World Happiness Report adalah Laporan tahunan yang menilai kebahagiaan penduduk di berbagai negara di seluruh dunia. Laporan ini didasarkan pada data survei yang mengukur berbagai faktor yang dapat mempengaruhi kebahagiaan, seperti pendapatan, harapan hidup, dukungan sosial, persepsi korupsi, dan kebebasan memilih. Laporan ini bertujuan untuk memberikan pemahaman yang lebih baik tentang faktor-faktor yang berkontribusi terhadap kebahagiaan di seluruh dunia, serta untuk memberikan dasar bagi kebijakan publik yang lebih baik dalam mempromosikan kesejahteraan masyarakat
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
##
## Attaching package: 'lubridate'
## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union
## Loading required package: ggplot2
##
## Attaching package: 'gplots'
## The following object is masked from 'package:stats':
##
## lowess
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
## Loading required package: Matrix
##
## Attaching package: 'Matrix'
## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack
##
## Attaching package: 'lfe'
## The following object is masked from 'package:plm':
##
## sargan
## Loading required package: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
##
## Attaching package: 'lmtest'
## The following object is masked from 'package:lfe':
##
## waldtest
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
##
## Attaching package: 'MLmetrics'
## The following object is masked from 'package:base':
##
## Recall
Dalam kasus ini kita akan melakukan read data World Happiness Report
Kita ingin tahu terkait regional mana saja yang ada didalam data ini
## [1] "South Asia" "Central and Eastern Europe"
## [3] "Middle East and North Africa" ""
## [5] "Latin America and Caribbean" "Commonwealth of Independent States"
## [7] "North America and ANZ" "Western Europe"
## [9] "Sub-Saharan Africa" "Southeast Asia"
## [11] "East Asia"
Selanjutnya saya ingin mengambil regional Central and Eastern Europe
df_NA <- df %>%
filter(Regional.Indicator == "Central and Eastern Europe") %>%
select(-Regional.Indicator)
head(df_NA)## Rows: 241
## Columns: 12
## $ Country.Name <chr> "Albania", "Albania", "Albania", "Al…
## $ Year <int> 2007, 2009, 2010, 2011, 2012, 2013, …
## $ Life.Ladder <dbl> 4.634252, 5.485470, 5.268937, 5.8674…
## $ Log.GDP.Per.Capita <dbl> 9.121704, 9.241429, 9.282793, 9.3106…
## $ Social.Support <dbl> 0.8213716, 0.8330466, 0.7331523, 0.7…
## $ Healthy.Life.Expectancy.At.Birth <dbl> 66.760, 67.320, 67.600, 67.880, 68.1…
## $ Freedom.To.Make.Life.Choices <dbl> 0.5286047, 0.5252233, 0.5689584, 0.4…
## $ Generosity <dbl> -0.010428508, -0.159258857, -0.17367…
## $ Perceptions.Of.Corruption <dbl> 0.8746995, 0.8636654, 0.7262617, 0.8…
## $ Positive.Affect <dbl> 0.4888186, 0.5644745, 0.5760766, 0.5…
## $ Negative.Affect <dbl> 0.2463350, 0.2792565, 0.3000602, 0.2…
## $ Confidence.In.National.Government <dbl> 0.3006806, NA, NA, NA, 0.3648937, 0.…
Berikut adalah penjelasan singkat mengenai setiap kolom dalam
dataset: 1. Country.Name: Nama negara di mana data
diukur.
Year: Tahun ketika data diukur.
Life.Ladder: Skor kepuasan hidup yang merupakan
indikator utama kebahagiaan subjektif.
Log.GDP.Per.Capita: Logaritma dari pendapatan per
kapita yang digunakan sebagai proxy untuk taraf hidup.
Social.Support: Tingkat dukungan sosial yang
dirasakan oleh individu.
Healthy.Life.Expectancy.At.Birth: Usia harapan hidup
yang sehat pada saat lahir.
Freedom.To.Make.Life.Choices: Tingkat kebebasan
individu dalam membuat pilihan hidup.
Generosity: Tingkat kemurahan hati atau
kecenderungan untuk memberikan kepada orang lain.
Perceptions.Of.Corruption: Persepsi individu tentang
tingkat korupsi dalam masyarakat.
Positive.Affect: Skor afek positif yang mencerminkan
perasaan positif individu.
Negative.Affect: Skor afek negatif yang mencerminkan
perasaan negatif individu.
