R exercises | Exercices R

Learning Days practice sessions | Sessions pratiques Learning Days

Vincent + Alyssa

2026-06-12

 

Table of contents
Table des matières

How to work

How to work
Comment travailler

Step 1 — create your exercise folder

Step 1 — create your exercise folder
Étape 1 — créer votre dossier

Before Activity 1, set up a dedicated folder on your computer, for example:

learningdays_exercises/

Inside it, create one empty R script, for example:

my_exercises.R

You will build this file as you go — these slides are your only workbook (no separate handout).

Avant l’activité 1, créez un dossier dédié sur votre ordinateur, par exemple :

learningdays_exercises/

À l’intérieur, créez un script R vide, par exemple :

mes_exercices.R

Vous construirez ce fichier au fur et à mesure — ces slides sont votre seul support (pas de fichier séparé).

Step 2 — download the data

Step 2 — download the data
Étape 2 — télécharger les données

Download data_for_analysis.csv and save it inside the same folder as your .R file (not in a subfolder):

Download data_for_analysis.csv

Your folder should look like:

learningdays_exercises/
  my_exercises.R
  data_for_analysis.csv

In RStudio: File → New Project → Existing Directory and select this folder so getwd() points here.

Téléchargez data_for_analysis.csv et enregistrez-le dans le même dossier que votre fichier .R (pas dans un sous-dossier) :

Télécharger data_for_analysis.csv

Votre dossier doit ressembler à :

learningdays_exercises/
  mes_exercices.R
  data_for_analysis.csv

Dans RStudio : File → New Project → Existing Directory et sélectionnez ce dossier pour que getwd() pointe ici.

Step 3 — copy, paste, edit

Step 3 — copy, paste, edit
Étape 3 — copier, coller, modifier

For each slide with R code:

  1. Copy the code block from the slide into your .R file
  2. Edit placeholders (variable names, seeds, answers as comments)
  3. Run the line or selection with Ctrl + Enter (Windows/Linux) or Cmd + Enter (Mac)

Add comments in your script for answers to questions (# Answer: ...).

Do not skip ahead — work through Activities 1 → 5 in order.

Pour chaque slide avec du code R :

  1. Copiez le bloc de code de la slide dans votre fichier .R
  2. Modifiez les espaces réservés (noms de variables, graine, réponses en commentaires)
  3. Exécutez la ligne ou la sélection avec Ctrl + Entrée (Windows/Linux) ou Cmd + Entrée (Mac)

Ajoutez des commentaires dans votre script pour les réponses (# Réponse : ...).

Ne sautez pas d’étapes — faites les activités 1 → 5 dans l’ordre.

Step 4 — check your setup

Step 4 — check your setup
Étape 4 — vérifier la configuration

Before starting Activity 1, confirm:

Then run the check below — you should see the CSV in the list.

Avant de commencer l’activité 1, vérifiez :

Puis exécutez le contrôle ci-dessous — vous devez voir le CSV dans la liste.

getwd()
dir()

Overview

Overview
Vue d’ensemble

Welcome

Welcome
Bienvenue

Five activities — all instructions and code are on these slides:

  1. R basics — load and inspect data
  2. Randomization — simple, complete, blocked
  3. Difference in means — estimate the ATE by hand
  4. Power — EGAP online calculator (no R)
  5. Estimation — estimatr and analyze as you randomize

Cinq activités — toutes les instructions et le code sont sur ces slides :

  1. Bases de R — charger et inspecter les données
  2. Randomisation — simple, complète, par blocs
  3. Différence des moyennes — estimer l’ATE à la main
  4. Puissance — calculateur EGAP en ligne (sans R)
  5. Estimation — estimatr et analysez comme vous randomisez

The data

The data
Les données

Learning Days participant data from the in-class experiment. Variables include participant id, Gender, country, assigned treatment, and outcomes.

Your job: inspect the data and identify which columns are treatment and outcome before you analyze.

Données des participants aux Learning Days (expérience en classe). Variables : identifiant, Gender, pays, treatment assigné, et résultats.

Votre tâche : inspectez les données et identifiez les colonnes de traitement et de résultat avant d’analyser.

head(read.csv("data_for_analysis.csv"))

Activity 1

Activity 1
Activité 1

R basics — goals

R basics — goals
Bases de R — objectifs

Goals: load data, inspect variables, get comfortable with RStudio.

