Startside

• Startside for arbeidsbøkene

Arbeidsbøker

• Arbeidsbok 1: Introduksjon til R
• Arbeidsbok 2: Data i R
• Arbeidsbok 3: Visualisering av data i R
• Arbeidsbok 5: Bivariat regresjonsanalyse
• Arbeidsbok 6: Multivariat regresjonsanalyse

Oppgavesett

• Oppgavesett 1: Introduksjon til R
• Oppgavesett 2: Data i R
• Oppgavesett 3: Visualisering av data i R
• Oppgavesett 4: Statistisk analyse
• Oppgavesett 5: Bivariat regresjonsanalyse
• Oppgavesett 6: Multivariat regresjonsanalyse

Hente inn data

Som vi husker fra de forrige arbeidsbøkene må vi laste inn dataene og pakkene vi skal bruke når vi starter å jobbe. Det finnes mange filformater som data kan komme i, og for de fleste finnes det en egen funksjon. For noen typer, f.eks. excel-filer, så må man ha en pakke som gjør at vi kan laste de inn. I denne arbeidsboken kommer vi til å bruke et format som heter .csv. Dette er et vanlig format for å lagre data i.

#For å laste inn store .csv filer kan vi bruke vroom funksjonen. 
ESS <- vroom::vroom("www/ess.csv", show_col_types = FALSE)

Når vi har lastet inn datasettet er det lurte å undersøke hva objektet inneholder. Disse dataene er utvalg av variabler fra the European Social Survey, en spørreundersøkelse som har gått i flere europeiske land siden 2002. Det er flere måter vi kan undersøke hvordan datasettet ser ut. Her kan dere prøve str() ogsummary().

Kodebok

Det finnes mange grunner til at data kan være manglende, eller missing som en ofte sier. Ofte er det slik at respondenter ikke vil svare på enkelte spørsmål, eller data er ikke samlet inn et gitt år eller sted. Her skal vi se på hvordan vi kan finne ut om det er missing i dataene våre, og evt. hvor mye det er. Dette datasettet inneholder to typer missing. De fleste respondenter vil ha spørsmål de ikke svarer på av forskjellige årsaker, f.eks. er det mange som ikke vil si hva de stemmer på. Den andre er land som ikke er med i visse runder, f.eks. er ikke Danmark med i runde 8 og 9. Det er flere måter vi kan se på antall NA. Fra summary() som vi så på istad ser dere at antall NA står nederst i tabellen for hver variabel. Vi kan også sjekke om en verdi (celle/observasjon/value) er NA med funksjonen is.na(). Denne kan du bruke både på en enkelt variabel, eller hele datasettet. Prøv å bruke denne til å finne ut hvor mye NA det er i datasettet, og i variabelen Time_News

Prøv å se om du forstår hva som står på hjelpefilen for NA. Vanligvis må vi beskrive hvordan NA er. Vi må også velge hva vi skal gjøre med dem. Veldig vanlig er å fjerne NA hvis de er ’missing at random’ eller missing completely at random.’ Du kan velge å fjerne alle missing verdier eller bare missing verdier på spesifikke variable. Når vi begynner med analyser så vil R ta høyde for de tomme cellene, R fjerner dem automatisk. Det er som når vi bruker gjennomsnittet – man kan ikke regne gjennomsnittet av missing, derfor må vi si til R hvordan R skal håndtere missing.

ESS dataene er ment å brukes som land-runder. Det meste av missing kan vi dermed fjerned gjennom å bruke filter() for å hente ut ett spesifikt land og en spesifikk runde. Resten av teksten kommer vi til å se på Norge i runde 8. Prøv å bruk filter for å lage et nytt datasett NO8 som kun har de radene som har verdien NO på Country-variabelen og 8 på essround-variabelen.

