ABS instruments 2024 variants B

Ievads

Biedrības “Latvijas SOS Bērnu ciemata asociācija” programmas ‘Bērnam drošs un draudzīgs bērnudārzs” ietvaros tika izstrādāta bērna novērojuma un riska izvērtējuma metodika e-vidē “Bērna labsajūtas mērījums” (turpmāk, instruments). Instrumenta mērķis veicināt preventīvu speciālistu piesaisti bērniem ar grūtībām attīstības procesā. Instrumenta izstrādē tika veikti vairāki pilotprojekti, piesaistot praktiķus, ekspertus un pētniekus laika posmā no 2016. gada līdz 2024. gadam, kad tika izveidota instrumenta gala versija un pamatota tā ticamība un validitāte. Instrumenta saturs sastāv no 4 skalām jeb apakštēmām – Bērna uzvedība, Bērns mācību procesā, Bērna psihoemeocionālā attīstība un Bērns saskarsmē un komunikācijā. 
Instruments paredzēts, lai PII darbinieki bez īpašas sagatavošanās varētu ērti un ātri veikt sistemātiskus novērtējumus par bērniem ar mērķi identificēt gadījumus, kuros nepieciešams piesaistīt speciālistu. Novērtējumu parasti veic 2 pedagogi (vai pedagogs un auklīte) par vienu un to pašu bērnu. Kopējais bērna novērtējums tiek iegūts pēc šādiem principiem: 1. tiek saskaitīts aritmētiskais vidējais rezultāts skalu līmenī starp visiem vērtētājiem; 2. katrai skalai tiek noteikta kategorija no 3 iespējamām – zaļš, dzeltens un sarkans; 3. kopējā kategorija tiek noteikta pēc maksimālās kategorijas apakšskalā, piemēram, ja visās skalās bērnam ir zaļā kategorija, bet vienā dzeltenā, tad kopējā kategorija ir dzeltents. Izmantojot instrumentu plašākā mērogā, tam vajadzētu identificēt ~6% sarkanās kategorijas bērnus un ~20% dzeltenās kategorijas bērnus. 
Šajā dokumentā kodolīgi izklāstīts instrumenta ticamības un validitātes pamatojums, balstoties uz analīzi, kas veikta, izmantojot pilotprojektos uzkrāto informāciju, kopā izmantojot 41012 novērojumus. Dokumenta nobeigumā ir atzinums, kurā tiek norādīts, ka instruments ir pielietojams tā paredzētajam mērķim.

Pamatdatu ielāde, atlase un sagatavošana

load("C:/privati/SOSinventory/SOSinventory/evans.RData")
#1 pamatatlase
nrow(evans) #sākumā

## [1] 68825

evans<-subset(evans,stype=='MAINSURVEY'&sstatus=='2')
nrow(evans) #beigās

## [1] 56739

#2 pildīšanas laiks
{
nrow(evans); evans<-subset(evans, is.na(eminutes)==FALSE,); nrow(evans)
nrow(evans);evans<-subset(evans,eminutes>quantile(evans$eminutes, probs = c(0.05)),);nrow(evans)
}

## [1] 49806

#izņemam testa gadījumus:
{
nrow(evans);evans<-subset(evans,gsch!='999999'&gsch!='999997'&gsch!='999998', );nrow(evans)
}

## [1] 49775

#Definējam skalas
{
B<-c('B1','B2','B3','B4','B5','B6','B7','B8','B9','B10','B11','B12','B13','B14')
EM<-c('EM1','EM2','EM3','EM4','EM5','EM6','EM7')
ED<-c('ED1','ED2','ED3','ED4','ED5','ED6','ED7','S1')
C<-c('C1','C2','C3','C4','C5','C6','C7','C8','C9','C10')
}

# aizstājam atbildes ar vērtību 5 un 3 ar NA
{
  kolonas5miss<-c(B,EM,ED,C)
  evans[, c(kolonas5miss)][evans[, kolonas5miss] == '5'] <- NA
  
}



evans$vecums<-(as.Date(evans$send)-as.Date(evans$kbd))/365.42
quantile(evans$vecums, c(0.01,0.99))

## Time differences in days
##       1%      99% 
## 2.460183 7.733567

nrow(evans);evans<-subset(evans,vecums>2.4&vecums<=8.5);nrow(evans)

## [1] 49775

## [1] 49274

for (i in 1:length(B)){
  evans[,B[i]]<-4-evans[,B[i]]
}


for (i in 1:length(ED)){
  evans[,ED[i]]<-4-evans[,ED[i]]
}

for (i in 1:length(EM)){
  evans[,EM[i]]<-4-evans[,EM[i]]
}


for (i in 1:length(C)){
  evans[,C[i]]<-4-evans[,C[i]]
}


edx<-(evans[,c(B,EM,ED,C,"kid_id","id","group_id","user_id","kgend","gsch","survey_id","vecums")])

#noņemam gadījumus, kad izstrūkst dati
nrow(edx);edx <- edx[complete.cases(edx[,  names(edx)[1:40]]), ]; nrow(edx)

## [1] 49274

## [1] 41012

edx$B <- Reduce(`+`, edx[B])
edx$C <- Reduce(`+`, edx[C])
edx$EM <-Reduce(`+`, edx[EM])
edx$ED <-Reduce(`+`, edx[ED])


edx$object_id<-paste(as.character(edx$survey_id),as.character(edx$group_id),as.character(edx$kid_id),sep='')
edx$evcase_id<-paste(as.character(edx$survey_id),as.character(edx$group_id),sep='')
edx$evaluator_id<-edx$user_id
edx$evaluation<-edx$B

edx <- edx %>% arrange(as.numeric(evcase_id))

#datu izskats
head(edx)

##   B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 B14 EM1 EM2 EM3 EM4 EM5 EM6 EM7
## 1  0  0  1  1  0  0  0  0  0   1   0   0   1   1   0   0   0   0   0   0   0
## 2  1  1  0  0  0  1  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0
## 3  1  1  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0
## 4  0  0  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0
## 5  1  1  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0
## 6  1  1  0  0  0  0  0  0  0   1   0   1   0   0   0   0   1   0   0   0   0
##   ED1 ED2 ED3 ED4 ED5 ED6 ED7 S1 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 kid_id   id
## 1   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0     61    6
## 2   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0     54 1741
## 3   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0     61 1745
## 4   0   0   0   0   0   0   0  0  1  0  0  1  0  0  1  0  0   1     65 1747
## 5   1   0   0   1   0   0   0  0  0  0  0  0  0  0  0  0  0   0     69 1748
## 6   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0     72 1749
##   group_id user_id kgend gsch survey_id        vecums B C EM ED object_id
## 1       12      39     1   32         2 3.324941 days 5 0  0  0     21261
## 2       12      32     2   32         2 2.720158 days 3 0  0  0     21254
## 3       12      32     1   32         2 3.324941 days 2 0  0  0     21261
## 4       12      32     2   32         2 2.681846 days 0 4  0  0     21265
## 5       12      32     1   32         2 3.751847 days 2 0  0  2     21269
## 6       12      32     1   32         2 3.916042 days 4 0  1  0     21272
##   evcase_id evaluator_id evaluation
## 1       212           39          5
## 2       212           32          3
## 3       212           32          2
## 4       212           32          0
## 5       212           32          2
## 6       212           32          4

Skalu psihometriskās īpašības

Skalu saturs un iekšējā saskaņotība

sjt.itemanalysis(subset(edx,,.GlobalEnv$B),factor.groups.titles='Bērna uzvedība')

Bērna uzvedība
Row	Missings	Mean	SD	Skew	Item Difficulty	Item Discrimination	α if deleted
B1	0.00 %	0.71	1.06	1.2	0.24	0.64	0.91
B2	0.00 %	0.63	0.91	1.27	0.21	0.77	0.90
B3	0.00 %	0.57	0.95	1.5	0.19	0.70	0.91
B4	0.00 %	0.3	0.69	2.42	0.10	0.77	0.90
B5	0.00 %	0.28	0.64	2.45	0.09	0.74	0.90
B6	0.00 %	0.3	0.66	2.36	0.10	0.74	0.90
B7	0.00 %	0.18	0.49	3.05	0.06	0.57	0.91
B8	0.00 %	0.07	0.34	5.39	0.02	0.44	0.91
B9	0.00 %	0.09	0.38	4.89	0.03	0.56	0.91
B10	0.00 %	0.25	0.57	2.53	0.08	0.58	0.91
B11	0.00 %	0.21	0.56	3.05	0.07	0.71	0.90
B12	0.00 %	0.4	0.72	1.85	0.13	0.57	0.91
B13	0.00 %	0.24	0.58	2.57	0.08	0.66	0.91
B14	0.00 %	0.53	0.77	1.41	0.18	0.57	0.91
Mean inter-item-correlation=0.456 · Cronbach’s α=0.914

sjt.itemanalysis(subset(edx,,.GlobalEnv$ED),factor.groups.titles='Bērns mācību procesā')

Bērns mācību procesā
Row	Missings	Mean	SD	Skew	Item Difficulty	Item Discrimination	α if deleted
ED1	0.00 %	0.68	0.93	1.2	0.23	0.68	0.85
ED2	0.00 %	0.43	0.77	1.78	0.14	0.73	0.84
ED3	0.00 %	0.43	0.77	1.8	0.14	0.69	0.85
ED4	0.00 %	0.45	0.78	1.76	0.15	0.77	0.84
ED5	0.00 %	0.15	0.5	3.63	0.05	0.59	0.86
ED6	0.00 %	0.19	0.54	3.23	0.06	0.69	0.85
ED7	0.00 %	0.14	0.46	3.78	0.05	0.45	0.87
S1	0.00 %	0.23	0.58	2.8	0.08	0.48	0.87
Mean inter-item-correlation=0.462 · Cronbach’s α=0.870

sjt.itemanalysis(subset(edx,,.GlobalEnv$EM),factor.groups.titles='Bērna psihoemocionālā attīstība')

Bērna psihoemocionālā attīstība
Row	Missings	Mean	SD	Skew	Item Difficulty	Item Discrimination	α if deleted
EM1	0.00 %	0.36	0.69	2.04	0.12	0.54	0.74
EM2	0.00 %	0.15	0.46	3.44	0.05	0.56	0.73
EM3	0.00 %	0.28	0.61	2.38	0.09	0.57	0.73
EM4	0.00 %	0.2	0.53	3.1	0.07	0.45	0.75
EM5	0.00 %	0.16	0.5	3.68	0.05	0.40	0.76
EM6	0.00 %	0.17	0.49	3.33	0.06	0.64	0.72
EM7	0.00 %	0.11	0.45	4.8	0.04	0.34	0.77
Mean inter-item-correlation=0.329 · Cronbach’s α=0.772

sjt.itemanalysis(subset(edx,,.GlobalEnv$C),factor.groups.titles='Bērns saskarsmē un komunikācijā')

Bērns saskarsmē un komunikācijā
Row	Missings	Mean	SD	Skew	Item Difficulty	Item Discrimination	α if deleted
C1	0.00 %	0.32	0.71	2.42	0.11	0.65	0.88
C2	0.00 %	0.23	0.64	3.07	0.08	0.72	0.88
C3	0.00 %	0.18	0.57	3.51	0.06	0.74	0.87
C4	0.00 %	0.14	0.47	3.93	0.05	0.68	0.88
C5	0.00 %	0.17	0.52	3.49	0.06	0.64	0.88
C6	0.00 %	0.22	0.61	3.21	0.07	0.64	0.88
C7	0.00 %	0.2	0.56	3.11	0.07	0.70	0.88
C8	0.00 %	0.1	0.42	4.68	0.03	0.50	0.89
C9	0.00 %	0.07	0.33	5.94	0.02	0.44	0.89
C10	0.00 %	0.12	0.43	4.41	0.04	0.66	0.88
Mean inter-item-correlation=0.458 · Cronbach’s α=0.892

