ
corp <- corp %>% tm_map(PlainTextDocument)
corp <- corp %>% tm_map(stemDocument, "english")
# Bỏ các con số:
corp <- corp %>% tm_map(removeNumbers)
# Xóa khoảng trắng
corp <- corp %>% tm_map(stripWhitespace)
# 2.3. Chuyển hóa về Document Matrix: -------------------------------------------------------------
# Nếu có lỗi dùng hàm dưới
# corp <- tm_map(corp, content_transformer(function(x) iconv(enc2utf8(x), sub = "byte")))
tdm <- TermDocumentMatrix(corp)
# Kiểm tra tdm
inspect(tdm[1:10,])
m <- as.matrix(tdm)
v <- sort(rowSums(m), decreasing = TRUE)
d <- data.frame(word = names(v), freq = v)
str(d)
# Chuyển hóa factor về character:
d$word <- as.character(d$word)
# Danh sách của 500 từ xuất hiện nhiều nhất trong
# cuốn sách của Gujarati cùng tần suất tương ứng:
knitr::kable(d %>% slice(1:500))
# 500 từ này chiếm 75.9% tất cả các từ vựng mà tác giả dùng để viết sách:
sum(d$freq[1:500]) / sum(d$freq)
# Trong khi đó 500 từ kế tiếp chỉ chiếm 12.5%
sum(d$freq[1:1000]) / sum(d$freq)
#-----------------------------------------------------
# Dưới đây chúng ta lọc ra hai bộ dữ liệu riêng biệt.
# Bộ thứ nhất là những từ thuộc bộ từ điển tiếng Anh.
# Bộ còn lại không thuộc.
#-----------------------------------------------------
# Bộ thứ nhất chủ yếu là các từ phổ thông:
gu_eng <- d %>% filter(word %in% eng$V1)
# Bộ thứ hai hầu hết là từ chuyên ngành Thống kê - Kinh tế lượng:
gu_non_eng <- dplyr::setdiff(d, gu_eng)
# Tổng số từ vựng sử dụng để viết sách là 9078:
nrow(d)
nrow(gu_eng)
nrow(gu_non_eng)
nrow(gu_non_eng) / nrow(d)
knitr::kable(gu_non_eng %>% filter(freq >= 100))
knitr::kable(head(gu_non_eng, 200))
#--------------------------------------------------------------------------------------------------------
# 3. Vẽ đám mây từ
#--------------------------------------------------------------------------------------------------------
# Cho 100 từ xuất hiện nhiều nhất ở bộ 1:
par(bg = "black")
set.seed(15888)
wordcloud(words = gu_eng$word,
freq = gu_eng$freq,
# Chỉ hiện thị từ nào xuất hiện ít nhất 100 lần:
min.freq = 100,
# Số từ hiển thị trên wordcloud tối đa là 200:
max.words = 200,
# Ngẫu nhiên thứ tự:
random.order = FALSE,
# 35% số từ được hiển thị theo chiều thẳng đứng
rot.per = 0.35,
# Chọn kích cỡ chữ:
font = 2,
# Tô màu cho chữ:
colors = brewer.pal(8, "Dark2"))
# Cho 100 từ xuất hiện ở bộ 2:
set.seed(1409)
wordcloud(words = gu_non_eng$word,
freq = gu_non_eng$freq,
# Chỉ hiện thị từ nào xuất hiện ít nhất 10 lần
min.freq = 10,
# Số từ hiển thị trên wordcloud tối đa là 200:
max.words = 200,
# Ngẫu nhiên thứ tự:
random.order = FALSE,
# 35% số từ được hiển thị theo chiều thẳng đứng
rot.per = 0.35,
# Chọn kích cỡ chữ:
font = 2,
# Tô màu cho chữ:
colors = brewer.pal(8, "Dark2"))
Tuesday, July 10, 2018
Rcode advanced dplyr
rm(list = ls())
data("starwars")
#
names(starwars)
head(starwars)
# Đối tên biến
starwars %>% rename(sex = gender)
x1 <- starwars %>% slice(1:5) %>% select(hair_color, gender)
x1
x2 <- starwars %>% slice(6:10) %>% select(hair_color, gender)
x2
# Lấy tập giao (có trong cả 2 tập hợp)
x1 %>% intersect(x2)
# Lấy tập khác (chỉ có ở x1 mà ko có ở x2)
x1 %>% setdiff(x2)
# Chỉ có ở x2 mà ko có ở x1
x2 %>% setdiff(x1)
# lấy tập hợp (có ở x1 hoặc x2)
x1 %>% union(x2)
starwars %>% slice(1:5) %>% select(hair_color, gender) %>%
union(starwars %>% slice(6:10) %>% select(hair_color, gender)) # kết quả tương tự
# Tạo biến số thứ tự dòng
x1 %>% mutate(id=row_number())
x1 %>% mutate(id=row_number(gender))
# Lấy hạng bằng giá trị min của nhóm bằng nhau
x1 <- starwars %>% slice(10:20) %>% select(hair_color, gender, height)
x1 %>% mutate(rk = min_rank(gender))
x1 %>% mutate(rk = min_rank(hair_color))
x1 %>% mutate(rk = min_rank(height))
# Lấy hạng bằng dense_rank
x1 %>% mutate(rk = dense_rank(gender))
x1 %>% mutate(rk = dense_rank(hair_color))
# percent_rank,
x1 %>% mutate(prk = percent_rank(height))
x1 %>% mutate(prk = percent_rank(height)) %>% mutate(sprk = sum(prk))
#
x1 %>% mutate(prk = cume_dist(height))
x1 %>% mutate(prk = cume_dist(height)) %>% mutate(sprk = sum(prk))
#
select_if(starwars, funs(is.numeric))
select_at(starwars, vars("name", "height"))
#
starwars %>% rename_all(funs(paste0("sw_", .)))
