Cập nhật nội dung chi tiết về Vietsciences; Nguyễn Văn Tuấn; Nguyen Van Tuan;Phân Tích Số Liệu Bằng Biểu Đồ ; Hướng Dẫn Phân Tích Số Liệu Và Vẽ Biểu Đồ Bằng R ; Science, Khoa Hoc, Khoahoc, Tin Hoc, Informatique;Computer; Vat Ly; P mới nhất trên website Techcombanktower.com. Hy vọng thông tin trong bài viết sẽ đáp ứng được nhu cầu ngoài mong đợi của bạn, chúng tôi sẽ làm việc thường xuyên để cập nhật nội dung mới nhằm giúp bạn nhận được thông tin nhanh chóng và chính xác nhất.
Yếu tố thị giác rất quan trọng. Quả thật, biểu đồ tốt có khả năng gây ấn tượng cho người đọc báo khoa học rất lớn, và thường có giá trị đại diện cho cả công trình nghiên cứu. Vì thế biểu đồ là một phương tiện hữu hiệu nhất để nhấn mạnh thông điệp của bài báo. Biểu đồ thường được sử dụng để thể hiện xu hướng và kết quả cho từng nhóm, nhưng cũng có thể dùng để trình bày dữ kiện một cách gọn gàng. Các biểu đồ dễ hiểu, nội dung phong phú là những phương tiện vô giá. Do đó, nhà nghiên cứu cần phải suy nghĩ một cách sáng tạo cách thể hiện số liệu quan trọng bằng biểu đồ. Vì thế, phân tích biểu đồ đóng một vai trò cực kì quan trọng trong phân tích thống kê. Có thể nói, không có đồ thị là phân tích thống kê không có nghĩa.
Trong ngôn ngữ R có rất nhiều cách để thiết kế một biểu đồ gọn và đẹp. Phần lớn những hàm để thiết kế biểu đồ có sẵn trong R, nhưng một số loại biểu đồ tinh vi và phức tạp khác có thể thiết kế bằng các package chuyên dụng như
lattice có thể tải từ website của R. Chương này sẽ chỉ cách vẽ các biểu đồ thông dụng bằng cách sử dụng các hàm phổ biến trong R.
8.1 Môi trường và thiết kế biểu đồ
8.1.1 Nhiều biểu đồ cho một cửa sổ (windows)
Thông thường, R vẽ một biểu đồ cho một cửa sổ. Nhưng chúng ta có thể vẽ nhiều biểu đồ trong một cửa sổ bằng cách sử dụng hàm par.
Chẳng hạn như
par(mfrow=c(1,2))có hiệu năng chia cửa sổ ra thành 1 dòng và hai cột, tức là chúng ta có thể trình bày hai biểu đồ kề cạnh bên nhau. Còn
par(mfrow=c(2,3)) chia cửa sổ ra thành 2 dòng và 3 cột, tức chúng ta có thể trình bày 6 biểu đồ trong mộ cửa sổ. Sau khi đã vẽ xong, chúng ta có thể quay về với “chế độ” 1 cửa sổ bằng lệnh
par(mfrow=c(1,1).
Ví dụ sau đây tạo ra một dữ liệu gồm hai biến x và y bằng phương pháp mô phỏng (tức số liệu hoàn toàn được tạo ra bằng R). Sau đó, chúng ta chia cửa sổ thành 2 dòng và 2 cột, và trình bày bốn loại biểu đồ từ dữ liệu được mô phỏng:
par(mfrow=c(2,2))
runif(N, -4, 4)
sin(x) + 0.5*rnorm(N)
plot(x,y, main=”Scatter plot of y and x”)
main=”Histogram of x”)
boxplot(y, main=”Box plot of y”)
barplot(x, main=”Bar chart of x”)
par(mfrow=c(1,1))
Biểu đồ 1. Cách chia cửa sổ thành 2 dòng và 2 cột và trình bày 4 biểu đồ trong cùng một cửa số.
8.1.2 Đặt tên cho trục tung và trục hoành
Biểu đồ thường có trục tung (y-axis) và trục hoành. Vì dữ liệu thường được gọi bằng các chữ viết tắt, cho nên biểu đồ cần phải có tên cho từng biến để dễ theo dõi. Trong ví dụ sau đây, biểu đồ bên trái không có tên mà chỉ dùng tên của biến gốc (tức x và y), còn bên phải có tên dễ hiểu hơn.
par(mfrow=c(1,2))
runif(N, -4, 4)
sin(x) + 0.5*rnorm(N)
plot(x,y)
plot(x, y, xlab=”X factor”,
ylab=”Production”,
main=”Production and x factor n Second line of title here”)
par(mfrow=c(1,1))
Trong các lệnh trên, xlab (viết tắt từ x label) và ylab (viết tắt từ y label) dùng để đặt tên cho trục hoành và trục tung. Còn main được dùng để đặt tên cho biểu đồ. Chú ý rằng trong main có kí hiệu n dùng để viết dòng thứ hai (nếu tên gọi biểu đồ quá dài).
Biểu đồ 2. Biểu đồ bên trái không có tên gọi, biểu đồ bên phải có tên gọi cho trục tung, trục hoành và tên của biểu đồ.
Ngoài ra, chúng ta còn có thể sử dụng hàm title và sub để đặt tên:
plot(x, y, xlab=”Time”,
ylab=”Production”)
title(main=“Plot of production and x factor”,
sub=”Figure 1”)
8.1.3 Cho giới hạn của trục tung và trục hoành
Nếu không cung cấp giới hạn của trục tung và trục hoành, R sẽ tự động tìm điều chỉnh và cho các số liệu này. Tuy nhiên, chúng ta cũng có thể kiểm soát biểu đồ bằng cách sử dụng xlim và ylim để cho R biết cụ thể giới hạn của hai trục này:
plot(x, y, xlab=”X factor”,
ylab=”Production”,
main=”Plot of production and x factor”,
xlim=c(-5, 5),
ylim=c(-3, 3))
8.1.4 Thể loại và đường biểu diễn
Trong một dãy biểu đồ, chúng ta có thể yêu cầu R vẽ nhiều kiểu và đường biểu diễn khác nhau.
par(mfrow=c(2,2)) plot(y, type=”l”); title(“lines”) plot(y, type=”b”); title(“both”) plot(y, type=”o”); title(“overstruck”) plot(y, type=”h”); title(“high density”)
Biểu đồ 3. Kiểu biểu đồ và đường biểu diễn.
Ngoài ra, chúng ta cũng có thể biểu diễn nhiều đường bằng lty
như sau:
par(mfrow=c(2,2))
plot(y, type=”l”, lty=1); title(main=”Production data”,
sub=”lty=1″) plot(y, type=”l”, lty=2); title(main=”Production data”,
sub=”lty=2″) plot(y, type=”l”, lty=3); title(main=”Production data”,
sub=”lty=3″)
sub=”lty=4″)
Biểu đồ 4. Ảnh hưởng của lty.
8.1.5 Màu sắc, khung, và kí hiệuu
Chúng ta có thể kiểm soát màu sắc của một biểu đồ bằng lệnh col. Giá trị mặc định của col là 1. Tuy nhiên, chúng ta có thể thay đổi các màu theo ý muốn hoặc bằng cách cho số hoặc bằng cách viết ra tên màu như “red”, “blue”, “green”, “orange”, “yellow”, “cyan”, v.v…
Ví dụ sau đây dùng một hàm để vẽ ba đường biểu diễn với ba màu đỏ, xanh nước biển, và xanh lá cây:
plot(runif (10), ylim=c(0,1), type=’l’)
in c(‘red’, ‘blue’, ‘green’))
{
lines(runif (10), col=i )
title(main=”Lines in various colours”)
Ngoài ra, chúng ta còn có thể vẽ đường biểu diễn bằng cách tăng bề dày của mỗi đường:
plot(runif(5), ylim=c(0,1), type=’n’)
(i in 5:1)
{
lines( runif(5), col=i, lwd=i )
}
Hình dạng của biểu đồ cũng có thể thay đổi bằng
type như sau:
par(mfrow=c(3,2))
plot(runif(5), type = ‘p’,
main = “plot type ‘p’ (points)”)
plot(runif(5), type = ‘l’,
main = “plot type ‘l’ (lines)”)
plot(runif(5), type = ‘b’,
main = “plot type ‘b’ (both points and lines)”)
plot(runif(5), type = ‘s’,
main = “plot type ‘s’ (stair steps)”)
plot(runif(5), type = ‘h’,
main = “plot type ‘h’ (histogram)”)
plot(runif(5), type = ‘n’,
main = “plot type ‘n’ (no plot)”)
par(op)
Khung biểu đồ có thể kiểm soát bằng lệnh bty với các thông số như sau:
bty=”n”
Không có vòng khung chung quanh biểu đồ
bty=”o”
Có 4 khung chung quanh biểu đồ
bty=”c”
Vẽ một hộp gồm 3 cạnh chung quanh biểu đồ theo hình chữ C
bty=”l”
Vẽ hộp 2 cạnh chung quanh biểu đồ theo hình chữ L
bty=”7”
Vẽ hộp 2 cạnh chung quanh biểu đồ theo hình số 7
Cách hay nhất để bạn đọc làm quen với các cách vẽ biểu đồ này là bằng cách thử trên R để biết rõ hơn.