Confidence.In.National.Government: Tingkat keyakinan
individu dalam pemerintah nasional.
Melihat frekuensi data berdasarkan index individu
##
## Albania Bosnia and Herzegovina Bulgaria
## 15 14 14
## Croatia Estonia Hungary
## 15 16 16
## Kosovo Latvia Lithuania
## 16 16 17
## Montenegro North Macedonia Poland
## 13 15 16
## Romania Serbia Slovakia
## 16 14 13
## Slovenia
## 15
Setelah itu kita menggunakan fungsi is.pbalanced() untuk memeriksa apakah sebuah dataset adalah panel data yang seimbang atau tidak
## [1] FALSE
Karena False berarti data kita tidak seimbang
df_NA <- df_NA %>%
filter(!(Country.Name %in% c("Bosnia and Herzegovina","Bulgaria","Montenegro","Serbia","Slovakia","Lithuania")))Karena terdapat banyak data, dan dalam index ini kita hanya ingin mengambil informasi yang lengkap dengan rentang 15-16, jadi negara yang diluar index rentang tersebut tidak diambil
#membuat pdata.frame
df_NA <- df_NA %>% pdata.frame(index = c("Country.Name","Year"))
#memeriksa struktur data
glimpse(df_NA)## Rows: 156
## Columns: 12
## $ Country.Name <fct> Albania, Albania, Albania, Albania, …
## $ Year <fct> 2007, 2009, 2010, 2011, 2012, 2013, …
## $ Life.Ladder <pseries> 4.634252, 5.485470, 5.268937, 5.…
## $ Log.GDP.Per.Capita <pseries> 9.121704, 9.241429, 9.282793, 9.…
## $ Social.Support <pseries> 0.8213716, 0.8330466, 0.7331523,…
## $ Healthy.Life.Expectancy.At.Birth <pseries> 66.760, 67.320, 67.600, 67.880, …
## $ Freedom.To.Make.Life.Choices <pseries> 0.5286047, 0.5252233, 0.5689584,…
## $ Generosity <pseries> -0.010428508, -0.159258857, -0.1…
## $ Perceptions.Of.Corruption <pseries> 0.8746995, 0.8636654, 0.7262617,…
## $ Positive.Affect <pseries> 0.4888186, 0.5644745, 0.5760766,…
## $ Negative.Affect <pseries> 0.2463350, 0.2792565, 0.3000602,…
## $ Confidence.In.National.Government <pseries> 0.3006806, NA, NA, NA, 0.3648937…
Mengecek Dimensi data
## Unbalanced Panel: n = 10, T = 15-16, N = 156
“Unbalanced Panel”, Hal ini menunjukkan bahwa dataset yang sedang diperiksa adalah sebuah panel data yang tidak seimbang. yang berarti bahwa tidak setiap unit pengamatan memiliki jumlah pengamatan yang sama untuk setiap periode waktu yang diamati. Dalam kasus ini, beberapa unit pengamatan mungkin memiliki jumlah pengamatan yang berbeda.
“n = 10”, Menunjukkan jumlah unit pengamatan dalam dataset, yaitu 10 unit.
“T = 15-16”, Menunjukkan rentang jumlah pengamatan waktu (periode waktu) yang diamati untuk setiap unit pengamatan. Rentang ini adalah antara 15 hingga 16 periode waktu. Ini menunjukkan ketidakseimbangan dalam jumlah pengamatan waktu di seluruh unit pengamatan.
“N = 156”, Menunjukkan jumlah total pengamatan dalam dataset, yaitu 156 pengamatan. Ini mencakup semua pengamatan di semua unit pengamatan dan semua periode waktu.