NO8 <- ESS %>%
  filter(Country == "NO" & essround == 8)

NO8<- ESS %>%
#Husk å start med dette, og inkluder & mellom Country og essround i filter

Nå som vi har valgt ut Norge i runde 8 har vi mye færre missing-verdier. Dette er jo for de vi har fjernet de fleste land-rundene. Vi kan også fjerne alle NA som er igjen med drop_na() funksjonenen. Dette gjør vi vanligvis i en pipe, altså %>%.

Som oftest er det greit å bare beholde NA og fjerne dem når vi trenger det (f.eks. i en regresjonsmodell, som vi skal se på senere). Prøv å lage et nytt datasett, NO8NA, hvor du har fjernet alleNA. Om du ikke skriver noe i parantesene fjerner du alle rader med minst en NA. Hvor mange har du igjen?

NO8NA <- NO8 %>%
  drop_na()
nrow(NO8NA)

Kategoriske variabler

table(NO8$vote)

Disse viser den absolutte fordelingen, altså totalt antall observasjoner for hver verdi. Vi kan også få den relative fordelingen mellom kategoriene, som viser prosentvis fordeling. Vi bruker prop.table()-funksjonen.

prop.table(table(NO8$vote))

Det er alltid et poeng å lage grafer og figurer for å beskrive dataen. Det gir nemlig et godt visuelt og mer intutitvt inntrykk av dataene. For kategoriske variabler kan vi lage kake- og søylediagram for å beskrive frekvensfordelingene til variablene.

For å få søylediagram bruker vi ggplot-funksjonen som er i pakken tidyverse. Oppsettet for hvordan å lage et plot har vi sett på før, se om du kan få denne koden til å vise et søylediagram.

ggplot(NO8, aes(vote)) 

ggplot(NO8, aes(vote)) +
  geom_bar()

Kontinuerlige variabler

For kontinuerlige variabler, på intervall- og forholdstallsnivå, kan vi også bruke frekvenstabeller. Dersom vi lager en frekvenstabell for alder, må vi omkode den til kategorier ved hjelp av cut()-funksjonen. Her setter vi inn ved hvilke verdier vi ønsker å skape en ny kategori, f.eks. kan vi ha alle under 20 i en gruppe, så alle mellom 20 og 30, etc. Da ville vi kjørt denne koden:

NO8 <- NO8 %>%
  mutate(alder_grupper = cut(Age, breaks = c(0,20, 30, 40, 50, 60, 70,100)) )

table(NO8$alder_grupper)

Grafiske fremstillinger er også nyttig med kontinuerlige variabler. Da kan vi blant annet bruke histogrammer. Også her må vi dele opp i kategorier. Vi bruker ggplot, men endrer geom. Legg merke til argumentet bins – dette bestemmer hvor mange søyler vi ønsker. Prøv å endre argumentet å se hva som skjer.

ggplot(NO8, aes(Age)) +
  geom_histogram(bins = 20,
                 fill = "#F256F4",
                 colour = "white") +
  theme_classic()

Kjikvadrattest

Kjikvadrattesten tester sammenhengen mellom to kategoriske variabler. Den sammenlikner krysstabellen vi har, men en hypotetisk tabell fra et annet utvalg der det ikke er noen sammeheng mellom variablene. Så tester den sannsynligheten for at tabellen vår er generert ved en tilfeldighet. Vi bruker funksjonen chisq.test(). For å gjøre dette må vi først lagre tabellen vår som et objekt, her er det gjort for dere med navnet AlderStemme. Prøv å kjøre en kjikvadrattest på denne.

chisq.test(AlderStemme)

Vi kan lage søylediagrammer for å presentere sammenhengen grafisk. Igjen, det er alltid lurt, også for deg selv. Det er mer intuitivt å tolke, og lettere å se sammenhenger raskt. For å gjøre dette må du finne en måte å vise frem aldersgruppene på i grafen. Dette kan du gjøre ved å sette fill = alder_gruppersom et nytt argument i aes() I koden vil du også se at det står position = "dodge", dette gjør vi for at søylene skal komme opp ved siden av hverandre.

ggplot(NO8, aes(vote)) +
  geom_bar(position = "dodge",
                 colour = "white") +
  theme_classic()

ggplot(NO8, aes(vote, fill = alder_grupper)) +
  geom_bar(position = "dodge",
                 colour = "white") +
  theme_classic()

T-test

Om vi har variabler på interval- eller forholdstallsnivå kan vi bruke en t-test for å se om det er en forskjell i gjennomsnittet av de to variablene. Denne testen vil dermed kunne si noe om hvorvidt de to utvalgene kommer fra den samme populasjonen, eller om det er en signifikant forskjell mellom dem.

