Startside

• Startside for arbeidsbøkene

Arbeidsbøker

• Arbeidsbok 1: Introduksjon til R
• Arbeidsbok 2: Data i R
• Arbeidsbok 3: Visualisering av data i R
• Arbeidsbok 4: Statistisk analyse
• 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

Innlasting av datasett

I denne arbeidsboken skal vi kjøre en regresjonanalyse som ser på sammenhengen mellom økonomisk vekst (growth) på andel stemmer partiet til den sittende kandidaten får. Datasettet er hentet fra The Fundamentals of Political Science Research (Kellstedt og Whitten, 2018).

Som vanlig når vi skal begynne å jobbe må vi starte med å laste inn data og pakkene vi skal bruke. Gjennom arbeidsboken bruker vi funksjoner fra pakken tidyverse.

# Henter nødvendige pakker 
library(tidyverse)

# Laster inn datasettet vi skal bruke
EcoData <- readRDS("EcoData.rds")

Oversikt over datasettet

Når vi først har lastet inn datasettet er det greit å sjekke ut hvordan datasettet ser ut. Se om du kan finne ut hvilke år datasettet dekker, og gjennomsnittet for inc_vote.

summary(EcoData)

Omkoding med is.na() og complete.cases()

I forrige arbeidsbok så vi på hvordan vi kan finne ut hvor mye missing det er i datasettet. Funksjonene vi brukte for å gjøre dette, f.eks. is.na() og complete.cases() er såkalte logiske tester. Det betyr at de returnerer TRUE eller FALSE avhengig av hvilke verdier vi gir til funksjonen. Dette kan vi bruke f.eks. for å lage nye variabler.

I tidyverse bruker man ofte funksjonen mutate() sammen med andre funksjoner for å opprette nye variabler.

EcoData %>%
  mutate(complete = ,
         inf_na = )

EcoData <- EcoData %>%
  mutate(complete = ,
         inf_na = )

EcoData <- EcoData %>%
  mutate(complete = complete.cases(.) ,
         inf_na = )

EcoData <- EcoData %>% 
  mutate(inf_na = is.na(inflation),
  complete = complete.cases(.))

EcoData <- EcoData %>%
  mutate(complete = complete.cases(.),
          inf_na = is.na(inflation))

Omkoding med ifelse()

Nå skal vi også kombinere mutate() med ifelse() for å lage en dikotom variabel.

EcoData <- EcoData %>%
  mutate(growth_dich = ifelse(, "Growth", "No growth"),
         growth_dich = factor(growth_dich, levels = c("No growth", "Growth")))

EcoData <- EcoData %>%
  mutate(growth_dich = ifelse(growth > 0, "Growth", "No growth"),
  growth_dich = factor(growth_dich, levels = c("No growth", "Growth")))

Når du lager en faktor-variabel så tar R utgangspunkt i alfabetet når referansekategorien bestemmes. I dette tilfellet ville referansekateogrien blitt Growth, men vi bruker factor() til å endre referansekategorien til No growth.

Når en omkoder numeriske variabler så kan det være nyttig å lage et plott for å sjekke at det ble riktig. Her kan du bruke fill argumentet til å gi ulik farge til observasjonene basert på growth_dich variabelen du nettopp lagde.

ggplot(EcoData, aes(x=growth)) +
  geom_bar() +
  theme(legend.title=element_blank()) +
  xlab("Growth rate") +
  ylab("No. of observations")

ggplot(EcoData, aes(x=growth, fill = growth_dich)) +
  geom_bar() +
  theme(legend.title=element_blank()) +
  xlab("Growth rate") +
  ylab("No. of observations")

Kjøre lineær regresjon i R

For å kjøre en lineær regresjon, altså OLS, bruker vi funksjonen lm(). Her skriver vi først regresjonsformelen vår, og så data og evt. hva R skal gjøre med missing verdier. Resultatet vil se sånn her ut:

Dersom datasettet ditt har manglende informasjon/missing verdier (NA) så må du legge til et element som sier hvordan regresjonen skal forholde seg til dette. Ved å legge til na.action = "na.exclude" i lm(), så beholder R informasjon om hvilke observasjoner som mangler data. Dette gjør også at vi kan bruke funksjonen fitted(), som diskuteres i Plotte regresjonslinjer.

Mod1 <- lm(inc_vote ~ growth, EcoData, na.action = "na.exclude")

Regresjonslinje med geom_smooth()

Om du legger til geom_smooth(method = "lm") på et plot får du en linær regresjonsmodell får du lagt til en regresjonslinje.

ggplot(EcoData, aes(growth, inc_vote)) +
  geom_point()

ggplot(EcoData, aes(growth, inc_vote)) +
  geom_point() +
  geom_smooth(method = "lm")

Vi kan vise at regresjonslinjen krysser utvalgets gjennomsnittsverdier på uavhengig og avhengig variabel ved å legge til to linjer i koden vår

ggplot(EcoData, aes(growth, inc_vote)) +
  geom_point() +
  geom_smooth(method = "lm") +
  geom_hline(yintercept=mean(EcoData$inc_vote), linetype = "dashed") +
  geom_vline(xintercept=mean(EcoData$growth), linetype = "dashed")

## `geom_smooth()` using formula = 'y ~ x'

Regresjonslinje med predikerte verdier

Den andre metoden er å be R løse regresjonslikningen for alle observasjonene våre og så legge til et nytt lag med predikerte verdier i plottet.

R kan regne ut de predikerte verdiene for oss ved hjelp av funksjonen fitted(), så vi slipper heldigvis å gjøre dette for hånd. Vi kan også bruke resid() funksjonen for å hente ut residualene.

EcoData <- EcoData %>%
  mutate(predik = ,
         residualer = 
  )

EcoData <- EcoData %>%
  mutate(predik = fitted(Mod1),
         residualer = resid(Mod1)
  )

Nå kan vi bruke informasjonen fra de to variablene vi har opprettet, til å legge til en regresjonslinje i plottet vårt. Prikkene angir de ulike observerte verdikombinasjonene, mens den rette linjen gir oss den lineære sammenhengen fra modellen vår.

ggplot(EcoData, aes(growth, inc_vote)) +
  geom_point()

ggplot(EcoData, aes(growth, inc_vote)) +
  geom_point() +
  geom_line(aes(x = growth, y = predik))