重庆做网站公司排名,app模板素材下载,废旧建筑模板多少钱一吨,广州建设工程招标信息网第一次实验使用最基本的公共物品游戏#xff0c;不外加其他的treatment。班里的学生4人一组#xff0c;一共44/411组。一共玩20个回合的公共物品游戏。每回合给15秒做决定的时间。第十回合后#xff0c;给大家放一个几分钟的“爱心”视频#xff08;链接如下#xff09;不外加其他的treatment。班里的学生4人一组一共44/411组。一共玩20个回合的公共物品游戏。每回合给15秒做决定的时间。第十回合后给大家放一个几分钟的“爱心”视频链接如下然后继续完成剩下的10回合。
修改列名
把“来源”“来源详情”“来自IP” 这几个无关变量删除。重新命名前面几个变量新变量对应名称为序号,提交答卷时间,所用时间,性别。把代表组号的那一个变量的名字重新命名为“team_num”。把后面所有回合的变量名重新命名为“round1”, round2,....round20。以及最后两个测算风险偏好和模糊偏好的变量分别重新命名为risk_atti 和 ambiguity_atti。
数据和完整代码
# 读取数据
data - read.csv(datar.csv, header TRUE, stringsAsFactors FALSE, fileEncoding GBK)
datahead(data,5)# 删除无关变量
data - data[, !names(data) %in% c(来源, 来源详情, 来自IP)]# 重新命名变量
colnames(data) - c(序号, 提交答卷时间, 所用时间, 性别, team_num, paste0(round, 1:20), risk_atti, ambiguity_atti)names(data)
head(data,5) 变量赋值
data$gender - ifelse(data$性别 男, 1, 0)
head(data,5)
看“爱心”视频前大家前10回合的平均贡献值是多少看“爱心”视频后大家后10回合的平均贡献值是多少
# 提取前10回合和后10回合的数据
before_video - data[, 7:16]
after_video - data[, 17:26]# 计算平均贡献值
avg_contribution_before - rowMeans(before_video, na.rm TRUE)
avg_contribution_after - rowMeans(after_video, na.rm TRUE)# 输出结果
avg_contribution_before - mean(avg_contribution_before, na.rm TRUE)
avg_contribution_after - mean(avg_contribution_after, na.rm TRUE)cat(看“爱心”视频前大家前10回合的平均贡献值是:, avg_contribution_before, \n)
cat(看“爱心”视频后大家后10回合的平均贡献值是:, avg_contribution_after, \n)
# 导入绘图库
library(ggplot2)# 创建数据框
contribution - data.frame(Time_Period c(Before Video, After Video),Average_Contribution c(avg_contribution_before, avg_contribution_after)
)# 绘制柱状图并标上数据值
ggplot(contribution, aes(x Time_Period, y Average_Contribution, fill Time_Period)) geom_bar(stat identity) geom_text(aes(label round(Average_Contribution, 2)), vjust -0.5) # 标上数据值labs(title Average Contribution Before and After Watching Love Video,x Time Period,y Average Contribution) theme_minimal() theme(legend.position none) 从结果和可视化都可以看出看“爱心”视频前大家前10回合的平均贡献值是7.138889看“爱心”视频后大家后10回合的平均贡献值是7.2
异常值检测
# 找出所用时间超过800秒的同学
outliers_800 - data[data$所用时间 808秒, ]
outliers_800
# 找出所用时间为314秒的同学
outliers_314 - data[data$所用时间 314秒, ]
# 找出所用时间为74秒的同学
outliers_74 - data[data$所用时间 74秒, ]
# 将outliers合并
outliers - rbind(outliers_800, outliers_314, outliers_74)
outliers
# 从数据中删除outliers
data - data[!(rownames(data) %in% rownames(outliers)), ]# 重新计算Part 1
before_video - data[, 7:16]
after_video - data[, 17:26]avg_contribution_before - rowMeans(before_video, na.rm TRUE)
avg_contribution_after - rowMeans(after_video, na.rm TRUE)avg_contribution_before - mean(avg_contribution_before, na.rm TRUE)
avg_contribution_after - mean(avg_contribution_after, na.rm TRUE)