Her skal vi se hvorvidt det er en signifikant forskjell i tilliten til politiet avhengig av hvor mye tid en bruker på nyheter hver dag. Vi starter med å lage to nye datasett; ett for de som bruker mer tid på nyheter enn gjennomsnittet, og ett for de som bruker mindre.

NO8_High <- NO8 %>% 

NO8_High <- NO8 %>% 
  filter()

NO8_High <- NO8 %>% 
  filter(Time_News > mean())

NO8_High <- NO8 %>% 
  filter(Time_News > mean(Time_News, na.rm = TRUE))

Nå som vi har dette må vi lage et nytt datasett som er det motsatte, altså de som bruker mindre tid på nyheter enn gjennomsnittet. Det kan du kalle NO8_Low.

NO8_Low <- NO8 %>% 
  filter(Time_News < mean(Time_News, na.rm = TRUE))

Nå har vi (endelig) alt vi trenger for å gjennomføre en t-test. Det vi vil vite her er altså hvorvidt det er en forskjell i tillit til politiet avhengig av om respondenten bruker mer eller mindre tid på nyheter enn gjennomsnittet. Vår nullhypotese er at det ikke er en forskjell, og om vi velger å forkaste denne betyr det at vi tror at en av gruppene har et signifikant annerledes gjennomsnitt fra den andre.

t.test()

t.test(NO8_High$Trust_Police,)

t.test(NO8_High$Trust_Police, NO8_Low$Trust_Police)

Korrelasjon

Vi avslutter med bivariat analyse med to kontinuerlige variabler. (Dette er en forsmak på bivariat regresjonsanalyse.) Hensikten med dette er å beskrive korrelasjonen mellom variablene. Vi kan beskrive denne sammenhengen med Pearsons r og teste om korrelasjonen er statistisk signifikant.

Pearsons r beskriver styrken og retningen til korrelasjonen mellom to variabler. Den varierer fra -1 (negativ sammenheng) til 1 (positiv sammenheng). 0 indikerer ingen sammenheng.

La oss teste med alder og tid brukt på nyheter (Time_News) . Sistnevnte viser minutter pr døgn. Her må vi ha kontinuerlige variabler, så vi må bruke Age variabelen for alder. For å gjøre dette kan du bruke cor(). Når vi bruker denne kommer vi derimot til å få et problem vi nevnte istad med NA. Om vi bare kjører cor()funksjonen vil vi bare få NA som svar om det er minst en NA i variablene. Etter å ha skrevet inn variablene vi skal bruke må vi derfor legge til et use = argument.

cor(NO8$Age, NO8$Time_News, use = "complete.obs")

Punktdiagrammer egner seg godt for å grafisk fremstille sammenhengen mellom to kontinuerlige variabler. Den viser hvor hver respondent (observasjonsenhet) plasserer seg på x-aksen og y-aksen. For å gjøre dette må du bruke geom_point.

ggplot(NO8, aes(Age,Time_News))

ggplot(NO8, aes(Age,Time_News)) +
  geom_point()

Nå som vi har et punktdiagramm er det ofte lurt å legge til en linje som viser korellasjonen mellom variablene. Denne kan vi legge til gjennom geom_smooth(method = "lm"). Metodeargumentet legger vi til for å si at vi ønsker å se en linær sammenheng.

ggplot(NO8, aes(Age,Time_News)) +
  geom_point()

ggplot(NO8, aes(Age,Time_News)) +
  geom_point() +
  geom_smooth(method = "lm")