Melakukan Balancing Data Menggunakan Fill
##
## Albania Croatia Estonia Hungary Kosovo
## 18 18 18 18 18
## Latvia North Macedonia Poland Romania Slovenia
## 18 18 18 18 18
## [1] 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
## [16] 2020 2021 2022
## 18 Levels: 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 ... 2022
Menggunakan Balancing menggunakan shared.times
##
## Albania Croatia Estonia Hungary Kosovo
## 13 13 13 13 13
## Latvia North Macedonia Poland Romania Slovenia
## 13 13 13 13 13
## [1] 2009 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
## 18 Levels: 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 ... 2022
Balancing menggunakan Shared.individuals
balance3 <- df_NA %>% make.pbalanced(balance.type = "shared.individuals")
table(balance3$Country.Name)##
## Albania Croatia Estonia Hungary Kosovo
## 0 0 0 0 0
## Latvia North Macedonia Poland Romania Slovenia
## 0 0 0 0 0
Dari seluruh balance yang digunakan, saya lebih prefer menggunakan metode fill, karena tidak banyak data yang hilang
## [1] TRUE
## Balanced Panel: n = 10, T = 18, N = 180
(Mungkin jadi pertanyaan saya kak, kenapa menggunakan metode fill T nya tetap 18? dan pertanyaan lewat email kak mungkin minta tolong untuk penjelasannya)
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 24 24
## Social.Support Healthy.Life.Expectancy.At.Birth
## 24 24
## Freedom.To.Make.Life.Choices Generosity
## 24 24
## Perceptions.Of.Corruption Positive.Affect
## 24 24
## Negative.Affect Confidence.In.National.Government
## 24 24
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 24 25
## Social.Support Healthy.Life.Expectancy.At.Birth
## 24 40
## Freedom.To.Make.Life.Choices Generosity
## 25 28
## Perceptions.Of.Corruption Positive.Affect
## 24 24
## Negative.Affect Confidence.In.National.Government
## 24 46
Karena pada kolom Healthy.Life.Expectancy.At.Birth dan Confidence.In.National.Government memiliki banyak missing value, kita lakukan drop
balance1 <- balance1 %>%
select(-Healthy.Life.Expectancy.At.Birth, -Confidence.In.National.Government)Setelah itu kita lakukan pengisian missing value di setiap negara
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 3 3
## Social.Support Freedom.To.Make.Life.Choices
## 3 3
## Generosity Perceptions.Of.Corruption
## 3 3
## Positive.Affect Negative.Affect
## 3 3
Alb <- Alb %>% mutate(
Life.Ladder = na.fill( Life.Ladder ,fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita ,fill = "extend"),
Social.Support = na.fill(Social.Support ,fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices ,fill = "extend"),
Generosity = na.fill(Generosity ,fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption ,fill = "extend"),
Positive.Affect = na.fill(Positive.Affect ,fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Alb)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 3 3
## Social.Support Freedom.To.Make.Life.Choices
## 3 3
## Generosity Perceptions.Of.Corruption
## 3 3
## Positive.Affect Negative.Affect
## 3 3
cro <- cro %>% mutate(
Life.Ladder = na.fill( Life.Ladder ,fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita ,fill = "extend"),
Social.Support = na.fill(Social.Support ,fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices ,fill = "extend"),
Generosity = na.fill(Generosity ,fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption ,fill = "extend"),
Positive.Affect = na.fill(Positive.Affect ,fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(cro)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 2 2
## Social.Support Freedom.To.Make.Life.Choices
## 2 2
## Generosity Perceptions.Of.Corruption
## 2 2
## Positive.Affect Negative.Affect
## 2 2
Est <- Est %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Est)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 2 2
## Social.Support Freedom.To.Make.Life.Choices
## 2 2
## Generosity Perceptions.Of.Corruption
## 3 2
## Positive.Affect Negative.Affect
## 2 2
Hun <- Hun %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Hun)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 2 3
## Social.Support Freedom.To.Make.Life.Choices
## 2 3
## Generosity Perceptions.Of.Corruption
## 3 2
## Positive.Affect Negative.Affect
## 2 2
Kos <- Kos %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Kos)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 2 2