Copy each code block below into your .R file as you go.

Objectifs : charger les données, inspecter les variables, se familiariser avec RStudio.

Copiez chaque bloc de code ci-dessous dans votre fichier .R au fur et à mesure.

Activity 1 — task 1

Activity 1 — task 1
Activité 1 — tâche 1

Confirm the CSV is in your project folder. Run dir() — do you see data_for_analysis.csv?

If not, ask an instructor.

Vérifiez que le CSV est dans votre dossier de projet. Exécutez dir() — voyez-vous data_for_analysis.csv ?

Sinon, demandez de l’aide à un instructeur.

dir()

Activity 1 — task 2

Activity 1 — task 2
Activité 1 — tâche 2

Read the data into object experiment_data. Check the Environment pane — does it appear?

Lisez les données dans l’objet experiment_data. Regardez l’onglet Environment — apparaît-il ?

experiment_data <- read.csv("data_for_analysis.csv")

Activity 1 — task 3

Activity 1 — task 3
Activité 1 — tâche 3

Open the data viewer (click experiment_data in Environment).

Question: What are the variable names? Which might be treatment? Which might be outcomes?

Ouvrez le data viewer (cliquez sur experiment_data dans Environment).

Question : Quels sont les noms de variables ? Lesquels pourraient être le traitement ? Les résultats ?

Activity 2

Activity 2
Activité 2

Randomization — goals

Randomization — goals
Randomisation — objectifs

Context: Instructors randomized treatment in the class experiment. Now you randomize — simple, complete, and blocked assignment — using the same participant data.

Contexte : Les instructeurs ont randomisé le traitement lors de l’expérience en classe. Maintenant vous randomisez — assignation simple, complète et par blocs — avec les mêmes données.

Activity 2 — load data

Activity 2 — load data
Activité 2 — charger les données 
experiment_data <- read.csv("data_for_analysis.csv")

Activity 2 — simple randomization

Activity 2 — simple randomization
Activité 2 — randomisation simple

Set a seed so your randomization is reproducible. Use rbinom() to assign 0/1 with probability 0.5.

Fixez une graine (set.seed) pour reproduire la randomisation. Utilisez rbinom() pour assigner 0/1 avec probabilité 0,5.

set.seed(123)   # choose your own seed

experiment_data$treatment_simple <-
  rbinom(n = nrow(experiment_data), size = 1, prob = 0.5)

Activity 2 — check simple assignment

Activity 2 — check simple assignment
Activité 2 — vérifier l’assignation simple

Inspect treatment_simple. Count treated vs control with table(). Expect about half treated (not necessarily exact).

Inspectez treatment_simple. Comptez traitement vs contrôle avec table(). Attendez-vous à environ la moitié en traitement (pas forcément exact).

table(experiment_data$treatment_simple)

randomizr Commands Refresher

randomizr Commands Refresher
Rappel des commandes randomizr 
library(randomizr)
set.seed(100)
# Simple random assignment (N = 4; arms not necessarily equal) 
# Assignation aléatoire simple (N = 4 ; bras pas forcément égaux)*
simple_ra(4)
[1] 0 0 1 0
# Complete random assignment (N = 4; exactly half treated) 
# *Assignation complète (N = 4 ; exactement la moitié en traitement)*
complete_ra(4)
[1] 0 0 1 1
# Example: blocked assignment within 4 blocks of 3 units 
# Exemple : assignation par blocs dans 4 blocs de 3 unités*
block_ra(blocks = c(1,1,1,2,2,2,3,3,3,4,4,4))
 [1] 1 1 0 1 0 0 1 0 1 0 1 0
# Example: cluster assignment across 4 clusters of 3 units 
# *Exemple : assignation par grappes sur 4 grappes de 3 unités*
cluster_ra(clusters = c(1,1,1,2,2,2,3,3,3,4,4,4))
 [1] 1 1 1 0 0 0 0 0 0 1 1 1

Activity 2 — complete randomization

Activity 2 — complete randomization
Activité 2 — randomisation complète 
# Example: shuffle a vector with sample() 
# Exemple : mélanger un vecteur avec sample()*
sample(c(1,2,3))
[1] 3 2 1

Build a vector with exactly \(m\) treated and \(N - m\) control, then shuffle with sample().