Skalu svērtais rezultāts

describe(subset(edx,,c("B","ED","EM","C")))

##    vars     n mean   sd median trimmed  mad min max range skew kurtosis   se
## B     1 41012 4.76 6.67      2    3.32 2.97   0  42    42 2.05     4.48 0.03
## ED    2 41012 2.71 3.96      1    1.83 1.48   0  24    24 2.09     4.71 0.02
## EM    3 41012 1.41 2.45      0    0.84 0.00   0  21    21 2.77     9.87 0.01
## C     4 41012 1.74 3.84      0    0.75 0.00   0  30    30 3.37    13.35 0.02

edx$BS<-edx$B/14
edx$EDS<-edx$ED/8
edx$EMS<-edx$EM/7
edx$CS<-edx$C/10
describe(subset(edx,,c("BS","EDS","EMS","CS")))

##     vars     n mean   sd median trimmed  mad min max range skew kurtosis se
## BS     1 41012 0.34 0.48   0.14    0.24 0.21   0   3     3 2.05     4.48  0
## EDS    2 41012 0.34 0.50   0.12    0.23 0.19   0   3     3 2.09     4.71  0
## EMS    3 41012 0.20 0.35   0.00    0.12 0.00   0   3     3 2.77     9.87  0
## CS     4 41012 0.17 0.38   0.00    0.07 0.00   0   3     3 3.37    13.35  0

plot(density(na.omit(edx$BS),bw=0.1), main="Uzvedības skalas blīvuma grafiks", xlab="Rezultāts", ylab="Blīvums")

plot(density(na.omit(edx$EDS),bw=0.1), main="Izglītības skalas blīvuma grafiks", xlab="Rezultāts", ylab="Blīvums")

plot(density(na.omit(edx$EMS),bw=0.1), main="Emocionalitātes skalas blīvuma grafiks", xlab="Rezultāts", ylab="Blīvums")

plot(density(na.omit(edx$CS),bw=0.1), main="Komunikācijas skalas blīvuma grafiks", xlab="Rezultāts", ylab="Blīvums")

Detalizētā pantu un sadalītās skalas ticamības analīze

Bērna uzvedība

Ss<-na.omit(subset(edx,,.GlobalEnv$B)); nrow(Ss)

## [1] 41012

Ss[] <- lapply(Ss, as.numeric); alpha(Ss)

## 
## Reliability analysis   
## Call: alpha(x = Ss)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N     ase mean   sd median_r
##       0.91      0.92    0.93      0.46  12 0.00057 0.34 0.48     0.45
## 
##     95% confidence boundaries 
##          lower alpha upper
## Feldt     0.91  0.91  0.91
## Duhachek  0.91  0.91  0.91
## 
##  Reliability if an item is dropped:
##     raw_alpha std.alpha G6(smc) average_r S/N alpha se  var.r med.r
## B1       0.91      0.92    0.92      0.46  11  0.00059 0.0112  0.45
## B2       0.90      0.91    0.92      0.45  10  0.00066 0.0108  0.44
## B3       0.91      0.91    0.92      0.45  11  0.00063 0.0119  0.44
## B4       0.90      0.91    0.92      0.44  10  0.00064 0.0108  0.44
## B5       0.90      0.91    0.92      0.44  10  0.00063 0.0112  0.44
## B6       0.90      0.91    0.92      0.44  10  0.00063 0.0113  0.44
## B7       0.91      0.92    0.93      0.46  11  0.00059 0.0126  0.46
## B8       0.91      0.92    0.93      0.48  12  0.00058 0.0093  0.46
## B9       0.91      0.92    0.92      0.46  11  0.00059 0.0123  0.45
## B10      0.91      0.92    0.93      0.46  11  0.00059 0.0124  0.45
## B11      0.91      0.91    0.92      0.45  11  0.00062 0.0120  0.44
## B12      0.91      0.92    0.92      0.46  11  0.00059 0.0118  0.46
## B13      0.91      0.92    0.92      0.45  11  0.00061 0.0124  0.44
## B14      0.91      0.92    0.93      0.47  11  0.00058 0.0125  0.46
## 
##  Item statistics 
##         n raw.r std.r r.cor r.drop  mean   sd
## B1  41012  0.73  0.67  0.65   0.64 0.711 1.06
## B2  41012  0.82  0.79  0.78   0.77 0.628 0.91
## B3  41012  0.77  0.74  0.71   0.71 0.574 0.95
## B4  41012  0.81  0.82  0.81   0.77 0.299 0.69
## B5  41012  0.78  0.79  0.79   0.74 0.281 0.64
## B6  41012  0.78  0.79  0.79   0.74 0.298 0.66
## B7  41012  0.62  0.65  0.61   0.57 0.178 0.49
## B8  41012  0.48  0.54  0.49   0.44 0.073 0.34
## B9  41012  0.60  0.66  0.62   0.56 0.090 0.38
## B10 41012  0.64  0.65  0.61   0.58 0.249 0.57
## B11 41012  0.75  0.76  0.75   0.71 0.206 0.56
## B12 41012  0.64  0.64  0.61   0.57 0.400 0.72
## B13 41012  0.71  0.72  0.70   0.66 0.244 0.58
## B14 41012  0.65  0.63  0.59   0.57 0.525 0.77
## 
## Non missing response frequency for each item
##        0    1    2    3 miss
## B1  0.63 0.15 0.10 0.12    0
## B2  0.61 0.21 0.12 0.06    0
## B3  0.68 0.15 0.09 0.08    0
## B4  0.81 0.11 0.06 0.02    0
## B5  0.81 0.13 0.05 0.02    0
## B6  0.79 0.13 0.05 0.02    0
## B7  0.86 0.11 0.03 0.01    0
## B8  0.95 0.04 0.01 0.00    0
## B9  0.93 0.05 0.01 0.01    0
## B10 0.81 0.14 0.04 0.01    0
## B11 0.86 0.10 0.04 0.01    0
## B12 0.71 0.20 0.07 0.02    0
## B13 0.82 0.13 0.04 0.01    0
## B14 0.62 0.26 0.09 0.03    0

plot(reliability(Ss))

## keys not specified, all items will be scored

Bērns mācību procesā

Ss<-na.omit(subset(edx,,.GlobalEnv$ED)); nrow(Ss)

## [1] 41012

Ss[] <- lapply(Ss, as.numeric); alpha(Ss)

## 
## Reliability analysis   
## Call: alpha(x = Ss)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N     ase mean  sd median_r
##       0.87      0.87    0.87      0.46 6.9 0.00087 0.34 0.5     0.44
## 
##     95% confidence boundaries 
##          lower alpha upper
## Feldt     0.87  0.87  0.87
## Duhachek  0.87  0.87  0.87
## 
##  Reliability if an item is dropped:
##     raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## ED1      0.85      0.85    0.85      0.45 5.8  0.00103 0.015  0.43
## ED2      0.84      0.85    0.85      0.45 5.6  0.00108 0.013  0.44
## ED3      0.85      0.85    0.85      0.45 5.8  0.00104 0.016  0.44
## ED4      0.84      0.84    0.84      0.43 5.4  0.00113 0.013  0.40
## ED5      0.86      0.86    0.85      0.47 6.2  0.00094 0.016  0.46
## ED6      0.85      0.85    0.84      0.45 5.6  0.00099 0.016  0.40
## ED7      0.87      0.88    0.87      0.50 7.0  0.00089 0.013  0.50
## S1       0.87      0.87    0.87      0.50 6.9  0.00089 0.015  0.50
## 
##  Item statistics 
##         n raw.r std.r r.cor r.drop mean   sd
## ED1 41012  0.80  0.76  0.72   0.68 0.68 0.93
## ED2 41012  0.81  0.78  0.76   0.73 0.43 0.77
## ED3 41012  0.79  0.76  0.73   0.69 0.43 0.77
## ED4 41012  0.85  0.83  0.81   0.77 0.45 0.78
## ED5 41012  0.67  0.70  0.66   0.59 0.15 0.50
## ED6 41012  0.75  0.79  0.76   0.69 0.19 0.54
## ED7 41012  0.54  0.59  0.49   0.45 0.14 0.46
## S1  41012  0.59  0.61  0.51   0.48 0.23 0.58
## 
## Non missing response frequency for each item
##        0    1    2    3 miss
## ED1 0.58 0.24 0.12 0.07    0
## ED2 0.71 0.18 0.08 0.03    0
## ED3 0.71 0.18 0.08 0.03    0
## ED4 0.70 0.19 0.08 0.04    0
## ED5 0.90 0.07 0.03 0.01    0
## ED6 0.87 0.09 0.03 0.01    0
## ED7 0.90 0.07 0.02 0.01    0
## S1  0.83 0.12 0.04 0.01    0

plot(reliability(Ss))

## keys not specified, all items will be scored

Bērna psihoemocionālā attīstība

Ss<-na.omit(subset(edx,,.GlobalEnv$EM)); nrow(Ss)

## [1] 41012

Ss[] <- lapply(Ss, as.numeric); alpha(Ss)

## 
## Reliability analysis   
## Call: alpha(x = Ss)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N    ase mean   sd median_r
##       0.77      0.77    0.77      0.33 3.4 0.0017  0.2 0.35     0.31
## 
##     95% confidence boundaries 
##          lower alpha upper
## Feldt     0.77  0.77  0.78
## Duhachek  0.77  0.77  0.78
## 
##  Reliability if an item is dropped:
##     raw_alpha std.alpha G6(smc) average_r S/N alpha se  var.r med.r
## EM1      0.74      0.74    0.72      0.32 2.8   0.0020 0.0107  0.31
## EM2      0.73      0.74    0.72      0.32 2.8   0.0020 0.0110  0.31
## EM3      0.73      0.73    0.71      0.31 2.7   0.0020 0.0129  0.28
## EM4      0.75      0.76    0.74      0.34 3.1   0.0018 0.0129  0.35
## EM5      0.76      0.77    0.75      0.35 3.3   0.0018 0.0138  0.36
## EM6      0.72      0.72    0.70      0.30 2.5   0.0021 0.0116  0.27
## EM7      0.77      0.78    0.76      0.37 3.5   0.0017 0.0096  0.35
## 
##  Item statistics 
##         n raw.r std.r r.cor r.drop mean   sd
## EM1 41012  0.72  0.69  0.63   0.54 0.36 0.69
## EM2 41012  0.68  0.69  0.63   0.56 0.15 0.46
## EM3 41012  0.73  0.71  0.65   0.57 0.28 0.61
## EM4 41012  0.62  0.61  0.51   0.45 0.20 0.53
## EM5 41012  0.56  0.57  0.45   0.40 0.16 0.50
## EM6 41012  0.75  0.76  0.72   0.64 0.17 0.49
## EM7 41012  0.49  0.53  0.39   0.34 0.11 0.45
## 
## Non missing response frequency for each item
##        0    1    2    3 miss
## EM1 0.74 0.18 0.06 0.02    0
## EM2 0.88 0.09 0.02 0.01    0
## EM3 0.79 0.15 0.05 0.01    0
## EM4 0.86 0.10 0.03 0.01    0
## EM5 0.89 0.07 0.03 0.01    0
## EM6 0.87 0.09 0.03 0.01    0
## EM7 0.94 0.04 0.02 0.01    0

plot(reliability(Ss))

## keys not specified, all items will be scored

Bērns saskarsmē un komunikācijā

Ss<-na.omit(subset(edx,,.GlobalEnv$C)); nrow(Ss)

## [1] 41012

Ss[] <- lapply(Ss, as.numeric); alpha(Ss)

