¿Cuáles son algunos buenos paquetes de R para el análisis de datos cualitativos?

Quizás el paquete R más conocido para el análisis de datos cualitativos es RQDA, disponible en CRAN: CRAN – Paquete RQDA. Otro paquete relevante es ‘tm’ para minería de texto : CRAN – Package tm.

Otros paquetes R, posiblemente menos conocidos, para el análisis de datos cualitativos incluyen los de análisis comparativo cualitativo (CRAN – Paquete QCA y CRAN – Paquete QCA3), análisis de coincidencia (CRAN – Paquete cna), análisis del discurso (CRAN – Paquete qdap), correspondencia análisis (CRAN – Paquete ca; también vea este documento: Página en jstatsoft.org) así como un resumen conciso comparativo (CRAN – Texto del paquete – sugerencia a Rees Morrison por sugerirlo).

Si bien no es un paquete R per se, el proyecto de código abierto AQUAD parece ser bastante completo e interesante, ya que admite varios tipos de datos cualitativos y permite una fácil interfaz con R. Finalmente, un gran tema de análisis de datos categóricos en R es, en mi humilde opinión, relevante para esta pregunta. Por lo tanto, el siguiente tutorial introductorio podría ser útil: Página en ufl.edu. Espero que esto, por supuesto, no sea una respuesta exhaustiva, sea útil para una amplia gama de investigadores y otras personas, que realizan o planean realizar análisis de datos cualitativos (o mixtos) en mi plataforma R favorita.

¿En qué casos un análisis causal es más apropiado para una empresa o departamento de investigación que el modelo predictivo?

¿Cuál es una explicación amable de GradientBoost?

Cómo detectar generalmente un fraude usando análisis

¿Cuál es la diferencia entre el almacenamiento de datos, la minería de datos y el análisis de datos?

¿Cuáles son las aplicaciones de la ciencia de datos en física?

¿Cómo realizan las empresas el análisis predictivo utilizando herramientas Hadoop / Big Data a gran escala?

Manipular datos

dplyr: atajos esenciales para subconjuntos, resúmenes, reorganizaciones y unir conjuntos de datos. dplyr es nuestro paquete de acceso para la manipulación rápida de datos.
tidyr: herramientas para cambiar el diseño de sus conjuntos de datos. Utilice las funciones de recopilación y difusión para convertir sus datos al formato ordenado, el diseño que a R le gusta más.
stringr: herramientas fáciles de aprender para expresiones regulares y cadenas de caracteres.
lubridate: herramientas que facilitan el trabajo con fechas y horas.

Para modelar datos
car – la función Anova de car es popular para hacer tablas Anova de tipo II y tipo III.
mgcv – Modelos aditivos generalizados
lme4 / nlme: modelos de efectos mixtos lineales y no lineales
randomForest: métodos forestales aleatorios del aprendizaje automático
multcomp: herramientas para pruebas de comparación múltiple
vcd: herramientas de visualización y pruebas para datos categóricos
glmnet: métodos de regresión de lazo y red elástica con validación cruzada
supervivencia – Herramientas para el análisis de supervivencia
caret – Herramientas para entrenar modelos de regresión y clasificación

Para visualizar datos
ggplot2: el famoso paquete de R para crear hermosos gráficos. ggplot2 le permite usar la gramática de gráficos para construir trazados en capas y personalizables.
ggvis: gráficos interactivos basados en la web creados con la gramática de los gráficos.
rgl: visualizaciones 3D interactivas con R
htmlwidgets: una forma rápida de crear visualizaciones interactivas (basadas en JavaScript) con R. Los paquetes que implementan htmlwidgets incluyen: