# Laden der benötigten Pakete in die Julia-Umgebung: using CSV, DataFrames using Statistics, StatsBase using Plots, StatsPlots using Distributions, HypothesisTests using Query using ANOVA, GLM using RCall # Schnittstelle zur R-Umgebung using MultivariateStats # Daten laden: # Dateiname: dateiname = "Rotwein.csv" verzeichnis = pwd() datei = joinpath(verzeichnis, dateiname) # Einlesen der CSV-Datei: Rotwein = CSV.read(datei, header = 1, delim = ';', decimal = ',', normalizenames = true ) # Selektion der Daten für die FA (ohne Qualität): FA_Daten = Rotwein[1:11] # Daten in den Array konvertieren: FA_Daten = convert(Matrix, FA_Daten) # Das Array beiinahltet die Info, dass fehlende Werte "erlaubt" sind. # Diese "Info" muss vor dem Aufruf der Funktion FA entfernt werden: FA_Daten = coalesce.(FA_Daten) # Das PCA-Modell schätzen über die Statistikumgebung R: # Das R-Paket psych in die R-Umgebung einbinden: R"library(psych)" # Durchführung der R-FA (es wird von 4 Faktoren ausgegangen): FA_Modell = R"factanal($FA_Daten, factors = 4, rotation = 'varimax', scores = 'Bartlett')" show(FA_Modell) FA_scores = R"factanal($FA_Daten, factors = 4, rotation = 'varimax', scores = 'Bartlett')$scores" println("\n") show(FA_scores)