## 
## Reliability analysis   
## Call: alpha(x = Ss)
## 
##   raw_alpha std.alpha G6(smc) average_r S/N     ase mean   sd median_r
##       0.89      0.89    0.91      0.46 8.5 0.00074 0.17 0.38     0.44
## 
##     95% confidence boundaries 
##          lower alpha upper
## Feldt     0.89  0.89  0.89
## Duhachek  0.89  0.89  0.89
## 
##  Reliability if an item is dropped:
##     raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## C1       0.88      0.88    0.89      0.46 7.6  0.00082 0.013  0.45
## C2       0.88      0.88    0.89      0.45 7.2  0.00087 0.013  0.43
## C3       0.87      0.88    0.89      0.44 7.2  0.00087 0.012  0.43
## C4       0.88      0.88    0.89      0.45 7.4  0.00083 0.012  0.44
## C5       0.88      0.88    0.89      0.46 7.6  0.00082 0.014  0.46
## C6       0.88      0.88    0.89      0.46 7.6  0.00081 0.014  0.44
## C7       0.88      0.88    0.89      0.45 7.3  0.00085 0.013  0.44
## C8       0.89      0.89    0.90      0.48 8.3  0.00077 0.014  0.48
## C9       0.89      0.90    0.91      0.49 8.6  0.00076 0.011  0.48
## C10      0.88      0.88    0.90      0.46 7.5  0.00082 0.015  0.44
## 
##  Item statistics 
##         n raw.r std.r r.cor r.drop  mean   sd
## C1  41012  0.75  0.72  0.69   0.65 0.317 0.71
## C2  41012  0.80  0.78  0.77   0.73 0.227 0.64
## C3  41012  0.80  0.79  0.78   0.74 0.182 0.57
## C4  41012  0.75  0.75  0.73   0.68 0.137 0.47
## C5  41012  0.72  0.72  0.68   0.64 0.171 0.52
## C6  41012  0.73  0.72  0.69   0.64 0.216 0.61
## C7  41012  0.77  0.77  0.75   0.70 0.204 0.56
## C8  41012  0.58  0.62  0.55   0.50 0.103 0.42
## C9  41012  0.51  0.56  0.49   0.44 0.067 0.33
## C10 41012  0.72  0.73  0.69   0.66 0.116 0.43
## 
## Non missing response frequency for each item
##        0    1    2    3 miss
## C1  0.80 0.13 0.05 0.03    0
## C2  0.86 0.08 0.03 0.03    0
## C3  0.89 0.07 0.03 0.02    0
## C4  0.91 0.06 0.02 0.01    0
## C5  0.88 0.08 0.02 0.01    0
## C6  0.86 0.09 0.02 0.03    0
## C7  0.86 0.09 0.03 0.02    0
## C8  0.93 0.04 0.02 0.01    0
## C9  0.95 0.03 0.01 0.00    0
## C10 0.92 0.06 0.02 0.01    0

plot(reliability(Ss))

## keys not specified, all items will be scored

Vērtētāju savstarpējā ticamība

ratings<-as.data.frame(names(table(edx$evcase_id)));colnames(ratings)<-'evcase_id'

#uzvedības

RRB<-as.data.frame(names(table(edx$evcase_id)));colnames(RRB)<-'evcase_id'
RRB$rater1<-NA;RRB$rater2<-NA;RRB<-subset(RRB,evcase_id<0)
for (i in 1:nrow(ratings)){
  data<-subset(edx,evcase_id==ratings[i,"evcase_id"],c('evaluator_id','object_id','B'))
  data <- data %>%distinct(evaluator_id, object_id, .keep_all = TRUE)
  
  transformed_data <- data %>%
    pivot_wider(names_from = evaluator_id, values_from = B) %>%
    setNames(c("object_id", paste0("rater", seq_along(.[-1]))))
  
  #transformed_data_cleaned <- transformed_data %>% select_if(~ !any(is.na(.)))
  
  transformed_data<-na.omit(transformed_data)
  if(ncol(transformed_data)>=3&nrow(transformed_data)>0){
    RRB<-rbind(RRB,transformed_data[,1:3])
  }

  }
RRBi <- RRB %>%select(contains("rater")); icc(RRB, model="t",type='a',unit='a')

##  Average Score Intraclass Correlation
## 
##    Model: twoway 
##    Type : agreement 
## 
##    Subjects = 15207 
##      Raters = 3 
##    ICC(A,3) = NA
## 
##  F-Test, H0: r0 = 0 ; H1: r0 > 0 
## F(15206,NA) = NA , p = NA 
## 
##  95%-Confidence Interval for ICC Population Values:
##   NA < ICC < NA

icc(RRBi,model="t",type='a',unit='a')

##  Average Score Intraclass Correlation
## 
##    Model: twoway 
##    Type : agreement 
## 
##    Subjects = 15207 
##      Raters = 2 
##    ICC(A,2) = 0.78
## 
##  F-Test, H0: r0 = 0 ; H1: r0 > 0 
## F(15206,14654) = 4.56 , p = 0 
## 
##  95%-Confidence Interval for ICC Population Values:
##   0.773 < ICC < 0.787

#izglītība

{
  
  RRED<-as.data.frame(names(table(edx$evcase_id)));colnames(RRED)<-'evcase_id'
  RRED$rater1<-NA;RRED$rater2<-NA;RRED<-subset(RRED,evcase_id<0)
  for (i in 1:nrow(ratings)){
    data<-subset(edx,evcase_id==ratings[i,"evcase_id"],c('evaluator_id','object_id','ED'))
    data <- data %>%distinct(evaluator_id, object_id, .keep_all = TRUE)
    
    transformed_data <- data %>%
      pivot_wider(names_from = evaluator_id, values_from = ED) %>%
      setNames(c("object_id", paste0("rater", seq_along(.[-1]))))
    
    #transformed_data_cleaned <- transformed_data %>% select_if(~ !any(is.na(.)))
    
    transformed_data<-na.omit(transformed_data)
    if(ncol(transformed_data)>=3&nrow(transformed_data)>0){
      RRED<-rbind(RRED,transformed_data[,1:3])
    }
    
    
   
  }
  RREDi <- RRED %>%select(contains("rater")); 
  icc(RREDi, model="t",type='a',unit='a')
  
}

##  Average Score Intraclass Correlation
## 
##    Model: twoway 
##    Type : agreement 
## 
##    Subjects = 15207 
##      Raters = 2 
##    ICC(A,2) = 0.75
## 
##  F-Test, H0: r0 = 0 ; H1: r0 > 0 
## F(15206,15088) = 4 , p = 0 
## 
##  95%-Confidence Interval for ICC Population Values:
##   0.742 < ICC < 0.758

#emocijas
{
RREM<-as.data.frame(names(table(edx$evcase_id)));colnames(RREM)<-'evcase_id'
RREM$rater1<-NA;RREM$rater2<-NA;RREM<-subset(RREM,evcase_id<0)
for (i in 1:nrow(ratings)){
  data<-subset(edx,evcase_id==ratings[i,"evcase_id"],c('evaluator_id','object_id','EM'))
  data <- data %>%distinct(evaluator_id, object_id, .keep_all = TRUE)
  
  transformed_data <- data %>%
    pivot_wider(names_from = evaluator_id, values_from = EM) %>%
    setNames(c("object_id", paste0("rater", seq_along(.[-1]))))
  
  #transformed_data_cleaned <- transformed_data %>% select_if(~ !any(is.na(.)))
  
  transformed_data<-na.omit(transformed_data)
  if(ncol(transformed_data)>=3&nrow(transformed_data)>0){
    RREM<-rbind(RREM,transformed_data[,1:3])
  }
  
  
  
  }
RREMi <- RREM %>%select(contains("rater")); 
icc(RREMi, model="t",type='a',unit='a')


}

##  Average Score Intraclass Correlation
## 
##    Model: twoway 
##    Type : agreement 
## 
##    Subjects = 15207 
##      Raters = 2 
##    ICC(A,2) = 0.654
## 
##  F-Test, H0: r0 = 0 ; H1: r0 > 0 
## F(15206,15034) = 2.89 , p = 0 
## 
##  95%-Confidence Interval for ICC Population Values:
##   0.643 < ICC < 0.665

#komunikācija
{
  
  RRC<-as.data.frame(names(table(edx$evcase_id)));colnames(RRC)<-'evcase_id'
  RRC$rater1<-NA;RRC$rater2<-NA;RRC<-subset(RRC,evcase_id<0)
  for (i in 1:nrow(ratings)){
    data<-subset(edx,evcase_id==ratings[i,"evcase_id"],c('evaluator_id','object_id','C'))
    data <- data %>%distinct(evaluator_id, object_id, .keep_all = TRUE)
    
    transformed_data <- data %>%
      pivot_wider(names_from = evaluator_id, values_from = C) %>%
      setNames(c("object_id", paste0("rater", seq_along(.[-1]))))
    
    #transformed_data_cleaned <- transformed_data %>% select_if(~ !any(is.na(.)))
    
    transformed_data<-na.omit(transformed_data)
    if(ncol(transformed_data)>=3&nrow(transformed_data)>0){
      RRC<-rbind(RRC,transformed_data[,1:3])
    }
    
    
    
  }
  RRCi <- RRC %>%select(contains("rater")); 
  icc(RRCi, model="t",type='a',unit='a')
}

##  Average Score Intraclass Correlation
## 
##    Model: twoway 
##    Type : agreement 
## 
##    Subjects = 15207 
##      Raters = 2 
##    ICC(A,2) = 0.704
## 
##  F-Test, H0: r0 = 0 ; H1: r0 > 0 
## F(15206,15080) = 3.38 , p = 0 
## 
##  95%-Confidence Interval for ICC Population Values:
##   0.695 < ICC < 0.714

Faktoru analīze

fp<-fa.poly(edx[,1:39],nfactors=4,rotate="oblimin",fm='wls')
print(fp, cut = 0.2)

## Factor Analysis using method =  wls
## Call: fa.poly(x = edx[, 1:39], nfactors = 4, rotate = "oblimin", fm = "wls")
## Standardized loadings (pattern matrix) based upon correlation matrix
##      WLS1  WLS2  WLS4  WLS3   h2   u2 com
## B1   0.61        0.27       0.61 0.39 1.5
## B2   0.68        0.35       0.82 0.18 1.5
## B3   0.64 -0.21        0.31 0.72 0.28 1.9
## B4   0.82                   0.82 0.18 1.1
## B5   0.90                   0.82 0.18 1.0
## B6   0.88                   0.81 0.19 1.0
## B7   0.71                   0.57 0.43 1.1
## B8   0.73                   0.56 0.44 1.1
## B9   0.90                   0.75 0.25 1.1
## B10  0.63                   0.56 0.44 1.2
## B11  0.75                   0.79 0.21 1.1
## B12  0.58              0.43 0.60 0.40 1.8
## B13  0.74              0.21 0.68 0.32 1.2
## B14  0.59 -0.20        0.31 0.51 0.49 1.8
## EM1 -0.32  0.43        0.50 0.72 0.28 2.9
## EM2        0.33        0.54 0.61 0.39 1.8
## EM3                    0.76 0.68 0.32 1.1
## EM4                    0.57 0.41 0.59 1.1
## EM5                    0.62 0.47 0.53 1.1
## EM6        0.21        0.70 0.71 0.29 1.2
## EM7  0.23  0.26        0.29 0.40 0.60 3.2
## ED1              0.80       0.77 0.23 1.1
## ED2              0.87       0.76 0.24 1.0
## ED3              0.81       0.72 0.28 1.1
## ED4              0.93       0.82 0.18 1.0
## ED5  0.28        0.51       0.66 0.34 1.8
## ED6        0.21  0.68       0.76 0.24 1.3
## ED7        0.27  0.41       0.52 0.48 2.3
## S1               0.50  0.32 0.50 0.50 1.7
## C1  -0.30  0.81             0.80 0.20 1.3
## C2         0.87             0.79 0.21 1.0
## C3         0.82             0.79 0.21 1.0
## C4         0.75             0.73 0.27 1.1
## C5         0.81             0.68 0.32 1.1
## C6         0.78             0.67 0.33 1.1
## C7         0.76             0.73 0.27 1.1
## C8   0.22  0.67             0.62 0.38 1.3
## C9   0.29  0.66             0.59 0.41 1.4
## C10        0.84             0.81 0.19 1.1
## 
##                       WLS1 WLS2 WLS4 WLS3
## SS loadings           9.08 7.72 5.57 3.96
## Proportion Var        0.23 0.20 0.14 0.10
## Cumulative Var        0.23 0.43 0.57 0.68
## Proportion Explained  0.34 0.29 0.21 0.15
## Cumulative Proportion 0.34 0.64 0.85 1.00
## 
##  With factor correlations of 
##      WLS1 WLS2 WLS4 WLS3
## WLS1 1.00 0.10 0.58 0.21
## WLS2 0.10 1.00 0.43 0.51
## WLS4 0.58 0.43 1.00 0.31
## WLS3 0.21 0.51 0.31 1.00
## 
## Mean item complexity =  1.4
## Test of the hypothesis that 4 factors are sufficient.
## 
## df null model =  741  with the objective function =  42.76 with Chi Square =  1752897
## df of  the model are 591  and the objective function was  7.42 
## 
## The root mean square of the residuals (RMSR) is  0.03 
## The df corrected root mean square of the residuals is  0.04 
## 
## The harmonic n.obs is  41012 with the empirical chi square  68038.41  with prob <  0 
## The total n.obs was  41012  with Likelihood Chi Square =  304257.3  with prob <  0 
## 
## Tucker Lewis Index of factoring reliability =  0.783
## RMSEA index =  0.112  and the 90 % confidence intervals are  0.112 0.112
## BIC =  297979.9
## Fit based upon off diagonal values = 0.99
## Measures of factor score adequacy             
##                                                   WLS1 WLS2 WLS4 WLS3
## Correlation of (regression) scores with factors   0.99 0.98 0.98 0.95
## Multiple R square of scores with factors          0.97 0.96 0.95 0.90
## Minimum correlation of possible factor scores     0.94 0.92 0.90 0.80