starwars %>% rename_if(funs(is.numeric), funs(str_to_upper)) # những biến là numeric thì sẽ in hoa
starwars %>% rename_at( vars("name", "height"), funs(str_to_upper))
#
starwars %>% filter_at(vars(contains("color")), all_vars(. == "brown"))
starwars %>% filter_at(vars(contains("color")), any_vars(. == "brown"))
starwars %>% filter_if(is.numeric, all_vars(. > 100))
#
starwars %>% mutate_all(as.character)
starwars %>% mutate_if(funs(is.character), funs(as.factor))
starwars %>% mutate_at(vars("height"), funs(. / 10))
#
starwars %>%
select(1:3) %>%
mutate(sum(height, na.rm=T))
starwars %>%
select(1:3) %>%
mutate(sum(height, mass, na.rm=T)) # công hết cả 2 dãy số vào với nhau
starwars %>%
select(1:3) %>%
group_by_all() %>% # group hết tất cả các biến
mutate(sum(height, mass, na.rm=T))
starwars %>%
select(1:3) %>%
group_by_if(is.character) %>% # group nếu là biến character
count()
group_by_at(starwars, vars("eye_color", "hair_color")) %>% # không cần phải select
count()
starwars %>%
select_if(funs(is.numeric)) %>% # chọn theo điều kiện
summarise_all(funs(mean), na.rm = T)
starwars %>% summarise_if(funs(is.numeric), funs(min, median, mean, sd, max), na.rm = T)
starwars %>%
summarise_if(funs(is.numeric), funs(min, median, mean, sd, max), na.rm = T) %>%
gather() %>% # chuyển sang dạng long
arrange(key)
starwars %>%
summarise_if(funs(is.numeric), funs(min, median, mean, sd, max), na.rm = T) %>%
gather() %>% # chuyển sang dạng long
arrange(key)
starwars %>% summarise_at(vars("height", "mass"), funs(sum, mean), na.rm = T)
starwars %>%
summarise_all(funs(sum(is.na(.)))) %>%
select_if(any_vars(. > 0))
# Tham khảo: http://rpubs.com/hodgeasaurus/397278
Rcode trích diện tích từ đoạn text
load_pkg <- function(pkg){
library(pkg, character.only = T)
return('NNB')
}
pkgs <- c('tidyverse','magrittr', 'stringr', 'stringi', 'readxl', 'writexl', 'tidytext')
sapply(pkgs, load_pkg)
my_path <- 'D:/dt_crawled/'
d3 <- read_excel(paste0(my_path, 'Muaban_All_20June2018.xlsx'), sheet = 3)
head(d3$mb_long)
# Lấy dữ liệu
d3 <- d3 %>% mutate(text_vector = mb_long %>%
as_vector() %>%
str_to_lower() %>% # Chuyển về chữ in thường
str_squish() %>% # Xóa khoảng trống thừa giữa các ký tự
stri_trans_general(id = 'Latin-ASCII') # Xóa dấu của chữ
)
# -------------------------------
## Khoanh vùng liên quan đến m2
# -------------------------------
f1_dt <- function(text_vector){
## Tạo mẫu regrex
match_m2 <- c("[:digit:]+\\s*m2", # vd:30m2, 30 m2
"[:digit:]+(\\.|,|x)[:digit:]+\\s*m2", # vd: 30.06m2, 30x06m2, 30,06m2
"[:digit:]+\\s*x\\s*[:digit:]+\\s*m2"# # vd: 30 x 9 m2
) %>% paste0(collapse = '|')
## Xuất dữ liệu
out <- text_vector %>% as_vector() %>%
str_extract_all(pattern = match_m2, simplify = T)
}
# -------------------------------
# Khoanh vùng liên quan đến dt hoặc diện tích
# -------------------------------
f2_dt <- function(x){
## Tạo mẫu regrex
match_dt <- c("dt\\s*:\\s*\\d+\\s*x\\s*\\d+", # vd: dt: 3 x 5
"dt\\s*:\\s*\\d+(\\.|,)\\d+\\s*x\\s*\\d+(\\.|,)\\d+" , # vd: dt: 3.4 x 5.6,
"dt\\s*:\\s*\\d+\\s*x\\s*\\d+(\\.|,)?\\d*", #, # vd: dt: 3 x 5.6,
"dt\\s*:\\s*\\d+(\\.|,)?\\d*\\s*x\\s*\\d+", #, # vd: dt: 3.4 x 5,
"dien\\s*tich\\s*:\\s*\\d+\\s*x\\s*\\d+", # vd: dt: 3 x 5
"dien\\s*tich\\s*:\\s*\\d+(\\.|,)\\d+\\s*x\\s*\\d+(\\.|,)\\d+" , # vd: dt: 3.4 x 5.6,
"dien\\s*tich\\s*:\\s*\\d+\\s*x\\s*\\d+(\\.|,)?\\d*", #, # vd: dt: 3 x 5.6,
"dien\\s*tich\\s*:\\s*\\d+(\\.|,)?\\d*\\s*x\\s*\\d+" #, # vd: dt: 3.4 x 5,
) %>% paste0(collapse = '|')
## Xuất dữ liệu
out <- text_vector %>% as_vector() %>%
str_extract_all(pattern = match_dt, simplify = T)
}
m2 <- d3 %>%
filter(str_detect(text_vector, 'm2') == T) %>%
select(text_vector)
non_m2 <- d3 %>%
filter(str_detect(text_vector, 'm2') == F) %>%
select(text_vector)
m2 <- f1_dt(m2)
non_m2 <- f2_dt(non_m2)
Wednesday, February 8, 2017
Những danh từ hay bị hiểu nhầm là tính từ
- Vị trí của tính từ:
- S + be + adj
- article + (adj) + adj + N
- article + adv + adj + N
- Chú ý: S + make/ become/consider/feel/look/remain/get + adj
Ngoại lệ những danh từ sau
- additive
- animal
- arithmetic
- alternative
- approval
- laboratory
- library
- material
- official
- portrayal
- proposal
- representative
- revival
- survial
Ngoại lệ động từ sau
- vary
Thursday, May 19, 2016
Mở nhiều ứng dụng bằng 1 lần click
Dùng Notepad tạo file đuôi cmd hay đuôi .bat
Nội dung
Start "E:\Stata13\Stata-mp.exe"
Start "C:\Programfile\Dropbox\Dropbox.exe"
Mỗi dòng 1 lệnh
Nội dung
Start "E:\Stata13\Stata-mp.exe"
Start "C:\Programfile\Dropbox\Dropbox.exe"
Mỗi dòng 1 lệnh
Monday, May 16, 2016
Cho thuê nhà trọ
Ngõ 18, Tả Thanh Oai, Thanh Trì, Hà Nội
Phòng rộng 14m2
Có bàn nấu ăn
Nước sạch, điện đầy đủ
Giá <600k>
Liên hệ: 0904486311
Tuesday, March 15, 2016
Convert xls to xlsx
Sub Xls_to_Xlsx()
Dim strCurrentFileExt As String
Dim strNewFileExt As String
Dim objFSO As Object
Dim objFolder As Object
Dim objFile As Object
Dim xlFile As Workbook
Dim strNewName As String
Dim strFolderPath As String
strCurrentFileExt = ".xls"
strNewFileExt = ".xlsx"
strFolderPath = "F:\Dropbox\temp\ldvl\ldvl2009\bygender"
If Right(strFolderPath, 1) <> "\" Then
strFolderPath = strFolderPath & "\"
End If
Set objFSO = CreateObject("Scripting.FileSystemObject")
Set objFolder = objFSO.getfolder(strFolderPath)
For Each objFile In objFolder.Files
strNewName = objFile.Name
If Right(strNewName, Len(strCurrentFileExt)) = strCurrentFileExt Then
Set xlFile = Workbooks.Open(objFile.Path, , True)
strNewName = Replace(strNewName, strCurrentFileExt, strNewFileExt)
Application.DisplayAlerts = False
Select Case strNewFileExt
Case ".xlsx"
xlFile.SaveAs strFolderPath & strNewName, XlFileFormat.xlOpenXMLWorkbook
Case ".xlsm"
xlFile.SaveAs strFolderPath & strNewName, XlFileFormat.xlOpenXMLWorkbookMacroEnabled
End Select
xlFile.Close
Application.DisplayAlerts = True
End If
Next objFile
ClearMemory:
strCurrentFileExt = vbNullString
strNewFileExt = vbNullString
Set objFSO = Nothing
Set objFolder = Nothing
Set objFile = Nothing
Set xlFile = Nothing
strNewName = vbNullString
strFolderPath = vbNullString
End Sub
Dim strCurrentFileExt As String
Dim strNewFileExt As String
Dim objFSO As Object
Dim objFolder As Object
Dim objFile As Object
Dim xlFile As Workbook
Dim strNewName As String
Dim strFolderPath As String
strCurrentFileExt = ".xls"
strNewFileExt = ".xlsx"
strFolderPath = "F:\Dropbox\temp\ldvl\ldvl2009\bygender"
If Right(strFolderPath, 1) <> "\" Then
strFolderPath = strFolderPath & "\"
End If
Set objFSO = CreateObject("Scripting.FileSystemObject")
Set objFolder = objFSO.getfolder(strFolderPath)
For Each objFile In objFolder.Files
strNewName = objFile.Name
If Right(strNewName, Len(strCurrentFileExt)) = strCurrentFileExt Then
Set xlFile = Workbooks.Open(objFile.Path, , True)
strNewName = Replace(strNewName, strCurrentFileExt, strNewFileExt)
Application.DisplayAlerts = False
Select Case strNewFileExt
Case ".xlsx"
xlFile.SaveAs strFolderPath & strNewName, XlFileFormat.xlOpenXMLWorkbook
Case ".xlsm"
xlFile.SaveAs strFolderPath & strNewName, XlFileFormat.xlOpenXMLWorkbookMacroEnabled
End Select
xlFile.Close
Application.DisplayAlerts = True
End If
Next objFile
ClearMemory:
strCurrentFileExt = vbNullString
strNewFileExt = vbNullString
Set objFSO = Nothing
Set objFolder = Nothing
Set objFile = Nothing
Set xlFile = Nothing
strNewName = vbNullString
strFolderPath = vbNullString
End Sub
Thursday, November 19, 2015
Getting Data via twitteR
Source
R package twitteR (by Jeff Gentry)
The simplest and quickest way to get data from twitter is by using the
functions of the R package twitteR (check twitteR vignette for more info)
Some (but not all) of the things you can get with twitteR
public tweets
trending topics
tweets containing a given hashtag
tweets containing a given word / term
tweets from a given user
Let's see different examplesStart: First we need to load the package twitteR
(remember to install it first!)