Kí hiệu của một biểu đồ cũng có thể thay thế bằng cách cung cấp số cho pch (plotting character) trong R. Các kí hiệu thông dụng là:
plot(x, y, col=”red”, pch=16, bty=”l”)
Biểu đồ 4. Ảnh hưởng của pch=16
và col=”red”, bty=”l”.
8.1.6 Ghi chú (legend)
Hàm legend rất có ích cho việc ghi chú một biểu đồ và giúp người đọc hiểu được ý nghĩa của biếu đồ tốt hơn. Cách sử dụng legend có thể minh họa bằng ví dụ sau đây:
runif(N, -4, 4)
0.5*rnorm(N)
plot(x,y, pch=16, main=”Scatter plot of y and x”)
lm(y~x)
abline(reg)
legend(2,-2, c(“Production”,”Regression line”), pch=16, lty=c(0,1))
Thông số legend(2,-2) có nghĩa là đặt phần ghi chú vào trục hoành (x-axis) bằng 2 và trục tung (y-axis) bằng -2.
Biểu đồ 5. Ảnh hưởng của legend
8.1.7 Viết chữ trong biểu đồồ
Phần lớn các biểu đồ không cung cấp phương tiện để viết chữ hay ghi chú trong biểu đồ, hay có cung cấp nhưng rất hạn chế. Trong R có hàn mtext()
cho phép chúng ta đặt chữ viết hay giải thích bên cạnh hay trong biểu đồ.
Bắt đầu từ phía dưới của biểu đồ (side=1), chúng ta chuyển theo hướng kim đồng hồ đến cạnh số 4. Lệnh plot trong ví dụ sau đây không in tên của trục và tên của biểu đồ, nhưng chỉ cung cấp một cái khung. Trong ví dụ này, chúng ta sử dụng cex (character expansion) để kiểm soát kích thước của chữ viết. Theo mặc định thì cex=1, nhưng với cex=2, chữ viết sẽ có kích thước gấp hai lần kích thước mặc định. Lệnh text()
cho phép chúng ta đặt chữ viết vào một vị trí cụ thể. Lệnh thứ nhất đặt chữ viết trong ngoặc kép và trung tâm tại x=15, y=4.3. Qua sử dụng adj, chúng ta còn có thể sắp xếp về phía trái (adj=0) sao cho tọa độ là điểm xuất phát của chữ viết.
plot(y, xlab=” “, ylab=” “, type=”n”) side=1,cex=1) side=2,cex=1.2) side=3,cex=1.5) side=4,cex=2) left aligned”) aligned”)
8.1.8 Đặt kí hiệu vào biểu đồ.. abline() có thể sử dụng để vẽ một đường thẳng, với những thông số như sau:
abline(a,b) : đường hồi qui tuyến tính a=intercept và b=slope.
abline(h=30): vẽ một đường ngang tại y=30.
abline(v=12): vẽ một đường thẳng đứng tại điểm x=12.
Ngoài ra, chúng ta còn có thể cho vào biểu đồ một mũi tên để ghi chú một điểm số liệu nào đó.
runif(N, -4, 4)
plot(x,y, pch=16, main=”Scatter plot of y and x”)
Giả sử chúng ta muốn ghi chú ngay tại x=0 và y=0 là điểm trung tâm, chúng ta trước hết dùng arrows để vẽ mũi tên. Trong lệnh sau đây,
arrows(-1, 1, 1.5, 1.5) có nghĩa như sau tọa độ x=-1, y=1 bắt đầu vẽ mũi tên và chấm dứt tại tọa độ x=1.5, y=1.5. Phần text(0, 1)
yêu cầu R viết chữ tại tọa độ x=0, y=1.
text(0, 1, “Trung tam”, cex=0.7)
8.2 Số liệu cho phân tích biểu đồ
Sau khi đã biết qua môi trường và những lựa chọn để thiết kế một biểu đồ, bây giờ chúng ta có thể sử dụng một số hàm thông dụng để vẽ các biểu đồ cho số liệu. Biểu đồ có thể chia thành 2 loại chính: biểu đồ dùng để mô tả một biến số và biểu đồ về mối liên hệ giữa hai hay nhiều biến số. Tất nhiên, biến số có thể là liên tục hay không liên tục, cho nên, trong thực tế, chúng ta có 4 loại biểu đồ. Trong phần sau đây, chúng ta sẽ điểm qua các loại biểu đồ, từ đơn giản đến phức tạp.
Có lẽ cách tốt nhất để tìm hiểu cách vẽ đồ thị bằng R là bằng một dữ liệu thực tế. Quay lại ví dụ 2 trong chương trước, chúng ta có dữ liệu gồm 8 cột (hay biến số): id, sex, age, bmi, hdl, ldl, tc, và tg.(Chú ý, id là mã số của 50 đối tượng nghiên cứu; sex là giới tính (nam hay nữ); age là độ tuổi; bmi là tỉ số trọng lương; hdl là high density cholesterol; ldl là low density cholesterol; tc là tổng số – total – cholesterol; và tg
triglycerides). Dữ liệu được chứa trong directory directory
c:worksinsulin dưới tên chúng tôi Trước khi vẽ đồ thị, chúng ta bắt đầu bằng cách nhập dữ liệu này vào R.
setwd(“c:/works/stats”)
<- read.table(“chol.txt”, header=TRUE,
na.strings=”.”)
attach(cong)
Hay để tiện việc theo dõi chúng ta sẽ nhập các dữ liệu đó bằng các lệnh sau đây:
sex <- c(“Nam”, “Nu”, “Nu”,“Nam”,
“Nam”, “Nu”,“Nam”,“Nam”,“Nam”, “Nu”,
“Nu”,“Nam”, “Nu”,“Nam”,“Nam”, “Nu”, “Nu”, “Nu”,
“Nu”, “Nu”, “Nu”, “Nu”, “Nu”, “Nu”,“Nam”,“Nam”,
“Nu”,“Nam”, “Nu”, “Nu”, “Nu”,“Nam”,“Nam”, “Nu”,
“Nu”,“Nam”, “Nu”,“Nam”, “Nu”, “Nu”, “Nam”,
“Nu”,“Nam”,“Nam”,“Nam”, “Nu”,“Nam”,“Nam”, “Nu”,
“Nu”)
age <- c(57, 64, 60, 65, 47, 65, 76, 61, 59, 57,
63, 51, 60, 42, 64, 49, 44, 45, 80, 48,
61, 45, 70, 51, 63, 54, 57, 70, 47, 60,
60, 50, 60, 55, 74, 48, 46, 49, 69, 72,
51, 58, 60, 45, 63, 52, 64, 45, 64, 62)
bmi <- c( 17, 18, 18, 18, 18, 18, 19, 19, 19, 19, 20,
20, 20, 20, 20, 20, 21, 21, 21, 21, 21, 21,
21, 21, 22, 22, 22, 22, 22, 22, 22, 22, 22,
22, 23, 23, 23, 23, 23, 23, 23, 23, 24, 24,
24, 24, 24, 24, 25, 25)
hdl <- c(5.000,4.380,3.360,5.920,6.250,4.150,0.737,7.170,
6.942,5.000, 4.217,4.823,3.750,1.904,6.900,
0.633,5.530,6.625,5.960,3.800,5.375,3.360,5.000,
2.608,4.130,5.000,6.235,3.600,5.625,5.360,6.580,
7.545,6.440,6.170,5.270,3.220,5.400,6.300,
9.110,7.750, 6.200,7.050,6.300,5.450,5.000,
3.360,7.170,7.880,7.360,7.750)
ldl <- c(2.0, 3.0, 3.0, 4.0, 2.1, 3.0, 3.0, 3.0, 3.0,
2.0, 5.0, 1.3, 1.2, 0.7, 4.0, 4.1, 4.3, 4.0,
4.3, 4.0, 3.1, 3.0, 1.7, 2.0, 2.1, 4.0, 4.1,
4.0, 4.2, 4.2, 4.4, 4.3, 2.3, 6.0, 3.0, 3.0,
2.6, 4.4, 4.3, 4.0, 3.0, 4.1, 4.4, 2.8, 3.0,
2.0, 1.0, 4.0, 4.6, 4.0)
tc <-c (4.0, 3.5, 4.7, 7.7, 5.0, 4.2, 5.9, 6.1, 5.9,
4.0, 6.2, 4.1, 3.0, 4.0, 6.9, 5.7, 5.7, 5.3,
7.1, 3.8, 4.3, 4.8, 4.0, 3.0, 3.1, 5.3, 5.3,
5.4, 4.5, 5.9, 5.6, 8.3, 5.8, 7.6, 5.8, 3.1,
5.4, 6.3, 8.2, 6.2, 6.2, 6.7, 6.3, 6.0, 4.0,
3.7, 6.1, 6.7, 8.1, 6.2)
tg <- c(1.1, 2.1, 0.8, 1.1, 2.1, 1.5, 2.6, 1.5, 5.4, 1.9,
1.7, 1.0, 1.6, 1.1, 1.5, 1.0, 2.7, 3.9, 3.0, 3.1,
2.2, 2.7, 1.1, 0.7, 1.0, 1.7, 2.9, 2.5, 6.2, 1.3,
3.3, 3.0, 1.0, 1.4, 2.5, 0.7, 2.4, 2.4, 1.4, 2.7,
2.4, 3.3, 2.0, 2.6, 1.8, 1.2, 1.9, 3.3, 4.0, 2.5)
cong <- data.frame(sex, age, bmi, hdl, ldl, tc, tg)
Sau khi đã có số liệu, chúng ta sẵn sàng tiến hành phân tích số liệu bằng biểu đồ như sau:
8.3 Biểu đồ cho một biến số rời rạc (discrete variable): barplot
Biến sex trong dữ liệu trên có hai giá trị (nam và nu), tức là một biến không liên tục. Chúng ta muốn biết tần số của giới tính (bao nhiêu nam và bao nhiêu nữ) và vẽ một biểu đồ đơn giản. Để thực hiện ý định này, trước hết, chúng ta cần dùng hàm table để biết tần số:
chúng tôi <- table(sex)
sex.freq
sex
Nam Nu
22 28
Có 22 nam và 28 nữ trong nghiên cứu. Sau đó dùng hàm barplot
để thể hiện tần số này như sau:
barplot(sex.freq, main=”Frequency of males and females”)
Biểu đồ trên cũng có thể có được bằng một lệnh đơn giản hơn (Biểu đồ 8a):
barplot(table(sex), main=”Frequency of males and females”)
Biểu đồ 8a. Tần số giới tính thể hiện bằng cột số.