Apstiprinošā faktoru analīze

model <- '
  Beh =~ B5 + B2 + B3 + B4 + B1 + B6 + B7 + B8 + B9 + B10 + B11 + B12 + B13+ B14
  Ed =~ ED4 + ED2 + ED3 + ED1 + ED5 + ED6 + ED7 + S1
  Em =~ EM3 + EM2 + EM1 + EM4 + EM5 + EM6 + EM7 
  Com =~ C2 + C1 + C3 + C4 + C5 + C6 + C7 + C8 + C9 + C10

'
fit <- cfa(model, data = edx,estimator='WLSMV')

## Warning: lavaan->lav_options_est_dwls():  
##    estimator "DWLS" is not recommended for continuous data. Did you forget to 
##    set the ordered= argument?

summary(fit, fit.measures = TRUE, standardized = TRUE)

## lavaan 0.6-18 ended normally after 64 iterations
## 
##   Estimator                                       DWLS
##   Optimization method                           NLMINB
##   Number of model parameters                        84
## 
##   Number of observations                         41012
## 
## Model Test User Model:
##                                                Standard      Scaled
##   Test Statistic                              56611.409   57725.103
##   Degrees of freedom                                696         696
##   P-value (Chi-square)                            0.000       0.000
##   Scaling correction factor                                   0.987
##   Shift parameter                                           387.432
##     simple second-order correction                                 
## 
## Model Test Baseline Model:
## 
##   Test statistic                            753135.545  125874.243
##   Degrees of freedom                               741         741
##   P-value                                        0.000       0.000
##   Scaling correction factor                                  6.013
## 
## User Model versus Baseline Model:
## 
##   Comparative Fit Index (CFI)                    0.926       0.544
##   Tucker-Lewis Index (TLI)                       0.921       0.515
##                                                                   
##   Robust Comparative Fit Index (CFI)                         0.925
##   Robust Tucker-Lewis Index (TLI)                            0.920
## 
## Root Mean Square Error of Approximation:
## 
##   RMSEA                                          0.044       0.045
##   90 Percent confidence interval - lower         0.044       0.044
##   90 Percent confidence interval - upper         0.045       0.045
##   P-value H_0: RMSEA <= 0.050                    1.000       1.000
##   P-value H_0: RMSEA >= 0.080                    0.000       0.000
##                                                                   
##   Robust RMSEA                                               0.044
##   90 Percent confidence interval - lower                     0.044
##   90 Percent confidence interval - upper                     0.045
##   P-value H_0: Robust RMSEA <= 0.050                         1.000
##   P-value H_0: Robust RMSEA >= 0.080                         0.000
## 
## Standardized Root Mean Square Residual:
## 
##   SRMR                                           0.072       0.072
## 
## Parameter Estimates:
## 
##   Standard errors                           Robust.sem
##   Information                                 Expected
##   Information saturated (h1) model        Unstructured
## 
## Latent Variables:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##   Beh =~                                                                
##     B5                1.000                               0.457    0.713
##     B2                1.651    0.018   90.580    0.000    0.754    0.829
##     B3                1.565    0.018   85.764    0.000    0.715    0.749
##     B4                1.215    0.012   98.821    0.000    0.555    0.810
##     B1                1.509    0.019   81.245    0.000    0.689    0.653
##     B6                1.010    0.009  110.516    0.000    0.462    0.702
##     B7                0.639    0.010   65.299    0.000    0.292    0.600
##     B8                0.301    0.009   35.001    0.000    0.138    0.410
##     B9                0.438    0.009   49.015    0.000    0.200    0.531
##     B10               0.807    0.012   67.825    0.000    0.369    0.646
##     B11               0.930    0.011   81.067    0.000    0.425    0.757
##     B12               0.993    0.015   66.267    0.000    0.454    0.633
##     B13               0.882    0.012   73.516    0.000    0.403    0.700
##     B14               0.967    0.014   68.371    0.000    0.442    0.573
##   Ed =~                                                                 
##     ED4               1.000                               0.597    0.761
##     ED2               0.950    0.008  122.715    0.000    0.567    0.735
##     ED3               0.903    0.008  110.859    0.000    0.539    0.698
##     ED1               1.185    0.011  112.333    0.000    0.707    0.762
##     ED5               0.576    0.009   65.553    0.000    0.344    0.689
##     ED6               0.661    0.008   78.947    0.000    0.395    0.736
##     ED7               0.407    0.008   48.769    0.000    0.243    0.522
##     S1                0.536    0.009   58.061    0.000    0.320    0.553
##   Em =~                                                                 
##     EM3               1.000                               0.426    0.694
##     EM2               0.608    0.015   39.978    0.000    0.259    0.567
##     EM1               0.856    0.020   42.807    0.000    0.364    0.530
##     EM4               0.598    0.014   42.504    0.000    0.255    0.478
##     EM5               0.568    0.015   37.532    0.000    0.242    0.481
##     EM6               0.798    0.015   52.023    0.000    0.340    0.692
##     EM7               0.564    0.016   34.890    0.000    0.240    0.538
##   Com =~                                                                
##     C2                1.000                               0.469    0.736
##     C1                0.727    0.014   51.502    0.000    0.341    0.477
##     C3                0.981    0.011   87.502    0.000    0.460    0.803
##     C4                0.755    0.014   54.706    0.000    0.354    0.751
##     C5                0.789    0.013   59.273    0.000    0.370    0.712
##     C6                0.960    0.016   60.270    0.000    0.450    0.734
##     C7                0.878    0.016   56.526    0.000    0.412    0.731
##     C8                0.573    0.013   43.380    0.000    0.269    0.646
##     C9                0.402    0.012   33.546    0.000    0.188    0.563
##     C10               0.477    0.012   38.573    0.000    0.224    0.514
## 
## Covariances:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##   Beh ~~                                                                
##     Ed                0.180    0.003   52.266    0.000    0.660    0.660
##     Em                0.055    0.002   29.294    0.000    0.282    0.282
##     Com               0.037    0.002   22.290    0.000    0.173    0.173
##   Ed ~~                                                                 
##     Em                0.116    0.003   40.042    0.000    0.458    0.458
##     Com               0.133    0.003   38.319    0.000    0.477    0.477
##   Em ~~                                                                 
##     Com               0.125    0.003   40.116    0.000    0.627    0.627
## 
## Variances:
##                    Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
##    .B5                0.202    0.003   72.814    0.000    0.202    0.492
##    .B2                0.259    0.004   62.205    0.000    0.259    0.313
##    .B3                0.399    0.005   72.589    0.000    0.399    0.438
##    .B4                0.162    0.003   64.401    0.000    0.162    0.344
##    .B1                0.639    0.007   87.468    0.000    0.639    0.573
##    .B6                0.219    0.003   73.246    0.000    0.219    0.507
##    .B7                0.151    0.002   66.539    0.000    0.151    0.640
##    .B8                0.094    0.002   39.674    0.000    0.094    0.832
##    .B9                0.102    0.002   45.060    0.000    0.102    0.718
##    .B10               0.190    0.003   73.429    0.000    0.190    0.583
##    .B11               0.134    0.002   60.586    0.000    0.134    0.426
##    .B12               0.308    0.004   82.076    0.000    0.308    0.599
##    .B13               0.169    0.002   72.177    0.000    0.169    0.510
##    .B14               0.398    0.004   91.975    0.000    0.398    0.671
##    .ED4               0.258    0.004   68.848    0.000    0.258    0.420
##    .ED2               0.273    0.004   71.591    0.000    0.273    0.459
##    .ED3               0.305    0.004   73.350    0.000    0.305    0.512
##    .ED1               0.362    0.005   71.306    0.000    0.362    0.420
##    .ED5               0.131    0.002   59.899    0.000    0.131    0.525
##    .ED6               0.132    0.002   59.112    0.000    0.132    0.458
##    .ED7               0.157    0.003   54.620    0.000    0.157    0.727
##    .S1                0.233    0.003   69.779    0.000    0.233    0.694
##    .EM3               0.195    0.004   51.453    0.000    0.195    0.518
##    .EM2               0.142    0.003   53.391    0.000    0.142    0.679
##    .EM1               0.340    0.005   73.213    0.000    0.340    0.719
##    .EM4               0.219    0.004   57.721    0.000    0.219    0.772
##    .EM5               0.194    0.004   50.494    0.000    0.194    0.768
##    .EM6               0.126    0.003   48.623    0.000    0.126    0.522
##    .EM7               0.141    0.003   41.472    0.000    0.141    0.710
##    .C2                0.186    0.004   43.368    0.000    0.186    0.458
##    .C1                0.395    0.006   71.214    0.000    0.395    0.773
##    .C3                0.116    0.003   33.910    0.000    0.116    0.355
##    .C4                0.097    0.002   40.830    0.000    0.097    0.436
##    .C5                0.133    0.003   43.683    0.000    0.133    0.493
##    .C6                0.173    0.004   39.945    0.000    0.173    0.461
##    .C7                0.147    0.003   46.180    0.000    0.147    0.465
##    .C8                0.101    0.002   42.457    0.000    0.101    0.583
##    .C9                0.076    0.002   35.262    0.000    0.076    0.683
##    .C10               0.139    0.003   46.816    0.000    0.139    0.735
##     Beh               0.209    0.005   42.242    0.000    1.000    1.000
##     Ed                0.356    0.006   59.455    0.000    1.000    1.000
##     Em                0.181    0.005   34.658    0.000    1.000    1.000
##     Com               0.220    0.006   35.946    0.000    1.000    1.000

semPaths(fit, 
         what = "std",   
         layout = "circle2",  
         style = "ram",
         edge.label.cex = 0.7,  
         sizeMan = 2,       
         sizeLat = 3,       
         residuals = TRUE, 
         exoCov = TRUE,
         normalize=FALSE,
         nCharNodes=0)