R package twitteR (by Jeff Gentry)
The simplest and quickest way to get data from twitter is by using the
functions of the R package twitteR (check twitteR vignette for more info)
Some (but not all) of the things you can get with twitteR
public tweets
trending topics
tweets containing a given hashtag
tweets containing a given word / term
tweets from a given user
(remember to install it first!)
Wednesday, November 18, 2015
Hashtag là gì? Cách sử dụng Hashtag trên Mạng xã hội
Đã từ lâu, dấu # đã xuất hiện nhưng nó chỉ là một kí tự bình thường và đơn giản. Thế nhưng sau khi dấu # xuất hiện trên Twitter thì nó đã trở thành một trong nhưng biểu tượng được rất nhiều người sử dụng khi online. Và gần đây kí tự này đã phổ biến trên rất nhiều trang xã hội khác không riêng gì Twitter như Instagram, Pinterest, Google+, Youtube hay là Facebook. Đó chính là hashtag.
Ban đầu, với những người mới dùng mạng xã hội, việc sử dụng những dấu # để tag dường như là một việc làm phiền phức và rối rắm, không mang lại tác dụng gì. Thế nhưng nếu bạn hiểu rõ mục đích và học cách sử dụng chúng thì những hashtag lại là một công cụ vô cùng hiệu quả giúp bạn thu hút những khách hàng mục tiêu và tăng khả năng nhận diện thương hiệu của bạn.
Hãy cùng Siêu Web tìm hiểu xem hashtag là gì, sức mạnh của nó như thế nào cũng như làm thế nào để phát huy hiệu quả của nó nhé.
VẬY HASHTAG LÀ GÌ ?
Hashtag là một từ hoặc một chuỗi các kí tự viết liền nhau được đặt sau dấu thăng (#) mà mọi người sử dụng trên mạng xã hội. Hashtag sẽ giúp cho nội dung các bài đăng của bạn dễ dàng tới được với những người có chung mối quan tâm, thậm chí họ không theo dõi hay là người đã thích trang của bạn.
Ví dụ, bạn là một fan của Apple và bạn đang có ý định mua một chiếc iPhone 5s, khi bạn đánh từ khóa “#iPhone5s” trên thanh tìm kiếm ở bất kì mạng xã hội nào cũng sẽ mở ra một nguồn thông tin chuyên dụng liên quan tới tất cả những cập nhật mới nhất của iPhone5s, khuyến mại, bàn luận hay những cách hack…
Kết quả hiển thị là tất cả những bài đăng được tổng hợp từ mọi người trên mạng xã hội đó đã đăng lên với cụm “#iPhone5s”. Các hashtag này sẽ hiển thị như là các đường link trên bài đăng, và khi người dùng có thể click chuột vào sẽ hiện ra rất nhiều thông tin có liên quan mà những người dùng khác đã sử dụng cùng 1 loại hashtag.
CÁC DOANH NGHIỆP, SHOP ONLINE CÓ THỂ SỬ DỤNG #HASHTAG ĐỂ QUẢNG BÁ THƯƠNG HIỆU CỦA MÌNH NHƯ THẾ NÀO?
Giả sử thông tin trên mạng xã hội của bạn để chế độ public (ai cũng có thể nhìn thấy), và bạn sử dụng hashtag để những bài đăng của bạn tới được với những người có cùng quan tâm với bạn. Như thế những bài đăng của bạn không những hiển thị bởi những người đang theo dõi bạn hay fan của bạn nữa mà những nội dung này có thể đến được với rất nhiều người khác, những người chưa biết tới bạn nhưng lại có mối quan tâm tới những đề tài tương tự. Việc chọn lựa một hashtag phù hợp có thể giúp bạn tăng độ phù cho các bài đăng của mình trên mạng xã hội tới hàng nghìn khách hàng tiềm năng.
LOẠI HASHTAG THÀNH CÔNG TRÊN MẠNG XÃ HỘI
1. NỘI DUNG CỦA HASHTAG
Nếu bạn tạo một hashtag hoàn toàn mới, đầu tiên hãy cân nhắc sử dụng những hashtag nào có liên quan tới thương hiệu, sản phẩm và dịch vụ của bạn. Nội dung của hashtag sẽ ảnh hưởng rất lớn tới việc nhận diện thương hiệu của bạn với những khách hàng tiềm năng trên nền tảng mạng xã hội, những người hầu như chưa biết tới bạn.
Ví dụ như thương hiệu của bạn sắp tổ chức một sự kiện ở Hà Nội, bạn có thể sử dụng hashtag #hanoi để tất cả những người tìm kiếm hashtag này có thể biết đến sự kiện đó. Thật tiện lợi phải không nào?
2. NHỮNG HASHTAG THEO XU HƯỚNG
Một cách tốt để thúc đẩy việc nhận diện thương hiệu của bạn chính là việc sử dụng những hashtag đã có sẵn, những hashtag mà đang được sử dụng phổ biến bởi hàng triệu người dùng. Đấy chính là những hashtag theo xu hướng.
Ví dụ như ngày lễ Halloween, có rất nhiều thương hiệu và công ty lên chiến dịch cho ngày lễ này và tận dụng Hashtag để quảng bá chương trình của họ. Một đợt giảm giá chẳng hạn.
Trước khi bạn sử dụng hashtag cho một chủ đề hot nào đó, bạn cần nhớ đặt mình vào vị trí của khách hàng để xem những bài đăng của bạn trên mạng xã hội liệu có cung cấp thêm giá trị, thêm thông tin vào những cái đã có sẵn hay không. Nếu bài đăng của bạn không thêm giá trị mới nào thì sẽ dễ bị phớt lờ và bị lãng quên giữa rất nhiều bài đăng khác. Tuy nhiên, nếu như bài đăng của bạn cung cấp nhiều thông tin, giá trị mới, hài hước hơn thì rất có thể sẽ được chính những người đã dùng chia sẻ lại và cứ như thế sẽ tạo nên một hiệu ứng rất tốt, bài đăng của bạn sẽ đến được với nhiều người hơn và đương nhiên thương hiệu của bạn cũng vậy.
3. NHỮNG HASHTAG THƯƠNG HIỆU CỤ THỂ
Như đã nói ở trên, vấn đề sử dụng những hashtag chung chung, phổ biến là bài đăng của bạn có thể bị lãng quên giữa rất nhiều bài đăng có cùng chủ đề, cùng hashtag. Vì thế, việc tạo ra một hashtag riêng đặc trưng cho công ty hay cửa hàng của bạn là điều cần thiết. Những hashtag này có thể được sử dụng cho cả thương hiệu của bạn, website bán hàngcủa bạn hay một sự kiện quảng bá, các cuộc thi hay các chương trình tiếp thị.
Ví dụ, nhân ngày kỉ niệm lần thứ 100 của mình, thương hiệu Oreo đã tạo một hashtag đặc biệt là #oreomoment (khoảnh khắc cùng oreo) để khuyến khích người tiêu dùng chia sẻ những khoảnh khắc tuyệt vời của họ với sản phẩm Oreo.
