##############################################################################
## Fichier: Section_08D_alpha.r date: janvier 2008
## Auteur: AndréSèb Aubin (andreseb.aubin@gmail.com)
##
## Dans ce script
## Analyse de données du PISA par la théorie de la répone à l'item
##
## Fichier initial de donnée: math_booklet9_01a.dat (fait dans le script Section_08A_alpha.r)
## Vérification du nombre de facteurs
##
##############################################################################

##############################################################################
## 00 - Fonctions permettant d'initialiser l'environnement R
##############################################################################

rm(list=ls(all=TRUE))
library("grDevices")

setwd("C:/Users/AndreSeb/Desktop/TDII_Omega/Activite_finale/bin")
#setwd("C:/Documents and Settings/André-Sébastien/Mes documents/doctorat/TDII_Omega/Activite_finale/bin")
# setwd(choose.dir()) # À activer si on veut choisir le répertoire à chaque fois
# setwd("F:/PISA/bin") # Autre choix de répertoire (pour une clé USB par exemple)

##############################################################################
## 01 - Importation du fichier math_booklet9_01a.dat dans la matrice donnees_brutes
##############################################################################

donnees_brutes <- read.table(file="math_booklet9_01a.dat", header = TRUE)
Dimension <- dim(donnees_brutes)
Dimension

# Pour notre objectif, nous allons retirer les lignes (donc les étudiants) ayant un ou plusieurs NA

donnees <- na.omit(donnees_brutes)
Dimension2 <- dim(donnees)
Dimension2
nbre_etudiant = Dimension2[1]
nbre_etudiant
nbre_question = Dimension2[2]
nbre_question

donnees <- round(donnees, 2)

score_etudiant <- rowSums(donnees)
moyenne_test <- mean(score_etudiant)
moyenne_test
ecart_type <- sd(score_etudiant)
ecart_type <- round(ecart_type, 1)
ecart_type

score_z <- (score_etudiant-moyenne_test)/ecart_type
score_z <- round(score_z, 1)
donnees <- cbind(donnees, score_z)

write.table(donnees, file="math_booklet9_na_omit.dat", row.names=TRUE, col.names=TRUE, sep="\t")

##############################################################################
## 02 - Théorie des réponses aux items de mathématiques
##
## Il faut cependant, avant de faire l'analyse factorielle, ne laissez que les
## colonnes contenant des questions sur les sciences, les mathématiques et les sciences.
##
## Gestion des NA : les lignes avec des NA ont été omises dans donnees
##
## Matrice utilisée: donnees
## Représentation des courbes pour les seize questions de mathématiques.
##
##############################################################################

min_hab = -3*ecart_type
max_hab = 3*ecart_type

habilete <- seq(min_hab, max_hab, by=0.1)
habilete = round(habilete, 1)

final = 0
final <- length(habilete)
P_item = 0
P_item_compil = 0
increment = 0
increment2 = 0
Prop_item = 0
v Prop_item_b = 0
P_item_b = 0
P_item_compil_b = 0

for (increment3 in 1:nbre_question)
{

for (increment2 in 1:final)
{
for (increment in 1:nbre_etudiant)
{
if(habilete[increment2] == score_z[increment])
{
P_item_b = P_item_b + donnees[increment,increment3]
}
}

P_item = P_item_b + P_item
P_item_compil_b[increment2] = P_item_b/nbre_etudiant
P_item_b = 0
P_item_compil[increment2] = P_item/nbre_etudiant

}
Prop_item_b = cbind(Prop_item_b, P_item_compil_b)
Prop_item = cbind(Prop_item, P_item_compil)
plot(habilete, Prop_item[,increment3])
P_item = 0

}

##############################################################################
## 03 - Théorie des réponses aux items de mathématiques - Courbe d'information sur le test
##
##
## Gestion des NA : les lignes avec des NA ont été omises dans donnees

## Représentation compilée pour le test.
##
##############################################################################

Prop_item_b


plot(habilete, rowSums(Prop_item_b), xlim=c(-3,3), ylim=c(0.05,1.75))


####################### Fin du script Section_08D_alpha.r #####################