Normu aprēķini

#1. 
#aprēķinām kopējo rezultātu katram bērnam

edx$BSI<-NA;edx$EDSI<-NA;edx$EMSI<-NA;edx$CSI<-NA;
for (i in 1: length(unique(edx$object_id ))){
  temp<-NULL
  temp<-subset(edx,object_id ==unique(edx$object_id )[i],c('BS','EDS','EMS','CS'))
  if (nrow(temp)>1){
    edx$BSI[edx$object_id  == unique(edx$object_id )[i]] <- mean(temp$BS)
    edx$EDSI[edx$object_id  == unique(edx$object_id )[i]] <- mean(temp$EDS)
    edx$EMSI[edx$object_id  == unique(edx$object_id )[i]] <- mean(temp$EMS)
    edx$CSI[edx$object_id  == unique(edx$object_id )[i]] <- mean(temp$CS)
  }
  
}


#save(edx, file = "edxA.RData")
load("C:/privati/SOSinventory/SOSinventory/edxA.RData")
head(edx)

##   B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 B14 EM1 EM2 EM3 EM4 EM5 EM6 EM7 S1
## 1  0  0  1  1  0  0  0  0  0   1   0   0   1   1   0   0   0   0   0   0   0  0
## 2  1  1  0  0  0  1  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0  0
## 3  1  1  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0  0
## 4  0  0  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0  0
## 5  1  1  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0  0
## 6  1  1  0  0  0  0  0  0  0   1   0   1   0   0   0   0   1   0   0   0   0  0
##   ED1 ED2 ED3 ED4 ED5 ED6 ED7 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 kid_id   id
## 1   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0   0   0     61    6
## 2   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0   0   0     54 1741
## 3   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0   0   0     61 1745
## 4   0   0   0   0   0   0   0  1  0  0  1  0  0  1  0  0   1   0     65 1747
## 5   1   0   0   1   0   0   0  0  0  0  0  0  0  0  0  0   0   0     69 1748
## 6   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0   0   0     72 1749
##   group_id user_id kgend gsch survey_id        vecums B C EM ED object_id
## 1       12      39     1   32         2 3.324941 days 5 0  0  0     21261
## 2       12      32     2   32         2 2.720158 days 3 0  0  0     21254
## 3       12      32     1   32         2 3.324941 days 2 0  0  0     21261
## 4       12      32     2   32         2 2.681846 days 0 4  0  0     21265
## 5       12      32     1   32         2 3.751847 days 2 0  0  2     21269
## 6       12      32     1   32         2 3.916042 days 4 0  1  0     21272
##   evcase_id evaluator_id evaluation        BS       EDS   EMS        CS
## 1       212           39          5 0.3571429 0.0000000 0.000 0.0000000
## 2       212           32          3 0.2142857 0.0000000 0.000 0.0000000
## 3       212           32          2 0.1428571 0.0000000 0.000 0.0000000
## 4       212           32          0 0.0000000 0.0000000 0.000 0.3636364
## 5       212           32          2 0.1428571 0.2857143 0.000 0.0000000
## 6       212           32          4 0.2857143 0.0000000 0.125 0.0000000
##         BSI      EDSI   EMSI        CSI
## 1 0.2500000 0.0000000 0.0000 0.00000000
## 2 0.2857143 0.2142857 0.0000 0.04545455
## 3 0.2500000 0.0000000 0.0000 0.00000000
## 4 0.0000000 0.0000000 0.0625 0.45454545
## 5 0.1785714 0.3571429 0.0625 0.04545455
## 6 0.2500000 0.0000000 0.0625 0.00000000

#2. 
#aprēķinām vecumu normas
edx0<-subset(edx,vecums<2.5)
BF<-as.data.frame(quantile(na.omit(edx0$BSI), probs = seq(1, 100, by = 1) / 100))
BF$nos<-rownames(BF)
names(BF)<-c('Uzvedība', 'Procentile')
rownames(BF)<-1:nrow(BF) 
BF<-(subset(BF,,c('Procentile','Uzvedība')))
BF$Izglītība<-quantile(na.omit(edx0$EDSI), probs = seq(1, 100, by = 1) / 100)
BF$Emocionalitāte<-quantile(na.omit(edx0$EMSI), probs = seq(1, 100, by = 1) / 100)
BF$Komunikācija<-quantile(na.omit(edx0$CSI), probs = seq(1, 100, by = 1) / 100)
tab_df(BF,title=paste('2.5 g. līdz 3.5 g.v. bērni. n=',nrow(edx0),sep=''))

2.5 g. līdz 3.5 g.v. bērni. n=82
Procentile	Uzvedība	Izglītība	Emocionalitāte	Komunikācija
1%	0.00	0.00	0.00	0.00
2%	0.00	0.00	0.00	0.00
3%	0.00	0.00	0.00	0.00
4%	0.00	0.00	0.00	0.00
5%	0.00	0.00	0.00	0.00
6%	0.00	0.00	0.00	0.00
7%	0.00	0.00	0.00	0.00
8%	0.00	0.00	0.00	0.00
9%	0.00	0.00	0.00	0.00
10%	0.00	0.00	0.00	0.00
11%	0.01	0.00	0.00	0.00
12%	0.04	0.00	0.00	0.00
13%	0.04	0.00	0.00	0.00
14%	0.04	0.00	0.00	0.00
15%	0.04	0.00	0.00	0.00
16%	0.04	0.00	0.00	0.00
17%	0.05	0.00	0.00	0.00
18%	0.07	0.00	0.00	0.00
19%	0.07	0.00	0.00	0.00
20%	0.07	0.00	0.00	0.00
21%	0.07	0.00	0.00	0.00
22%	0.07	0.00	0.00	0.00
23%	0.07	0.03	0.00	0.00
24%	0.07	0.07	0.00	0.00
25%	0.07	0.07	0.00	0.00
26%	0.09	0.10	0.00	0.00
27%	0.11	0.14	0.00	0.00
28%	0.11	0.14	0.00	0.00
29%	0.12	0.14	0.00	0.00
30%	0.14	0.14	0.00	0.00
31%	0.14	0.14	0.00	0.03
32%	0.14	0.14	0.03	0.05
33%	0.14	0.14	0.06	0.05
34%	0.14	0.14	0.06	0.05
35%	0.16	0.14	0.06	0.05
36%	0.18	0.14	0.06	0.05
37%	0.18	0.14	0.06	0.05
38%	0.18	0.14	0.06	0.05
39%	0.18	0.14	0.06	0.05
40%	0.18	0.14	0.06	0.05
41%	0.20	0.18	0.07	0.05
42%	0.21	0.21	0.08	0.05
43%	0.21	0.21	0.08	0.08
44%	0.23	0.25	0.08	0.09
45%	0.25	0.29	0.09	0.09
46%	0.25	0.29	0.12	0.09
47%	0.25	0.29	0.12	0.09
48%	0.25	0.29	0.12	0.09
49%	0.25	0.29	0.12	0.09
50%	0.25	0.29	0.12	0.09
51%	0.25	0.30	0.12	0.09
52%	0.25	0.35	0.12	0.09
53%	0.25	0.36	0.12	0.09
54%	0.25	0.38	0.14	0.09
55%	0.25	0.48	0.18	0.09
56%	0.27	0.50	0.19	0.09
57%	0.29	0.50	0.19	0.09
58%	0.29	0.50	0.19	0.09
59%	0.29	0.50	0.19	0.12
60%	0.29	0.50	0.19	0.14
61%	0.29	0.50	0.19	0.14
62%	0.29	0.50	0.19	0.21
63%	0.29	0.52	0.19	0.27
64%	0.32	0.56	0.19	0.27
65%	0.32	0.57	0.19	0.27
66%	0.32	0.59	0.19	0.27
67%	0.32	0.63	0.19	0.27
68%	0.32	0.64	0.19	0.27
69%	0.33	0.64	0.20	0.27
70%	0.35	0.64	0.24	0.27
71%	0.36	0.64	0.25	0.38
72%	0.37	0.66	0.25	0.45
73%	0.39	0.71	0.25	0.45
74%	0.39	0.71	0.25	0.45
75%	0.39	0.71	0.25	0.45
76%	0.39	0.71	0.25	0.45
77%	0.39	0.71	0.29	0.48
78%	0.40	0.73	0.31	0.50
79%	0.43	0.78	0.31	0.50
80%	0.43	0.79	0.35	0.50
81%	0.43	0.79	0.38	0.50
82%	0.43	0.79	0.38	0.50
83%	0.43	0.79	0.38	0.53
84%	0.45	0.81	0.38	0.55
85%	0.50	0.85	0.38	0.55
86%	0.50	0.86	0.38	0.57
87%	0.57	0.87	0.38	0.59
88%	0.74	0.90	0.38	0.59
89%	0.75	0.90	0.53	0.71
90%	0.77	0.90	0.62	0.77
91%	0.81	0.90	0.62	0.77
92%	0.81	0.97	0.91	0.86
93%	0.81	1.00	1.06	0.91
94%	0.81	1.00	1.06	0.91
95%	0.84	1.14	1.14	1.03
96%	0.86	1.21	1.19	1.09
97%	0.86	1.21	1.19	1.09
98%	1.66	1.73	1.68	1.78
99%	2.07	2.00	1.94	2.14
100%	2.07	2.00	1.94	2.14

edx30<-subset(edx,vecums<3.5&vecums>=2.5,)
BF<-as.data.frame(quantile(na.omit(edx30$BSI), probs = seq(1, 100, by = 1) / 100))
BF$nos<-rownames(BF)
names(BF)<-c('Uzvedība', 'Procentile')
rownames(BF)<-1:nrow(BF) 
BF<-(subset(BF,,c('Procentile','Uzvedība')))
BF$Izglītība<-quantile(na.omit(edx30$EDSI), probs = seq(1, 100, by = 1) / 100)
BF$Emocionalitāte<-quantile(na.omit(edx30$EMSI), probs = seq(1, 100, by = 1) / 100)
BF$Komunikācija<-quantile(na.omit(edx30$CSI), probs = seq(1, 100, by = 1) / 100)
tab_df(BF,title=paste('2.5 g.v. un jaunāki bērni. n=',nrow(edx30),sep=''))