Hashtag này đã trở nên rất phổ biến và thu hút được sự quan tâm cũng như tham gia của rất nhiều người tiêu dùng. Chẳng bao lâu sau, #oreomoment đã trở thành một hashtag phổ biến được rất nhiều người (thậm chí là các công ty khác) sử dụng. Một hashtag thương hiệu tốt
Một hashtag thể hiện thương hiệu là hashtag độc quyền, chưa có thương hiệu nào sử dụng giống như thế. Hãy đảm bảo tính độc đáo và dễ nhớ cho hashtag mà bạn tạo ra. Với những thương hiệu chung, bạn nên sử dụng một phương châm hay slogan ngắn gọn. Khi tạo một hashtag để tiếp thị thương hiệu, hãy đảm bảo rằng bạn đang thôi thúc người dùng để sử dụng sản phẩm và dịch vụ đó.
Ví dụ, bạn có thể thu hút người dùng đọc bài đăng của bạn trên website công ty thông qua các hashtag riêng về chương trình mà bạn đang chạy để có cơ hội nhận những phiếu giảm giá hay giành một giải thưởng nào đó. Và đổi lại, doanh nghiệp, cửa hàng của bạn sẽ tăng được lợi nhuận từ việc thu hút được một lượng lớn khách hàng.
Vậy bạn còn chần chừ gì nữa mà không bắt đầu tận dụng sức mạnh của những hashtag này để mở rộng phạm vị nhận diện thương hiệu của bạn tới những khách hàng tiềm năng của mình ngay bây giờ!
Ban đầu, với những người mới dùng mạng xã hội, việc sử dụng những dấu # để tag dường như là một việc làm phiền phức và rối rắm, không mang lại tác dụng gì. Thế nhưng nếu bạn hiểu rõ mục đích và học cách sử dụng chúng thì những hashtag lại là một công cụ vô cùng hiệu quả giúp bạn thu hút những khách hàng mục tiêu và tăng khả năng nhận diện thương hiệu của bạn.
Hãy cùng Siêu Web tìm hiểu xem hashtag là gì, sức mạnh của nó như thế nào cũng như làm thế nào để phát huy hiệu quả của nó nhé.
VẬY HASHTAG LÀ GÌ ?
Hashtag là một từ hoặc một chuỗi các kí tự viết liền nhau được đặt sau dấu thăng (#) mà mọi người sử dụng trên mạng xã hội. Hashtag sẽ giúp cho nội dung các bài đăng của bạn dễ dàng tới được với những người có chung mối quan tâm, thậm chí họ không theo dõi hay là người đã thích trang của bạn.
Ví dụ, bạn là một fan của Apple và bạn đang có ý định mua một chiếc iPhone 5s, khi bạn đánh từ khóa “#iPhone5s” trên thanh tìm kiếm ở bất kì mạng xã hội nào cũng sẽ mở ra một nguồn thông tin chuyên dụng liên quan tới tất cả những cập nhật mới nhất của iPhone5s, khuyến mại, bàn luận hay những cách hack…
Kết quả hiển thị là tất cả những bài đăng được tổng hợp từ mọi người trên mạng xã hội đó đã đăng lên với cụm “#iPhone5s”. Các hashtag này sẽ hiển thị như là các đường link trên bài đăng, và khi người dùng có thể click chuột vào sẽ hiện ra rất nhiều thông tin có liên quan mà những người dùng khác đã sử dụng cùng 1 loại hashtag.
CÁC DOANH NGHIỆP, SHOP ONLINE CÓ THỂ SỬ DỤNG #HASHTAG ĐỂ QUẢNG BÁ THƯƠNG HIỆU CỦA MÌNH NHƯ THẾ NÀO?
Giả sử thông tin trên mạng xã hội của bạn để chế độ public (ai cũng có thể nhìn thấy), và bạn sử dụng hashtag để những bài đăng của bạn tới được với những người có cùng quan tâm với bạn. Như thế những bài đăng của bạn không những hiển thị bởi những người đang theo dõi bạn hay fan của bạn nữa mà những nội dung này có thể đến được với rất nhiều người khác, những người chưa biết tới bạn nhưng lại có mối quan tâm tới những đề tài tương tự. Việc chọn lựa một hashtag phù hợp có thể giúp bạn tăng độ phù cho các bài đăng của mình trên mạng xã hội tới hàng nghìn khách hàng tiềm năng.
CÁCH TẠO MỘT HASHTAG HIỆU QUẢ
Để tạo một hashtag, tất cả bạn cần làm chỉ là thêm một dấu # trước từ khóa hoặc cụm từ khóa bạn muốn đánh dấu. Bạn có thể chèn hashtag ở bất kì đâu trên bài đăng của mình: đầu, giữa hay cuối bài đăng. Một vài người thích để hashtag ở giữa những bài đăng của họ, trong khi một số khác lại thích chèn vào cuối. Chèn ở đâu không thành vấn đề, miễn là bạn chèn vào đúng từ khóa hoặc cụm từ khóa có liên quan là được.
Bạn có thể chèn Hashtag vào bất kì vị trí nào
Những hashtag sẽ phát huy tác dụng khi được sử dụng một cách thông minh, hiệu quả. Những bài đăng lộn xộn với rất nhiều hashtag hay những hashtag dài dằng dặc (ví dụ như #hashtagdaisekhongmanglaihieuqua) chắc chắn sẽ không thu hút được sự quan tâm của khách hàng. Độ dài các cụm từ cho 1 hashtag dùng trên Twitter nhiều nhất là 2 hoặc 3 từ, còn trên Instagram là 5. Hãy luôn ghi nhớ sử dụng những hashtag ngắn gọn, độc đáo và có liên quan tới chủ đề mà bạn nhắc tới, đặc biệt là sản phẩm và dịch vụ của mình.
Để tạo một hashtag, tất cả bạn cần làm chỉ là thêm một dấu # trước từ khóa hoặc cụm từ khóa bạn muốn đánh dấu. Bạn có thể chèn hashtag ở bất kì đâu trên bài đăng của mình: đầu, giữa hay cuối bài đăng. Một vài người thích để hashtag ở giữa những bài đăng của họ, trong khi một số khác lại thích chèn vào cuối. Chèn ở đâu không thành vấn đề, miễn là bạn chèn vào đúng từ khóa hoặc cụm từ khóa có liên quan là được.
Bạn có thể chèn Hashtag vào bất kì vị trí nào
Những hashtag sẽ phát huy tác dụng khi được sử dụng một cách thông minh, hiệu quả. Những bài đăng lộn xộn với rất nhiều hashtag hay những hashtag dài dằng dặc (ví dụ như #hashtagdaisekhongmanglaihieuqua) chắc chắn sẽ không thu hút được sự quan tâm của khách hàng. Độ dài các cụm từ cho 1 hashtag dùng trên Twitter nhiều nhất là 2 hoặc 3 từ, còn trên Instagram là 5. Hãy luôn ghi nhớ sử dụng những hashtag ngắn gọn, độc đáo và có liên quan tới chủ đề mà bạn nhắc tới, đặc biệt là sản phẩm và dịch vụ của mình.
LOẠI HASHTAG THÀNH CÔNG TRÊN MẠNG XÃ HỘI
1. NỘI DUNG CỦA HASHTAG
Nếu bạn tạo một hashtag hoàn toàn mới, đầu tiên hãy cân nhắc sử dụng những hashtag nào có liên quan tới thương hiệu, sản phẩm và dịch vụ của bạn. Nội dung của hashtag sẽ ảnh hưởng rất lớn tới việc nhận diện thương hiệu của bạn với những khách hàng tiềm năng trên nền tảng mạng xã hội, những người hầu như chưa biết tới bạn.
Ví dụ như thương hiệu của bạn sắp tổ chức một sự kiện ở Hà Nội, bạn có thể sử dụng hashtag #hanoi để tất cả những người tìm kiếm hashtag này có thể biết đến sự kiện đó. Thật tiện lợi phải không nào?
2. NHỮNG HASHTAG THEO XU HƯỚNG
Một cách tốt để thúc đẩy việc nhận diện thương hiệu của bạn chính là việc sử dụng những hashtag đã có sẵn, những hashtag mà đang được sử dụng phổ biến bởi hàng triệu người dùng. Đấy chính là những hashtag theo xu hướng.