Construisez un vecteur avec exactement \(m\) traités et \(N - m\) contrôles, puis mélangez avec sample().

N <- nrow(experiment_data)
m <- floor(N / 2)
vec <- c(rep(1, m), rep(0, N - m))

experiment_data$treatment_complete <- sample(vec)

Activity 2 — check complete assignment

Activity 2 — check complete assignment
Activité 2 — vérifier l’assignation complète

Use table(). Treated and control counts should match exactly what you put in vec.

Utilisez table(). Les effectifs doivent correspondre exactement à ce que vous avez mis dans vec.

table(experiment_data$treatment_complete)

Activity 2 — randomizr

Activity 2 — randomizr
Activité 2 — package randomizr

Load randomizr and try complete_ra(). Then check with table() as before.

Chargez randomizr et essayez complete_ra(). Vérifiez avec table() comme avant.

experiment_data$treatment_complete2 <-
  complete_ra(N = nrow(experiment_data), prob = 0.5)

Activity 2 — blocked randomization

Activity 2 — blocked randomization
Activité 2 — randomisation par blocs

Use Gender as the block variable. block_ra() randomizes within each block.

Utilisez Gender comme variable de bloc. block_ra() randomise à l’intérieur de chaque bloc.

experiment_data$treatment_blocked <-
  block_ra(blocks = experiment_data$Gender, prob = 0.5)

table(experiment_data$Gender, experiment_data$treatment_blocked)

Activity 2 — cluster randomization

Activity 2 — cluster randomization
Activité 2 — randomisation par cluster

Use HomeCountry as the cluster variable. cluster_ra() randomizes by cluster.

Utilisez HomeCountry comme variable de cluster. block_ra() randomise par cluster (grappe).

experiment_data$treatment_clustered <-
  cluster_ra(clusters = experiment_data$HomeCountry, prob = 0.5)

table(experiment_data$HomeCountry, experiment_data$treatment_clustered)

Activity 3

Activity 3
Activité 3

Difference in means — goals

Difference in means — goals
Différence des moyennes — objectifs

Context: Treatment was randomized; outcomes were measured. Estimate the average treatment effect by hand (difference in means) — a first step toward hypothesis testing.

Contexte : Le traitement a été randomisé ; les résultats ont été mesurés. Estimez l’effet moyen du traitement à la main (différence de moyennes) — première étape vers les tests d’hypothèse.

Activity 3 — identify variables

Activity 3 — identify variables
Activité 3 — identifier les variables

From the data viewer, write down:

  1. Outcome variable name
  2. Treatment variable name and which value means treated

D’après le data viewer, notez :

  1. Nom de la variable de résultat
  2. Nom de la variable de traitement et quelle valeur = traité

Activity 3 — overall mean

Activity 3 — overall mean
Activité 3 — moyenne globale

Use mean(..., na.rm = TRUE) to drop missing values (NA).

Replace the placeholder below with your outcome variable.

Utilisez mean(..., na.rm = TRUE) pour exclure les valeurs manquantes (NA).

Remplacez l’espace réservé par votre variable de résultat.

mean(experiment_data$OUTCOME_VARIABLE, na.rm = TRUE)

Activity 3 — group means

Activity 3 — group means
Activité 3 — moyennes par groupe

Compute the mean outcome in treatment and control using subsets in [ ].

Then subtract: \(\bar{Y}_{\text{treat}} - \bar{Y}_{\text{control}}\) = estimated ATE.

Calculez la moyenne du résultat en traitement et en contrôle avec des sous-ensembles [ ].

Puis soustrayez : \(\bar{Y}_{\text{traitement}} - \bar{Y}_{\text{contrôle}}\) = ATE estimé.

# treatment group — replace OUTCOME and TREATMENT / value
mean(experiment_data$OUTCOME_VARIABLE[
  experiment_data$TREATMENT_VARIABLE == 1], 
  na.rm = TRUE)

# control group
mean(experiment_data$OUTCOME_VARIABLE[
  experiment_data$TREATMENT_VARIABLE == 0], 
  na.rm = TRUE)

Activity 3 — interpret

Activity 3 — interpret
Activité 3 — interpréter

Compare your ATE to the scale of the outcome variable. Is the difference large or small?

Record your answer as a comment in your .R file (# Answer: ...).

Comparez votre ATE à l’échelle de la variable de résultat. La différence est-elle grande ou petite ?