2.5 g.v. un jaunāki bērni. n=3360
Procentile	Uzvedība	Izglītība	Emocionalitāte	Komunikācija
1%	0.00	0.00	0.00	0.00
2%	0.00	0.00	0.00	0.00
3%	0.00	0.00	0.00	0.00
4%	0.00	0.00	0.00	0.00
5%	0.00	0.00	0.00	0.00
6%	0.00	0.00	0.00	0.00
7%	0.00	0.00	0.00	0.00
8%	0.00	0.00	0.00	0.00
9%	0.00	0.00	0.00	0.00
10%	0.00	0.00	0.00	0.00
11%	0.00	0.00	0.00	0.00
12%	0.00	0.00	0.00	0.00
13%	0.00	0.00	0.00	0.00
14%	0.00	0.00	0.00	0.00
15%	0.00	0.00	0.00	0.00
16%	0.00	0.00	0.00	0.00
17%	0.00	0.00	0.00	0.00
18%	0.00	0.00	0.00	0.00
19%	0.00	0.00	0.00	0.00
20%	0.02	0.00	0.00	0.00
21%	0.04	0.00	0.00	0.00
22%	0.04	0.00	0.00	0.00
23%	0.04	0.00	0.00	0.00
24%	0.04	0.00	0.00	0.00
25%	0.04	0.00	0.00	0.00
26%	0.04	0.00	0.04	0.00
27%	0.05	0.05	0.04	0.00
28%	0.07	0.06	0.06	0.00
29%	0.07	0.07	0.06	0.00
30%	0.07	0.07	0.06	0.00
31%	0.07	0.07	0.06	0.00
32%	0.07	0.07	0.06	0.00
33%	0.07	0.07	0.06	0.00
34%	0.07	0.07	0.06	0.00
35%	0.11	0.07	0.06	0.00
36%	0.11	0.10	0.06	0.00
37%	0.11	0.10	0.06	0.00
38%	0.11	0.14	0.06	0.00
39%	0.11	0.14	0.08	0.00
40%	0.12	0.14	0.12	0.00
41%	0.14	0.14	0.12	0.00
42%	0.14	0.14	0.12	0.03
43%	0.14	0.14	0.12	0.03
44%	0.14	0.14	0.12	0.05
45%	0.14	0.14	0.12	0.05
46%	0.14	0.14	0.12	0.05
47%	0.18	0.19	0.12	0.05
48%	0.18	0.21	0.12	0.05
49%	0.18	0.21	0.12	0.05
50%	0.18	0.21	0.12	0.05
51%	0.19	0.21	0.17	0.05
52%	0.21	0.21	0.19	0.06
53%	0.21	0.21	0.19	0.06
54%	0.21	0.21	0.19	0.09
55%	0.21	0.24	0.19	0.09
56%	0.24	0.29	0.19	0.09
57%	0.25	0.29	0.19	0.09
58%	0.25	0.29	0.19	0.09
59%	0.26	0.29	0.21	0.09
60%	0.29	0.29	0.25	0.09
61%	0.29	0.29	0.25	0.12
62%	0.29	0.33	0.25	0.14
63%	0.31	0.36	0.25	0.14
64%	0.32	0.36	0.25	0.14
65%	0.32	0.36	0.25	0.14
66%	0.33	0.36	0.25	0.18
67%	0.36	0.38	0.29	0.18
68%	0.36	0.43	0.31	0.18
69%	0.39	0.43	0.31	0.18
70%	0.39	0.43	0.31	0.21
71%	0.43	0.43	0.31	0.23
72%	0.43	0.43	0.33	0.23
73%	0.46	0.50	0.38	0.27
74%	0.50	0.50	0.38	0.27
75%	0.50	0.50	0.38	0.27
76%	0.50	0.57	0.38	0.30
77%	0.54	0.57	0.44	0.32
78%	0.54	0.62	0.44	0.32
79%	0.57	0.64	0.44	0.36
80%	0.60	0.64	0.46	0.36
81%	0.61	0.67	0.50	0.41
82%	0.64	0.71	0.50	0.41
83%	0.68	0.71	0.50	0.45
84%	0.71	0.79	0.56	0.48
85%	0.71	0.79	0.56	0.50
86%	0.77	0.86	0.56	0.55
87%	0.82	0.93	0.62	0.59
88%	0.86	0.93	0.62	0.64
89%	0.86	1.00	0.62	0.68
90%	0.93	1.00	0.69	0.73
91%	0.96	1.12	0.69	0.77
92%	1.00	1.14	0.75	0.82
93%	1.07	1.21	0.81	0.91
94%	1.16	1.36	0.85	0.97
95%	1.23	1.43	0.96	1.05
96%	1.32	1.50	1.07	1.14
97%	1.43	1.71	1.19	1.27
98%	1.57	1.79	1.28	1.41
99%	1.79	2.08	1.50	1.64
100%	2.39	2.86	2.25	2.50

edx42<-subset(edx,vecums<4.5&vecums>=3.5,)
BF<-as.data.frame(quantile(na.omit(edx42$BSI), probs = seq(1, 100, by = 1) / 100))
BF$nos<-rownames(BF)
names(BF)<-c('Uzvedība', 'Procentile')
rownames(BF)<-1:nrow(BF) 
BF<-(subset(BF,,c('Procentile','Uzvedība')))
BF$Izglītība<-quantile(na.omit(edx42$EDSI), probs = seq(1, 100, by = 1) / 100)
BF$Emocionalitāte<-quantile(na.omit(edx42$EMSI), probs = seq(1, 100, by = 1) / 100)
BF$Komunikācija<-quantile(na.omit(edx42$CSI), probs = seq(1, 100, by = 1) / 100)
tab_df(BF,title=paste('3.5 g. līdz 4.5 g.v. bērni. n=',nrow(edx42),sep=''))

3.5 g. līdz 4.5 g.v. bērni. n=7967
Procentile	Uzvedība	Izglītība	Emocionalitāte	Komunikācija
1%	0.00	0.00	0.00	0.00
2%	0.00	0.00	0.00	0.00
3%	0.00	0.00	0.00	0.00
4%	0.00	0.00	0.00	0.00
5%	0.00	0.00	0.00	0.00
6%	0.00	0.00	0.00	0.00
7%	0.00	0.00	0.00	0.00
8%	0.00	0.00	0.00	0.00
9%	0.00	0.00	0.00	0.00
10%	0.00	0.00	0.00	0.00
11%	0.00	0.00	0.00	0.00
12%	0.00	0.00	0.00	0.00
13%	0.00	0.00	0.00	0.00
14%	0.00	0.00	0.00	0.00
15%	0.00	0.00	0.00	0.00
16%	0.00	0.00	0.00	0.00
17%	0.00	0.00	0.00	0.00
18%	0.00	0.00	0.00	0.00
19%	0.00	0.00	0.00	0.00
20%	0.02	0.00	0.00	0.00
21%	0.04	0.00	0.00	0.00
22%	0.04	0.00	0.00	0.00
23%	0.04	0.00	0.00	0.00
24%	0.04	0.00	0.00	0.00
25%	0.04	0.00	0.00	0.00
26%	0.04	0.00	0.00	0.00
27%	0.04	0.00	0.00	0.00
28%	0.05	0.00	0.00	0.00
29%	0.07	0.05	0.00	0.00
30%	0.07	0.06	0.04	0.00
31%	0.07	0.07	0.04	0.00
32%	0.07	0.07	0.04	0.00
33%	0.07	0.07	0.06	0.00
34%	0.07	0.07	0.06	0.00
35%	0.10	0.07	0.06	0.00
36%	0.11	0.07	0.06	0.00
37%	0.11	0.07	0.06	0.00
38%	0.11	0.07	0.06	0.00
39%	0.11	0.10	0.06	0.00
40%	0.11	0.14	0.06	0.00
41%	0.12	0.14	0.06	0.00
42%	0.14	0.14	0.06	0.00
43%	0.14	0.14	0.08	0.00
44%	0.14	0.14	0.08	0.00
45%	0.14	0.14	0.12	0.00
46%	0.14	0.14	0.12	0.03
47%	0.17	0.14	0.12	0.05
48%	0.18	0.14	0.12	0.05
49%	0.18	0.19	0.12	0.05
50%	0.18	0.21	0.12	0.05
51%	0.18	0.21	0.12	0.05
52%	0.19	0.21	0.12	0.05
53%	0.21	0.21	0.12	0.05
54%	0.21	0.21	0.12	0.05
55%	0.21	0.21	0.17	0.06
56%	0.21	0.21	0.19	0.09
57%	0.25	0.29	0.19	0.09
58%	0.25	0.29	0.19	0.09
59%	0.26	0.29	0.19	0.09
60%	0.29	0.29	0.19	0.09
61%	0.29	0.29	0.19	0.09
62%	0.29	0.29	0.19	0.09
63%	0.32	0.33	0.21	0.12
64%	0.32	0.36	0.25	0.14
65%	0.34	0.36	0.25	0.14
66%	0.36	0.36	0.25	0.14
67%	0.36	0.36	0.25	0.14
68%	0.39	0.38	0.25	0.15
69%	0.39	0.43	0.25	0.18
70%	0.43	0.43	0.29	0.18
71%	0.43	0.43	0.31	0.18
72%	0.43	0.43	0.31	0.18
73%	0.46	0.50	0.31	0.23
74%	0.46	0.50	0.31	0.23
75%	0.50	0.50	0.31	0.23
76%	0.50	0.50	0.38	0.24
77%	0.52	0.57	0.38	0.27
78%	0.54	0.57	0.38	0.27
79%	0.57	0.57	0.38	0.27
80%	0.57	0.64	0.38	0.32
81%	0.61	0.64	0.42	0.32
82%	0.64	0.71	0.44	0.36
83%	0.67	0.71	0.44	0.36
84%	0.68	0.79	0.44	0.41
85%	0.71	0.79	0.50	0.42
86%	0.75	0.86	0.50	0.45
87%	0.79	0.86	0.56	0.50
88%	0.82	0.93	0.56	0.55
89%	0.89	1.00	0.58	0.59
90%	0.93	1.05	0.62	0.64
91%	0.96	1.13	0.66	0.67
92%	1.04	1.19	0.69	0.73
93%	1.11	1.29	0.75	0.77
94%	1.18	1.36	0.81	0.82
95%	1.26	1.43	0.88	0.91
96%	1.36	1.52	0.94	1.05
97%	1.50	1.67	1.06	1.18
98%	1.68	1.86	1.21	1.36
99%	1.96	2.14	1.38	1.59
100%	2.68	3.00	2.42	2.64

edx54<-subset(edx,vecums<5.5&vecums>=4.5,)
BF<-as.data.frame(quantile(na.omit(edx54$BSI), probs = seq(1, 100, by = 1) / 100))
BF$nos<-rownames(BF)
names(BF)<-c('Uzvedība', 'Procentile')
rownames(BF)<-1:nrow(BF) 
BF<-(subset(BF,,c('Procentile','Uzvedība')))
BF$Izglītība<-quantile(na.omit(edx54$EDSI), probs = seq(1, 100, by = 1) / 100)
BF$Emocionalitāte<-quantile(na.omit(edx54$EMSI), probs = seq(1, 100, by = 1) / 100)
BF$Komunikācija<-quantile(na.omit(edx54$CSI), probs = seq(1, 100, by = 1) / 100)
tab_df(BF,title=paste('4.5 g. līdz 5.5 g.v. bērni. n=',nrow(edx54),sep=''))

