Navigasjon

Mål og forberedelser

Oppgavesettene i denne arbeidsboken dekker koder og funksjoner som er dekket i Arbeidsbok 5: Statistisk analyse 1 og Arbeidsbok 6: Statistisk analyse 2. Før du løser disse oppgavesettene anbefales det at du jobber deg igjennom disse to arbeidsbøkene.

I disse oppgavene skal du løse oppgaver knyttet til:

• Hvordan man behandler missing data.
• Å gjennomføre og visualisere univariate analyser.
• Å gjennomføre og visualisere bivariate analyser.
• Å lage en regresjonsmodell med en uavhengig variabel.
• Å tolke og fremstille regresjonsresultater.

Oppgavesett 1

I oppgavene her vil vi se på variablene Left-Right og High_Trust fra et subset av det nye datasettet NO8_High, som vi lagde i Arbeidsbok 5: Statistisk analyse 1. Det første vi må gjøre er å bli kjent med datasettet.

Kjør kodene du tenker er relevante i kode-chunken under for å kunne svare på quiz-spørsmålene.

sum(is.na(NO8_High))
summary(NO8_High)
class(NO8_High$High_Trust)

Lag et density-plot for Left_Right variabelen. Bruk dette til å svare på quizen nedenfor.

ggplot(NO8_High, aes(Left_Right))

ggplot(NO8_High, aes(Left_Right)) +

ggplot(NO8_High, aes(Left_Right)) +
  geom_density()

Lag en ny variabel High_Trust om respondenten har høyere tilitt til politiet enn gjennomsnittet, og 0 om de har lavere. Gjør så at dette er en factor-variabel.

NO8_High <- NO8_High %>% 
  mutate()

NO8_High <- NO8_High %>% 
  mutate(High_Trust = )

NO8_High <- NO8_High %>% 
  mutate(High_Trust = ifelse(Trust_Police > mean(Trust_Police, na.rm = TRUE), 1, 0)) %>% 
  mutate(High_Trust = )

NO8_High <- NO8_High %>% 
  mutate(High_Trust = ifelse(Trust_Police > mean(Trust_Police, na.rm = TRUE), 1, 0)) %>% 
  mutate(High_Trust = as.factor(High_Trust))

Når vi har en variabel kan vi bruke denne for å legge til forskjellige farger i plottet vårt for å skille mellom grupper. Dette kan vi gjøre med colour-argumentet i aes() funksjonen.

Lag et tetthetsplott med Left_Right på x-variabelen som skiller mellom grupper på den nye variabelen High_Trust med colour-argumentet.

ggplot(NO8_High, aes(Left_Right))

ggplot(NO8_High, aes(Left_Right, colour = ))

ggplot(NO8_High, aes(Left_Right, colour = High_Trust))

ggplot(NO8_High, aes(Left_Right, colour = High_Trust)) +
  geom_density()

Når vi skal bruke t-tester trenger vi ikke lage nye datasett. Vi kan også skrive en formel for å å definere gruppene vi ønsker. For å gjøre det følger vi oppskriften variabel t.test(variabel~ gruppe-variabel, datasett).

Kjør funksjonen t.test med Left_Right som variabelen og High_Trust som gruppe.

t.test(Left_Right)

t.test(Left_Right ~)

t.test(Left_Right ~ High_Trust)

t.test(Left_Right ~ High_Trust, NO8_High)

Oppgavesett 2

I dette oppgavesettet skal vi kjøre en regresjonanalyse som ser på sammenhengen mellom økonomisk inflasjon (inflation) på andel stemmer partiet til den sittende kandidaten får (inc_vote). Datasettet er hentet fra The Fundamentals of Political Science Research (Kellstedt og Whitten, 2018) og dette er det samme datasettet vi jobbet med i Arbeidsbok 6: Statistisk analyse 2. (Oppgavene som kommer er tilpasset fra opppgavene som står i del 1.4 og 9.4.)

table(EcoData$growth, EcoData$year)

mod2 <- lm()

mod2 <- lm(inc_vote)

mod2 <- lm(inc_vote ~)

mod2 <- lm(inc_vote ~ inflation)

mod2 <- lm(inc_vote ~ inflation, data = )

mod2 <- lm(inc_vote ~ inflation, data = EcoData)

mod2 <- lm(inc_vote ~ inflation, data = EcoData, na.action = "na.exclude")

stargazer(mod2, type = "text")