## Social.Support Freedom.To.Make.Life.Choices
## 2 2
## Generosity Perceptions.Of.Corruption
## 2 2
## Positive.Affect Negative.Affect
## 2 2
Lat <- Lat %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Lat)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 3 3
## Social.Support Freedom.To.Make.Life.Choices
## 3 3
## Generosity Perceptions.Of.Corruption
## 3 3
## Positive.Affect Negative.Affect
## 3 3
Mac <- Mac %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill= "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Mac)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 2 2
## Social.Support Freedom.To.Make.Life.Choices
## 2 2
## Generosity Perceptions.Of.Corruption
## 3 2
## Positive.Affect Negative.Affect
## 2 2
Pol <- Pol %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Pol)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 2 2
## Social.Support Freedom.To.Make.Life.Choices
## 2 2
## Generosity Perceptions.Of.Corruption
## 3 2
## Positive.Affect Negative.Affect
## 2 2
Rom <- Rom %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Rom)## [1] FALSE
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 3 3
## Social.Support Freedom.To.Make.Life.Choices
## 3 3
## Generosity Perceptions.Of.Corruption
## 3 3
## Positive.Affect Negative.Affect
## 3 3
Slo <- Slo %>% mutate(
Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
Social.Support = na.fill(Social.Support, fill = "extend"),
Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
Generosity = na.fill(Generosity, fill = "extend"),
Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Slo)## [1] FALSE
## Balanced Panel: n = 10, T = 18, N = 180
Kebanyakan Negara diatas memiliki missing value di kolom yang sama, yang artinya harus dilakukan pengisian missing value menggunakan fill=extend
Kita lakukan cek ulang lagi
## Country.Name Year
## 0 0
## Life.Ladder Log.GDP.Per.Capita
## 0 0
## Social.Support Freedom.To.Make.Life.Choices
## 0 0
## Generosity Perceptions.Of.Corruption
## 0 0
## Positive.Affect Negative.Affect
## 0 0
## Country.Name Year Life.Ladder Log.GDP.Per.Capita
## Albania:18 2005 : 10 Min. :4.180 Min. : 8.858
## Croatia:18 2006 : 10 1st Qu.:5.104 1st Qu.: 9.616
## Estonia:18 2007 : 10 Median :5.567 Median :10.121
## Hungary:18 2008 : 10 Mean :5.548 Mean : 9.968
## Kosovo :18 2009 : 10 3rd Qu.:5.978 3rd Qu.:10.326
## Latvia :18 2010 : 10 Max. :6.785 Max. :10.644
## (Other):72 (Other):120
## Social.Support Freedom.To.Make.Life.Choices Generosity
## Min. :0.6256 Min. :0.3814 Min. :-0.275569
## 1st Qu.:0.7995 1st Qu.:0.6071 1st Qu.:-0.164231
## Median :0.8753 Median :0.7239 Median :-0.088790
## Mean :0.8522 Mean :0.7103 Mean :-0.070124
## 3rd Qu.:0.9173 3rd Qu.:0.8283 3rd Qu.: 0.006485
## Max. :0.9578 Max. :0.9584 Max. : 0.304365
##
## Perceptions.Of.Corruption Positive.Affect Negative.Affect
## Min. :0.3903 Min. :0.4469 Min. :0.09963
## 1st Qu.:0.8350 1st Qu.:0.5568 1st Qu.:0.22241
## Median :0.8871 Median :0.5890 Median :0.25424
## Mean :0.8592 Mean :0.5951 Mean :0.25363
## 3rd Qu.:0.9253 3rd Qu.:0.6288 3rd Qu.:0.29611
## Max. :0.9833 Max. :0.7670 Max. :0.42175
##
Berikut adalah ringkasan laporan pada regional Central and Eastern Europe
Statistik deskriptif menunjukkan bahwa skor kepuasan hidup bervariasi dari 4.180 hingga 6.785. Skor rata-ratanya adalah sekitar 5.548.
Pendapatan per kapita bervariasi dari 8.858 hingga 10.644. Pendapatan per kapita rata-ratanya adalah sekitar 9.968.
Nilai tingkat dukungan sosial berkisar dari 0.6256 hingga 0.9578. Rata-rata tingkat dukungan sosial adalah sekitar 0.8522.
Nilai tingkat kebebasan berkisar dari 0.3814 hingga 0.9584. Rata-rata tingkat kebebasan adalah sekitar 0.7103.
Nilai tingkat kemurahan hati berkisar dari -0.275569 hingga 0.304365. Rata-rata tingkat kemurahan hati adalah sekitar -0.070124.
Nilai persepsi korupsi berkisar dari 0.3903 hingga 0.9833. Rata-rata persepsi korupsi adalah sekitar 0.8592.
Skor positif berkisar dari 0.4469 hingga 0.7670. Rata-rata skor positif adalah sekitar 0.5951.
Skor negatif berkisar dari 0.09963 hingga 0.42175. Rata-rata skor negatif adalah sekitar 0.25363.
Dalam data diatas berikut penjelasannya
Log GDP per Capita memiliki korelasi positif dengan Life Ladder, Social Support, Freedom to Make Life Choices, dan Generosity. Hal ini menunjukkan bahwa negara-negara dengan pendapatan per kapita yang lebih tinggi cenderung memiliki tingkat kebahagiaan, dukungan sosial, kebebasan, dan kemurahan hati yang lebih tinggi.