4.5 g. līdz 5.5 g.v. bērni. n=10103
Procentile	Uzvedība	Izglītība	Emocionalitāte	Komunikācija
1%	0.00	0.00	0.00	0.00
2%	0.00	0.00	0.00	0.00
3%	0.00	0.00	0.00	0.00
4%	0.00	0.00	0.00	0.00
5%	0.00	0.00	0.00	0.00
6%	0.00	0.00	0.00	0.00
7%	0.00	0.00	0.00	0.00
8%	0.00	0.00	0.00	0.00
9%	0.00	0.00	0.00	0.00
10%	0.00	0.00	0.00	0.00
11%	0.00	0.00	0.00	0.00
12%	0.00	0.00	0.00	0.00
13%	0.00	0.00	0.00	0.00
14%	0.00	0.00	0.00	0.00
15%	0.00	0.00	0.00	0.00
16%	0.00	0.00	0.00	0.00
17%	0.00	0.00	0.00	0.00
18%	0.00	0.00	0.00	0.00
19%	0.02	0.00	0.00	0.00
20%	0.04	0.00	0.00	0.00
21%	0.04	0.00	0.00	0.00
22%	0.04	0.00	0.00	0.00
23%	0.04	0.00	0.00	0.00
24%	0.04	0.00	0.00	0.00
25%	0.04	0.00	0.00	0.00
26%	0.05	0.00	0.00	0.00
27%	0.05	0.05	0.00	0.00
28%	0.07	0.05	0.00	0.00
29%	0.07	0.07	0.00	0.00
30%	0.07	0.07	0.00	0.00
31%	0.07	0.07	0.00	0.00
32%	0.07	0.07	0.00	0.00
33%	0.07	0.07	0.00	0.00
34%	0.07	0.07	0.04	0.00
35%	0.07	0.07	0.04	0.00
36%	0.10	0.07	0.06	0.00
37%	0.11	0.07	0.06	0.00
38%	0.11	0.07	0.06	0.00
39%	0.11	0.10	0.06	0.00
40%	0.11	0.14	0.06	0.00
41%	0.12	0.14	0.06	0.00
42%	0.14	0.14	0.06	0.00
43%	0.14	0.14	0.06	0.00
44%	0.14	0.14	0.06	0.00
45%	0.14	0.14	0.06	0.00
46%	0.14	0.14	0.06	0.00
47%	0.14	0.14	0.06	0.00
48%	0.17	0.14	0.08	0.00
49%	0.18	0.14	0.08	0.03
50%	0.18	0.19	0.12	0.03
51%	0.18	0.21	0.12	0.05
52%	0.18	0.21	0.12	0.05
53%	0.21	0.21	0.12	0.05
54%	0.21	0.21	0.12	0.05
55%	0.21	0.21	0.12	0.05
56%	0.21	0.21	0.12	0.05
57%	0.25	0.24	0.12	0.05
58%	0.25	0.29	0.12	0.05
59%	0.25	0.29	0.12	0.05
60%	0.25	0.29	0.12	0.06
61%	0.29	0.29	0.17	0.09
62%	0.29	0.29	0.19	0.09
63%	0.29	0.33	0.19	0.09
64%	0.31	0.36	0.19	0.09
65%	0.32	0.36	0.19	0.09
66%	0.33	0.36	0.19	0.09
67%	0.36	0.36	0.19	0.09
68%	0.36	0.39	0.19	0.09
69%	0.36	0.43	0.25	0.12
70%	0.39	0.43	0.25	0.14
71%	0.39	0.43	0.25	0.14
72%	0.43	0.43	0.25	0.14
73%	0.43	0.50	0.25	0.14
74%	0.46	0.50	0.25	0.15
75%	0.46	0.50	0.25	0.18
76%	0.50	0.50	0.31	0.18
77%	0.50	0.57	0.31	0.18
78%	0.54	0.57	0.31	0.18
79%	0.54	0.57	0.31	0.23
80%	0.57	0.64	0.33	0.23
81%	0.60	0.64	0.38	0.23
82%	0.61	0.64	0.38	0.24
83%	0.64	0.71	0.38	0.27
84%	0.68	0.71	0.44	0.27
85%	0.71	0.79	0.44	0.30
86%	0.75	0.81	0.44	0.32
87%	0.79	0.86	0.50	0.36
88%	0.82	0.90	0.50	0.36
89%	0.86	0.93	0.50	0.41
90%	0.89	1.00	0.56	0.41
91%	0.96	1.07	0.58	0.45
92%	1.04	1.14	0.62	0.50
93%	1.07	1.19	0.69	0.55
94%	1.14	1.29	0.71	0.63
95%	1.22	1.36	0.75	0.68
96%	1.36	1.50	0.88	0.77
97%	1.50	1.64	0.94	0.97
98%	1.71	1.86	1.06	1.14
99%	2.00	2.14	1.31	1.45
100%	2.86	3.00	2.62	2.64

edx66<-subset(edx,vecums<6.5&vecums>=5.5,)
BF<-as.data.frame(quantile(na.omit(edx66$BSI), probs = seq(1, 100, by = 1) / 100))
BF$nos<-rownames(BF)
names(BF)<-c('Uzvedība', 'Procentile')
rownames(BF)<-1:nrow(BF) 
BF<-(subset(BF,,c('Procentile','Uzvedība')))
BF$Izglītība<-quantile(na.omit(edx66$EDSI), probs = seq(1, 100, by = 1) / 100)
BF$Emocionalitāte<-quantile(na.omit(edx66$EMSI), probs = seq(1, 100, by = 1) / 100)
BF$Komunikācija<-quantile(na.omit(edx66$CSI), probs = seq(1, 100, by = 1) / 100)
tab_df(BF,title=paste('5.5 g. līdz 6.5 g.v. bērni. n=',nrow(edx66),sep=''))

5.5 g. līdz 6.5 g.v. bērni. n=11185
Procentile	Uzvedība	Izglītība	Emocionalitāte	Komunikācija
1%	0.00	0.00	0.00	0.00
2%	0.00	0.00	0.00	0.00
3%	0.00	0.00	0.00	0.00
4%	0.00	0.00	0.00	0.00
5%	0.00	0.00	0.00	0.00
6%	0.00	0.00	0.00	0.00
7%	0.00	0.00	0.00	0.00
8%	0.00	0.00	0.00	0.00
9%	0.00	0.00	0.00	0.00
10%	0.00	0.00	0.00	0.00
11%	0.00	0.00	0.00	0.00
12%	0.00	0.00	0.00	0.00
13%	0.00	0.00	0.00	0.00
14%	0.00	0.00	0.00	0.00
15%	0.00	0.00	0.00	0.00
16%	0.00	0.00	0.00	0.00
17%	0.00	0.00	0.00	0.00
18%	0.00	0.00	0.00	0.00
19%	0.00	0.00	0.00	0.00
20%	0.00	0.00	0.00	0.00
21%	0.02	0.00	0.00	0.00
22%	0.04	0.00	0.00	0.00
23%	0.04	0.00	0.00	0.00
24%	0.04	0.00	0.00	0.00
25%	0.04	0.00	0.00	0.00
26%	0.04	0.00	0.00	0.00
27%	0.04	0.00	0.00	0.00
28%	0.04	0.00	0.00	0.00
29%	0.05	0.05	0.00	0.00
30%	0.07	0.07	0.00	0.00
31%	0.07	0.07	0.00	0.00
32%	0.07	0.07	0.00	0.00
33%	0.07	0.07	0.00	0.00
34%	0.07	0.07	0.00	0.00
35%	0.07	0.07	0.00	0.00
36%	0.07	0.07	0.00	0.00
37%	0.10	0.07	0.04	0.00
38%	0.11	0.07	0.04	0.00
39%	0.11	0.07	0.06	0.00
40%	0.11	0.10	0.06	0.00
41%	0.11	0.14	0.06	0.00
42%	0.11	0.14	0.06	0.00
43%	0.12	0.14	0.06	0.00
44%	0.14	0.14	0.06	0.00
45%	0.14	0.14	0.06	0.00
46%	0.14	0.14	0.06	0.00
47%	0.14	0.14	0.06	0.00
48%	0.14	0.14	0.06	0.00
49%	0.17	0.14	0.06	0.00
50%	0.18	0.14	0.06	0.00
51%	0.18	0.19	0.06	0.00
52%	0.18	0.21	0.08	0.03
53%	0.18	0.21	0.12	0.03
54%	0.21	0.21	0.12	0.05
55%	0.21	0.21	0.12	0.05
56%	0.21	0.21	0.12	0.05
57%	0.21	0.21	0.12	0.05
58%	0.24	0.29	0.12	0.05
59%	0.25	0.29	0.12	0.05
60%	0.25	0.29	0.12	0.05
61%	0.26	0.29	0.12	0.05
62%	0.29	0.29	0.12	0.05
63%	0.29	0.29	0.12	0.06
64%	0.31	0.29	0.17	0.06
65%	0.32	0.33	0.17	0.09
66%	0.32	0.36	0.19	0.09
67%	0.33	0.36	0.19	0.09
68%	0.36	0.36	0.19	0.09
69%	0.36	0.36	0.19	0.09
70%	0.38	0.38	0.19	0.09
71%	0.39	0.43	0.19	0.09
72%	0.43	0.43	0.21	0.12
73%	0.43	0.43	0.25	0.14
74%	0.43	0.43	0.25	0.14
75%	0.46	0.48	0.25	0.14
76%	0.48	0.50	0.25	0.14
77%	0.50	0.50	0.25	0.15
78%	0.54	0.52	0.25	0.18
79%	0.54	0.57	0.30	0.18
80%	0.57	0.57	0.31	0.18
81%	0.60	0.57	0.31	0.21
82%	0.61	0.64	0.31	0.23
83%	0.64	0.64	0.34	0.23
84%	0.68	0.67	0.38	0.27
85%	0.71	0.71	0.38	0.27
86%	0.75	0.71	0.38	0.27
87%	0.79	0.79	0.44	0.32
88%	0.82	0.86	0.44	0.32
89%	0.86	0.86	0.50	0.36
90%	0.89	0.93	0.50	0.37
91%	0.96	1.00	0.54	0.41
92%	1.04	1.07	0.56	0.45
93%	1.11	1.14	0.62	0.50
94%	1.18	1.21	0.62	0.59
95%	1.25	1.29	0.69	0.67
96%	1.36	1.43	0.81	0.76
97%	1.50	1.52	0.92	0.86
98%	1.68	1.71	1.06	1.09
99%	1.96	2.00	1.31	1.36
100%	2.93	3.00	2.25	2.73

edx78<-subset(edx,vecums>=6.5,)
BF<-as.data.frame(quantile(na.omit(edx78$BSI), probs = seq(1, 100, by = 1) / 100))
BF$nos<-rownames(BF)
names(BF)<-c('Uzvedība', 'Procentile')
rownames(BF)<-1:nrow(BF) 
BF<-(subset(BF,,c('Procentile','Uzvedība')))
BF$Izglītība<-quantile(na.omit(edx78$EDSI), probs = seq(1, 100, by = 1) / 100)
BF$Emocionalitāte<-quantile(na.omit(edx78$EMSI), probs = seq(1, 100, by = 1) / 100)
BF$Komunikācija<-quantile(na.omit(edx78$CSI), probs = seq(1, 100, by = 1) / 100)
tab_df(BF,title=paste('6.5 g. un vecāki bērni. n=',nrow(edx78),sep=''))

6.5 g. un vecāki bērni. n=8237
Procentile	Uzvedība	Izglītība	Emocionalitāte	Komunikācija
1%	0.00	0.00	0.00	0.00
2%	0.00	0.00	0.00	0.00
3%	0.00	0.00	0.00	0.00
4%	0.00	0.00	0.00	0.00
5%	0.00	0.00	0.00	0.00
6%	0.00	0.00	0.00	0.00
7%	0.00	0.00	0.00	0.00
8%	0.00	0.00	0.00	0.00
9%	0.00	0.00	0.00	0.00
10%	0.00	0.00	0.00	0.00
11%	0.00	0.00	0.00	0.00
12%	0.00	0.00	0.00	0.00
13%	0.00	0.00	0.00	0.00
14%	0.00	0.00	0.00	0.00
15%	0.00	0.00	0.00	0.00
16%	0.00	0.00	0.00	0.00
17%	0.00	0.00	0.00	0.00
18%	0.00	0.00	0.00	0.00
19%	0.00	0.00	0.00	0.00
20%	0.00	0.00	0.00	0.00
21%	0.02	0.00	0.00	0.00
22%	0.04	0.00	0.00	0.00
23%	0.04	0.00	0.00	0.00
24%	0.04	0.00	0.00	0.00
25%	0.04	0.00	0.00	0.00
26%	0.04	0.00	0.00	0.00
27%	0.04	0.00	0.00	0.00
28%	0.04	0.00	0.00	0.00
29%	0.05	0.00	0.00	0.00
30%	0.07	0.00	0.00	0.00
31%	0.07	0.00	0.00	0.00
32%	0.07	0.00	0.00	0.00
33%	0.07	0.05	0.00	0.00
34%	0.07	0.07	0.00	0.00
35%	0.07	0.07	0.00	0.00
36%	0.07	0.07	0.00	0.00
37%	0.11	0.07	0.00	0.00
38%	0.11	0.07	0.00	0.00
39%	0.11	0.07	0.00	0.00
40%	0.11	0.07	0.00	0.00
41%	0.11	0.07	0.00	0.00
42%	0.11	0.07	0.04	0.00
43%	0.12	0.07	0.04	0.00
44%	0.14	0.07	0.06	0.00
45%	0.14	0.10	0.06	0.00
46%	0.14	0.14	0.06	0.00
47%	0.14	0.14	0.06	0.00
48%	0.14	0.14	0.06	0.00
49%	0.17	0.14	0.06	0.00
50%	0.18	0.14	0.06	0.00
51%	0.18	0.14	0.06	0.00
52%	0.18	0.14	0.06	0.00
53%	0.18	0.14	0.06	0.00
54%	0.21	0.14	0.06	0.00
55%	0.21	0.14	0.06	0.03
56%	0.21	0.19	0.08	0.05
57%	0.21	0.21	0.08	0.05
58%	0.25	0.21	0.12	0.05
59%	0.25	0.21	0.12	0.05
60%	0.25	0.21	0.12	0.05
61%	0.26	0.21	0.12	0.05
62%	0.29	0.24	0.12	0.05
63%	0.29	0.29	0.12	0.05
64%	0.29	0.29	0.12	0.05
65%	0.32	0.29	0.12	0.06
66%	0.32	0.29	0.12	0.09
67%	0.32	0.29	0.12	0.09
68%	0.36	0.29	0.17	0.09
69%	0.36	0.33	0.19	0.09
70%	0.36	0.36	0.19	0.09
71%	0.39	0.36	0.19	0.09
72%	0.39	0.36	0.19	0.09
73%	0.43	0.38	0.19	0.09
74%	0.43	0.43	0.19	0.12
75%	0.43	0.43	0.21	0.14
76%	0.46	0.43	0.25	0.14
77%	0.50	0.48	0.25	0.14
78%	0.50	0.50	0.25	0.14
79%	0.54	0.50	0.25	0.18
80%	0.55	0.50	0.25	0.18
81%	0.57	0.57	0.25	0.18
82%	0.61	0.57	0.31	0.18
83%	0.64	0.62	0.31	0.23
84%	0.68	0.64	0.31	0.23
85%	0.71	0.64	0.31	0.24
86%	0.75	0.71	0.38	0.27
87%	0.79	0.71	0.38	0.27
88%	0.82	0.79	0.38	0.32
89%	0.86	0.86	0.44	0.33
90%	0.93	0.90	0.44	0.36
91%	0.96	0.93	0.50	0.41
92%	1.04	1.00	0.50	0.45
93%	1.10	1.07	0.56	0.50
94%	1.18	1.14	0.62	0.55
95%	1.29	1.21	0.62	0.59
96%	1.36	1.29	0.75	0.68
97%	1.50	1.38	0.77	0.77
98%	1.64	1.57	0.92	0.91
99%	1.93	1.90	1.19	1.18
100%	2.79	2.79	2.19	2.73