Ví dụ như ngày lễ Halloween, có rất nhiều thương hiệu và công ty lên chiến dịch cho ngày lễ này và tận dụng Hashtag để quảng bá chương trình của họ. Một đợt giảm giá chẳng hạn.
Trước khi bạn sử dụng hashtag cho một chủ đề hot nào đó, bạn cần nhớ đặt mình vào vị trí của khách hàng để xem những bài đăng của bạn trên mạng xã hội liệu có cung cấp thêm giá trị, thêm thông tin vào những cái đã có sẵn hay không. Nếu bài đăng của bạn không thêm giá trị mới nào thì sẽ dễ bị phớt lờ và bị lãng quên giữa rất nhiều bài đăng khác. Tuy nhiên, nếu như bài đăng của bạn cung cấp nhiều thông tin, giá trị mới, hài hước hơn thì rất có thể sẽ được chính những người đã dùng chia sẻ lại và cứ như thế sẽ tạo nên một hiệu ứng rất tốt, bài đăng của bạn sẽ đến được với nhiều người hơn và đương nhiên thương hiệu của bạn cũng vậy.
3. NHỮNG HASHTAG THƯƠNG HIỆU CỤ THỂ
Như đã nói ở trên, vấn đề sử dụng những hashtag chung chung, phổ biến là bài đăng của bạn có thể bị lãng quên giữa rất nhiều bài đăng có cùng chủ đề, cùng hashtag. Vì thế, việc tạo ra một hashtag riêng đặc trưng cho công ty hay cửa hàng của bạn là điều cần thiết. Những hashtag này có thể được sử dụng cho cả thương hiệu của bạn, website bán hàngcủa bạn hay một sự kiện quảng bá, các cuộc thi hay các chương trình tiếp thị.
Ví dụ, nhân ngày kỉ niệm lần thứ 100 của mình, thương hiệu Oreo đã tạo một hashtag đặc biệt là #oreomoment (khoảnh khắc cùng oreo) để khuyến khích người tiêu dùng chia sẻ những khoảnh khắc tuyệt vời của họ với sản phẩm Oreo.
Hashtag này đã trở nên rất phổ biến và thu hút được sự quan tâm cũng như tham gia của rất nhiều người tiêu dùng. Chẳng bao lâu sau, #oreomoment đã trở thành một hashtag phổ biến được rất nhiều người (thậm chí là các công ty khác) sử dụng. Một hashtag thương hiệu tốt
Một hashtag thể hiện thương hiệu là hashtag độc quyền, chưa có thương hiệu nào sử dụng giống như thế. Hãy đảm bảo tính độc đáo và dễ nhớ cho hashtag mà bạn tạo ra. Với những thương hiệu chung, bạn nên sử dụng một phương châm hay slogan ngắn gọn. Khi tạo một hashtag để tiếp thị thương hiệu, hãy đảm bảo rằng bạn đang thôi thúc người dùng để sử dụng sản phẩm và dịch vụ đó.
Ví dụ, bạn có thể thu hút người dùng đọc bài đăng của bạn trên website công ty thông qua các hashtag riêng về chương trình mà bạn đang chạy để có cơ hội nhận những phiếu giảm giá hay giành một giải thưởng nào đó. Và đổi lại, doanh nghiệp, cửa hàng của bạn sẽ tăng được lợi nhuận từ việc thu hút được một lượng lớn khách hàng.
Vậy bạn còn chần chừ gì nữa mà không bắt đầu tận dụng sức mạnh của những hashtag này để mở rộng phạm vị nhận diện thương hiệu của bạn tới những khách hàng tiềm năng của mình ngay bây giờ!
Tuesday, November 10, 2015
Coefficient logit regression meaning
This page shows an example of logistic regression regression analysis with footnotes explaining the output. These data were collected on 200 high schools students and are scores on various tests, including science, math, reading and social studies (socst). The variable female is a dichotomous variable coded 1 if the student was female and 0 if male.
Because we do not have a suitable dichotomous variable to use as our dependent variable, we will create one (which we will call honcomp, for honors composition) based on the continuous variable write. We do not advocate making dichotomous variables out of continuous variables; rather, we do this here only for purposes of this illustration.
use http://www.ats.ucla.edu/stat/data/hsb2, clear generate honcomp = (write >=60) logit honcomp female read science
Iteration 0: log likelihood = -115.64441
Iteration 1: log likelihood = -84.558481
Iteration 2: log likelihood = -80.491449
Iteration 3: log likelihood = -80.123052
Iteration 4: log likelihood = -80.118181
Iteration 5: log likelihood = -80.11818
Logit estimates Number of obs = 200
LR chi2(3) = 71.05
Prob > chi2 = 0.0000
Log likelihood = -80.11818 Pseudo R2 = 0.3072
-------------------------------------------------------------------------
honcomp | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-----------+-------------------------------------------------------------
female | 1.482498 .4473993 3.31 0.001 .6056111 2.359384
read | .1035361 .0257662 4.02 0.000 .0530354 .1540369
science | .0947902 .0304537 3.11 0.002 .035102 .1544784
_cons | -12.7772 1.97586 -6.47 0.000 -16.64982 -8.904589
-------------------------------------------------------------------------
Iteration Log
Iteration 0: log likelihood = -115.64441 Iteration 1: log likelihood = -84.558481 Iteration 2: log likelihood = -80.491449 Iteration 3: log likelihood = -80.123052 Iteration 4: log likelihood = -80.118181 Iteration 5:a log likelihood = -80.11818
a. This is a listing of the log likelihoods at each iteration. (Remember that logistic regression uses maximum likelihood, which is an iterative procedure.) The first iteration (called iteration 0) is the log likelihood of the "null" or "empty" model; that is, a model with no predictors. At the next iteration, the predictor(s) are included in the model. At each iteration, the log likelihood increases because the goal is to maximize the log likelihood. When the difference between successive iterations is very small, the model is said to have "converged", the iterating is stopped and the results are displayed. For more information on this process, see Regression Models for Categorical and Limited Dependent Variables by J. Scott Long.
Model Summary
Logit estimates Number of obsc = 200
LR chi2(3)d = 71.05
Prob > chi2e = 0.0000
Log likelihood = -80.11818b Pseudo R2f = 0.3072
b. Log likelihood - This is the log likelihood of the final model. The value -80.11818 has no meaning in and of itself; rather, this number can be used to help compare nested models.
c. Number of obs - This is the number of observations that were used in the analysis. This number may be smaller than the total number of observations in your data set if you have missing values for any of the variables used in the logistic regression. Stata uses a listwise deletion by default, which means that if there is a missing value for any variable in the logistic regression, the entire case will be excluded from the analysis.
d. LR chi2(3) - This is the likelihood ratio (LR) chi-square test. The likelihood chi-square test statistic can be calculated by hand as 2*(115.64441 - 80.11818) = 71.05. This is minus two (i.e., -2) times the difference between the starting and ending log likelihood. The number in the parenthesis indicates the number of degrees of freedom. In this model, there are three predictors, so there are three degrees of freedom.
e. Prob > chi2 - This is the probability of obtaining the chi-square statistic given that the null hypothesis is true. In other words, this is the probability of obtaining this chi-square statistic (71.05) if there is in fact no effect of the independent variables, taken together, on the dependent variable. This is, of course, the p-value, which is compared to a critical value, perhaps .05 or .01 to determine if the overall model is statistically significant. In this case, the model is statistically significant because the p-value is less than .000.
f. Pseudo R2 - This is the pseudo R-squared. Logistic regression does not have an equivalent to the R-squared that is found in OLS regression; however, many people have tried to come up with one. There are a wide variety of pseudo-R-square statistics. Because this statistic does not mean what R-square means in OLS regression (the proportion of variance explained by the predictors), we suggest interpreting this statistic with great caution.