Biểu đồ 8b. Tần số giới tính thể hiện bằng dòng số.
Thay vì thể hiện tần số nam và nữ bằng 2 cột, chúng ta có thể thể hiện bằng hai dòng bằng thông số horiz = TRUE, như sau (xem kết quả trong Biểu đồ 6b):
barplot(sex.freq,
horiz = TRUE,
col = rainbow(length(sex.freq)),
main=”Frequency of males and females”)
8.4 Biểu đồ cho hai biến số rời rạc (discrete variable): barplot
Age là một biến số liên tục. Chúng ta có thể chia bệnh nhân thành nhiều nhóm dựa vào độ tuổi. Hàm cut có chức năng “cắt” một biến liên tục thành nhiều nhóm rời rạc. Chẳng hạn như:
<- cut(age, 3)
table(ageg)
ageg
(42,54.7] (54.7,67.3] (67.3,80]
19 24 7
Có hiệu quả chia biến age thành 3 nhóm. Tần số của ba nhóm này là: 42 tuổi đến 54.7 tuổi thành nhóm 1, 54.7 đến 67.3 thành nhóm 2, và 67.3 đến 80 tuổi thành nhóm 3. Nhóm 1 có 19 bệnh nhân, nhóm 2 và 3 có 24 và 7 bệnh nhân.
Bây giờ chúng ta muốn biết có bao nhiêu bệnh nhân trong từng độ tuổi và từng giới tính bằng lệnh table:
chúng tôi <- table(sex, ageg)
age.sex
ageg
sex (42,54.7] (54.7,67.3] (67.3,80]
Nam 10 10 2
Nu 9 14 5
Kết quả trên cho thấy chúng ta có 10 bệnh nhân nam và 9 nữ trong nhóm tuổi thứ nhất, 10 nam và 14 nữa trong nhóm tuổi thứ hai, v.v… Để thể hiện tần số của hai biến này, chúng ta vẫn dùng barplot:
barplot(age.sex, main=”Number of males and females in each age group”)
Biểu đồ 7a. Tần số giới tính và nhóm tuổi thể hiện bằng cột số.
Biểu đồ 7b. Tần số giới tính và nhóm tuổi thể hiện bằng hai dòng số.
Trongg Biểu đồ 7a, mỗi cột là cho một độ tuổi, và phần đậm của cột là nữ, và phần màu nhạt là tần số của nam giới. Thay vì thể hiện tần số nam nữ trong một cột, chúng ta cũng có thể thể hiện bằng 2 cột với beside=T như sau (Biểu đồ 7b):
barplot(age.sex, beside=TRUE, xlab=”Age group”)
8.5 Biểu đồ hình tròn
Tần số một biến rời rạc cũng có thể thể hiện bằng biểu đồ hình tròn. Ví dụ sau đây vẽ biểu đồ tần số của độ tuổi. Biểu đồ 8a là 3 nhóm độ tuổi, và Biểu đồ 8b là biểu đồ tần số cho 5 nhóm tuổi:
pie(table(cut(age,5)))
Biểu đồ 8a. Tần số cho 3 nhóm tuổi Biểu đồ 8b. Tần số cho 5 nhóm tuổi
8.6 Biểu đồ cho một biến số liên tục: stripchart và hist
8.6.1 Stripchart
Biểu đồ strip cho chúng ta thấy tính liên tục của một biến số. Chẳng hạn như chúng ta muốn tìm hiểu tính liên tục của triglyceride (tg), hàm
stripchart() sẽ giúp trong mục tiêu này:
stripchart(tg,
Chúng ta thấy biến số tg có sự bất liên tục, nhất là các đối tượng có tg cao. Trong khi phần lớn đối tượng có độ tg thấp hơn 5, thì có 2 đối tượng với tg
8.6.2 Histogram
Biểu đồ 9a. Trục tung là số bệnh nhân (đối tượng nghiên cứu) và trục hoành là độ tuổi. Chẳng hạn như tuổi 40 đến 45 có 6 bệnh nhân, từ 70 đến 80 tuổi có 4 bệnh nhân.
Biểu đồ 9b. Thêm tên biểu đồ và tên của trục trung và trục hoành bằng xlab và ylab.
Age là một biến số liên tục. Để vẽ biểu đồ tần số của biến số age, Chúng ta chỉ đơn giản lệnh hist(age). Như đã đề cập trên, chúng ta có thể cải tiến đồ thị này bằng cách cho thêm tựa đề chính (main) và tựa đề của trục chúng ta chỉ đơn giản lện hist (age. Như đã đề cập trên, chúng ta có thể cải tiến đồ thị này bằng cánh cho thêm tựa đề chính (main) và tựa đề của trục hoành (xlab) và trục tung (ylab):
hist(age)
hist(age, main=”Frequency distribution by age group”, xlab=”Age group”, ylab=”No of patients”)
Chúng ta cũng có thể biến đổi biểu đồ thành một đồ thị phân phối xác suất bằng hàm
plot(density) như sau (kết quả trong Biểu đồ 10a):
plot(density(age),add=TRUE)
Biểu đồ 10a. Xác suất phân phối mật độ cho biến age (độ tuổi).
Biểu đồ 10b. Xác suất phân phối mật độ cho biến age (độ tuổi) với nhiều interquartile.
Chúng ta có thể vẽ hai đồ thị chồng lên bằng cách dùng hàm interquartile như sau (kết quả xem Biểu đồ 10b):
diff(summary(age)[c(2,5)])
density(age, width=0.5*iqr)
hist(age, xlim=range(des$x), probability=TRUE)
lines(des, lty=2)
Trong đồ thị trên, chúng ta dùng khoảng cách
0.5*iqr (tương đối “gần” nhau). Nhưng chúng ta có thể biến đổi thông số này thành 1.5*iqr để làm cho phân phối thực tế hơn:
diff(summary(age)[c(2,5)])
density(age, width=1.5*iqr)
hist(age, xlim=range(des$x), probability=TRUE)
lines(des, lty=2)
Chúng ta có thể biến đổi biểu đồ thành một đồ thị phân phối xác suất tích lũy (cumulative distribution) bằng hàm plot
và
sort như sau:
length(age)
plot(sort(age), (1:n)/n, type=”s”, ylim=c(0,1))
Kết quả được trình bày trong phần trái của biểu đồ sau đây (Biểu đồ 11).
Biểu đồ 11. Xác suất phân phối mật độ cho biến age (độ tuổi).
Biểu đồ 12. Kiểm tra biến age có theo luật phân phối chuẩn hay không.
Trong đồ thị trên, trục tung là xác suất tích lũy và trục hoành là độ tuổi từ thấp đến cao. Chẳng hạn như nhìn qua biểu đồ, chúng ta có thể thấy khoảng 50% đối tượng có tuổi thấp hơn 60.
Để biết xem phân phối của age có theo luật phân phối chuẩn (normal distribution) hay không chúng ta có thể sử dụng hàm qqnorm.
qqnorm(age)
Trục hoành của biểu đồ trên là định lượng theo luật phân phối chuẩn (theoretical quantile) và trục hoành định lượng của số liệu (sample quantiles). Nếu phân phối của age theo luật phân phối chuẩn, thì đường biểu diễn phải theo một đường thẳng chéo 45 độ (tức là định lượng phân phối và định lượng số liệu bằng nhau). Nhưng qua Biểu đồ 12, chúng ta thấy phân phối của age không hẳn theo luật phân phối chuẩn.
8.6.3 Biểu đồ hộp (boxplot)
Để vẽ biểu đồ hộp của biến số tc, chúng ta chỉ đơn giản lệnh:
boxplot(tc, main=”Box plot of total cholesterol”, ylab=”mg/L”)
Biểu đồ 13. Trong biểu đồ này, chúng ta thấy median (trung vị) khoảng 5.6 mg/L, 25% total cholesterol thấp hơn 4.1, và 75% thấp hơn 6.2. Total cholesterol thấp nhất là khoang 3, và cao nhất là trên 8 mg/L.
