Hausarbeit_Kommunen
Krispin Krüger
2023-07-25
1. Packages einlesen
library(foreign)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("tidyverse")
library(tidyverse)
#install.packages("plotly")
library(plotly)
#install.packages("gapminder")
library(gapminder)
#install.packages("psych")
library(psych)
#install.packages("car")
library(car)
library(carData)
#install.packages("forcats")
library(forcats)
#install.packages("DescTools")
library(DescTools)
#install.packages("e1071")
library(e1071)
#install.packages("sjPlot")
#install.packages("patchwork")
library(patchwork)
#install.packages("gridExtra")
library(gridExtra)
#install.packages("QuantPsyc")
#install.packages("lm.beta")
#install.packages("sandwich")
library(lm.beta)
library(sjPlot)
library(glmmTMB)
library(sandwich)
#install.packages("tinytext")
library(tinytex)
#tinytex::install_tinytex()
#install_tinytex()
#install.packages("modelsummary")
library(modelsummary)
#install.packages("stargazer")
library(stargazer)
#install.packages("webshot")
library(webshot)
#install.packages("Hmisc")
library(Hmisc)
#install.packages("dplyr")
library(dplyr)
#install.packages("VIM", dependencies = TRUE)
library(VIM)
#install.packages("mice")
library(mice)
#install.packages("ggpubr")
library(ggpubr)
#install.packages("vtable")
library(vtable)
#install.packages("lme4")
library(lme4)
#install.packages("easystats")
library(easystats)
#install.packages("esquisse")
library(esquisse)
#install.packages("devtools")
library(openai)
require(devtools)2. Daten einlesen
#Einlesen vom Albus Datensatz
Albus <- read.spss("./Allbus-2018.sav", use.value.labels = FALSE, to.data.frame = TRUE, reencode = TRUE)3. AV Migration und Umweltschutz
3.1 AV Migration
AV1: Einstellungen gegenüber Migranten (atm - attitudes towards migrants)
Skala von 1-5, keine Zustimmung - volle Zustimmung
px06 (= BRD gefährlich überfremdet)
px07 (= Ausländer sollten grundsätzlich ihre Ehepartner unter ihren eigenen Landsleuten auswählen)
px10 (= Anschläge auf Asylbewerberheime kann ich gut verstehen)
pa17 (= Einwanderer sind gut für die deutsche Wirtschaft; Variable muss gedreht werden)
pa09 (= Einwanderer sollten sich deutschen Sitten und Gebräuchen anpassen; Variable muss gedreht werden)
JO35_2 (= Einstellung zu Muslimen, als Proxy zur Einstellung von Migranten)
Grafik
#Drehen von Variablen
Albus$ausländer_wirtschaft <- (Albus$pa17 - 6) *-1
Albus$ausländer_sitten <- (Albus$pa09)
Albus$a <- (Albus$px06 -6) * -1
Albus$b <- (Albus$px07 -6) * -1
Albus$c <- (Albus$px10 -6) * -13.1.1 PCA
- Faktoranalyse, ob die Variablen sich zu einem Index zusammenfügen lassen
#Kontrolle der NA's
var <- c("px06", "px07", "px10", "ausländer_wirtschaft", "ausländer_sitten")
Albus$missings <- rowSums(is.na(Albus[, var]))
table(Albus$missings) #kleinste gemeinsame Fallzahl ist 3120##
## 0 1 2 3 4 5
## 3120 120 18 209 8 2sum(is.na(Albus[, var])) # 825 Missings## [1] 825#Anteil an Missings
(825 / 3477) * 100## [1] 23.72735# Anteil der NA's über alle Variablen beträgt 23.7% und muss imputiert werden
Albus_NA <- subset(Albus[,var])
var_1 <- c("a", "b", "c", "ausländer_sitten")
Albus$missings_2 <- rowSums(is.na(Albus[, var_1]))
table(Albus$missings_2) #kleinste gemeinsame Fallzahl ist 3188##
## 0 1 2 3 4
## 3188 59 11 213 6sum(is.na(Albus[, var_1])) # 744 Missings## [1] 744#Anteil an Missings
(744 / 3477) * 100## [1] 21.39776# Anteil der NA's über alle Variablen beträgt 21.4% und muss imputiert werden
Albus_NA_1 <- subset(Albus[,var_1])
var_2 <- c("px06", "px07", "ausländer_sitten")
Albus$missings_3 <- rowSums(is.na(Albus[, var_2]))
table(Albus$missings_3) #kleinste gemeinsame Fallzahl ist 3201##
## 0 1 2 3
## 3201 51 219 6sum(is.na(Albus[, var_2])) #507 Missings## [1] 507#Anteil an Missings
(507 / 3477) * 100## [1] 14.58154#Anteil der NA's über alle Variablen beträgt 14,6% und muss imputiert werden
Albus_NA_2 <- subset(Albus[, var_2])#Funktion für Grafik
propmiss <- function(dataframe) {
m <- sapply(dataframe, function(x) {
data.frame(
nmiss=sum(is.na(x)),
n=length(x),
propmiss=sum(is.na(x))/length(x)
)
})
d <- data.frame(t(m))
d <- sapply(d, unlist)
d <- as.data.frame(d)
d$variable <- row.names(d)
row.names(d) <- NULL
d <- cbind(d[ncol(d)],d[-ncol(d)])
return(d[order(d$propmiss), ])
}
miss_vars<-propmiss(Albus_NA_1)
miss_vars_mean<-mean(miss_vars$propmiss)
miss_vars_ges<- miss_vars %>% arrange(desc(propmiss))
plot <-ggplot(miss_vars_ges,aes(x=reorder(variable,propmiss),y=propmiss*100)) +
geom_point(size=3) +
coord_flip() +
theme_bw() + xlab("") +ylab("NAs pro Variable in %") +
theme(panel.grid.major.x=element_blank(),
panel.grid.minor.x=element_blank(),
panel.grid.major.y=element_line(colour="grey",linetype="dashed")) +
ggtitle("Prozent an NAs")
plot
ggsave(filename = "NA_proptable.png", plot = plot, width = 8, height = 7, dpi = 1000)
aggr(Albus_NA_1, numbers=TRUE, prop=TRUE, combined=TRUE, sortVars=F, vscale = 1)
#Imputation der Daten
imputed_data <- mice(Albus_NA, m = 50, method = "pmm")
completed_data <- complete(imputed_data)
imputed_data_1 <- mice(Albus_NA_1, m = 50, method = "pmm")
completed_data_1 <- complete(imputed_data_1)
imputed_data_2 <- mice(Albus_NA_2, m = 50, method = "pmm")
completed_data_2 <- complete(imputed_data_2)#Bartlett Test ob Korrelation (!=0) gibt
cortest.bartlett(Albus_NA)## $chisq
## [1] 3410.029
##
## $p.value
## [1] 0
##
## $df
## [1] 10#Kaiser-Meyer-Olkin-Kriterium zur Beurteilung der Eignung der Daten zur Durchführung einer Faktoranalyse
kmo <- KMO(Albus_NA)
kmo## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = Albus_NA)
## Overall MSA = 0.75
## MSA for each item =
## px06 px07 px10
## 0.70 0.78 0.80
## ausländer_wirtschaft ausländer_sitten
## 0.77 0.77#geordnete MSAi
kmo$MSAi[order(kmo$MSAi)]## px06 ausländer_sitten ausländer_wirtschaft
## 0.7024397 0.7712986 0.7736524
## px07 px10
## 0.7769871 0.7999107#Bartlett Test ob Korrelation (!=0) gibt
cortest.bartlett(Albus_NA_1)## $chisq
## [1] 2379.119
##
## $p.value
## [1] 0
##
## $df
## [1] 6#Kaiser-Meyer-Olkin-Kriterium zur Beurteilung der Eignung der Daten zur Durchführung einer Faktoranalyse
kmo <- KMO(Albus_NA_1)
kmo## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = Albus_NA_1)
## Overall MSA = 0.69
## MSA for each item =
## a b c ausländer_sitten
## 0.65 0.72 0.75 0.68#geordnete MSAi
kmo$MSAi[order(kmo$MSAi)]## a ausländer_sitten b c
## 0.6536623 0.6803117 0.7214650 0.7473041#Bartlett Test ob Korrelation (!=0) gibt
cortest.bartlett(Albus_NA_2)## $chisq
## [1] 1827.782
##
## $p.value
## [1] 0
##
## $df
## [1] 3#Kaiser-Meyer-Olkin-Kriterium zur Beurteilung der Eignung der Daten zur Durchführung einer Faktoranalyse
kmo <- KMO(Albus_NA_2)
kmo## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = Albus_NA_2)
## Overall MSA = 0.63
## MSA for each item =
## px06 px07 ausländer_sitten
## 0.60 0.67 0.66#geordnete MSAi
kmo$MSAi[order(kmo$MSAi)]## px06 ausländer_sitten px07
## 0.5976965 0.6551481 0.6713080Bei einem KMO von 0.63 sehen wir eine gute bis sehr hohe Eignung für die Faktoranalyse. Die Variablen weisen starke linerare Abhängigkeiten auf. Es müssen keine Items ausgeschlossen werden, da alle über 0.5 liegen, was bei einem Wert unter 0.5 empfohlen ist.
