data <- 'TO-DO' # nacteni dat newborns2.txt
'TO-DO' # prohlednuti dat, uprava faktoru

table(data$sex.C, data$edu.M) # jednoducha tabulka poctu pozorovani v jednotlivych skupinach

## vykresleni boxplotu 
boxplot(data$weight.C ~ data$edu.M + data$sex.C, varwidth = T, notch = T,
        xlab = 'Skupina', ylab = 'Porodni hmotnost [g]')
mean.f <- tapply(data$weight.C[data$sex.C == "f"], data$edu.M[data$sex.C == "f"], mean) # vypocita prumery zen podle vzdelani
points(1:4, mean.f, col = "red", pch = 16) # pridani bodu do boxplotu
mean.m <- 'TO-DO' # prumery pro muze podle vzdelani
points(5:8, 'TO-DO') # pridani bodu prumeru pro muze

## overeni predpokladu pomoci analyzy rezidui
model.newborns <- aov(weight.C ~ sex.C*edu.M, data = data)
par(mfrow = c(2,2)) #nastavi zobrazeni 4 grafu najednou (na 2 radky a 2 sloupce)
plot(model.newborns)

'TO-DO' # test normality na rezidua, tj. model.newborns$residuals

## ANOVA
anova(model.newborns)

## test pomoci kvantilu a kritickeho oboru - viz pdf

## mnohonasobne porovnavani
TukeyHSD(model.newborns, which = c('edu.M'))

## graficke zobrazeni modelu
Education <- data$edu.M # faktor, ktery bude na ose x
Sex <- data$sex.C # faktor, ktery bude pouzity pro rozdeleni lomenych car
Y <- data$weight.C # promenna, ktera nas zajima
interaction.plot(Education, Sex, Y, mean, "b", 
                 col = c("red","blue"), pch = c(16,15),
                 xlab = "Vzdelani matky", ylab = "Porodni hmotnost (g)")


### analogicky si samostatne vypracujte neresene priklady
'TO-DO'

# pro nevyvazene trideni pouzivame funkci Anova z knihovny car, ktera se pouziva na vystup z lm()
# tj. namisto aov(body.H ~ sex + obra, data = data) budeme mit
model.body <- lm(body.H ~ sex + obra, data = data)
library(car)
Anova(model.body, type = 2)

# pri mnohonasob. porovnavani nyni pouzijeme spise Scheffeho metodu, protoze nemame vyvazene trideni