Trong biểu đồ sau đây, chúng ta so sánh tc giữa hai nhóm nam và nữ:
boxplot(tc ~ sex, main=”Box plot of total cholestrol by sex”, ylab=”mg/L”)
Kết quả trình bày trong Biểu đồ 14a. Chúng ta có thể biến đổ giao diện của đồ thị bằng cách dùng thông số
horizontal=TRUE và thay đổi màu bằng thông số col như sau (Biểu đồ 14b):
boxplot(tc~sex, horizontal=TRUE, main=”Box plot of total cholesterol”, ylab=”mg/L”, col = “pink”)
Biểu đồ 14a. Trong biểu đồ này, chúng ta thấy trung vị của total cholesterol ở nữ giới thấp hơn nam giới, nhưng độ dao động giữa hai nhóm không khác nhau bao nhiêu.
Biểu đồ 14b. Total cholesterol cho từng giới tính, với màu sắc và hình hộp nằm ngang.
8.6.4 Biểu đồ thanh (bar chart)
Để vẽ biểu đồ thanh của biến số bmi, chúng ta chỉ đơn giản lệnh:
barplot(bmi, col=”blue”)
Biểu đồ 15. Biểu đồ thanh cho biến bmi.
8.6.5 Biểu đồ điểm (dotchart)
Một đồ thị khác cung cấp thông tin giống như barplot
là
dotchart:
dotchart(bmi, xlab=”Body mass index (kg/m^2)”,
main=”Distribution of BMI”)
Biểu đồ 16. Biểu đồ điểm biến bmi.
8.7 Phân tích biểu đồ cho hai biến liên tục
8.7.1 Biểu đồ tán xạ (scatter plot)
Để tìm hiểu mối liên hệ giữa hai biến, chúng ta dùng biểu đồ tán xạ. Để vẽ biểu đồ tán xạ về mối liên hệ giữa biến số tc và hdl, chúng ta sử dụng hàm plot. Thông số thứ nhất của hàm plot là trục hoành (x-axis) và thông số thứ 2 là trục tung. Để tìm hiểu mối liên hệ giữa tc và hdl chúng ta đơn giản lệnh:
hdl)
Biểu đồ 17. Mối liên hệ giữa tc và hdl. Trong biểu đồ này, chúng ta vẽ biến số hdl
trên trục tung và tc trên trục hoành.
Chúng ta muốn phân biệt giới tính (nam và nữ) trong biểu đồ trên. Để vẽ biểu đồ đó, chúng ta phải dùng đến hàm ifelse. Trong lệnh sau đây, nếu sex==”Nam”
thì vẽ kí tự số 16 (ô tròn), nếu không nam thì vẽ kí tự số 22 (tức ô vuông):
plot(hdl, tc, pch=ifelse(sex==”Nam”, 16, 22))
Kết quả là biểu đồ 18a. Chúng ta cũng có thể thay kí tư thành “M” (nam) và “F” nữ(xem biểu đồ 18b):
plot(hdl, tc, pch=ifelse(sex==”Nam”, “M”, “F”))
Biểu đồ 18a. Mối liên hệ giữa tc và hdl theo từng giới tính được thể hiện bằng hai kí hiệu dấu.
Biểu đồ 18a. Mối liên hệ giữa tc và hdl theo từng giới tính được thể hiện bằng hai kí tự.
Chúng ta cũng có thể vẽ một đường biểu diễn hồi qui tuyến tính (regression line) qua các điểm trên bằng cách tiếp tục ra các lệnh sau đây:
plot(hdl ~ tc, pch=16, main=”Total cholesterol and HDL cholesterol”, xlab=”Total cholesterol”, ylab=”HDL cholesterol”, bty=”l”)
lm(hdl ~ tc)
abline(reg)
Kết cũng có thể dùng hàm trơn (smooth function) để biểu diễn mối liên hệ giữa hai biến số. Đồ thị sau đây sử dụng lowess (một hàm thông thường nhất) trong việc “làm trơn” số liệu tc và hdl (Biểu đồ 19b).
plot(hdl ~ tc, pch=16,
main=”Total cholesterol and HDL cholesterol with
LOEWSS smooth function”,
xlab=”Total cholesterol”,
ylab=”HDL cholesterol”,
bty=”l”)
lines(lowess(hdl, tc, f=2/3, iter=3), col=”red”)
Biểu đồ 19a. Trong lệnh trên,
reg<-lm(hdl~tc) có nghĩa là tìm phương trình liên hệ giữa hdl và tc bằng linear model (lm) và đạt kết quả vào đối tượng reg. Lệnh thứ hai
abline(reg) yêu cầu R vẽ đường thẳng từ phương trình trong reg
Biểu đồ 19b. Thay vì dùng abline, chúng ta dùng hàm lowess để thể hiện mối liên hệ giữa tc và hdl.
Bạn đọc có thể thí nghiệm với nhiều thông số
f=1/2,f=2/5, hay thậm chí f=1/10
8.8 Phân tích Biểu đồ cho nhiều biến: pairs
Chúng ta có thể tìm hiểu mối liên hệ giữa các biến số như age, bmi, hdl, ldl và tc bằng cách dùng lệnh pairs. Nhưng trước hết, chúng ta phải đưa các biến số này vào một data.frame chỉ gồm những biến số có thể vẽ được, và sau đó sử dụng hàm pairs trong R.
data.frame(age,bmi,hdl,ldl,tc)
pairs(lipid, pch=16)
Kết quả sẽ là:
Biểu chúng tôi (do một tác giả trên mạng soạn) sau đây để cho ra nhiều thông tin thú vị.
chúng tôi <- function(x, y, digits=2, prefix=””, cex.cor)
{
usr <- par(“usr”); on.exit(par(usr))
par(usr = c(0, 1, 0, 1))
r <- abs(cor(x, y))
txt <- format(c(r, 0.123456789), digits=digits)[1]
txt <- paste(prefix, txt, sep=””)
if(missing(cex.cor)) cex <- 0.8/strwidth(txt)
test <- cor.test(x,y)
# borrowed from printCoefmat
Signif <- symnum(test$p.value, corr = FALSE, na = FALSE,
cutpoints = c(0, 0.001, 0.01, 0.05, 0.1, 1),
symbols = c(“***”, “**”, “*”, “.”, ” “))
text(0.5, 0.5, txt, cex = cex * r)
text(.8, .8, Signif, cex=cex, col=2)
}
Chúng ta quay lại với dữ liệu lipid bằng cách gọi hàm chúng tôi như sau:
pairs(lipid,lower.panel=panel.smooth, upper.panel=matrix.cor)
Đồ thị này cung cấp cho chúng ta tất cả hệ số tương quan giữa tất cả các biến số. Chẳng hạn như, hệ số tương quan giữa age và bmi quá thấp và không có ý nghĩa thống kê; giữa age
và hdl
hay giữa age và hdl cũng không có ý nghĩa thống kê; nhưng giữa age và tc thì bằng 0.22. Hệ số tương quan cao nhất là giữa ldl và tc (0.65) và hdl và tc (0.62). Giữ hdl và ldl, hệ số tương quan chỉ 0.35, nhưng có ý nghĩa thống kê (có sao).
Chú ý biểu đồ trên chẳng những cung cấp hai thông tin chính (hệ số tương quan hay correlation coefficient, và vẽ biểu đồ tán xạ cho từng cặp biến số), mà còn cho biết hệ số tương quan nào có ý nghĩa thống kê (những kí hiệu sao). Hệ số tương quan càng cao, kích thước của font chữ càng lớn.
8.9 Một số biểu đồ “đa năng”
8.9.1 Biểu đồ tán xạ và hình hộp
Như trên đã trình bày, biểu đồ tán xạ giúp cho chúng ta hình dung ra mối liên hệ giữa hai biến số liên tục như độ tuổi age và hdl chẳng hạn. Và để làm việc này, chúng ta dùng hàm plot. Để tìm hiểu phân phối cho từng biến age hay hdl chúng ta có thể dùng hàm boxplot. Nhưng nếu chúng ta muốn xem phân phối của hai biến và đồng thời mối liên hệ giữa hai biến, thì chúng ta cần phải viết một vài lệnh để thực hiện việc này. Các lệnh sau đây age và hdl, đồng thời vẽ biểu đồ hình hộp cho từng biến.
