Startside

• Startside for arbeidsbøkene

Arbeidsbøker

• Første arbeidsbok: Introduksjon til R
• Andre arbeidsbok: Data i R
• Tredje arbeidsbok: Visualisering av data med base R
• Fjerde arbeidsbok: Visualisering av data med ggplot2
• Sjette arbeidsbok: Statistisk analyse 2
• Sjuende arbeidsbok: Programmering i R
• Åttende arbeidsbok: Simulering i R

Oppgavesett

• Oppgaver: Introduksjon til R
• Oppgaver: Data i R
• Oppgaver: Visualisering i R
• Oppgaver: Statistisk analyse

Oppgavesett

Hente inn data

Som vi husker fra forrige seminar 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 dette seminaret 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

Datasettet vårt består altså av 24 variabler med 3 504 observasjoner. Dette er 24 spørsmål fra Danmark og Norge i ESS. Spørsmålene stiller forskjellige spørsmål om politiske oppfatninger, og informasjon om individet. Definisjonene kan dere se her.

Fjerne NA: filter() og drop_na()

Når vi skal gjennomføre en statisk analyse må vi beskrive om det er en sammenheng mellom hvilke observasjoner som har manglende verider (NA) i datasettet vårt. Vi må også velge hvordan vi skal håndtere NA’er i analysen vår. Det er 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 variabler. Når vi begynner med statiske analyser så vil R ta høyde for cellene (observasjonene) som mangler informasjon. R fjerner disse cellene automatisk, ettersom man ikke kan bruke celler med manglende informasjon. Derfor må vi fortelle R hvordan vi ønsker at celler med manglende informasjon skal håndteres.

ESS dataene er ment å brukes som land-runder. Det meste av missing kan vi dermed fjerne 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 alle NA. 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

For kategoriske variabler, på nominalnivå eller ordinalnivå, kan vi bruk frekvenstabeller for å beskrive dataene med tall, og kake- og søylediagram for å beskrive dataene grafisk. For å lage en frekevenstabell kan vi bruke table(). Se om du kan bruke denne på vote-variabelen.

table(NO8$vote)

Disse viser den absolutte fordelingen, altså totalt antall observasjoner for hver verdi. Ved å legge til prop.table() kan vi også få den relative fordelingen mellom kategoriene, som viser prosentvis fordeling.

prop.table(table(NO8$vote))

Man kan også visualisere data grafisk for å gi 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 gjøre dette kan vi enten bruke base R eller ggplot.

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)) )

Kan du bruke table() for å se hvor mange som er mellom 30 og 40 år?

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()

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. For å gjøre dette bruker vi t.test() funksjonen. Her må du skrive inn de to variablene. Variabelen for tillit til politiet heter Trust_Police.

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 NAsom 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. Her kan du prøve å legge til use = "complete.obs" etter navnet på de to variablene. Da bruker du det som kalles “list-wise deletion”, og bare fjerner alt som er NA fra analysen.

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. Prøv det her:

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"). method-argumentet legger vi til for å si at vi ønsker å se en linær sammenheng. Prøv å legg til det her, ser du sammenhengen mellom linjen og Pearsons r som vi regnet ut isted?

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

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

Neste arbeidsbok

• Sjette arbeidsbok: Statistisk analyse 2