#Anzahl der Komponenten
fa.parallel(completed_data, fa = "pc") #Ein Faktor lässt sich in der explorativen Faktoranalyse bestätigen
## Parallel analysis suggests that the number of factors = NA and the number of components = 1#konfirmatorische Faktoranalyse
# Durchführung
kfa_result <- fa(completed_data, nfactors = 1, rotate = "varimax")
# Zeige die Ergebnisse der EFA an
print(kfa_result)## Factor Analysis using method = minres
## Call: fa(r = completed_data, nfactors = 1, rotate = "varimax")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 h2 u2 com
## px06 0.84 0.70 0.30 1
## px07 0.58 0.33 0.67 1
## px10 0.43 0.18 0.82 1
## ausländer_wirtschaft -0.56 0.32 0.68 1
## ausländer_sitten -0.54 0.29 0.71 1
##
## MR1
## SS loadings 1.82
## Proportion Var 0.36
##
## Mean item complexity = 1
## Test of the hypothesis that 1 factor is sufficient.
##
## df null model = 10 with the objective function = 0.98 with Chi Square = 3398.61
## df of the model are 5 and the objective function was 0.04
##
## The root mean square of the residuals (RMSR) is 0.04
## The df corrected root mean square of the residuals is 0.06
##
## The harmonic n.obs is 3477 with the empirical chi square 128.65 with prob < 4.6e-26
## The total n.obs was 3477 with Likelihood Chi Square = 135.73 with prob < 1.4e-27
##
## Tucker Lewis Index of factoring reliability = 0.923
## RMSEA index = 0.087 and the 90 % confidence intervals are 0.074 0.1
## BIC = 94.96
## Fit based upon off diagonal values = 0.99
## Measures of factor score adequacy
## MR1
## Correlation of (regression) scores with factors 0.89
## Multiple R square of scores with factors 0.80
## Minimum correlation of possible factor scores 0.59fa.diagram(kfa_result, simple = T)
#Anzahl der Komponenten
fa.parallel(completed_data_1, fa = "pc") #Ein Faktor lässt sich in der explorativen Faktoranalyse bestätigen
## Parallel analysis suggests that the number of factors = NA and the number of components = 1#konfirmatorische Faktoranalyse
# Durchführung
kfa_result <- fa(completed_data_1, nfactors = 1, rotate = "varimax")
# Zeige die Ergebnisse der EFA an
print(kfa_result)## Factor Analysis using method = minres
## Call: fa(r = completed_data_1, nfactors = 1, rotate = "varimax")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 h2 u2 com
## a 0.80 0.64 0.36 1
## b 0.61 0.37 0.63 1
## c 0.42 0.18 0.82 1
## ausländer_sitten 0.53 0.29 0.71 1
##
## MR1
## SS loadings 1.47
## Proportion Var 0.37
##
## Mean item complexity = 1
## Test of the hypothesis that 1 factor is sufficient.
##
## df null model = 6 with the objective function = 0.66 with Chi Square = 2302.55
## df of the model are 2 and the objective function was 0.03
##
## The root mean square of the residuals (RMSR) is 0.05
## The df corrected root mean square of the residuals is 0.08
##
## The harmonic n.obs is 3477 with the empirical chi square 92.33 with prob < 8.9e-21
## The total n.obs was 3477 with Likelihood Chi Square = 100.65 with prob < 1.4e-22
##
## Tucker Lewis Index of factoring reliability = 0.871
## RMSEA index = 0.119 and the 90 % confidence intervals are 0.1 0.139
## BIC = 84.34
## Fit based upon off diagonal values = 0.98
## Measures of factor score adequacy
## MR1
## Correlation of (regression) scores with factors 0.86
## Multiple R square of scores with factors 0.75
## Minimum correlation of possible factor scores 0.50fa.diagram(kfa_result, simple = T)
#Anzahl der Komponenten
fa.parallel(completed_data_2, fa = "pc") #Ein Faktor lässt sich in der explorativen Faktoranalyse bestätigen
## Parallel analysis suggests that the number of factors = NA and the number of components = 1#konfirmatorische Faktoranalyse
# Durchführung
kfa_result <- fa(completed_data_2, nfactors = 1, rotate = "varimax")
# Zeige die Ergebnisse der EFA an
print(kfa_result)## Factor Analysis using method = minres
## Call: fa(r = completed_data_2, nfactors = 1, rotate = "varimax")
## Standardized loadings (pattern matrix) based upon correlation matrix
## MR1 h2 u2 com
## px06 0.85 0.72 0.28 1
## px07 0.53 0.28 0.72 1
## ausländer_sitten -0.57 0.32 0.68 1
##
## MR1
## SS loadings 1.32
## Proportion Var 0.44
##
## Mean item complexity = 1
## Test of the hypothesis that 1 factor is sufficient.
##
## df null model = 3 with the objective function = 0.5 with Chi Square = 1730.42
## df of the model are 0 and the objective function was 0
##
## The root mean square of the residuals (RMSR) is 0
## The df corrected root mean square of the residuals is NA
##
## The harmonic n.obs is 3477 with the empirical chi square 0 with prob < NA
## The total n.obs was 3477 with Likelihood Chi Square = 0 with prob < NA
##
## Tucker Lewis Index of factoring reliability = -Inf
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy
## MR1
## Correlation of (regression) scores with factors 0.88
## Multiple R square of scores with factors 0.78
## Minimum correlation of possible factor scores 0.55fa.diagram(kfa_result, simple = T)
Ausländer_wirtschaft muss gedroppt werden, da es einen negative Korrelation auweist und somit den Index verfälschen würde.
3.2 Index bilden
#Index bilden
Albus$Migration <- rowSums(completed_data, na.rm = T) / 5
Desc(Albus$Migration)## ------------------------------------------------------------------------------
## Albus$Migration (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'477 0 19 0 2.27 2.26
## 100.0% 0.0% 0.0% 2.29
##
## .05 .10 .25 median .75 .90 .95
## 1.60 1.80 2.00 2.20 2.60 2.80 3.00
##
## range sd vcoef mad IQR skew kurt
## 3.80 0.45 0.20 0.30 0.60 0.75 1.18
##
## lowest : 1.0 (3), 1.2 (13), 1.4 (48), 1.6 (157), 1.8 (486)
## highest: 3.8 (11), 4.0 (3), 4.2 (6), 4.4, 4.8
##
## heap(?): remarkable frequency (19.3%) for the mode(s) (= 2.2)
##
## ' 95%-CI (classic)
Albus$Migration_1 <- rowSums(completed_data_1, na.rm = T) /4
Desc(Albus$Migration_1)## ------------------------------------------------------------------------------
## Albus$Migration_1 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'477 0 17 0 3.41 3.39
## 100.0% 0.0% 0.0% 3.44
##
## .05 .10 .25 median .75 .90 .95
## 2.00 2.25 2.75 3.50 4.00 4.50 4.75
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.83 0.24 0.74 1.25 -0.32 -0.38
##
## lowest : 1.0 (16), 1.25 (21), 1.5 (39), 1.75 (44), 2.0 (130)
## highest: 4.0 (408), 4.25 (336), 4.5 (195), 4.75 (154), 5.0 (62)
##
## heap(?): remarkable frequency (11.7%) for the mode(s) (= 4)
##
## ' 95%-CI (classic)
table(Albus$Migration_1)##
## 1 1.25 1.5 1.75 2 2.25 2.5 2.75 3 3.25 3.5 3.75 4 4.25 4.5 4.75
## 16 21 39 44 130 138 222 302 351 368 342 349 408 336 195 154
## 5
## 62Albus$Migration_2 <- rowSums(completed_data_2, na.rm = T) / 3
Desc(Albus$Migration_2)## ------------------------------------------------------------------------------
## Albus$Migration_2 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'477 0 12 0 2.230659 2.209344
## 100.0% 0.0% 0.0% 2.251973
##
## .05 .10 .25 median .75 .90 .95
## 1.333333 1.333333 1.666667 2.333333 2.666667 3.000000 3.333333
##
## range sd vcoef mad IQR skew kurt
## 3.666667 0.641028 0.287371 0.494200 1.000000 0.370328 -0.171135
##
##
## value freq perc cumfreq cumperc
## 1 1 95 2.7% 95 2.7%
## 2 1.33333333333333 363 10.4% 458 13.2%
## 3 1.66666666666667 528 15.2% 986 28.4%
## 4 2 693 19.9% 1'679 48.3%
## 5 2.33333333333333 726 20.9% 2'405 69.2%
## 6 2.66666666666667 443 12.7% 2'848 81.9%
## 7 3 339 9.7% 3'187 91.7%
## 8 3.33333333333333 165 4.7% 3'352 96.4%
## 9 3.66666666666667 105 3.0% 3'457 99.4%
## 10 4 13 0.4% 3'470 99.8%
## 11 4.33333333333333 3 0.1% 3'473 99.9%
## 12 4.66666666666667 4 0.1% 3'477 100.0%
##
## ' 95%-CI (classic)
Grafik
Migration <- ggplot(Albus, aes(Migration_1))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,5),
labels = c("Keine Ablehung","2", "3", "4", "starke Ablehung"))+
labs(title = "Einstellung gegenüber Migranten",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Einstellung gegenüber Migranten")+
theme_bw()
Migration
ggsave(filename = "Einstellung_Migranten.png", plot = Migration, width = 8, height = 7, dpi = 1000)3.2 AV Umweltschutz
AV2: Umweltschutz
Skala von 1-5, keine Zustimmung - volle Zustimmung
pa11 (= Zum Schutz der Umwelt sollten härtere Maßnahmen getroffen werden; Variable drehen und dann Skala von 0-4)
sm09 (= Mitglied in Naturzschutzorganisation; möglicher Dummy?)