op <- par()
layout( matrix( c(2,1,0,3), 2, 2, byrow=T ),
c(1,6), c(4,1),
)
par(mar=c(1,1,5,2))
plot(hdl ~ age,
xlab=”, ylab=”,
las = 1,
pch=16)
rug(side=1, jitter(age, 5) )
rug(side=2, jitter(hdl, 20) )
title(main = “Age and HDL”)
par(mar=c(1,2,5,1))
boxplot(hdl, axes=F)
title(ylab=’HDL’, line=0)
par(mar=c(5,1,1,2))
boxplot(age, horizontal=T, axes=F)
title(xlab=’Age’, line=1)
par(op)
Và kết quả là:
8.9.2 Biểu đồ tán xạ với kích thước biến thứ ba
Biểu đồ trên thể hiện mối liên hệ giữa age và hdl, với mỗi điểm chấm có kích thước nhau. Nhưng chúng ta biết rằng hdl cũng có liên hệ với triglyceride (tg). Để thể hiện một phần nào mối liên hệ 3 chiều này, một cách làm là vẽ kích thước của điểm tùy theo giá trị của tg. Chúng ta sẽ sử dụng thông số cex đã bàn trong phần đầu để vẽ mối liên hệ ba chiều này như sau:
plot(age, hdl, cex=tg,
pch=16,
col=”red”,
xlab=”Age”, ylab=”HDL”,
main=”Bubble plot”)
8.9.3 Biểu đồ thanh và xác suất tích lũy
Để vẽ biểu đồ tần số của một biến liên tục chúng ta chủ yếu sử dụng hàm hist. Hàm này cho ra kết quả tần số cho từng nhóm (như nhóm độ tuổi chẳng hạn). Nhưng đôi khi chúng ta cần biết cả xác suất tích lũy cho từng nhóm, và muốn vẽ cả hai kết quả trong một biểu đồ. Để làm việc này chúng ta cần phải viết một hàm bằng ngôn ngữ R. Hàm sau đây được gọi là pareto (tất nhiên bạn đọc có thể cho một tên khác) được soạn ra để thực hiện mục tiêu trên. Mã cho hàm pareto như sau:
pareto <- function (x, main = “”, ylab = “Value”)
{
op <- par(mar = c(5, 4, 4, 5) + 0.1, las = 2)
if( ! inherits(x, “table”) ) {
x <- table(x)
}
x <- rev(sort(x))
plot(x, type = ‘h’, axes = F, lwd = 16,
xlab = “”, ylab = ylab, main = main)
axis(2)
points(x, type = ‘h’, lwd = 12,
col = heat.colors(length(x)) )
y <- cumsum(x)/sum(x)
par(new = T)
plot(y, type = “b”, lwd = 3, pch = 7,
axes = FALSE,
xlab=”, ylab=”, main=”)
points(y, type = ‘h’)
axis(4)
par(las=0)
mtext(“Cumulated frequency”, side=4, line=3)
print(names(x))
axis(1, at=1:length(x), labels=names(x))
par(op)
}
Bây giờ chúng ta sẽ áp dụng hàm pareto vào việc vẽ tần số cho biến tg (triglyceride) như sau. Trước hết, chúng ta chia tg thành 10 nhóm bằng cách dùng hàm cut và cho kết quả vào đối tượng tg.group.
Kế đến, chúng ta ứng dụng hàm pareto:
[1] “(0.695,1.25]” “(2.35,2.9]” “(1.25,1.8]” “(2.9,3.45]” “(1.8,2.35]”
[6] “(3.45,4]” “(5.65,6.21]” “(5.1,5.65]” “(4.55,5.1]” “(4,4.55]”
cumulated frequencies”)
Trong biểu đồ này, chúng ta có hai trục tung. Trục tung phía trái là tần số (số bệnh nhân) cho từng nhóm tg, và trục tung bên phải là tần số tích lũy tích bằng xác suất (do đó, số cao nhất là 1).
8.9.4 Biểu đồ hình đồng hồ (clock plot)
Biểu đồ hình đồng hồ, như tên gọi là biểu đồ dùng để vẽ một biến số liên tục bằng kim đồng hồ. Tức là thay vì thể hiện bằng cột hay bằng dòng, biểu đồ này thể hiện bằng đồng hồ. Hàm sau đây (clock) được soạn để thực hiện biểu đồ hình đồng hồ:
chúng tôi <- function (x, col = rainbow(n), …) {
if( min(x)<0 ) x <- x – min(x)
if(
n <- length(x)
if(is.null(names(x))) names(x) <- 0:(n-1)
m <- 1.05
plot(0,
type = ‘n’, # do not plot anything
xlim = c(-m,m), ylim = c(-m,m),
axes = F, xlab = ”, ylab = ”, …)
a <- pi/2 – 2*pi/200*0:200
polygon( cos(a), sin(a) )
v <- .02
a <- pi/2 – 2*pi/n*0:n
segments( (1+v)*cos(a), (1+v)*sin(a),
(1-v)*cos(a), (1-v)*sin(a) )
segments( cos(a), sin(a),
0, 0,
col = ‘light grey’, lty = 3)
ca <- -2*pi/n*(0:50)/50
for (i in 1:n) {
a <- pi/2 – 2*pi/n*(i-1)
b <- pi/2 – 2*pi/n*i
polygon( c(0, x[i]*cos(a+ca), 0),
c(0, x[i]*sin(a+ca), 0),
col=col[i] )
v <- .1
text((1+v)*cos(a), (1+v)*sin(a), names(x)[i])
}
}
Chúng ta sẽ ứng dụng hàm clock để vẽ biểu đồ cho biến ldl như sau:
main = “Distribution of LDL”)
Và kết quả là:
8.9.5 Biểu đồ với sai số chuẩn (standard error)
Trong biểu đồ sau đây, chúng ta có 5 nhóm (biến số x được mô phỏng chứ không phải số liệu thật), và mỗi nhóm có giá trị trung bình mean, và độ tin cậy 95% (lcl và ucl). Thông thường
lcl=mean-1.96*SE và ucl = mean+1.96*SE (SE là sai số chuẩn). Chúng ta muốn vẽ biểu đồ cho 5 nhóm với sai số chuẩn đó. Các lệnh và hàm sau đây sẽ cần thiết:
c(1,2,3,4,5)
c(1.1, 2.3, 3.0, 3.9, 5.1)
c(0.9, 1.8, 2.7, 3.8, 5.0)
c(1.3, 2.4, 3.5, 4.1, 5.3)
plot(group, mean, ylim=range(c(lcl, ucl)))
arrows(group, ucl, group, lcl, length=0.5, angle=90, code=3)
Sau đây là một mô phỏng khác. Chúng ta tạo ra 10 giá trị x và y theo luật phân phối chuẩn, và 10 giá trị sai số theo luật phân phối đều (se.x và se.y uniform distribution).
rnorm(10)
rnorm(10)
runif(10)
runif(10)
ypch=22)
arrows(x, y-se.y, x, y+se.y, code=3, angle=90, length=0.1)
8.9.6 Biểu đồ vòng (contour plot)
R có thể vẽ các đồ thị vòng với nhiều hình dạng khác nhau, tùy theo ý thích và dữ liệu. Trong các lệnh sau đây, chúng ta sử dụng kĩ thuật mô phỏng để vẽ đồ thị vòng cho ba biến số x, y và z.
50
seq(-1, 1, length=N)
seq(-1, 1, length=N)
matrix(x, nr=N, nc=N)
matrix(y, nr=N, nc=N, byrow=TRUE)
1 / (1 + xx^2 + (yy + .2 * sin(10*yy))^2)
contour(x, y, z, main = “Contour plot”)
Đồ thị này có thể chuyển thành một hình (image) bằng hàm image.
Một vài thay đổi nhỏ nhưng quan trọng:
xlab=”x”,
ylab=”y”)
contour(x, y, z, lwd=3, add=TRUE)
Sau đây là một vài thay đổi để vẽ biểu đồ theo hàm số sin và 3 chiều. Đồ thị này tuy xem “hấp dẫn”, nhưng trong thực tế có lẽ ít sử dụng. Tuy nhiên, biểu đồ được trình bày ở đây để cho thấy tính đa dụng của R.
x
function(x,y) { r <- sqrt(x^2+y^2); 10 * sin(r)/r }
outer(x, y, f)
<- 1
par(bg = “white”, mar=c(0,2,3,0)+.1)
persp(x, y, z,
theta = 30, phi = 30,
expand = 0.5,
col = “lightblue”,
ltheta = 120,
shade = 0.75,
ticktype = “detailed”,
xlab = “X”, ylab = “Y”, zlab = “Sinc(r)”,
main = “The sinc function”
)
par(op)
8.9.10 Biểu đồ với kí hiệu toán
Đôi khi chúng ta cần vẽ biểu đồ với tựa đề có kí hiệu toán học. Trong đồ thị sau đây, chúng ta tạo ra một biến số x với 200 giá trị từ -5 đến 5, và . Để viết công thức trên, chúng ta cần sử dụng hàm expression như sau:
seq(-5,5,length=200)
sqrt(1+x^2)
plot(y~x, type=’l’, ylab=expression(sqrt(1+x^2)))
title(main=expression(“Graph of the function f”(x)==sqrt(1+x^2)))
Ngay cả tiếng Nhật cũng có thể thể hiện bằng R:
plot(1:9, type=”n”, axes=FALSE, frame=TRUE, ylab=””,
main= “example(Japanese)”, xlab= “using Hershey fonts”)
par(cex=3)
c(“serif”, “plain”)
2, “\#J2438\#J2421\#J2451\#J2473”, vfont = Vf)
4, “\#J2538\#J2521\#J2551\#J2573”, vfont = Vf)
6, “\#J467c\#J4b5c”, vfont = Vf)
8, “Japan”, vfont = Vf)
par(cex=1)
2, “Hiragana”)
4, “Katakana”)
6, “Kanji”)
8, “English”)
Chương này chỉ giới thiệu một số biểu đồ thông thường trong nghiên cứu khoa học. Ngoài các biểu đồ thông dụng này, R còn có khả năng vẽ những đồ thị phức tạp và tinh vi hơn nữa. Hiện nay, R có một package tên là lattice có thể vẽ những biểu đồ chất lượng cao hơn.
lattice, cũng như bất cứ package nào của R, đều miễn phí, có thể tải về máy tính và cài đặt để sử dụng khi cần thiết.
Hướng Dẫn Phân Tích Biểu Đồ Hình Nến
Phân tích biểu đồ hình nến là một kỹ thuật trade coin cực kỳ quan trọng. Bài viết này sẽ hướng dẫn bạn phân tích biểu đồ hình nến để nắm bắt được xu hướng tăng giảm của thị trường, tâm lý của thị trường để đưa ra quyết định chính xác nhất thời điểm đầu tư hợp lý nhất.