Persepsi terhadap Korupsi memiliki korelasi negatif dengan Life Ladder, Social Support, Kepercayaan, dan Generosity. itu berarti bahwa semakin tinggi tingkat persepsi korupsi dalam suatu negara, semakin rendah tingkat kebahagiaan, dukungan sosial, kepercayaan, dan kemurahan hati di negara tersebut.
Afek Positif memiliki korelasi positif dengan Life Ladder dan Social Support. Ini menunjukkan bahwa negara-negara di mana orang mengalami lebih banyak emosi positif cenderung memiliki tingkat kebahagiaan dan dukungan sosial yang lebih tinggi.
Selanjutnya kita mencari informasi terkait Tingkat kebahagiaan di setiap negara pada setiap tahunnya
Beberapa Negara mengalami tingkat kebahagiaan yang meningkat di setiap tahunnya
Negara Slovenia menjadi negara yang memiliki tingkat kebahagiaan yang tinggi
Setiap negara mengalami kenaikan pendapatan per kapita
Negara Slovenia menjadi pendapatan per kapita paling tinggi dan yang paling rendah adalah kosovo
coplot(Perceptions.Of.Corruption ~ Year|Country.Name,
type = "b",
data = balanced2,
rows = 1,
col = "red")Pada Negara Estonia mengalami penurunan drastis pada persepsi dalam korupsi
Berbagai negara mengalami penuruanan dalam persepsi korupsi seperti Slovenia, Poland, Estonia, dan beberapa negara lainnya
Negara Romania mengalami persepsi korupsi yang lumayan besar dan cukup stabil
Dalam hal ini kita membagi data kita menjadi 2 bagian berdasarkan tahun observasi 1 periode
#membuat data train
ladder_train <- balanced2 %>% filter(Year != 2022)
#membuat data test
ladder_test <- balanced2 %>% filter(Year == 2022)Setelah itu dilakukan pengecekan apakah sudah balance atau tidak
## [1] TRUE
Asumsi multikolinieritas adalah fenomena di mana dua atau lebih variabel independen dalam model regresi linear memiliki hubungan yang kuat di antara satu sama lain
## Log.GDP.Per.Capita Social.Support
## 3.815938 2.120096
## Freedom.To.Make.Life.Choices Generosity
## 1.982042 1.812525
## Perceptions.Of.Corruption Positive.Affect
## 1.321979 1.896157
## Negative.Affect
## 1.507751
Nilai multikolinieritas dibawah 4, yang dimana menunjukkan bahwa tingkat multikolinieritas antar variabel dalam model regresi adalah rendah atau dapat diterima
Setelah itu dilakukan model gabungan dan model pengaruh tetap
Setelah selesai menggunakan model diatas, dilakukan Uji Chow
##
## F statistic
##
## data: Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption + ...
## F = 31.305, df1 = 9, df2 = 155, p-value < 2.2e-16
## alternative hypothesis: unstability
yang dimana p-value lebih kecil dari dari alpha, yang dimana berarti model yang digunakan adalah fixed effect model, dan nilai tersebut mengindkasik bahwa terdapat perbedaan yang signifikan antara model gabungan
##
## Hausman Test
##
## data: Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption + ...
## chisq = 44.426, df = 5, p-value = 1.898e-08
## alternative hypothesis: one model is inconsistent
Karena p-value lebih kecil dari alpha maka h1 diterima yang mana model pengaruh tetap, yang mana salah satu model yang digunakan ini kemungkinan tidak konsisten secara statistik dengan data
##
## Shapiro-Wilk normality test
##
## data: .
## W = 0.98984, p-value = 0.2654
Karena P-value lebih besar dari alpha maka hipotesis 0 diterima yang mana bahwa sisaan menyebar secara normal