pp22 (= Aus politischen, ethischen oder Umweltgründen Waren boykottieren; Dummy)
pp40 (= Habe aus politischen, ethischen oder Umweltgründen Waren boykottieren, oder kaufen; Meiner Meinung nach sinnlos, weil es in beide Richtungen zeigen kann und wir nicht wissen, was was ist)
#Variable drehen (hohe Werte bedeuten hohe Zustimmung)
attributes(Albus$pa11)## $value.labels
## STIMME GAR NICHT ZU STIMME EHER NICHT ZU WEDER NOCH
## "5" "4" "3"
## STIMME EHER ZU STIMME VOLL ZU
## "2" "1"Albus$Umweltschutz <- (Albus$pa11 - 6) *-1
Desc(Albus$Umweltschutz)## ------------------------------------------------------------------------------
## Albus$Umweltschutz (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'450 27 5 0 4.26 4.23
## 99.2% 0.8% 0.0% 4.29
##
## .05 .10 .25 median .75 .90 .95
## 2.00 3.00 4.00 5.00 5.00 5.00 5.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.95 0.22 0.00 1.00 -1.42 1.63
##
##
## value freq perc cumfreq cumperc
## 1 1 61 1.8% 61 1.8%
## 2 2 193 5.6% 254 7.4%
## 3 3 290 8.4% 544 15.8%
## 4 4 1'151 33.4% 1'695 49.1%
## 5 5 1'755 50.9% 3'450 100.0%
##
## ' 95%-CI (classic)
Grafik
Umweltschutz <- ggplot(Albus, aes(Umweltschutz))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,5),
labels = c("Keine Zustimmung","2", "3", "4", "starke Zustimmung"))+
labs(title = "Umweltschutz",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Umweltschutz")+
theme_bw()
Umweltschutz
ggsave(filename = "Umweltschutz.png", plot = Umweltschutz, width = 8, height = 7, dpi = 1000)#Kontrolle der NA's
sum(is.na(Albus$pa11)) # 27 Missings## [1] 27#Anteil an Missings
(27 / 3477) * 100## [1] 0.7765315# Anteil der NA's über alle Variablen beträgt 0.77% und muss daher nicht imputiert werden4. UV Heimat
pn12 (= Verbundenheit zur Gemeinde; local identity anstatt national identity
Zwei Formen von Dummys:
Einmal 1-2 werden geprüft und 3-4 zusammengefasst als Referenz
Einmal 1-4 werden geprüft und 4 ist Referenz
Aufgrund der fehlenden qunatitativen Vorarbeit zur Operationalisierung von Heimat, haben wir verschiedene Wege der Operationalisierung ausprobiert und haben uns schlussendlich auf den zweiten Weg festgelegt für diese Arbeit.
4.1 Weg 1
#Weg 1 (= Verbundenheit mit Gemeinde)
Albus$pn12_r <- car::recode(Albus$pn12,
"1 = 1;
2= 2;
3:4 = 3;
else = NA")
pn12_f <- as.factor(Albus$pn12_r)
Albus$Heimat_1 <- relevel(pn12_f, ref = 3)
#Verbundenheit mit Deutschland pn16
Albus$pn12_r_1 <- car::recode(Albus$pn16,
"1 = 1;
2= 2;
3:4 = 3;
else = NA")
pn12_f_1 <- as.factor(Albus$pn12_r_1)
Albus$Heimat_1.1 <- relevel(pn12_f_1, ref = 3)
#Verbundenheit mit EU pn17
Albus$pn12_r_2 <- car::recode(Albus$pn17,
"1 = 1;
2= 2;
3:4 = 3;
else = NA")
pn12_f_2 <- as.factor(Albus$pn12_r_2)
Albus$Heimat_1.2 <- relevel(pn12_f_2, ref = 3)4.1.1 Tabelle und Grafik
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,4),
labels = c("Keine Verbundenheit","2", "3", "starke Verbundenheit"))+
labs(title = "Heimatverbundenheit",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Heimatverbundenheit")+
theme_bw()
Heimat
ggsave(filename = "Heimat.png", plot = Heimat, width = 8, height = 7, dpi = 1000)4.2 Weg 2
#Weg 2
Albus$pn12_g <- as.factor(Albus$pn12)
Albus$Heimat_2 <- relevel(Albus$pn12_g, ref = 4)
Desc(Albus$Heimat_2)## ------------------------------------------------------------------------------
## Albus$Heimat_2 (factor)
##
## length n NAs unique levels dupes
## 3'477 3'460 17 4 4 y
## 99.5% 0.5%
##
## level freq perc cumfreq cumperc
## 1 2 1'567 45.3% 1'567 45.3%
## 2 3 933 27.0% 2'500 72.3%
## 3 1 827 23.9% 3'327 96.2%
## 4 4 133 3.8% 3'460 100.0%
Albus$Heimat_3 <- car::recode(Albus$pn12,
"
1:3 = 1;
4 = 0;
else = NA")
#Verbundenheit mit Deutschland pn16
pn12_g_1 <- as.factor(Albus$pn16)
Albus$Heimat_2.1 <- relevel(pn12_g_1, ref = 4)
Albus$Heimat_3.1 <- car::recode(Albus$pn16,
"
1:3 = 1;
4 = 0;
else = NA")
#Verbundenheit mit EU pn17
pn12_g_2 <- as.factor(Albus$pn16)
Albus$Heimat_2.2 <- relevel(pn12_g_2, ref = 4)
Albus$Heimat_3.2 <- car::recode(Albus$pn16,
"
1:3 = 1;
4 = 0;
else = NA")5. Kontrollvariablen
Zufriedenheit mit Wirtschaft
attributes(Albus$ep01)## $value.labels
## SEHR SCHLECHT SCHLECHT TEILS TEILS GUT SEHR GUT
## "5" "4" "3" "2" "1"Albus$ZufWirtschaft <- (Albus$ep01 - 6) * -1Ost-West
1 Alte Bundesländer, 2 Neue Bundesländer
Alte Bundesländer sind Referenz
ostwest <- car::recode(Albus$eastwest,
"1 = 0;
2 = 1; else = NA")
Albus$ostDummy <- as.factor(ostwest)Bildung nach ISCD-Standard
1 = Kein Abschluss; 2 = Hauptschule; 3 = Realschule; 4 = Fachhochschule, Abitur
lower Education wird als Referenz genutzt
Es wird ein Dummy gebildet:
- Lower Education: Level 1, 2, 3 (= Primary education, Lower secondary education, Upper secondary education)
- Middle Education: Level 4, 5 (= Post secondary non-tertiary education, Short-cycle tertiary education)
- Higher Education: Level 6, 7, 8 (= Bachelor’s or equivalent level, Master’s or equivalent level, Doctoral or equivalent level)
- lower education wird als Referenz gesetzt
- Begründung nach Wordl Values Survey, welche diese Vereinfachung nutzen, um einen einfacheren Vergleich durchführen zu können
attributes(Albus$educ)## $value.labels
## NOCH SCHUELER ANDERER ABSCHLUSS HOCHSCHULREIFE FACHHOCHSCHULREIFE
## "7" "6" "5" "4"
## MITTLERE REIFE VOLKS-,HAUPTSCHULE OHNE ABSCHLUSS
## "3" "2" "1"table(Albus$educ)##
## 1 2 3 4 5 6 7
## 50 810 1195 302 1075 20 22Albus$bildung <- car::recode(Albus$educ,
"1 = 1;
2 = 2;
3 = 3;
4:5 = 4; else = NA")
#Dummy-Variable Bildung Realschulabschluss ist Referenzkategorie
bildung <- as.factor(Albus$bildung)
Albus$bildungDummy <- relevel(bildung, ref = 1)
attributes(Albus$iscd11)## $value.labels
## DOCTORAL LEVEL MASTER LEVEL BACHELOR LEVEL
## "8" "7" "6"
## SHORT-CYCLE TERTIARY POST SECONDARY UPPER SECONDARY
## "5" "4" "3"
## LOWER SECONDARY PRIMARY EDUCATION
## "2" "1"table(Albus$iscd11)##
## 1 2 3 4 5 6 7 8
## 35 236 1543 256 457 159 696 72Albus$bildung <- car::recode(Albus$iscd11,
"1:3 = 1;
4:5 = 2;
6:8 = 3; else = NA")
bildung <- as.factor(Albus$bildung)