Biểu đồ hình nến là gì?
Biểu đồ nến trong chart chính là những công cụ để thể hiện về sự tăng, giảm, mức giá cao nhất, thấp nhất trong một khoảng thời gian nhất định. Chính vì vậy, nếu các bạn muốn nâng cao kỹ thuật trade coin của mình thì việc tìm hiểu về nến là gần như bắt buộc.
Hiện tại trong trading, có 3 dạng đồ thị chính đang được sử dụng phổ biến:
Line chart (đồ thị đường).
Bar chart (đồ thị thanh).
Candlestick chart (đồ thị nến).
Mỗi dạng đồ thị nói trên thì đều có những ưu/nhược điểm riêng. Tuy nhiên, hiện nay đồ thị nến đang được sử dụng phổ biến nhất, trong cả chứng khoán, forex lẫn crypto. Đồ thị nến được hình thành từ những năm 1600, bắt nguồn từ Nhật Bản. Ban đầu, người Nhật dùng nó để phân tích giá gạo.
Mô hình nến Nhật chỉ thực sự được ứng dụng mạnh khi một người châu Âu có tên là “Steve Nison” đã “khám phá” kỹ thuật này của người Nhật và gọi nó là “Japanese Candlestick”. Ông đã có công lớn nghiên cứu với Candlestick và bắt đầu viết về nó. Phương pháp phân tích kỹ thuật này đã bắt đầu phổ biến vào những năm 90, đến bây giờ nó đã được sử dụng phổ biến nhất, trong cả chứng khoán, forex lẫn thị trường tiền điện tử bây giờ. Mỗi cây nến tiêu chuẩn sẽ bao gồm:
Đối với nến tăng (màu xanh), giá đóng cửa sẽ cao hơn giá mở cửa.
Đối với nến giảm (màu đỏ), giá đóng cửa sẽ thấp hơn giá mở cửa. Ngoài ra, phần giá phía trên cùng bóng nến sẽ là giá cao nhất, ngược lại với giá thấp nhất.Các bạn cần lưu ý, không phải bất kỳ cây nến nào cũng có đầy đủ cả thân nến và bóng nến.
Và những cây nến “thiếu tiêu chuẩn” hoặc “kì lạ” lại có nhiều ý nghĩa trong dự báo xu hướng.
Giá cũng chính là nội dung chủ yếu mà mọi loại biểu đồ hướng đến, trong đó có biểu đồ nến. Mức giá thể hiện sự liên hệ giữa người mua và người bán.
Đó là giá trị mà tại đó một người muốn mua và một người muốn bán. Họ mua và bán dựa trên sự mong đợi của họ vào sự biến động giá cả trong tương lai. Nếu họ mong đợi giá trong tương lai sẽ tăng, họ mua vào, ngược lại họ sẽ bán ra.
Các điểm giá cần quan tâm:
Giá mở cửa: Là mức giá giao dịch mua, bán đầu tiên trong phiên giao dịch.
Giá đóng cửa: Là mức giá giao dịch mua, bán cuối cùng trong phiên giao dịch đó là phiên chốt giá. Đây là mức giá có ý nghĩa quan trọng nhất và được sử dụng nhiều nhất trong phân tích kĩ thuật.
Giá thấp nhất: Là mức giá thấp nhất trong phiên giao dịch.
Giá cao nhất: Là mức giá cao nhất trong phiên giao dịch.
Các loại nến cơ bản
Nến Marubozu
Đặc điểm của Marubozu:
Marubozu là nến cường lực.
Thể hiện lực mua hoặc bán mạnh.
Thường xuất hiện trong thị trường tăng giá/giảm giá mạnh hoặc khi lực mua/lực bán tăng đột biến.
Khi ba cây nến marubozu liên tiếp xuất hiện, báo hiệu xu hướng lên/xuống mạnh.
Như các bạn có thể thấy, nến marubozu có thân nến dài. Điều này cho thấy có sự tăng giá/giảm giá mạnh (giá mở cửa và đóng cửa cách xa nhau). Bên cạnh đó, marubozu không có bóng nến. Điều này có nghĩa là giá thấp nhất/giá cao nhất trùng với giá mở cửa và giá đóng cửa.
Điều này cho thấy không có sự do dự của nhà đầu tư. Kết thúc chu kỳ giá, giá đóng cửa không quay đầu mà trùng ngay với giá cao nhất/thấp nhất.
Nến spining top
Nến Spining top (nến quay đầu) sẽ có các đặc điểm:
Thân ngắn, đuôi dài. (hình vẽ)
Biểu thị sự trung lập của thị trường.
Không có dấu hiệu đảo chiều.
Thân nến của spining top ngắn, cho thấy sự chênh lệch giữa giá đóng cửa và giá mở cửa là không cao. Bóng nến dài cho thấy sau khi đạt giá cao nhất/thấp nhất (trong kỳ đánh giá) thì giá đã “hồi lại” khá nhiều.
Do đó khi spining top xuất hiện thì chỉ cho thấy sự trung lập, lưỡng lự của nhà đầu tư. Các bạn không nên đưa ra quyết định mua hoặc bán vào thời điểm này.
Method Formation/ Mẫu hình 3 nến
Mẫu hình nến này có đặc điểm sau:
Sau 1 thân nến xanh dài là 3 nến đỏ nhỏ, nằm trong thân nến xanh trước.
Tiếp theo là một nến xanh dài khác.
Cho thấy sự tiếp tục của xu hướng tăng
Sau 1 nến xanh tăng dài, thị trường đã có sự điều chỉnh bằng 3 nến đỏ liên tục. Tuy nhiên sự điều chỉnh này yếu và không thể cản đà tăng của nến xanh trước.
Tiếp theo lại tiếp tục xuất hiện 1 nến xanh dài khác. Điều này có nghĩa là sự điều chỉnh chỉ là tạm thời, xu hướng tăng vẫn tiếp tục.
Bearish Engulfing & Bullish Engulfing
Các bạn có thể thấy trong mô hình nến này có đặc điểm:
Mẫu hình hình thành khi có một nến dài đỏ xuất hiện, bao trùm lấy nến xanh ở trước.
Có ý nghĩa khi xuất hiện sau một xu hướng tăng mạnh, báo hiệu khả năng giảm tiếp theo.
Sau 1 xu hướng tăng mạnh, giá thường có xu hướng back-test (giảm trở lại). Tuy nhiên, khi xuất hiện nến đỏ dài bao trùm nến xanh trước, thì sự hồi giá này có thể diễn ra mạnh. Đây là lúc các nhà đầu tư mua ở giá thấp bán ra nhiều.
Nến Hammer (nến búa) & Hangingman (nến treo cổ)
Đây là một trong những dạng nến thường gặp, có ý nghĩa dự báo hoặc xác nhận sự suy yếu cũng như đảo chiều của thị trường.
Nến Inverted hammer & Shooting star
Đặc điểm của dạng nến này:
Có thân nến nhỏ (hoặc có thể rỗng).
Không có bóng nến trên, bóng dưới dài, gấp 2, 3 lần thân nến hoặc hơn.
Tùy vào việc xuất hiện ở đâu mà nó có tên gọi khác nhau. Nếu xuất hiện ở đáy xu hướng giảm thì là nến búa hammer, nếu xuất hiện ở đỉnh xu hướng tăng thì là nến treo cổ hangingman.
Dự báo hoặc xác nhận sự suy yếu, đảo chiều của thị trường.
Trên hình mình vẽ đại diện hai màu, chứ không có nghĩa nhất thiết Hammer phải là màu xanh, Hangingman phải là màu đỏ. Việc gọi tên nó chỉ phụ thuộc vào vị trí, không phụ thuộc vào việc là nến tăng hay nến giảm.
Mình sẽ phân tích trường hợp Hammer (xuất hiện ở đáy một xu hướng giảm).
Sau khi thị trường giảm mạnh, nến búa xuất hiện báo hiệu sự thắng thế của áp lực mua. Giá đóng cửa bị đẩy lên sát với giá mở cửa cho thấy nhà đầu tư đã bắt đầu mua vào mạnh.
Bóng nến dưới dài cho thấy khoảng cách giữa giá thấp nhất với giá mở cửa, giá đóng cửa và giá cao nhất lớn. Điều này báo hiệu thị trường đã mua vào và đẩy giá lên.
Đặc điểm:
Có thân nến nhỏ (hoặc có thể rỗng).
Không có bóng nến dưới, bóng trên dài, gấp 2, 3 lần thân nến hoặc hơn.
Tùy vào việc xuất hiện ở đâu mà nó có tên gọi khác nhau. Nếu xuất hiện ở đáy xu hướng giảm thì là nến búa ngược Invested Hammer, nếu xuất hiện ở đỉnh xu hướng tăng thì là nến sao băng Shooting star.
Dự báo sự đảo chiều của xu hướng.
Phân tích dạng nến này cũng tương tự như dạng Hammer ở trên. Tuy nhiên bạn cần lưu ý rằng dạng nến này chỉ báo hiệu, mang tính chất dự đoán chứ không xác nhận.
Thay vì có đầy đủ thân nến và bóng nến, Doji chỉ có bóng nến. Điều này cho thấy giá đóng cửa và giá mở cửa của Doji gần như bằng nhau. Do vậy, nhìn nến Doji tựa như một cây kiếm sắc bén. Chính vì vậy, các nhà đầu tư nói vui rằng nó dễ dàng tiêu diệt bò hoặc gấu. Nếu các bạn chưa biết thì bò đại diện cho sự tăng giá (bullish), gấu đại diện cho sự giảm giá (bearish).