Parameter Estimates
-------------------------------------------------------------------------
honcompg| Coef.h Std. Err.i zj P>|z|j [95% Conf. Interval]k
-----------+-------------------------------------------------------------
female | 1.482498 .4473993 3.31 0.001 .6056111 2.359384
read | .1035361 .0257662 4.02 0.000 .0530354 .1540369
science | .0947902 .0304537 3.11 0.002 .035102 .1544784
_cons | -12.7772 1.97586 -6.47 0.000 -16.64982 -8.90459
-------------------------------------------------------------------------
g. honcomp - This is the dependent variable in our logistic regression. The variables listed below it are the independent variables.
h. Coef. - These are the values for the logistic regression equation for predicting the dependent variable from the independent variable. They are in log-odds units. Similar to OLS regression, the prediction equation is
log(p/1-p) = b0 + b1*female + b2*read + b3*science
where p is the probability of being in honors composition. Expressed in terms of the variables used in this example, the logistic regression equation is
log(p/1-p) = -12.7772 + 1.482498*female + .1035361*read + 0947902*science
These estimates tell you about the relationship between the independent variables and the dependent variable, where the dependent variable is on the logit scale. These estimates tell the amount of increase in the predicted log odds of honcomp = 1 that would be predicted by a 1 unit increase in the predictor, holding all other predictors constant. Note: For the independent variables which are not significant, the coefficients are not significantly different from 0, which should be taken into account when interpreting the coefficients. (See the columns with the z-values and p-values regarding testing whether the coefficients are statistically significant). Because these coefficients are in log-odds units, they are often difficult to interpret, so they are often converted into odds ratios. You can do this by hand by exponentiating the coefficient, or by using the or option with logit command, or by using the logistic command.
female - The coefficient (or parameter estimate) for the variable female is 1.482498. This means that for a one-unit increase in female (in other words, going from male to female), we expect a 1.482498 increase in the log-odds of the dependent variable honcomp, holding all other independent variables constant.
read - For every one-unit increase in reading score (so, for every additional point on the reading test), we expect a .1035361 increase in the log-odds ofhoncomp, holding all other independent variables constant.
science - For every one-unit increase in science score, we expect a .0947902 increase in the log-odds of honcomp, holding all other independent variables constant.
constant - This is the expected value of the log-odds of honcomp when all of the predictor variables equal zero. In most cases, this is not interesting. Also, oftentimes zero is not a realistic value for a variable to take.
read - For every one-unit increase in reading score (so, for every additional point on the reading test), we expect a .1035361 increase in the log-odds ofhoncomp, holding all other independent variables constant.
science - For every one-unit increase in science score, we expect a .0947902 increase in the log-odds of honcomp, holding all other independent variables constant.
constant - This is the expected value of the log-odds of honcomp when all of the predictor variables equal zero. In most cases, this is not interesting. Also, oftentimes zero is not a realistic value for a variable to take.
i. Std. Err. - These are the standard errors associated with the coefficients. The standard error is used for testing whether the parameter is significantly different from 0; by dividing the parameter estimate by the standard error you obtain a z-value (see the column with z-values and p-values). The standard errors can also be used to form a confidence interval for the parameter, as shown in the last two columns of this table.
j. z and P>|z| - These columns provide the z-value and 2-tailed p-value used in testing the null hypothesis that the coefficient (parameter) is 0. If you use a 2-tailed test, then you would compare each p-value to your preselected value of alpha. Coefficients having p-values less than alpha are statistically significant. For example, if you chose alpha to be 0.05, coefficients having a p-value of 0.05 or less would be statistically significant (i.e., you can reject the null hypothesis and say that the coefficient is significantly different from 0). If you use a 1-tailed test (i.e., you predict that the parameter will go in a particular direction), then you can divide the p-value by 2 before comparing it to your preselected alpha level. With a 2-tailed test and alpha of 0.05, you may reject the null hypothesis that the coefficient for female is equal to 0. The coefficient of 1.482498 is significantly greater than 0.
The coefficient for read is .1035361 significantly different from 0 using alpha of 0.05 because its p-value is 0.000, which is smaller than 0.05.
The coefficient for science is .0947902 significantly different from 0 using alpha of 0.05 because its p-value is 0.000, which is smaller than 0.05.
The coefficient for read is .1035361 significantly different from 0 using alpha of 0.05 because its p-value is 0.000, which is smaller than 0.05.
The coefficient for science is .0947902 significantly different from 0 using alpha of 0.05 because its p-value is 0.000, which is smaller than 0.05.
k. [95% Conf. Interval] - This shows a 95% confidence interval for the coefficient. This is very useful as it helps you understand how high and how low the actual population value of the parameter might be. The confidence intervals are related to the p-values such that the coefficient will not be statistically significant if the confidence interval includes 0.
Odds Ratios
In this next example, we will illustrate the interpretation of odds ratios. We will use the logistic command so that we see the odds ratios instead of the coefficients. In this example, we will simplify our model so that we have only one predictor, the binary variable female. Before we run the logistic regression, we will use the tab command to obtain a crosstab of the two variables.
tab female honcomp
| honcomp
female | 0 1 | Total
-----------+----------------------+----------
male | 73 18 | 91
female | 74 35 | 109
-----------+----------------------+----------
Total | 147 53 | 200
If we divide the number of males who are in honors composition, 18, by the number of males who are not in honors composition, 73, we get the odds of being in honors composition for males, 18/73 = .24657534. If we do the same thing for females, we get 35/74 = .47297297. To get the odds ratio, which is the ratio of the two odds that we have just calculated, we get .47297297/.24657534 = 1.9181682. As we can see in the output below, this is exactly the odds ratio we obtain from the logistic command. The thing to remember here is that you want the group coded as 1 over the group coded as 0, so honcomp=1/honcomp=0 for both males and females, and then the odds for females/odds for males, because the females are coded as 1.
With regard to the 95% confidence interval, we do not want this to include the value of 1. When we were considering the coefficients, we did not want the confidence interval to include 0. If we exponentiate 0, we get 1 (exp(0) = 1). Hence, this is two ways of saying the same thing. As you can see, the 95% confidence interval includes 1; hence, the odds ratio is not statistically significant. Because the lower bound of the 95% confidence interval is so close to 1, the p-value is very close to .05.
There are a few other things to note about the output below. The first is that although we have only one predictor variable, the test for the odds ratio does not match with the overall test of the model. This is because the z statistic is actually the result of a Wald chi-square test, while the test of the overall model is a likelihood ratio chi-square. While these two types of chi-square tests are asymptotically equivalent, in small samples they can differ, as they do here. Also, we have the unfortunate situation in which the results of the two tests give different conclusions. This does not happen very often. In a situation like this, it is difficult to know what to conclude. One might consider the power, or one might decide if an odds ratio of this magnitude is important from a clinical or practical standpoint.