删除了异常值之后看“爱心”视频前大家前10回合的平均贡献值是6.751515看“爱心”视频后大家后10回合的平均贡献值是7.490909
女同学的前十和后十回合的平均贡献值是多少男生呢
# 按性别分组
female_data - subset(data, 性别 女)
male_data - subset(data, 性别 男)# 提取前十回合和后十回合的数据
before_video_female - female_data[, 7:16]
before_video_female
after_video_female - female_data[, 17:26]
before_video_male - male_data[, 7:16]
after_video_male - male_data[, 17:26]# 计算平均贡献值
avg_contribution_before_female - rowMeans(before_video_female, na.rm TRUE)
avg_contribution_after_female - rowMeans(after_video_female, na.rm TRUE)
avg_contribution_before_male - rowMeans(before_video_male, na.rm TRUE)
avg_contribution_after_male - rowMeans(after_video_male, na.rm TRUE)# 计算平均贡献值的平均值
avg_contribution_before_female - mean(avg_contribution_before_female, na.rm TRUE)
avg_contribution_after_female - mean(avg_contribution_after_female, na.rm TRUE)
avg_contribution_before_male - mean(avg_contribution_before_male, na.rm TRUE)
avg_contribution_after_male - mean(avg_contribution_after_male, na.rm TRUE)
女同学的前十回合的平均贡献值是5.266667女同学的后十回合的平均贡献值是6.3男同学的前十回合的平均贡献值是7.308333男同学的后十回合的平均贡献值是7.9375
为了探索不同风险偏好的同学在观看“爱心”视频前后的平均贡献值我们可以按照之前的步骤进行数据处理和分析。首先我们需要将风险偏好转换为风险偏好等级然后按照这些等级将数据分组分别计算他们在观看视频前后的平均贡献值。
# 根据映射关系将风险偏好转换为相应的风险偏好等级
risk_attitude_levels - c(highly risk loving, very risk loving, risk loving, risk neutral, slightly risk averse, risk averse, very risk averse, highly risk averse, stay in bed, stay in bed)data$risk_attitude_level - risk_attitude_levels[data$risk_atti]# 按风险偏好等级分组
risk_attitude_groups - split(data, data$risk_attitude_level)# 计算每个组在观看视频前后的平均贡献值
avg_contribution_before - sapply(risk_attitude_groups, function(group) {avg_before - mean(rowMeans(group[, 7:16], na.rm TRUE), na.rm TRUE)return(avg_before)
})avg_contribution_after - sapply(risk_attitude_groups, function(group) {avg_after - mean(rowMeans(group[, 17:26], na.rm TRUE), na.rm TRUE)return(avg_after)
})# 合并结果为数据框
avg_contribution - data.frame(Risk_Attitude names(avg_contribution_before),Avg_Contribution_Before avg_contribution_before,Avg_Contribution_After avg_contribution_after)# 输出结果
print(avg_contribution) 高风险偏好者highly risk loving在观看视频前的平均贡献值较高但在观看视频后降低到较低水平这可能表明他们更倾向于冒险和自我利益并且对于公共物品的贡献程度受到外部因素影响较大。风险厌恶者risk averse在观看视频前后的平均贡献值有所增加这可能表明他们更加稳健和谨慎但在观看视频后表现出更多的愿意参与公共物品的贡献。风险中性者risk neutral在观看视频前后的平均贡献值保持相对稳定这可能表明他们的决策相对稳定不受外部因素的影响较大。风险略微厌恶者slightly risk averse和非常风险厌恶者very risk averse在观看视频前后的平均贡献值变化较小这可能表明他们的行为相对稳定不受外部因素的影响较大。保持在床上者stay in bed在观看视频前后的平均贡献值有所增加这可能表明他们对于外部因素的反应较弱但在观看视频后表现出更多的愿意参与公共物品的贡献。
综上所述不同风险偏好等级的同学在观看视频前后的行为表现有所不同这可能受到个体风险态度和外部环境的影响。针对这些不同特点我们可以制定更具针对性的鼓励措施以促进更多人为公共物品做出贡献。
创作不易希望大家多点赞关注评论