Giá đóng cửa và giá mở cửa trùng nhau, cho thấy sự do dự của thị trường
Tương tự như nến spinning top, tuy nhiên mức độ do dự mạnh hơn
Khi Doji xuất hiện trong các mẫu hình nến nhất đinh, báo hiệu xu hướng đảo chiều khá rõ, dùng để bắt đỉnh, đáy.
Các dạng Doji thông dụng
Tùy vào hình dạng mà người ta đặt tên cho các loại nến Doji. Mình sẽ giải thích dễ hiểu nhất như sau:
Doji chân dài (Long – Legged Doji): Có bóng trên và bóng dưới rất dài.
Doji chuồn chuồn (Dragonfly Doji): Không có bóng nến trên hoặc bóng nên trên rất ngắn, bóng dưới dài. Giá thấp nhất thấp hơn rất nhiều so với giá cao nhất, giá mở cửa và giá đóng cửa.
Doji bia mộ (Gravestone Doji): Có bóng trên dài, không có bóng dưới hoặc rất ngắn. Giá thấp nhất, giá mở cửa và giá đóng cửa trùng nhau.
Doji sao trời: bóng trên, bóng dưới ngắn, tạo thành hình chữ thập nhỏ.
Các trường hợp sử dụng nến Doji cụ thể
Trong một xu hướng tăng giá uptrend, khi Doji chân dài xuất hiện báo hiệu sự lưỡng lự của nhà đầu tư. Lúc này giá đóng cửa trở về đúng bằng giá mở cửa sau khi đã tăng lên cao (bóng nến trên dài). Các nhà đầu tư nghĩ rằng giá bây giờ đã cao, không thể tăng mạnh hơn nữa do đó giá đóng cửa có sự hồi lại.
Tuy nhiên, chỉ riêng việc Doji chân dài xuất hiện không đủ để bạn đưa ra quyết định. Hãy đợi cây nến tiếp theo như là một sự xác nhận. Như trong hình, nến đỏ đã xuất hiện và vượt qua giá thấp nhất của Doji chân dài (đường hỗ trợ). Điều này xác nhận sự đảo chiều của thị trường. Nếu như volume giao dịch trường hợp này tăng mạnh, sự đảo chiều càng chắc chắn.
Tương tự đối với trường hợp Doji chân dài xuất hiện tại đáy. Bạn lưu ý cần sự xác nhận vượt quá đường kháng cự cũng như kết hợp với các chỉ báo khác để đưa ra quyết định mua vào một cách chính xác.
Sử dụng nến Doji chuồn chuồn
Trong một xu hướng giảm, khi Doji chuồn chuồn xuất hiện, nó thể hiện cho việc lực mua tăng đột ngột. Áp lực mua thắng thế, cho nên sau khi giá chạm giá thấp nhất thì bị đẩy lên. Chính vì vậy, giá đóng cửa trở lại bằng với giá cao nhất.
Tiếp theo, khi cây nến tiếp theo xuất hiện và xác nhận bằng việc phá vỡ kháng cự tại mức giá đóng cửa, cho thấy khả năng cao đảo chiều. Đây là thời điểm tốt để bạn mua vào.
Có thể thấy Doji bia mộ sẽ là trường hợp ngược lại của Doji chuồn chuồn.
Trong một xu hướng tăng, khi Doji bia mộ xuất hiện thì cho thấy lực bán đã tăng mạnh. Giá đóng cửa lúc này bị đẩy về trùng với giá thấp nhất. Tuy nhiên tương tự như những trường hợp Doji khác, bạn cần cân nhắc theo dõi tiếp diễn biến, đợi xác nhận của thị trường. Nếu cây nến tiếp theo giảm mạnh qua ngưỡng kháng cự tại mức giá đóng cửa của Doji bia mộ, cho thấy khả năng cao thị trường sẽ đảo chiều. Đây là thời điểm tốt để bạn chốt lời, bán ra.
Cách sử dụng Doji sao trời
Doji sao trời là dạng doji khá hiếm xuất hiện. Do đó khi nó xuất hiện thì giá trị sử dụng thường rất lớn. Như hình trên, trong một xu hướng tăng, Doji sao trời xuất hiện và tạo khoảng cách với cây nến liền trước (khoảng cách này được tính bởi khoảng cách giữa 2 mức giá đóng cửa).
Top Các Loại Biểu Đồ Giúp Phân Tích &Amp; Minh Họa Dữ Liệu Tốt Nhất
Top các loại biểu đồ giúp phân tích & minh họa dữ liệu tốt nhất
Khi trang tính Excel không đủ để kết nối các mảng dữ liệu lại với nhau thì người phân tích dữ liệu không thể xây dựng các báo cáo. Khi ấy sự xuất hiện của các công cụ dịch vụ minh họa dữ liệu bằng các loại biểu đồ thống kê như một vị thần với đầy quyền năng hết mức có thể từ miễn phí đến có phí ưu đãi. Trong bài viết này mình sẽ giới thiệu với các bạn những gì cần thiết cho việc minh họa dữ liệu, phương pháp minh họa và phân tích dữ liệu đúng. Những công cụ hữu ích cho việc cập nhật số liệu theo thời gian thực mà không cần đến vai trò của kỹ thuật viên.
Tại sao cần minh họa dữ liệu?
Biểu đồ có khả năng kỳ diệu là biến các số trừu tượng thành trực quan đẹp có thể đọc được. Thông thường, những người làm báo cáo cảm thấy rối trong quá trình chọn biểu đồ phù hợp nhất để trực quan hóa dữ liệu. Để hỗ trợ người dùng về việc này, A1 Analytics cung cấp cho bạn những mẫu báo cáo có sẵn phù hợp với nhiều mục tiêu và kênh bán hàng hay Marketing khác nhau.
A1 chúng mình sẽ hướng dẫn những người mới bắt đầu làm báo cáo một cách đơn giản, cho phép bạn chọn biểu đồ tốt nhất để trực quan hóa dữ liệu của mình. Hướng dẫn này cũng cung cấp cho bạn thông tin chuyên sâu ở mức cao đằng sau công thức được A1 Digihub sử dụng để tự động đề xuất biểu đồ phù hợp nhất cho bạn.
Nếu bạn muốn bài đăng trên Facebook của bạn thu hút nhiều người đọc? Bạn sẽ làm cách gì?
Phần lớn mọi người đều tiếp thu qua hình ảnh hiển thị. Vì thế nếu bạn muốn đối tác, đồng nghiệp, khách hàng của bạn có thể tương tác với dữ liệu của bạn.
Tầm quan trọng của minh họa dữ liệu
Nếu một lượng lớn thông tin được chèn vào mà không có minh họa thành hình ảnh, khả năng người xem sẽ nhớ 70% thông tin.
Bên cạnh đó việc minh họa dữ liệu thích hợp cũng sẽ giúp ích rất nhiều cho công việc kinh doanh:
Nếu như bạn đang gặp các vấn đề
ĐÁNH GIÁ CHÍNH XÁC HOẠT ĐỘNG KINH DOANH
Tư vấn miễn phítìm hiểu thêm
Những nguyên tắc để minh họa thành công dữ liệu
Bước đầu tiên để minh họa dữ liệu là làm sạch chúng để đảm bảo tính chính xác và tính nhất quán về hình thức.
Ví dụ:
Giá trị cân bằng là 800% trong khi giá trị trung bình là 120-130%, bạn nên kiểm tra con số này. Có thể đây là các gía trị ngoại biên mà bạn nên xóa chúng để tránh làm lệch cả bức tranh tổng thể. Vì 800% là quá lớn và sẽ làm giảm sự khác biệt giữa 120-130%.
Giá trị ngoại biên kiểu này sẽ dẫn đến những quyết định sai lầm. Trong thực tế, chúng ta quen với việc chuyển thông điệp đúng đến đúng người và đúng thời điểm. Cũng có 3 nguyên tắc trong minh họa dữ liệu:
Xác định mục tiêu để chọn đồ thị minh họa đúng
Hiểu về khách hàng để chọn cách chuyển tải thông điệp phù hợp
Sử dụng giao diện thiết kế phù hợp cho các biểu đồ minh họa
Nếu thông điệp đúng thời điểm nhưng biểu đồ minh họa không trực quan và sống động hoặc insights rút ra không chính xác hoặc thiết kế khó nhìn. Bạn vẫn sẽ không nhận được kết quả như mong muốn.
Các loại biểu đồ minh họa và cách để lựa chọn sử dụng
Biểu đồ đường
Biểu đồ đường chỉ sự thay đổi của các biến theo thời gian qua các điểm dữ liệu.
Loại biểu đồ này hỗ trợ cho việc quan sát sự thay đổi của bộ dữ liệu qua thời gian. Ví dụ thống kê lượng người dùng vào 3 trang landing page hàng tháng trong một chu kỳ 1 năm. (hình)
Biểu đồ thanh là một dạng khác phù hợp cho việc so sánh bộ dữ liệu. Có 2 dạng là biểu đồ thanh đứng và thanh ngang. Không chỉ có tác dụng so sánh, biểu đồ thanh còn làm nổi bật giữa các biến qua các thanh có màu sắc và độ dài theo giá trị của dữ liệu.