Notez votre réponse en commentaire dans votre fichier .R (# Réponse : ...).

Activity 4

Activity 4
Activité 4

Power analysis — goals

Power analysis — goals
Analyse de puissance — objectifs

Context: Sample size is a key design choice. Power = probability of detecting an effect if one exists.

This activity uses the EGAP Power Calculator (web app — no R code to copy). Record answers as comments in your .R file.

Contexte : La taille d’échantillon est un choix de conception clé. Puissance = probabilité de détecter un effet s’il existe.

Cette activité utilise le calculateur de puissance EGAP (application web — pas de code R à copier). Notez les réponses en commentaires dans votre fichier .R.

Activity 4 — calculator

Activity 4 — calculator
Activité 4 — calculateur

Open the calculator:

egap.shinyapps.io/power-app

Key inputs: significance level (0.05), expected effect size, SD of outcome, power target (80%), max N for the graph.

Ouvrez le calculateur :

egap.shinyapps.io/power-app

Entrées clés : niveau de significativité (0,05), taille d’effet attendue, écart-type du résultat, cible de puissance (80 %), N max pour le graphique.

Activity 4 — tasks

Activity 4 — tasks
Activité 4 — tâches
  1. Effect size = 1, SD = 1: power at N = 100 and N = 500?
  2. Double the effect size — power up or down?
  3. Double the SD — power up or down?
  4. With N = 500 fixed, what is the smallest detectable effect size at 80% power?
  1. Taille d’effet = 1, ET = 1 : puissance pour N = 100 et N = 500 ?
  2. Doublez la taille d’effet — la puissance augmente ou diminue ?
  3. Doublez l’écart-type — la puissance augmente ou diminue ?
  4. Avec N = 500 fixé, quelle est la plus petite taille d’effet détectable à 80 % de puissance ?

Activity 5

Activity 5
Activité 5

Estimation — goals

Estimation — goals
Estimation — objectifs

Context: Different answer strategies give different answers. The right estimator depends on how you randomized (complete vs blocked).

Contexte : Différentes stratégies d’analyse donnent des réponses différentes. Le bon estimateur dépend de la façon dont vous avez randomisé (complète vs par blocs).

Activity 5 — load data

Activity 5 — load data
Activité 5 — charger les données 
experiment_data <- read.csv("data_for_analysis.csv")
library(estimatr)

Activity 5 — complete randomization

Activity 5 — complete randomization
Activité 5 — randomisation complète

If you used complete randomization, analyze with difference_in_means() without blocks.

Replace outcome and treatment variable names. Compare to your Activity 3 hand calculation.

Si vous avez utilisé une randomisation complète, analysez avec difference_in_means() sans blocs.

Remplacez les noms de variables. Comparez avec votre calcul manuel de l’activité 3.

difference_in_means(
  OUTCOME_VARIABLE ~ TREATMENT_VARIABLE,
  data = experiment_data
)

Activity 5 — blocked randomization

Activity 5 — blocked randomization
Activité 5 — randomisation par blocs

If assignment was blocked on Gender, add blocks = Gender.

Compare Estimate and Std. Error to the complete-randomization model. They should differ — which matches your design?

Si l’assignation était stratifiée par Gender, ajoutez blocks = Gender.

Comparez Estimate et Std. Error au modèle sans blocs. Ils diffèrent — lequel correspond à votre design ?

difference_in_means(
  OUTCOME_VARIABLE ~ TREATMENT_VARIABLE,
  blocks = Gender,
  data = experiment_data
)

Activity 5 — takeaway

Activity 5 — takeaway
Activité 5 — message clé

Analyze as you randomize. Choose the estimator that matches your data strategy.

Analysez comme vous randomisez. Choisissez l’estimateur qui correspond à votre stratégie de données.

Wrap-up

Wrap-up
Conclusion

Next steps

Next steps
Prochaines étapes
  • Save your .R file — it is your complete record of the session.
  • Revisit lecture slides on randomization, estimation, and power if anything is unclear.
  • All activities use the same data_for_analysis.csv in your exercise folder.
  • Sauvegardez votre fichier .R — c’est votre trace complète de la session.
  • Revenez aux slides de cours sur randomisation, estimation et puissance si besoin.
  • Toutes les activités utilisent le même data_for_analysis.csv dans votre dossier d’exercices.