To begin:

o Download  the  SAT  by  State  dataset  and  attach  it  to  an  R  script  file  using  the attach(file_path_name) method.

o Comment your first name and last name along with the date and class section number at the top of the file.

o Submit the file in the following form: GB213_section_first3_last3_rp1.R Eg: GB213_7_krt_jun_rp1.R

Part A: Understanding the dataset

In data analytics, it is important to first have an understanding of the data before performing any analyses  or  manipulations  of  the  dataset.  Therefore,  in  this  part  of  the  code,  you  will  be computing basic summary statistics of the dataset. Include screenshots of the output in your submission file.

•   How many rows and columns does the dataset have?

•   What are the column titles?

•   What is the structure of the dataset, i.e., the type of data in each column?

•   Are there any missing values?

•   What is the range of values for all numerical columns?

•    Print the first 5 rows

•    Print the last 5 rows

•   Create a histogram for the teachers’ salaries column. Make sure you label the horizontal axis and give the histogram a title. Is the data skewed? Please discuss.

After obtaining the above information, write a brief summary description of the dataset.

Part B: Analysis

In this part, we want to examine whether there is a relationship between student SAT scores and teachers’ salaries.

1.   Calculate the following basic statistics on the total scores and teachers’ salaries. Save each calculation as a logical name. Write a few sentences about what each statistic means. Include screenshots of the output in your submission file.

•   Mean

•   Median

•   Standard Deviation

In your discussion of mean and median, mention their significance, and why they may differ.  Consider the minimum and maximum values of the total scores and teachers’ salaries that you obtained in Part 1 and use them to explain how outliers may affect the mean and median.

2.   Not all data is “clean” or consistent.  Data scientists and statisticians spend time preparing their data to be analyzed to compensate for human and computer errors introduced during the data collection process.  This SAT by State dataset is clean for our purposes; however, we want to maintain consistency. Not all states had high participation rates.

Subset the data for only states with a participation rate above 0.10. Name this new subset ‘df_clean’ .  Recalculate the following  summary  statistics for the total  scores.  Include screenshots of the output in your submission file.

•   Mean

•   Median

•   Standard Deviation

Have these statistics changed, compared to the original SAT by State dataset? If so, are the figures more useful for analysis now than before? Why, or why not?

3.   Using the subset ‘df_clean’, create a boxplot for teachers’ salaries. Remember to label the horizontal axis. Include a screenshot of the output in your submission file.

Notice that the max, min, median, and IQR are not labeled in the box plot. You have already calculated the maximum, minimum and median. Now calculate

•   Q1

•   Q3

Explain the significance of Q1 and Q3.

4.   Using the subset ‘df_clean’, create a line plot with the total scores and teachers’ salaries on the horizontal and vertical axes, respectively. Include a screenshot of the output in your submission.  Remember to add axis labels, a title, and color to the graph.