Ví dụ như minh họa doanh thu của công ty thay đổi theo thời gian. (xem hình)
Biểu đồ Histogram thường bị nhầm lẫn với biểu đồ dạng thanh vì hình dạng của chúng khá giống nhau ở cách hiển thị dạng cột.
Tuy nhiên mục tiêu của chúng khác nhau dẫn đến hình thành 2 dạng biểu đồ riêng biệt như vậy.
Biểu đồ Histogram minh họa dữ liệu qua một khoảng thời gian liên tục và thời gian xác định. Trục Y bạn có thể thấy giá trị của tần suất và trục X thể hiện giá trị liên tục của thời gian. (hình)
Không như biểu đồ Histogram, biểu đồ thanh không chỉ các giá trị liên tục mà mỗi cột thể hiện một loại thuộc tính cần để minh họa.
Khi minh họa số lượng người mua hàng trong những năm khác nhau thì sử dụng biểu đồ thanh sẽ phù hợp hơn.
Tuy nhiên, nếu bạn muốn biết số lượng khách hàng yêu cầu đơn hàng trong các giá trị như $10–100, $101–200, $201–300 bạn sẽ dùng biểu đồ Histogram.
Phân phối điểm
Biểu đồ phân phối điểm thể hiện sự kết nối giữa các điểm trong dữ liệu.
Ví dụ, bạn có thể thấy tỷ lệ chuyển đổi thay đổi theo kích cỡ của sản phẩm giảm giá. (xem hình)
Biểu đồ bong bóng
Đây là dạng biểu đồ bong bóng cho phép thể hiện 3 biến và so sánh các giá trị của 1 biến dựa trên 2 biến còn lại.
Ví dụ: 2 biến tỷ lệ chuyển đổi và giảm giá đại diện ở 2 cột X và Y. Biến minh họa trên mặt phẳng là doanh thu, được chỉ ra bởi các hình tròn và kích cỡ của chúng tùy theo giá trị doanh thu. (hình)
Biểu đồ địa lý
Biểu đồ địa lý là một cách minh họa được đánh giá là đơn giản. Khi được sử dụng, chúng sẽ minh họa cho các giá trị của các vùng, quốc gia, lục địa. (hình)
Biểu đồ tròn
Biểu đồ tròn thể hiện thị phần của mỗi giá trị trong tập dữ liệu.
Loại biểu đồ này hữu ích trong việc thể hiện cấu thành của bộ dữ liệu.
Ví dụ, minh họa phần trăm tổng doanh thu của mỗi loại sản phẩm. (hình)
Biểu đồ hình tròn là loại biểu đồ phổ biến được áp dụng trong mọi báo cáo của của doanh nghiệp. Các bạn có thể dễ dàng nắm bắt thông tin nhờ vào các khối tròn được trực quan hóa từ dữ liệu. Rất dễ nắm bắt đúng không nào!
Một mẫu báo cáo hoàn chỉnh bao gồm
Bảng báo cáo trên là sự kết hợp đa dạng biểu đồ, cách thể hiện này sẽ giúp cho người xem một cách khoa học và sinh động. Ngoài ra, để người xem báo cáo dễ hiểu, bạn sẽ phải đi từ yếu tố “Tổng quan” cho đến “Chi tiết”. Ví dụ: ở bảng báo cáo trên, phần đầu tiên mình nêu ra những con số tổng quan, để người xem hiểu được sơ qua về hiệu quả mà chiến dịch mang lại, sau đó đến phần chi tiết, sẽ diễn giải được tại sao có những con số đó và những chỉ số nào cần nên phải cải thiện,…
Những “tip” bên trên mình đã nêu ra để giúp các bạn xây dụng một mẫu báo cáo hoàn chỉnh. Tuy nhiên, giờ đây các bạn không cần phải “đau đầu” hay phải “tốn quá nhiều thời gian” để tạo một mẫu báo cáo. A1 Analytics sẽ giúp bạn giải quyết những nỗi đau trên bằng những bộ báo cáo “siêu xịn” và lại “MIỄN PHÍ”.
Mẫu báo cáo tổng quan hiệu quả Facebook Ads
SỬ DỤNG NGAY!
Mẫu báo cáo hiệu quả kênh Google Ads
Mẫu báo cáo hiệu quả Fanpage Facebook
SỬ DỤNG NGAY!
Biểu Đồ Phân Bố Tần Số (Histograms)
Biểu đồ phân bố tần số (còn được gọi là biểu đồ phân bố mật độ, biểu đồ cột) dùng để đo tần số xuất hiện của một vấn đề nào đó, cho ta thấy rõ hình ảnh sự thay đổi, biến động của một tập dữ liệu.
Biểu đồ này do nhà thống kê người pháp, Andre Michel Guerry giới thiệu trong buổi thuyết trình vào năm 1833 để mô tả sự phân tích của ông về số liệu tội phạm theo từng tiêu chí giúp người nghe dễ dàng hình dung vấn đề.
Trong biểu đồ phân bố tần số, trục hoành biểu thị các giá trị đo; trục tung biểu thị số lượng các chi tiết hay số lần xuất hiện; bề rộng của mỗi cột bằng khoảng phân lớp; chiều cao của mỗi cột nói lên số lượng chi tiết (tần số) tương ứng với mỗi phân lớp.
Ba đặc trưng quan trọng của biểu đồ phân bố tần số là tâm điểm, độ rộng, độ dốc.
Cung cấp thông tin trực quan về biến động của quá trình, tạo hình đặc trưng “nhìn thấy được” từ những con số tưởng chừng vô nghĩa. là công cụ hữu ích khi cần phân tích dữ liệu lớn.
Thông qua hình dạng phân bố so sánh được các giá trị tiêu chuẩn với phân bố của biểu đồ, tổ chức có thể kiểm tra và đánh giá khả năng của các yếu tố đầu vào, kiểm soát quá trình, phát hiện sai sót.
. Số lớp (số khoảng) là một số nguyên, thường được ước lượng bằng nhiều công thức khác nhau dựa vào kinh nghiệm và tùy thuộc vào đặc điểm của hiện tượng nghiên cứu.
Theo Douglas C.Montgomery: k =√n
. Độ rộng của một lớp (h): h = R/k
để thuận tiện cho việc tính toán, h thường được làm tròn số (theo hướng tăng lên) và khi đó số lớp (k) cũng thay đổi theo.
– Xác định biên độ trên (BĐT) và Biên độ dưới (BĐ D) của các lớp.
. Tiếp tục như thế cho những lớp tiếp theo cho tới lớp cuối cùng chứa giá trị đo lớn nhất.
– Lập bảng tần suất.
. Tính giá trị trung tâm của từng lớp.
. Đếm số dữ liệu xuất hiện trong mỗi lớp.
Bước 3: Vẽ biểu đồ phân bố tần số.
Đánh dấu trục hoành theo thang giá trị số liệu, trục tung theo thang tần số (số lần hoặc phần trăm số lần xuất hiện). Vẽ các cột tương ứng với các giới hạn của lớp, chiều cao của cột tương ứng với tần số lớp.
4. Cách đọc biểu đồ phân bố tần số.
Có 2 phương pháp cơ bản về cách đọc biểu đồ tần số.
– Cách thứ nhất: dựa vào dạng phân bố
Biểu đồ phân bố thường có dạng phân bố đối xứng, hình chuông. Chính vì thế, hình dạng, “độ trơn” của biểu đồ được dùng để đánh giá khả năng của quá trình nhằm phát hiện ra những nguyên nhân đặc biệt đang tác động đến quá trình từ đó đưa ra các điều chỉnh, cải tiến cụ thể cho quá trình.
– Cách thứ hai: So sánh các giá trị tiêu chuẩn với phân bố của biểu đồ. Ta đưa ra các so sánh tỉ lệ phế phẩm so với tiêu chuẩn; giá trị trung bình có trùng với đường tâm của hai giới hạn không; hình dạng biểu đồ lệch qua phải hay qua trái từ đó đưa ra quyết định làm giảm sự phân tán hay xét lại tiêu chuẩn.
5. Ví dụ. Chúng ta thu thập dữ liệu của 100 ngày đi làm, thời gian lái xe đến văn phòng như sau:
Dữ liệu cho thấy rằng chuyến lâu nhất là 32 phút, chuyến nhanh nhất là 15 phút. Trừ hai chuyến kể trên thì tất cả rơi vào giữa 15 và 25 phút.
Từ đó ta xác định được biểu đồ phân bố tần số như sau:
Đơn vị: % biến dạng.
Yêu cầu: vẽ biểu đồ phân bố tần số và cho nhận xét.
Nhận xét: Đây là biểu đồ dạng răng cưa.
Bạn đang đọc nội dung bài viết Vietsciences; Nguyễn Văn Tuấn; Nguyen Van Tuan;Phân Tích Số Liệu Bằng Biểu Đồ ; Hướng Dẫn Phân Tích Số Liệu Và Vẽ Biểu Đồ Bằng R ; Science, Khoa Hoc, Khoahoc, Tin Hoc, Informatique;Computer; Vat Ly; P trên website Techcombanktower.com. Hy vọng một phần nào đó những thông tin mà chúng tôi đã cung cấp là rất hữu ích với bạn. Nếu nội dung bài viết hay, ý nghĩa bạn hãy chia sẻ với bạn bè của mình và luôn theo dõi, ủng hộ chúng tôi để cập nhật những thông tin mới nhất. Chúc bạn một ngày tốt lành!