logistic honcomp female
Logistic regression Number of obs = 200
LR chi2(1) = 3.94
Prob > chi2 = 0.0473
Log likelihood = -113.6769 Pseudo R2 = 0.0170
-------------------------------------------------------------------------
honcomp | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
-----------+-------------------------------------------------------------
female | 1.918168 .6400451 1.95 0.051 .9973827 3.689024
-------------------------------------------------------------------------
Source
Monday, November 9, 2015
Oaxaca with R
setwd ("F:/Dropbox/R/")
#install.packages("oaxaca")
require("oaxaca")
# set random seed
set.seed(08544)
# load data set of Hispanic
workers in Chicago
data("chicago")
# perform Blinder-Oaxaca
Decomposition:
# explain differences in log
real wages across native and foreign-born groups
results <- oaxaca(ln.real.wage ~ age + female + LTHS +
some.college +
college + advanced.degree |
foreign.born,
data = chicago, R = 50)
results$n
results$y
results$threefold$overall
# plot results of the threefold
decomposition, variable-by-variable
# only include educational
variables
# decomposition components along
the left side of the plot
plot(results, component.left = TRUE,
variables = c("LTHS", "some.college",
"college", "advanced.degree"),
variable.labels = c("LTHS" = "less than high
school",
"some.college" =
"some college",
"advanced.degree" =
"advanced degree"))
plot(results, components =
c("endowments","coefficients"))
# plot results of the twofold
decomposition (overall results)
# equal weight for Group A and B
in reference coefficient determinantion (weight = 0.5)
# unexplained portion split into
A and B
plot(results, decomposition = "twofold", type =
"overall",
weight = 0.5, unexplained.split = TRUE,
bar.color = c("limegreen", "hotpink",
"steelblue"))
results$twofold$overall
plot(results, decomposition = "twofold", weight =
-1)
plot(results, decomposition = "twofold", weight =
-1,
unexplained.split = TRUE, components =
c("unexplained A",
"unexplained B"),
component.labels = c("unexplained A" =
"In Favor of Natives",
"unexplained B" = "Against the Foreign-Born"),
variables = c("age",
"female", "college"), variable.labels = c("age" =
"Years of Age",
"female" = "Female", "college" = "College
Education"))
plot(results, decomposition = "twofold", weight =
-1,
unexplained.split = TRUE, components = c("unexplained A",
"unexplained B"), component.labels = c("unexplained
A" =
"In Favor of Natives", "unexplained B" =
"Against the Foreign-Born"),
component.left = TRUE, variables =
c("age","female","college"),
variable.labels = c("age" = "Years of Age",
"female" = "Female",
"college" = "College Education"))
#Specifc numerical values of the
point estimates of the unexplained discrimination components
#can, of course, be obtained
directly from the "oaxaca"-class object:
variables <- c("age", "female",
"college")
columns <- c("weight", "coef(unexplained
A)", "coef(unexplained B)")
results$twofold$variables[[5]][variables, columns]
Bayesian Model Averaging examples
# ############### Bayesian Model Averaging examples ############### # # This script assumes you have worked through all the previous notes from # the web page and you have downloaded, installed, and updated all available # R packages. ### Upload the SAS SEM Example data ("SEMData.sav") which is SIMULATION DATA. library(foreign) exsem <- read.spss("http://www.unt.edu/rss/class/Jon/R_SC/Module10/SEMData.sav", use.value.labels=TRUE, max.value.labels=Inf, to.data.frame=TRUE) summary(exsem) head(exsem) cor(exsem) # The goal of the this example is to choose the best set of predictor variables for a linear (OLS) prediction # model with Extroversion (extro) as the outcome. # Basic linear (OLS) regression model. reg.1 <- lm(extro~abstruse+agree+block+cognitive+common+cultural+open+physical+series+sets+social+vocab, data=exsem) summary(reg.1) # The BMA (Bayesian Model Averaging) package/library was designed specifically to use Bayesian Model # Averaging to address the variable selection problem in the context of several types of models (e.g. # GLM, LM, and Survival Models. library(BMA) # The function for conducting BMA with respect to linear regression is 'bicreg'. # The 'bicreg' function requires a matrix of predictor variables as input. attach(exsem) predictors <- as.matrix(cbind(open, agree, social, cognitive, physical, cultural, vocab, abstruse, block, common, sets, series)) detach(exsem) # Conduct the BMA using the 'bicreg' function by submitting the matrix of predictors (predictors) # and the outcome variable (exsem$extro). bma1 <- bicreg(predictors, exsem$extro) summary(bma1) # Based on the first column of the output we can see that "open", "agree", and "series" are the most # important variables; the column 'p!=0' indicates the percentage/probability that the coefficient # for a given predictor is NOT zero. We can also see that the first model 'model 1' (which includes # only 'open', 'agree', & 'series') is the best because it has the lowest BIC and the largest # posterior probability. # The 'ols' part of the output (not printed by default) gives a matrix, with each model as a row and # each predictor variable as a column; listing the estimated (OLS) coefficient for each variable in # a given model. bma1$ols # Likewise, the 'se' part of the output produces a similar matrix, with the standard errors for each # coefficient (for each variable/model combination). bma1$se # The 'postmean' part of the output (not printed by default) contains the average posterior coefficient # for each predictor. The 'postsd' provides the standard deviation of each average posterior coefficient. bma1$postmean bma1$postsd # The 'which' part of the output (not provided by default) contains a matrix, with each model as a row and # each predictor variable as a column; listing whether a variable was included in each model. bma1$which # The BMA package also contains a plot function for displaying the posterior distributions of the # coefficients. plot(bma1) # For a complete description of the 'bicreg' function: help(bicreg) # Bayesian model averaging can also be conducted when attempting to identify the best set of predictors # for a Generalized Linear Model. The 'bic.glm' function is very similar to 'bicreg'; you must # supply a matrix or data frame of the independent variables (predictors) and the outcome variable. # Results of the following model mirror those above. However, the obvious benefit of the 'bic.glm' function # is the ability to specify non-normal error distributions (i.e. non-Gaussian; e.g. binomial). bma2 <- bic.glm(predictors, exsem$extro, glm.family = "gaussian") summary(bma2) # Notice that when specifying "Gaussian" the estimation of the posterior standard # deviations is slightly off; therefore, it is best to use 'bicreg' when family = # "Gaussian". bma1$postsd bma2$postsd plot(bma2) # For a complete description of the 'bic.glm' function and its arguments: help(bic.glm) ### Example of Binomial Logistic Regression using 'bic.glm'. # Read in the data: logreg <- read.table("http://www.unt.edu/rss/class/Jon/R_SC/Module9/logreg1.txt", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE) summary(logreg) # Create a matrix of the predictor variables. attach(logreg) predictors.logist <- as.matrix(cbind(x1,x2,x3,x4)) detach(logreg) # Run the 'bic.glm' function specifying the binomial family. bma2 <- bic.glm(predictors.logist, logreg$y, glm.family = "binomial") summary(bma2) plot(bma2) ### Example of Multinomial Logistic Regression using library 'mlogitBMA' and function 'bic.mlogit'. library(mlogitBMA) # Read in the data from the web (data is an SPSS.sav file, so the 'foreign' package is necessary). library(foreign) mdata1 <- read.spss("http://www.unt.edu/rss/class/Jon/R_SC/Module9/MultiNomReg.sav", use.value.labels=TRUE, max.value.labels=Inf, to.data.frame=TRUE) summary(mdata1) # Apply the 'bic.logit' function; supplying the formula in standard format, choices represent # the choices on the outcome variable (i.e. the categories of the outcome). mlog.1 <- bic.mlogit(y ~ x1 + x2 + X3, data = mdata1, choices = 1:3) summary(mlog.1) # To see all the arguments of the 'bic.mlogit' function help(bic.mlogit) # End; Feb, 2011
source
Tuesday, October 27, 2015
Biến laptop chạy Ubuntu thành điểm phát Wifi
Nguồn
Đối với những người đam mê công nghệ thì việc sở hữu cùng lúc Laptop và smartphone là chuyện bình thường. Nếu đang ở nhà và bạn cũng không có thiết bị hỗ trợ phát wifi, hãy tận dụng chiếc Laptop để làm điểm phát wifi phục vụ nhu cầu công việc trên smartphone.
Đối với những người đam mê công nghệ thì việc sở hữu cùng lúc
Laptop và smartphone là chuyện bình thường. Đối với một chiếc smartphone
thì sẽ có nhiều thao tác liên quan đến hệ thống như cập nhật firmware,
cập nhật phần mềm hay cài đặt phần mềm mới... đa số đều phải cần đến kết
nối internet, và bạn có thể làm điều đó dễ dàng với các kết nối wifi
công cộng. Tuy nhiên, nếu đang ở nhà và bạn cũng không có thiết bị hỗ
trợ phát wifi, hãy tận dụng chiếc Laptop để làm điểm phát wifi phục vụ
nhu cầu công việc trên smartphone.