Albus$bildungDummy <- relevel(bildung, ref = 1)Links-Rechts Selbsteinschätzung
- pa01 (10 Skala von Links nach Rechts)
attributes(Albus$pa01)## $value.labels
## P - RECHTS I Y E Z G O
## "10" "9" "8" "7" "6" "5" "4"
## M A F - LINKS
## "3" "2" "1"table(Albus$pa01)##
## 1 2 3 4 5 6 7 8 9 10
## 73 151 488 474 978 588 321 167 33 22#Dummykodierung
linksrechts <- car::recode(Albus$pa01,"
1:4 = 1;
5:6 = 2;
7:10 = 3; else = NA")
lr <- as.factor(linksrechts)
Albus$LinksRechts <- relevel(lr, ref = 2) #Referenz ist die Mittelposition und die Extreme werden geprüft Politisches Interesse
#Politisches Interesse
attributes(Albus$pa02a)## $value.labels
## UEBERHAUPT NICHT WENIG MITTEL STARK
## "5" "4" "3" "2"
## SEHR STARK
## "1"table(Albus$pa02a)##
## 1 2 3 4 5
## 385 943 1605 429 113Albus$pol_intr <- (Albus$pa02a -5) * -1
table(Albus$pol_intr)##
## 0 1 2 3 4
## 113 429 1605 943 385Desc(Albus$pol_intr)## ------------------------------------------------------------------------------
## Albus$pol_intr (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'475 2 5 113 2.30 2.27
## 99.9% 0.1% 3.2% 2.34
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 2.00 2.00 3.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.94 0.41 1.48 1.00 -0.07 -0.06
##
##
## value freq perc cumfreq cumperc
## 1 0 113 3.3% 113 3.3%
## 2 1 429 12.3% 542 15.6%
## 3 2 1'605 46.2% 2'147 61.8%
## 4 3 943 27.1% 3'090 88.9%
## 5 4 385 11.1% 3'475 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$pa02a)##
## Shapiro-Wilk normality test
##
## data: Albus$pa02a
## W = 0.88946, p-value < 2.2e-16polintr <- car::recode(Albus$pa02a,"
1:2 = 1;
4:5 = 2;
3 = 3; else = NA")
Albus$polintr_dummy_1 <- as.factor(polintr)
Albus$polintr_dummy <- relevel(Albus$polintr_dummy_1, ref = 3) #Referenz ist das mittlere politische InteresseAlter
Desc(Albus$age) #Variable = age## ------------------------------------------------------------------------------
## Albus$age (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'472 5 77 0 51.68 51.09
## 99.9% 0.1% 0.0% 52.26
##
## .05 .10 .25 median .75 .90 .95
## 23.00 27.00 37.00 53.00 65.00 76.00 80.00
##
## range sd vcoef mad IQR skew kurt
## 77.00 17.64 0.34 20.76 28.00 -0.01 -0.87
##
## lowest : 18.0 (26), 19.0 (37), 20.0 (34), 21.0 (34), 22.0 (33)
## highest: 90.0 (4), 91.0, 92.0 (7), 94.0 (2), 95.0
##
## ' 95%-CI (classic)#Variable wird Mittelwertszentriert um es für den Haupteffekt interpretierbar zu machen
center_scale <- function(x) {
scale(x, scale = FALSE)
}#Funktion wird geschrieben
Albus$Alter_zentriert <- center_scale(Albus$age)
Desc(Albus$age)## ------------------------------------------------------------------------------
## Albus$age (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'472 5 77 0 51.68 51.09
## 99.9% 0.1% 0.0% 52.26
##
## .05 .10 .25 median .75 .90 .95
## 23.00 27.00 37.00 53.00 65.00 76.00 80.00
##
## range sd vcoef mad IQR skew kurt
## 77.00 17.64 0.34 20.76 28.00 -0.01 -0.87
##
## lowest : 18.0 (26), 19.0 (37), 20.0 (34), 21.0 (34), 22.0 (33)
## highest: 90.0 (4), 91.0, 92.0 (7), 94.0 (2), 95.0
##
## ' 95%-CI (classic)
Geschlecht
attributes(Albus$sex) #1 ist Mann und 2 ist Frau ## $value.labels
## FRAU MANN
## "2" "1"Albus$geschlecht <- car::recode(Albus$sex,
"1 = 0;
2 = 1; else = NA") #0 ist Mann und Referenz 1 ist Frau
Albus$geschlecht_f <- car::recode(Albus$sex, "
1 = 1;
2 = 0; else = NA") #0 ist Frau und Referenz und 1 ist MannNettoeinkommen
Desc(Albus$di01a) #einkommen wird Mittelwertszentriert, da sie kontinuierlich ist ## ------------------------------------------------------------------------------
## Albus$di01a (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'647 830 339 0 1'788.59 1'739.82
## 76.1% 23.9% 0.0% 1'837.35
##
## .05 .10 .25 median .75 .90 .95
## 414.60 570.60 990.00 1'500.00 2'300.00 3'200.00 4'000.00
##
## range sd vcoef mad IQR skew kurt
## 17'975.00 1'279.41 0.72 889.56 1'310.00 3.09 22.74
##
## lowest : 25.0, 50.0 (3), 60.0, 62.0, 85.0
## highest: 9'500.0, 10'000.0 (2), 12'000.0, 15'000.0 (2), 18'000.0
##
## heap(?): remarkable frequency (5.9%) for the mode(s) (= 2000)
##
## ' 95%-CI (classic)Albus$Einkommen_zentriert <- center_scale(Albus$di01a)
Desc(Albus$di01a)## ------------------------------------------------------------------------------
## Albus$di01a (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'647 830 339 0 1'788.59 1'739.82
## 76.1% 23.9% 0.0% 1'837.35
##
## .05 .10 .25 median .75 .90 .95
## 414.60 570.60 990.00 1'500.00 2'300.00 3'200.00 4'000.00
##
## range sd vcoef mad IQR skew kurt
## 17'975.00 1'279.41 0.72 889.56 1'310.00 3.09 22.74
##
## lowest : 25.0, 50.0 (3), 60.0, 62.0, 85.0
## highest: 9'500.0, 10'000.0 (2), 12'000.0, 15'000.0 (2), 18'000.0
##
## heap(?): remarkable frequency (5.9%) for the mode(s) (= 2000)
##
## ' 95%-CI (classic)
Größe der Gemeinde
1 = bis 2k Einwohner
2 = 2k bis 5k Einwohner
3 = 5k bis 20k
4 = 20k bis 50k
5 = 50k bis 100k
6 = 100k bis 500k
7 = 500k und mehr
Desc(Albus$gkpol)## ------------------------------------------------------------------------------
## Albus$gkpol (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'404 73 7 0 3.98 3.91
## 97.9% 2.1% 0.0% 4.04
##
## .05 .10 .25 median .75 .90 .95
## 1.00 2.00 3.00 4.00 6.00 7.00 7.00
##
## range sd vcoef mad IQR skew kurt
## 6.00 1.85 0.47 1.48 3.00 0.29 -1.04
##
##
## value freq perc cumfreq cumperc
## 1 1 275 8.1% 275 8.1%
## 2 2 432 12.7% 707 20.8%
## 3 3 989 29.1% 1'696 49.8%
## 4 4 552 16.2% 2'248 66.0%
## 5 5 219 6.4% 2'467 72.5%
## 6 6 432 12.7% 2'899 85.2%
## 7 7 505 14.8% 3'404 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$gkpol)##
## Shapiro-Wilk normality test
##
## data: Albus$gkpol
## W = 0.90931, p-value < 2.2e-16table(Albus$gkpol)##
## 1 2 3 4 5 6 7
## 275 432 989 552 219 432 505Albus$Gemeindegröße_1 <- car::recode(Albus$gkpol,
"1:2 = 1;
3 = 2;
4:5 = 3;
6:7 = 4; else = NA")
gk <- as.factor(Albus$Gemeindegröße_1)
Albus$Gemeindegröße <- relevel(gk, ref = 4)5.1 Deskripitive Statistik
#Kontrollvariablen