##
## studentized Breusch-Pagan test
##
## data: .
## BP = 20.81, df = 5, p-value = 0.0008798
Karena p-value lebih kecil dari alpha, maka kita mengambil hipotesis 1 yang mana sisaan tidak memiliki ragam homogen
## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = Life.Ladder ~ Log.GDP.Per.Capita + Social.Support +
## Perceptions.Of.Corruption + Negative.Affect + Positive.Affect,
## data = ladder_train, model = "within", index = c("Country.Name",
## "Year"))
##
## Balanced Panel: n = 10, T = 17, N = 170
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.8782379 -0.1752480 -0.0008263 0.1709790 0.7787197
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## Log.GDP.Per.Capita 1.85617 0.19226 9.6547 < 2.2e-16 ***
## Social.Support 2.88273 0.44726 6.4453 1.386e-09 ***
## Perceptions.Of.Corruption -0.41239 0.37544 -1.0984 0.273727
## Negative.Affect -1.75139 0.61854 -2.8315 0.005248 **
## Positive.Affect 1.38222 0.53925 2.5632 0.011322 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 33.314
## Residual Sum of Squares: 11.264
## R-Squared: 0.66189
## Adj. R-Squared: 0.63135
## F-statistic: 60.6854 on 5 and 155 DF, p-value: < 2.22e-16
Beberapa variabel yang signifikan seperti Log.GDP.Per.Capita, Social.Support, dan Negative.Affect
Koefisien Estimasi:
Nilai F-statistic adalah sekitar 60.6854, dengan p-value yang sangat rendah (< 0.000000000000000222). Hal ini menunjukkan bahwa setidaknya satu dari koefisien variabel independen dalam model secara keseluruhan signifikan secara statistik.
Setelah itu dilakukan ekstrak informasi efek dari model FEM
## Albania Croatia Estonia Hungary Kosovo
## -14.354 -15.487 -16.472 -16.287 -13.636
## Latvia North Macedonia Poland Romania Slovenia
## -16.048 -15.003 -15.726 -15.206 -16.022
Salah satu metrik yang digunakan dalam evaluasi ini adalah MAPE (Mean Absolute Percentage Error) yang dimana metrik ini digunakan untuk mengukur akurasi dari sebuah model peramalan. MAPE mengukur rata-rata dari persentase kesalahan absolut antara nilai aktual dan nilai yang diprediksi oleh model.
## [1] 0.1559168
MAPE sebesar 0.1559168 menunjukkan bahwa rata-rata persentase kesalahan absolut antara nilai aktual dan nilai yang diprediksi oleh model adalah sekitar 15.59%. Semakin rendah nilai MAPE, semakin baik kinerja model peramalan. Dalam kasus ini, nilai MAPE tersebut menunjukkan bahwa model memiliki tingkat akurasi yang relatif tinggi dalam memperkirakan nilai aktual.
## Albania-2022 Croatia-2022 Estonia-2022 Hungary-2022 Kosovo-2022 Latvia-2022
## 5.563413 7.645933 8.531138 7.888599 5.843321 7.882037
# Gabungkan hasil prediksi dengan data asli
hasil <- cbind(balanced2, prediksi_df)
# Tampilkan hasil
head(hasil)Berikut adalah kesimpulan dari World Happines Report pada negara Central dan Eastern Europe
Peningkatan Program Sosial, Melakukan investasi dalam program-program sosial yang dapat meningkatkan dukungan sosial di masyarakat, seperti program pemberdayaan masyarakat, program pendidikan, program kesehatan mental, dan program bantuan sosial.
Penguatan Institusi Anti-Korupsi, Mengimplementasikan kebijakan dan tindakan yang bertujuan untuk mengurangi tingkat korupsi, seperti transparansi dalam pengelolaan dana publik, pemberantasan korupsi di sektor publik, dan penguatan lembaga-lembaga penegak hukum.
Pengembangan Ekonomi, Melakukan upaya untuk meningkatkan pendapatan per kapita melalui pembangunan ekonomi, seperti pengembangan sektor-sektor ekonomi yang berpotensi, pemberian pelatihan dan keterampilan kepada tenaga kerja, dan meningkatkan akses terhadap pasar global.
Peningkatan Kesetaraan Sosial dan Ekonomi, Memperhatikan ketidaksetaraan sosial dan ekonomi dalam kebijakan dan program-program pembangunan, dengan memastikan akses yang lebih merata terhadap sumber daya dan peluang bagi seluruh lapisan masyarakat.
Pemberdayaan Masyarakat, Mendorong partisipasi aktif masyarakat dalam proses pembangunan dan pengambilan keputusan, dengan memberikan ruang yang lebih besar bagi partisipasi publik, dialog, dan advokasi.
5.4 Social Support
Pada Negara Albania, mengalami penurunan terkiat dukungan sosial yang dirasakan, sedangkan pada negara slovenia tidak terlalu signifikan
pada negara Croatia terjadi penurunan drastis pada dukungan sosial