Quá dễ dàng đối với hệ điều hành Windows, cũng như khá nhiều bài
viết hướng dẫn làm đối với Windows trên các trang báo điện tử cũng như
blog công nghệ. Nếu bạn đang sử dụng hệ điều hành Ubuntu thì sao? Cách
làm cũng khá đơn giản, bạn có thể làm như sau:
Đầu tiên, bạn nhấn chuột vào biểu tượng Settings (hình bánh răng) ở góc trên bên phải màn hình làm việc của Ubuntu để chọn nhanh System Settings.
Trên cửa sổ System Settings, nhấn chuột vào biểu tượng Network để tiến hành các thiết lập liên quan đến mạng.
Một điều dĩ nhiên là bạn không thể vừa kết nối vừa phát wifi cùng
lúc, do đó bạn cần kết nối Laptop với đường ADSL và để card wifi ở chế
độ trống.
Bây giờ trên cửa sổ Network, bạn chọn tùy chọn Wireless ở sidebar bên trái. Sau đó bấm chọn Use as Hotspot trong phần tùy chọn dành cho Wireless.
Tiếp tục bấm chọn Create Hotspot để tạo một Hotspot mới.
Như vậy là Hotspot wifi đã được tạo ra từ Laptop của bạn. Tuy
nhiên, để sử dụng tốt hơn, tối ưu hơn bạn cần một số thiết lập khác. Bấm
vào nút Options để tiến hành các thiết lập cho Hotspot mới này.
Trên cửa sổ Edit Hotspot, tại thẻ Wireless bạn có thể đặt một số thông tin cho Hotspot như tên chẳng hạn để dễ nhận biết khi dò tìm cũng như biết thêm các thông tin khác.
Ngoài ra, để đảm bảo không có người “xài chùa” kết nối của bạn, bạn có thể thiết lập mã bảo mật bằng cách chuyển sang thẻ Wireless Security, trên thẻ này tại trường Key, bạn tiến hành nhập mật mã, để chắc chắn mật mã không bị lỗi do bộ gõ bạn có thể danh dấu vào tùy chọn Show Key để thấy rõ các ký tự mình nhập vào.
Để thiết bị khác có thể dò và kết nối được với Hotspot thì trường Method trên thẻ IPv4 Settings phải là Shared to other computers.
Sau khi đã thiết lập xong tất cả, nhấn Save... để lưu các thiết lập lại.
Như vậy là bạn đã có thể tận dụng được đường truyền Internet thông
qua cáp ADSL để sử dụng cho các thiết bị di động bằng sóng wifi trên môi
trường Ubuntu. Xem ra khá đơn giản so với trên môi trường Windows :)
Chú bạn thành công!
Monday, September 21, 2015
Bài giảng: Phương pháp phân tích dữ liệu với ngôn ngữ R – GS. Nguyễn Văn Tuấn
Loạt bài giảng không chỉ hướng dẫn cách sử dụng R mà còn trình bày rất cô đọng các kiến thức trong Thống kê và Kinh tế lượng.
Danh sách bài giảng
Bài giảng
|
Nội dung
|
Địa chỉ
|
1
|
Giới thiệu R
|
|
2
|
Giao diện và tương tác
|
|
3
|
Cách đọc ASCII file
|
|
4
|
Cách đọc Excel file
|
|
5
|
Biên tập dữ liệu (1)
|
|
6
|
Biên tập dữ liệu (2)
|
|
7
|
Biên tập dữ liệu (3)
|
|
8
|
Phân tích mô tả biến liên tục
|
|
9
|
Phân tích mô tả biến phân nhóm
|
|
10
|
T-test (1)
|
|
11
|
T-test (2)
|
|
12
|
Kiểm định phân bố chuẩn
|
|
13
|
Kiểm định Wilocoxon
|
|
14
|
Phương pháp kiểm định hoán vị
|
|
15
|
Kiểm định 2 biến nhị phân
|
|
16
|
Thông số trong biểu đồ
|
|
17
|
Biểu đồ hộp (box plot)
|
|
18
|
Biểu đồ sai số chuẩn
|
|
19
|
Biểu đồ thanh và phân bố
|
|
20
|
Biểu đồ tương quan đa biến
|
|
21
|
Tỉ số nguy cơ (risk ratio)
|
|
22
|
Tỉ số odss (odds ratio)
|
|
23
|
Giới thiệu phân tích phương sai (ANOVA)
|
|
24
|
Phân tích hậu định (posthoc analysis)
|
|
25
|
Phân tích phương sai phi tham số
|
|
26
|
Mô hình tuyến tính cho phân tích phương sai
|
|
27
|
Giới thiệu phương pháp kiểm định Ki bình phương
|
|
28
|
Kiểm định Ki bình thương (Chi square)
|
|
29
|
Hệ số tương quan
|
|
30
|
Hồi qui tuyến tính: giới thiệu
|
|
31
|
Hồi qui tuyến tính: phân tích phương sai
|
|
32
|
Phân tích dao động dư
|
|
33
|
Giới thiệu mô hình hồi qui tuyến tính đa biến | https://www.youtube.com/watch?v=Uxh7tdg42UQ&list=UU21dOPe-YHO3Gw6BRbyeotQ |
34
|
Hồi qui tuyến tính đa biến (ước tính) | http://www.youtube.com/watch?v=yRj1-J7ZH5Y&list=UU21dOPe-YHO3Gw6BRbyeotQ |
35
|
Ảnh hưởng tương tác trong mô hình hồi qui tuyến tính | https://www.youtube.com/watch?v=i3e2zWKQGAE&list=UU21dOPe-YHO3Gw6BRbyeotQ |
36
|
Vấn đề đa cộng tuyến (multicollinearity) | https://www.youtube.com/watch?v=sjI94HvBfaY&list=UU21dOPe-YHO3Gw6BRbyeotQ |
37
|
Đánh giá tầm quan trọng trong mô hình hồi qui tuyến tính | https://www.youtube.com/watch?v=HsU3cDpQJko&list=UU21dOPe-YHO3Gw6BRbyeotQ |
38
|
Chọn mô hình (model selection) trong phân tích hồi qui tuyến tính đa biến | https://www.youtube.com/watch?v=Q40TFF2Opuc&list=UU21dOPe-YHO3Gw6BRbyeotQ |
39
|
Chọn mô hình hồi qui tuyến tính bằng phương pháp Bayes | https://www.youtube.com/watch?v=eVp0oyKxtrI&index=3&list=UU21dOPe-YHO3Gw6BRbyeotQ |
| 40 | Giới thiệu mô hình hồi qui logistic 1: Odds ratio | https://www.youtube.com/watch?v=AJCmccF3faY&list=UU21dOPe-YHO3Gw6BRbyeotQ |
| 41 | Mô hình hồi qui logistic | https://www.youtube.com/watch?v=0yILsvQZ0Uw&index=4&list=UU21dOPe-YHO3Gw6BRbyeotQ |
| 42 | Diễn giải kết quả phân tích hồi qui logistic | https://www.youtube.com/watch?v=FcxY-Cheb6Y&index=2&list=UU21dOPe-YHO3Gw6BRbyeotQ |
| 43 | Đánh giá mô hình hồi qui logistic | https://www.youtube.com/watch?v=q5M5N66QFBk&list=UU21dOPe-YHO3Gw6BRbyeotQ |
| 44 | Các “thước đo” mô hình hồi qui logistic | https://www.youtube.com/watch?v=6rTAIAM-Vzw |
| 45 | Mô hình hồi qui logistic đa biến | https://www.youtube.com/watch?v=I9JD2fDbcHY&list=UU21dOPe-YHO3Gw6BRbyeotQ |
| 46 | Phương pháp tìm mô hình hồi qui logistic tối ưu | https://www.youtube.com/watch?v=bAUrZqhCNww |
| 47 | Đánh giá độ phân định (discrimination) mô hình tiên lượng | https://www.youtube.com/watch?v=8msZdongyMc |
————-&&————
Subscribe to:
Posts (Atom)