sumtable(Albus, vars = c('bildungDummy', 'LinksRechts', 'pol_intr', 'age', 'ostDummy', 'geschlecht', 'Gemeindegröße', 'ZufWirtschaft', 'di01a')
,summ = list(
c('notNA(x)', 'mean(x)', 'median(x)', 'sd(x)', 'min(x)', 'max(x)', 'pctile(x)[25]', 'pctile(x)[75]')
),
summ.names = list(
c('N', 'Mean', 'Median', 'Standard Error', 'Minimum', 'Maximum', '1 Quantil', '4 Quantil')
)
,title = "Deskriptive Statistik der Kontrollvariablen"
,labels = c("Bildung", "Links-Rechts Einschätzung", "Politisches Interesse", "Alter","Ost-Westdeutsche", "Geschlecht", "Gemeindegröße", "Zufriedenheit mit Wirtschaftslage", "Einkommen"), file = 'Deskriptive Statistik Kontrolle')| Variable | N | Mean | Median | Standard Error | Minimum | Maximum | 1 Quantil | 4 Quantil |
|---|---|---|---|---|---|---|---|---|
| Bildung | 3454 | |||||||
| … 1 | 1814 | 53% | ||||||
| … 2 | 713 | 21% | ||||||
| … 3 | 927 | 27% | ||||||
| Links-Rechts Einschätzung | 3295 | |||||||
| … 2 | 1566 | 48% | ||||||
| … 1 | 1186 | 36% | ||||||
| … 3 | 543 | 16% | ||||||
| Politisches Interesse | 3475 | 2.3 | 2 | 0.94 | 0 | 4 | 2 | 3 |
| Alter | 3472 | 52 | 53 | 18 | 18 | 95 | 37 | 65 |
| Ost-Westdeutsche | 3477 | |||||||
| … 0 | 2387 | 69% | ||||||
| … 1 | 1090 | 31% | ||||||
| Geschlecht | 3477 | 0.49 | 0 | 0.5 | 0 | 1 | 0 | 1 |
| Gemeindegröße | 3404 | |||||||
| … 4 | 937 | 28% | ||||||
| … 1 | 707 | 21% | ||||||
| … 2 | 989 | 29% | ||||||
| … 3 | 771 | 23% | ||||||
| Zufriedenheit mit Wirtschaftslage | 3468 | 3.8 | 4 | 0.79 | 1 | 5 | 3 | 4 |
| Einkommen | 2647 | 1789 | 1500 | 1279 | 25 | 18000 | 990 | 2300 |
#Alle Variablen
sumtable(Albus, vars = c('Migration_1', 'Umweltschutz', 'pn12_g', 'bildungDummy', 'LinksRechts', 'pol_intr', 'age', 'ostDummy', 'geschlecht', 'Gemeindegröße', 'ZufWirtschaft', 'di01a')
,summ = list(
c('notNA(x)', 'mean(x)', 'median(x)', 'sd(x)', 'min(x)', 'max(x)', 'pctile(x)[25]', 'pctile(x)[75]')
),
summ.names = list(
c('N', 'Mean', 'Median', 'Standard Error', 'Minimum', 'Maximum', '1 Quantil', '4 Quantil')
)
,title = "Deskriptive Statistik der Kontrollvariablen"
,labels = c("Einstellung gegenüber Migration", "Umweltschutz", "Heimatgefühl","Bildung", "Links-Rechts Einschätzung", "Politisches Interesse", "Alter","Ost-Westdeutsche", "Geschlecht", "Gemeindegröße", "Zufriedenheit mit Wirtschaftslage", "Einkommen"), file = 'Deskriptive Statistik Alle')| Variable | N | Mean | Median | Standard Error | Minimum | Maximum | 1 Quantil | 4 Quantil |
|---|---|---|---|---|---|---|---|---|
| Einstellung gegenüber Migration | 3477 | 3.4 | 3.5 | 0.83 | 1 | 5 | 2.8 | 4 |
| Umweltschutz | 3450 | 4.3 | 5 | 0.95 | 1 | 5 | 4 | 5 |
| Heimatgefühl | 3460 | |||||||
| … 1 | 827 | 24% | ||||||
| … 2 | 1567 | 45% | ||||||
| … 3 | 933 | 27% | ||||||
| … 4 | 133 | 4% | ||||||
| Bildung | 3454 | |||||||
| … 1 | 1814 | 53% | ||||||
| … 2 | 713 | 21% | ||||||
| … 3 | 927 | 27% | ||||||
| Links-Rechts Einschätzung | 3295 | |||||||
| … 2 | 1566 | 48% | ||||||
| … 1 | 1186 | 36% | ||||||
| … 3 | 543 | 16% | ||||||
| Politisches Interesse | 3475 | 2.3 | 2 | 0.94 | 0 | 4 | 2 | 3 |
| Alter | 3472 | 52 | 53 | 18 | 18 | 95 | 37 | 65 |
| Ost-Westdeutsche | 3477 | |||||||
| … 0 | 2387 | 69% | ||||||
| … 1 | 1090 | 31% | ||||||
| Geschlecht | 3477 | 0.49 | 0 | 0.5 | 0 | 1 | 0 | 1 |
| Gemeindegröße | 3404 | |||||||
| … 4 | 937 | 28% | ||||||
| … 1 | 707 | 21% | ||||||
| … 2 | 989 | 29% | ||||||
| … 3 | 771 | 23% | ||||||
| Zufriedenheit mit Wirtschaftslage | 3468 | 3.8 | 4 | 0.79 | 1 | 5 | 3 | 4 |
| Einkommen | 2647 | 1789 | 1500 | 1279 | 25 | 18000 | 990 | 2300 |
6. Regression
6.1 Migration
m1 <- lm(Migration ~ Heimat_1, data = Albus)
m1.1 <- lm(Migration ~ Heimat_2, data = Albus)
m1.2 <- lm(Migration ~ Heimat_3, data = Albus)
tab_model(m1, m1.1, m1.2, p.style = "stars")| Migration | Migration | Migration | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 2.29 *** | 2.26 – 2.32 | 2.28 *** | 2.20 – 2.35 | 2.28 *** | 2.20 – 2.35 |
| Heimat 1 [1] | -0.02 | -0.06 – 0.02 | ||||
| Heimat 1 [2] | -0.03 | -0.06 – 0.01 | ||||
| Heimat 2 [1] | -0.00 | -0.09 – 0.08 | ||||
| Heimat 2 [2] | -0.01 | -0.09 – 0.07 | ||||
| Heimat 2 [3] | 0.02 | -0.06 – 0.10 | ||||
| Heimat 3 | -0.00 | -0.08 – 0.08 | ||||
| Observations | 3460 | 3460 | 3460 | |||
| R2 / R2 adjusted | 0.001 / 0.000 | 0.001 / -0.000 | 0.000 / -0.000 | |||
|
||||||
#Mit Kontrollvariablen 1 #Probier hier mal rum mit Heimat_1 , 2, 3 ob sich was ändert bei dir
m1.3 <- lm(Migration_1 ~ Heimat_2 + geschlecht + bildungDummy + ostDummy +Einkommen_zentriert + Alter_zentriert + Gemeindegröße + pol_intr + ZufWirtschaft + LinksRechts + LinksRechts:Heimat_2, data = Albus)
tab_model(m1.3, p.style = "stars")#,| Migration_1 | ||
|---|---|---|
| Predictors | Estimates | CI |
| (Intercept) | 2.42 *** | 2.16 – 2.68 |
| Heimat 2 [1] | 0.23 * | 0.01 – 0.45 |
| Heimat 2 [2] | 0.23 * | 0.02 – 0.44 |
| Heimat 2 [3] | 0.16 | -0.06 – 0.38 |
| geschlecht | 0.11 *** | 0.05 – 0.17 |
| bildungDummy [2] | 0.09 * | 0.02 – 0.17 |
| bildungDummy [3] | 0.36 *** | 0.28 – 0.43 |
| ostDummy [1] | -0.21 *** | -0.27 – -0.15 |
| Einkommen zentriert | 0.00 *** | 0.00 – 0.00 |
| Alter zentriert | -0.01 *** | -0.01 – -0.01 |
| Gemeindegröße [1] | -0.29 *** | -0.37 – -0.21 |
| Gemeindegröße [2] | -0.15 *** | -0.22 – -0.07 |
| Gemeindegröße [3] | -0.11 ** | -0.19 – -0.03 |
| pol intr | 0.07 *** | 0.04 – 0.10 |
| ZufWirtschaft | 0.16 *** | 0.12 – 0.19 |
| LinksRechts [1] | 0.77 *** | 0.45 – 1.09 |
| LinksRechts [3] | -0.13 | -0.48 – 0.23 |
|
Heimat 2 [1] × LinksRechts [1] |
-0.47 ** | -0.82 – -0.13 |
|
Heimat 2 [2] × LinksRechts [1] |
-0.50 ** | -0.83 – -0.16 |
|
Heimat 2 [3] × LinksRechts [1] |
-0.48 ** | -0.83 – -0.14 |
|
Heimat 2 [1] × LinksRechts [3] |
-0.32 | -0.71 – 0.07 |
|
Heimat 2 [2] × LinksRechts [3] |
-0.24 | -0.61 – 0.14 |
|
Heimat 2 [3] × LinksRechts [3] |
-0.22 | -0.60 – 0.17 |
| Observations | 2468 | |
| R2 / R2 adjusted | 0.315 / 0.309 | |
|
||
#file = "Regression_Migration_Kontroll1.html")
plot_model(m1.3)
#Mit Kontrollvariablen 2
m1.3.1 <- lm(Migration_1 ~ Heimat_2 + bildungDummy + ostDummy + LinksRechts + polintr_dummy + Alter_zentriert + geschlecht_f + Einkommen_zentriert + Gemeindegröße + LinksRechts:Heimat_2, data = Albus)
tab_model( m1.3.1, p.style = "stars")#,| Migration_1 | ||
|---|---|---|
| Predictors | Estimates | CI |
| (Intercept) | 3.28 *** | 3.07 – 3.50 |
| Heimat 2 [1] | 0.18 | -0.04 – 0.41 |
| Heimat 2 [2] | 0.18 | -0.03 – 0.40 |
| Heimat 2 [3] | 0.09 | -0.12 – 0.31 |
| bildungDummy [2] | 0.12 ** | 0.05 – 0.19 |
| bildungDummy [3] | 0.41 *** | 0.33 – 0.48 |
| ostDummy [1] | -0.22 *** | -0.28 – -0.16 |
| LinksRechts [1] | 0.70 *** | 0.38 – 1.03 |
| LinksRechts [3] | -0.19 | -0.55 – 0.16 |
| polintr dummy [1] | 0.12 *** | 0.06 – 0.18 |
| polintr dummy [2] | -0.13 ** | -0.22 – -0.04 |
| Alter zentriert | -0.01 *** | -0.01 – -0.01 |
| geschlecht f | -0.08 ** | -0.14 – -0.02 |
| Einkommen zentriert | 0.00 *** | 0.00 – 0.00 |
| Gemeindegröße [1] | -0.29 *** | -0.38 – -0.21 |
| Gemeindegröße [2] | -0.14 *** | -0.22 – -0.07 |
| Gemeindegröße [3] | -0.13 ** | -0.21 – -0.05 |
|
Heimat 2 [1] × LinksRechts [1] |
-0.39 * | -0.74 – -0.05 |
|
Heimat 2 [2] × LinksRechts [1] |
-0.42 * | -0.75 – -0.08 |
|
Heimat 2 [3] × LinksRechts [1] |
-0.41 * | -0.75 – -0.06 |
|
Heimat 2 [1] × LinksRechts [3] |
-0.25 | -0.65 – 0.14 |
|
Heimat 2 [2] × LinksRechts [3] |
-0.18 | -0.56 – 0.20 |
|
Heimat 2 [3] × LinksRechts [3] |
-0.15 | -0.53 – 0.24 |
| Observations | 2473 | |
| R2 / R2 adjusted | 0.297 / 0.290 | |
|
||
#file = "Regression_Migration_Kontroll2.html")6.2 Umweltschutz
m2 <- lm(Umweltschutz ~ Heimat_1, data = Albus)
m2.1 <- lm(Umweltschutz ~ Heimat_2, data = Albus)
m2.2 <- lm(Umweltschutz ~ Heimat_3, data = Albus)
tab_model(m2, m2.1, m2.2, p.style = "stars")| Umweltschutz | Umweltschutz | Umweltschutz | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 4.28 *** | 4.22 – 4.34 | 4.39 *** | 4.23 – 4.56 | 4.39 *** | 4.23 – 4.56 |
| Heimat 1 [1] | -0.02 | -0.11 – 0.07 | ||||
| Heimat 1 [2] | -0.03 | -0.11 – 0.04 | ||||
| Heimat 2 [1] | -0.14 | -0.31 – 0.04 | ||||
| Heimat 2 [2] | -0.15 | -0.32 – 0.02 | ||||
| Heimat 2 [3] | -0.13 | -0.31 – 0.04 | ||||
| Heimat 3 | -0.14 | -0.31 – 0.03 | ||||
| Observations | 3434 | 3434 | 3434 | |||
| R2 / R2 adjusted | 0.000 / -0.000 | 0.001 / -0.000 | 0.001 / 0.000 | |||
|
||||||
#Mit Kontrollvariablen 1
m2.3 <- glm(Umweltschutz ~ Heimat_2 + geschlecht + bildungDummy + ostDummy +Einkommen_zentriert + Alter_zentriert + Gemeindegröße + pol_intr + ZufWirtschaft + LinksRechts + LinksRechts:Heimat_2, data = Albus, family = "poisson")
summary(m2.3)##
## Call:
## glm(formula = Umweltschutz ~ Heimat_2 + geschlecht + bildungDummy +
## ostDummy + Einkommen_zentriert + Alter_zentriert + Gemeindegröße +
## pol_intr + ZufWirtschaft + LinksRechts + LinksRechts:Heimat_2,
## family = "poisson", data = Albus)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.404e+00 9.312e-02 15.072 < 2e-16 ***
## Heimat_21 3.873e-02 7.938e-02 0.488 0.62560
## Heimat_22 1.393e-02 7.676e-02 0.181 0.85603
## Heimat_23 -1.072e-03 7.868e-02 -0.014 0.98913
## geschlecht 5.939e-02 2.141e-02 2.774 0.00554 **
## bildungDummy2 -1.677e-02 2.629e-02 -0.638 0.52365
## bildungDummy3 -5.581e-03 2.677e-02 -0.208 0.83485
## ostDummy1 -2.341e-02 2.193e-02 -1.067 0.28593
## Einkommen_zentriert -9.442e-06 8.994e-06 -1.050 0.29380
## Alter_zentriert -4.674e-04 5.893e-04 -0.793 0.42776
## Gemeindegröße1 -4.191e-02 2.923e-02 -1.434 0.15160
## Gemeindegröße2 -1.831e-02 2.623e-02 -0.698 0.48503
## Gemeindegröße3 -1.647e-02 2.812e-02 -0.586 0.55806
## pol_intr 4.075e-03 1.201e-02 0.339 0.73427
## ZufWirtschaft 3.569e-03 1.341e-02 0.266 0.79014
## LinksRechts1 1.137e-01 1.115e-01 1.020 0.30775
## LinksRechts3 4.357e-02 1.265e-01 0.345 0.73042
## Heimat_21:LinksRechts1 -1.026e-01 1.200e-01 -0.854 0.39287
## Heimat_22:LinksRechts1 -7.542e-02 1.159e-01 -0.651 0.51509
## Heimat_23:LinksRechts1 -3.001e-02 1.191e-01 -0.252 0.80105
## Heimat_21:LinksRechts3 -1.189e-01 1.385e-01 -0.858 0.39079
## Heimat_22:LinksRechts3 -8.471e-02 1.341e-01 -0.631 0.52772
## Heimat_23:LinksRechts3 -4.200e-02 1.372e-01 -0.306 0.75957
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for poisson family taken to be 1)
##
## Null deviance: 587.50 on 2457 degrees of freedom
## Residual deviance: 555.44 on 2435 degrees of freedom
## (1019 observations deleted due to missingness)
## AIC: 8708.5
##
## Number of Fisher Scoring iterations: 4tab_model(m2.3, p.style = "stars")#,| Umweltschutz | ||
|---|---|---|
| Predictors | Incidence Rate Ratios | CI |
| (Intercept) | 4.07 *** | 3.38 – 4.87 |
| Heimat 2 [1] | 1.04 | 0.89 – 1.22 |
| Heimat 2 [2] | 1.01 | 0.88 – 1.18 |
| Heimat 2 [3] | 1.00 | 0.86 – 1.17 |
| geschlecht | 1.06 ** | 1.02 – 1.11 |
| bildungDummy [2] | 0.98 | 0.93 – 1.04 |
| bildungDummy [3] | 0.99 | 0.94 – 1.05 |
| ostDummy [1] | 0.98 | 0.94 – 1.02 |
| Einkommen zentriert | 1.00 | 1.00 – 1.00 |
| Alter zentriert | 1.00 | 1.00 – 1.00 |
| Gemeindegröße [1] | 0.96 | 0.91 – 1.02 |
| Gemeindegröße [2] | 0.98 | 0.93 – 1.03 |
| Gemeindegröße [3] | 0.98 | 0.93 – 1.04 |
| pol intr | 1.00 | 0.98 – 1.03 |
| ZufWirtschaft | 1.00 | 0.98 – 1.03 |
| LinksRechts [1] | 1.12 | 0.90 – 1.39 |
| LinksRechts [3] | 1.04 | 0.81 – 1.33 |
|
Heimat 2 [1] × LinksRechts [1] |
0.90 | 0.71 – 1.14 |
|
Heimat 2 [2] × LinksRechts [1] |
0.93 | 0.74 – 1.17 |
|
Heimat 2 [3] × LinksRechts [1] |
0.97 | 0.77 – 1.23 |
|
Heimat 2 [1] × LinksRechts [3] |
0.89 | 0.68 – 1.17 |
|
Heimat 2 [2] × LinksRechts [3] |
0.92 | 0.71 – 1.20 |
|
Heimat 2 [3] × LinksRechts [3] |
0.96 | 0.73 – 1.26 |
| Observations | 2458 | |
| R2 Nagelkerke | 0.061 | |
|
||
#file = "Regression_Umweltschutz_Kontroll1.html")
#Robuste Standardfehler
cov.m1 <- vcovHC(m2.3, type="HC0")
std.err <- sqrt(diag(cov.m1))
r.est <- cbind(Estimate= coef(m2.3), "Robust SE" = std.err,
"Pr(>|z|)" = 2 * pnorm(abs(coef(m2.3)/std.err), lower.tail=FALSE),
LL = coef(m2.3) - 1.96 * std.err,
UL = coef(m2.3) + 1.96 * std.err)
r.est## Estimate Robust SE Pr(>|z|) LL
## (Intercept) 1.403528e+00 5.335116e-02 1.580118e-152 1.298959e+00
## Heimat_21 3.873336e-02 4.651891e-02 4.050496e-01 -5.244371e-02
## Heimat_22 1.392739e-02 4.562215e-02 7.601552e-01 -7.549201e-02
## Heimat_23 -1.071665e-03 4.680408e-02 9.817326e-01 -9.280767e-02
## geschlecht 5.939280e-02 9.413918e-03 2.807691e-10 4.094152e-02
## bildungDummy2 -1.676840e-02 1.153761e-02 1.461215e-01 -3.938211e-02
## bildungDummy3 -5.580619e-03 1.215856e-02 6.462436e-01 -2.941139e-02
## ostDummy1 -2.340536e-02 9.986938e-03 1.909877e-02 -4.297976e-02
## Einkommen_zentriert -9.441814e-06 3.628491e-06 9.264601e-03 -1.655366e-05
## Alter_zentriert -4.673631e-04 2.555529e-04 6.742493e-02 -9.682469e-04
## Gemeindegröße1 -4.191101e-02 1.284347e-02 1.101557e-03 -6.708422e-02
## Gemeindegröße2 -1.831242e-02 1.124496e-02 1.034188e-01 -4.035253e-02
## Gemeindegröße3 -1.647194e-02 1.219100e-02 1.766457e-01 -4.036630e-02
## pol_intr 4.075406e-03 5.351903e-03 4.463661e-01 -6.414324e-03
## ZufWirtschaft 3.569148e-03 6.024747e-03 5.535730e-01 -8.239356e-03
## LinksRechts1 1.137311e-01 4.765696e-02 1.701175e-02 2.032348e-02
## LinksRechts3 4.357245e-02 6.765845e-02 5.195715e-01 -8.903811e-02
## Heimat_21:LinksRechts1 -1.025552e-01 5.129482e-02 4.557280e-02 -2.030931e-01
## Heimat_22:LinksRechts1 -7.542428e-02 4.947554e-02 1.273898e-01 -1.723963e-01
## Heimat_23:LinksRechts1 -3.001458e-02 5.070635e-02 5.538979e-01 -1.293990e-01
## Heimat_21:LinksRechts3 -1.188514e-01 7.372172e-02 1.069266e-01 -2.633459e-01
## Heimat_22:LinksRechts3 -8.470545e-02 7.086872e-02 2.319915e-01 -2.236081e-01
## Heimat_23:LinksRechts3 -4.200217e-02 7.266152e-02 5.632287e-01 -1.844188e-01
## UL
## (Intercept) 1.508096e+00
## Heimat_21 1.299104e-01
## Heimat_22 1.033468e-01
## Heimat_23 9.066434e-02
## geschlecht 7.784407e-02
## bildungDummy2 5.845317e-03
## bildungDummy3 1.825015e-02
## ostDummy1 -3.830964e-03
## Einkommen_zentriert -2.329972e-06
## Alter_zentriert 3.352062e-05
## Gemeindegröße1 -1.673781e-02
## Gemeindegröße2 3.727697e-03
## Gemeindegröße3 7.422425e-03
## pol_intr 1.456514e-02
## ZufWirtschaft 1.537765e-02
## LinksRechts1 2.071388e-01
## LinksRechts3 1.761830e-01
## Heimat_21:LinksRechts1 -2.017358e-03
## Heimat_22:LinksRechts1 2.154778e-02
## Heimat_23:LinksRechts1 6.936986e-02
## Heimat_21:LinksRechts3 2.564318e-02
## Heimat_22:LinksRechts3 5.419723e-02
## Heimat_23:LinksRechts3 1.004144e-01#Mit Kontrollvariablen 2
m2.3.1 <- lm(Umweltschutz ~ Heimat_2 + bildungDummy + LinksRechts + polintr_dummy + Alter_zentriert + geschlecht_f + Einkommen_zentriert + Gemeindegröße + LinksRechts:Heimat_2, data = Albus)
tab_model(m2.3.1, p.style = "stars")#,| Umweltschutz | ||
|---|---|---|
| Predictors | Estimates | CI |
| (Intercept) | 4.35 *** | 4.08 – 4.63 |
| Heimat 2 [1] | 0.16 | -0.13 – 0.44 |
| Heimat 2 [2] | 0.06 | -0.22 – 0.33 |
| Heimat 2 [3] | -0.00 | -0.28 – 0.28 |
| bildungDummy [2] | -0.07 | -0.16 – 0.03 |
| bildungDummy [3] | -0.03 | -0.13 – 0.06 |
| LinksRechts [1] | 0.50 * | 0.09 – 0.92 |
| LinksRechts [3] | 0.18 | -0.28 – 0.64 |
| polintr dummy [1] | 0.10 * | 0.02 – 0.18 |
| polintr dummy [2] | 0.08 | -0.04 – 0.19 |
| Alter zentriert | -0.00 * | -0.00 – -0.00 |
| geschlecht f | -0.26 *** | -0.34 – -0.19 |
| Einkommen zentriert | -0.00 | -0.00 – 0.00 |
| Gemeindegröße [1] | -0.19 *** | -0.29 – -0.08 |
| Gemeindegröße [2] | -0.07 | -0.17 – 0.03 |
| Gemeindegröße [3] | -0.06 | -0.17 – 0.04 |
|
Heimat 2 [1] × LinksRechts [1] |
-0.46 * | -0.91 – -0.01 |
|
Heimat 2 [2] × LinksRechts [1] |
-0.35 | -0.78 – 0.09 |
|
Heimat 2 [3] × LinksRechts [1] |
-0.14 | -0.59 – 0.31 |
|
Heimat 2 [1] × LinksRechts [3] |
-0.49 | -1.00 – 0.02 |
|
Heimat 2 [2] × LinksRechts [3] |
-0.35 | -0.85 – 0.14 |
|
Heimat 2 [3] × LinksRechts [3] |
-0.18 | -0.68 – 0.32 |
| Observations | 2463 | |
| R2 / R2 adjusted | 0.063 / 0.055 | |
|
||
#file = "Regression_Umweltschutz_Kontroll2.html")6.3 Tabellen und Robustheitstests
Robustheitstest 1
#Migration
#Mit Deutschland
m1.1.1 <- lm(Migration ~ Heimat_1.1, data = Albus)
m1.1.2 <- lm(Migration_1 ~ Heimat_2.1, data = Albus)
m1.1.3 <- lm(Migration ~ Heimat_3.1, data = Albus)
tab_model(m1.1.1, m1.1.2, m1.1.3, p.style = "stars")| Migration | Migration_1 | Migration | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 2.35 *** | 2.31 – 2.38 | 3.15 *** | 2.91 – 3.40 | 2.40 *** | 2.27 – 2.54 |
| Heimat 1 1 [1] | -0.08 ** | -0.13 – -0.03 | ||||
| Heimat 1 1 [2] | -0.09 *** | -0.13 – -0.05 | ||||
| Heimat 2 1 [1] | 0.22 | -0.03 – 0.48 | ||||
| Heimat 2 1 [2] | 0.30 * | 0.05 – 0.55 | ||||
| Heimat 2 1 [3] | 0.18 | -0.07 – 0.44 | ||||
| Heimat 3 1 | -0.13 | -0.27 – 0.00 | ||||
| Observations | 3440 | 3440 | 3440 | |||
| R2 / R2 adjusted | 0.005 / 0.005 | 0.005 / 0.004 | 0.001 / 0.001 | |||
|
||||||
#Mit EU
m1.1.4 <- lm(Migration ~ Heimat_1.2, data = Albus)
m1.1.5 <- lm(Migration_1 ~ Heimat_2.2, data = Albus)
m1.1.6 <- lm(Migration ~ Heimat_3.1, data = Albus)
tab_model(m1.1.4, m1.1.5, m1.1.6, p.style = "stars")| Migration | Migration_1 | Migration | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 2.34 *** | 2.32 – 2.36 | 3.15 *** | 2.91 – 3.40 | 2.40 *** | 2.27 – 2.54 |
| Heimat 1 2 [1] | -0.14 *** | -0.19 – -0.08 | ||||
| Heimat 1 2 [2] | -0.13 *** | -0.16 – -0.10 | ||||
| Heimat 2 2 [1] | 0.22 | -0.03 – 0.48 | ||||
| Heimat 2 2 [2] | 0.30 * | 0.05 – 0.55 | ||||
| Heimat 2 2 [3] | 0.18 | -0.07 – 0.44 | ||||
| Heimat 3 1 | -0.13 | -0.27 – 0.00 | ||||
| Observations | 3391 | 3440 | 3440 | |||
| R2 / R2 adjusted | 0.022 / 0.021 | 0.005 / 0.004 | 0.001 / 0.001 | |||
|
||||||
#Umweltschutz
#Mit Deutschland
m2.1.1 <- lm(Umweltschutz ~ Heimat_1.1, data = Albus)
m2.1.2 <- lm(Umweltschutz ~ Heimat_2.1, data = Albus)
m2.1.3 <- lm(Umweltschutz ~ Heimat_3.1, data = Albus)
tab_model(m2.1.1, m2.1.2, m2.1.3, p.style = "stars")| Umweltschutz | Umweltschutz | Umweltschutz | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 4.26 *** | 4.18 – 4.34 | 4.14 *** | 3.85 – 4.43 | 4.14 *** | 3.85 – 4.43 |
| Heimat 1 1 [1] | -0.03 | -0.13 – 0.07 | ||||
| Heimat 1 1 [2] | 0.01 | -0.08 – 0.10 | ||||
| Heimat 2 1 [1] | 0.09 | -0.21 – 0.38 | ||||
| Heimat 2 1 [2] | 0.13 | -0.16 – 0.42 | ||||
| Heimat 2 1 [3] | 0.13 | -0.17 – 0.43 | ||||
| Heimat 3 1 | 0.12 | -0.17 – 0.41 | ||||
| Observations | 3415 | 3415 | 3415 | |||
| R2 / R2 adjusted | 0.000 / -0.000 | 0.000 / -0.000 | 0.000 / -0.000 | |||
|
||||||
#Mit EU
m2.1.4 <- lm(Umweltschutz ~ Heimat_1.2, data = Albus)
m2.1.5 <- lm(Umweltschutz ~ Heimat_2.2, data = Albus)
m2.1.6 <- lm(Umweltschutz ~ Heimat_3.1, data = Albus)
tab_model(m2.1.4, m2.1.5, m2.1.6, p.style = "stars")| Umweltschutz | Umweltschutz | Umweltschutz | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 4.19 *** | 4.14 – 4.24 | 4.14 *** | 3.85 – 4.43 | 4.14 *** | 3.85 – 4.43 |
| Heimat 1 2 [1] | 0.24 *** | 0.12 – 0.35 | ||||
| Heimat 1 2 [2] | 0.11 ** | 0.04 – 0.18 | ||||
| Heimat 2 2 [1] | 0.09 | -0.21 – 0.38 | ||||
| Heimat 2 2 [2] | 0.13 | -0.16 – 0.42 | ||||
| Heimat 2 2 [3] | 0.13 | -0.17 – 0.43 | ||||
| Heimat 3 1 | 0.12 | -0.17 – 0.41 | ||||
| Observations | 3368 | 3415 | 3415 | |||
| R2 / R2 adjusted | 0.006 / 0.006 | 0.000 / -0.000 | 0.000 / -0.000 | |||
|
||||||
Robustheitstest 2
#model_dashboard(m1.3)
a3 <- check_collinearity(m1.3)
plot(a3)
#model_dashboard(m2.3)
b3 <- check_collinearity(m2.3)
plot(b3)
Tabellen
#Migration
tab_model(m1.3,
show.aic = T,
show.dev = T,
show.se = T,
p.style = "stars",
title = "Effekt Heimatgefühl auf Einstellung gegenüber Migranten",
dv.labels = "Einstellung gegenüber Migranten",
pred.labels = c("Intercept", "Heimatgefühl[Stark]", "Heimatgefühl[Mittel]", "Heimatgefühl[Schwach]", "Geschlecht[Mann = Referenz]", "Mittlere Bildung[Niedrig = Referenz]", "Hohe Bildung", "Ostdeutschland[Westen = Referenz]", "Einkommen[Mittelwertszentriert]", "Alter[Mittelwertszentriert]", "Landgemeinde[1k-5k]", "Kleinstadt[5k-20k]","Mittelstadt[20k-100k]", "Pol. Interesse", "Zufriedenheit mit Wirtschaftslage", "Links[Mitte = Referenz]", "Rechts", "Heimat[Stark] x Links", "Heimat[Mittel] x Links", "Heimat[Schwach] x Links", "Heimat[Stark] x Rechts", "Heimat[Mittel] x Rechts", "Heimat[Schwach] x Rechts"), file = "Regression_Migration.html")| Einstellung gegenüber Migranten | |||
|---|---|---|---|
| Predictors | Estimates | std. Error | CI |
| Intercept | 2.42 *** | 0.13 | 2.16 – 2.68 |
| Heimatgefühl[Stark] | 0.23 * | 0.11 | 0.01 – 0.45 |
| Heimatgefühl[Mittel] | 0.23 * | 0.11 | 0.02 – 0.44 |
| Heimatgefühl[Schwach] | 0.16 | 0.11 | -0.06 – 0.38 |
| Geschlecht[Mann = Referenz] | 0.11 *** | 0.03 | 0.05 – 0.17 |
| Mittlere Bildung[Niedrig = Referenz] | 0.09 * | 0.04 | 0.02 – 0.17 |
| Hohe Bildung | 0.36 *** | 0.04 | 0.28 – 0.43 |
| Ostdeutschland[Westen = Referenz] | -0.21 *** | 0.03 | -0.27 – -0.15 |
| Einkommen[Mittelwertszentriert] | 0.00 *** | 0.00 | 0.00 – 0.00 |
| Alter[Mittelwertszentriert] | -0.01 *** | 0.00 | -0.01 – -0.01 |
| Landgemeinde[1k-5k] | -0.29 *** | 0.04 | -0.37 – -0.21 |
| Kleinstadt[5k-20k] | -0.15 *** | 0.04 | -0.22 – -0.07 |
| Mittelstadt[20k-100k] | -0.11 ** | 0.04 | -0.19 – -0.03 |
| Pol. Interesse | 0.07 *** | 0.02 | 0.04 – 0.10 |
| Zufriedenheit mit Wirtschaftslage | 0.16 *** | 0.02 | 0.12 – 0.19 |
| Links[Mitte = Referenz] | 0.77 *** | 0.16 | 0.45 – 1.09 |
| Rechts | -0.13 | 0.18 | -0.48 – 0.23 |
| Heimat[Stark] x Links | -0.47 ** | 0.18 | -0.82 – -0.13 |
| Heimat[Mittel] x Links | -0.50 ** | 0.17 | -0.83 – -0.16 |
| Heimat[Schwach] x Links | -0.48 ** | 0.18 | -0.83 – -0.14 |
| Heimat[Stark] x Rechts | -0.32 | 0.20 | -0.71 – 0.07 |
| Heimat[Mittel] x Rechts | -0.24 | 0.19 | -0.61 – 0.14 |
| Heimat[Schwach] x Rechts | -0.22 | 0.20 | -0.60 – 0.17 |
| Observations | 2468 | ||
| R2 / R2 adjusted | 0.315 / 0.309 | ||
| Deviance | 1175.629 | ||
| AIC | 5221.600 | ||
|
|||
#Umweltschutz
tab_model(m2.3,
show.aic = T,
show.dev = T,
show.se = T,
p.style = "stars",
title = "Effekt Heimatgefühl auf das Umweltschutz",
dv.labels = "Umweltschutz",
pred.labels = c("Intercept", "Heimatgefühl[Stark]", "Heimatgefühl[Mittel]", "Heimatgefühl[Schwach]", "Geschlecht[Mann = Referenz]", "Mittlere Bildung[Niedrig = Referenz]", "Hohe Bildung", "Ostdeutschland[Westen = Referenz]", "Einkommen[Mittelwertszentriert]", "Alter[Mittelwertszentriert]", "Landgemeinde[1k-5k]", "Kleinstadt[5k-20k]","Mittelstadt[20k-100k]", "Pol. Interesse", "Zufriedenheit mit Wirtschaftslage", "Links[Mitte = Referenz]", "Rechts", "Heimat[Stark] x Links", "Heimat[Mittel] x Links", "Heimat[Schwach] x Links", "Heimat[Stark] x Rechts", "Heimat[Mittel] x Rechts", "Heimat[Schwach] x Rechts"), file = "Regression_Umweltschutz.html")| Umweltschutz | |||
|---|---|---|---|
| Predictors | Incidence Rate Ratios | std. Error | CI |
| Intercept | 4.07 *** | 0.38 | 3.38 – 4.87 |
| Heimatgefühl[Stark] | 1.04 | 0.08 | 0.89 – 1.22 |
| Heimatgefühl[Mittel] | 1.01 | 0.08 | 0.88 – 1.18 |
| Heimatgefühl[Schwach] | 1.00 | 0.08 | 0.86 – 1.17 |
| Geschlecht[Mann = Referenz] | 1.06 ** | 0.02 | 1.02 – 1.11 |
| Mittlere Bildung[Niedrig = Referenz] | 0.98 | 0.03 | 0.93 – 1.04 |
| Hohe Bildung | 0.99 | 0.03 | 0.94 – 1.05 |
| Ostdeutschland[Westen = Referenz] | 0.98 | 0.02 | 0.94 – 1.02 |
| Einkommen[Mittelwertszentriert] | 1.00 | 0.00 | 1.00 – 1.00 |
| Alter[Mittelwertszentriert] | 1.00 | 0.00 | 1.00 – 1.00 |
| Landgemeinde[1k-5k] | 0.96 | 0.03 | 0.91 – 1.02 |
| Kleinstadt[5k-20k] | 0.98 | 0.03 | 0.93 – 1.03 |
| Mittelstadt[20k-100k] | 0.98 | 0.03 | 0.93 – 1.04 |
| Pol. Interesse | 1.00 | 0.01 | 0.98 – 1.03 |
| Zufriedenheit mit Wirtschaftslage | 1.00 | 0.01 | 0.98 – 1.03 |
| Links[Mitte = Referenz] | 1.12 | 0.12 | 0.90 – 1.39 |
| Rechts | 1.04 | 0.13 | 0.81 – 1.33 |
| Heimat[Stark] x Links | 0.90 | 0.11 | 0.71 – 1.14 |
| Heimat[Mittel] x Links | 0.93 | 0.11 | 0.74 – 1.17 |
| Heimat[Schwach] x Links | 0.97 | 0.12 | 0.77 – 1.23 |
| Heimat[Stark] x Rechts | 0.89 | 0.12 | 0.68 – 1.17 |
| Heimat[Mittel] x Rechts | 0.92 | 0.12 | 0.71 – 1.20 |
| Heimat[Schwach] x Rechts | 0.96 | 0.13 | 0.73 – 1.26 |
| Observations | 2458 | ||
| R2 Nagelkerke | 0.061 | ||
| Deviance | 555.443 | ||
| AIC | 8708.478 | ||
|
|||