Gala vērtējuma aprēķins

Gala aprēķins tiek veikts sekojoši: 1. tiek aprēķināts aritmētiskais vidējais rezultāts skalā, atkarībā no tā, cik daudz pantu, piemēram, Komunikācijas skalā pantu daudzums ir 11, tāpēc iegūtais rezultāts tiek dalīts ar 11 un iegūstam skaitli, kas var variēt no 1 līdz 4, kur 4 nozīmē maksimālo iespējamo vērtību; 2. tiek aprēķināts aritmētiskais vidējais starp vērtētājiem skalu līmenī; 3. tiek noteikta skalas kategorija - 1., 2. vai 3.; 4. tiek noteikta gala kategorija pēc augstākā rezultāta skalu kategorijā, piemēram, ja trijās skalās ir 1. kategorija, bet vienā skalā ir 3. kategorija, tad gala kategorija tiek noteikta kā 3.

#Kategorijas aprēķināšana
edx$BSIcat<-NA;
edx$EDSIcat<-NA;
edx$EMSIcat<-NA;
edx$CSIcat<-NA;

##Vecums mazāks par 2.5 g.v.

{
BN90_2<-quantile(na.omit(edx0$BSI), probs = c(90) / 100);print(paste(round(BN90_2,3),'Uzvedība 90. procentile'))
BN98_2<-quantile(na.omit(edx0$BSI), probs = c(98) / 100);print(paste(round(BN98_2,3),'Uzvedība 98. procentile'))
EDN90_2<-quantile(na.omit(edx0$EDSI), probs = c(90) / 100);print(paste(round(EDN90_2,3),'Emocionālā 90. procentile'))
EDN98_2<-quantile(na.omit(edx0$EDSI), probs = c(98) / 100);print(paste(round(EDN98_2,3),'Emocionālā 98. procentile'))
EMN90_2<-quantile(na.omit(edx0$EMSI), probs = c(90) / 100);print(paste(round(EMN90_2,3),'Emocionālā 90. procentile'))
EMN98_2<-quantile(na.omit(edx0$EMSI), probs = c(98) / 100);print(paste(round(EMN98_2,3),'Emocionālā 98. procentile'))
CN90_2<-quantile(na.omit(edx0$CSI), probs = c(90) / 100);print(paste(round(CN90_2,3),'Komunikācija 90. procentile'))
CN98_2<-quantile(na.omit(edx0$CSI), probs = c(98) / 100);print(paste(round(CN98_2,3),'Komunikācija 98. procentile'))

edx$BSIcat<-ifelse(edx$vecums<2.5&edx$BSI<BN90_2,1,ifelse(edx$vecums<2.5&edx$BSI<BN98_2&edx$BSI>=BN90_2,2,ifelse(edx$vecums<2.5&edx$BSI>=BN98_2,3,edx$BSIcat)))
edx$EDSIcat<-ifelse(edx$vecums<2.5&edx$EDSI<EDN90_2,1,ifelse(edx$vecums<2.5&edx$EDSI<EDN98_2&edx$EDSI>=EDN90_2,2,ifelse(edx$vecums<2.5&edx$EDSI>=EDN98_2,3,edx$EDSIcat)))
edx$EMSIcat<-ifelse(edx$vecums<2.5&edx$EMSI<EMN90_2,1,ifelse(edx$vecums<2.5&edx$EMSI<EMN98_2&edx$EMSI>=EMN90_2,2,ifelse(edx$vecums<2.5&edx$EMSI>=EMN98_2,3,edx$EMSIcat)))
edx$CSIcat<-ifelse(edx$vecums<2.5&edx$CSI<CN90_2,1,ifelse(edx$vecums<2.5&edx$CSI<CN98_2&edx$CSI>=CN90_2,2,ifelse(edx$vecums<2.5&edx$CSI>=CN98_2,3,edx$CSIcat)))
}

## [1] "0.768 Uzvedība 90. procentile"
## [1] "1.659 Uzvedība 98. procentile"
## [1] "0.905 Emocionālā 90. procentile"
## [1] "1.733 Emocionālā 98. procentile"
## [1] "0.625 Emocionālā 90. procentile"
## [1] "1.682 Emocionālā 98. procentile"
## [1] "0.773 Komunikācija 90. procentile"
## [1] "1.781 Komunikācija 98. procentile"

##no 2.5 g.v.līdz 3.5 g.v.
{
  BN90_3<-quantile(na.omit(edx30$BSI), probs = c(90) / 100);print(paste(round(BN90_3,3),'Uzvedība 90. procentile'))
  BN98_3<-quantile(na.omit(edx30$BSI), probs = c(98) / 100);print(paste(round(BN98_3,3),'Uzvedība 98. procentile'))
  EDN90_3<-quantile(na.omit(edx30$EDSI), probs = c(90) / 100);print(paste(round(EDN90_3,3),'Izglītības 90. procentile'))
  EDN98_3<-quantile(na.omit(edx30$EDSI), probs = c(98) / 100);print(paste(round(EDN98_3,3),'Izglītības 98. procentile'))
  EMN90_3<-quantile(na.omit(edx30$EMSI), probs = c(90) / 100);print(paste(round(EMN90_3,3),'Emocionālā 90. procentile'))
  EMN98_3<-quantile(na.omit(edx30$EMSI), probs = c(98) / 100);print(paste(round(EMN98_3,3),'Emocionālā 98. procentile'))
  CN90_3<-quantile(na.omit(edx30$CSI), probs = c(90) / 100);print(paste(round(CN90_3,3),'Komunikācija 90. procentile'))
  CN98_3<-quantile(na.omit(edx30$CSI), probs = c(98) / 100);print(paste(round(CN98_3,3),'Komunikācija 98. procentile'))
  
  edx$BSIcat<-ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$BSI<BN90_3,1,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$BSI<BN98_3&edx$BSI>=BN90_3,2,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$BSI>=BN98_3,3,edx$BSIcat)))
  edx$EDSIcat<-ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$EDSI<EDN90_3,1,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$EDSI<EDN98_3&edx$EDSI>=EDN90_3,2,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$EDSI>=EDN98_3,3,edx$EDSIcat)))
  edx$EMSIcat<-ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$EMSI<EMN90_3,1,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$EMSI<EMN98_3&edx$EMSI>=EMN90_3,2,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$EMSI>=EMN98_3,3,edx$EMSIcat)))
  edx$CSIcat<-ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$CSI<CN90_3,1,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$CSI<CN98_3&edx$CSI>=CN90_3,2,ifelse(edx$vecums<3.5&edx$vecums>=2.5&edx$CSI>=CN98_3,3,edx$CSIcat)))
  
}

## [1] "0.929 Uzvedība 90. procentile"
## [1] "1.571 Uzvedība 98. procentile"
## [1] "1 Izglītības 90. procentile"
## [1] "1.786 Izglītības 98. procentile"
## [1] "0.688 Emocionālā 90. procentile"
## [1] "1.281 Emocionālā 98. procentile"
## [1] "0.727 Komunikācija 90. procentile"
## [1] "1.411 Komunikācija 98. procentile"

## no 3.5 g.v. līdz 4.5 g.v.
{
  BN90_4<-quantile(na.omit(edx42$BSI), probs = c(90) / 100);print(paste(round(BN90_4,3),'Uzvedība 90. procentile'))
  BN98_4<-quantile(na.omit(edx42$BSI), probs = c(98) / 100);print(paste(round(BN98_4,3),'Uzvedība 98. procentile'))
  EDN90_4<-quantile(na.omit(edx42$EDSI), probs = c(90) / 100);print(paste(round(EDN90_4,3),'Izglītības 90. procentile'))
  EDN98_4<-quantile(na.omit(edx42$EDSI), probs = c(98) / 100);print(paste(round(EDN98_4,3),'Izglītības 98. procentile'))
  EMN90_4<-quantile(na.omit(edx42$EMSI), probs = c(90) / 100);print(paste(round(EMN90_4,3),'Emocionālā 90. procentile'))
  EMN98_4<-quantile(na.omit(edx42$EMSI), probs = c(98) / 100);print(paste(round(EMN98_4,3),'Emocionālā 98. procentile'))
  CN90_4<-quantile(na.omit(edx42$CSI), probs = c(90) / 100);print(paste(round(CN90_4,3),'Komunikācija 90. procentile'))
  CN98_4<-quantile(na.omit(edx42$CSI), probs = c(98) / 100);print(paste(round(CN98_4,3),'Komunikācija 98. procentile'))
  
  edx$BSIcat<-ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$BSI<BN90_4,1,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$BSI<BN98_4&edx$BSI>=BN90_4,2,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$BSI>=BN98_4,3,edx$BSIcat)))
  edx$EDSIcat<-ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$EDSI<EDN90_4,1,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$EDSI<EDN98_4&edx$EDSI>=EDN90_4,2,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$EDSI>=EDN98_4,3,edx$EDSIcat)))
  edx$EMSIcat<-ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$EMSI<EMN90_4,1,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$EMSI<EMN98_4&edx$EMSI>=EMN90_4,2,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$EMSI>=EMN98_4,3,edx$EMSIcat)))
  edx$CSIcat<-ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$CSI<CN90_4,1,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$CSI<CN98_4&edx$CSI>=CN90_4,2,ifelse(edx$vecums<4.5&edx$vecums>=3.5&edx$CSI>=CN98_4,3,edx$CSIcat)))
}

## [1] "0.929 Uzvedība 90. procentile"
## [1] "1.679 Uzvedība 98. procentile"
## [1] "1.048 Izglītības 90. procentile"
## [1] "1.857 Izglītības 98. procentile"
## [1] "0.625 Emocionālā 90. procentile"
## [1] "1.208 Emocionālā 98. procentile"
## [1] "0.636 Komunikācija 90. procentile"
## [1] "1.364 Komunikācija 98. procentile"

## no 4.5 g.v. līdz 5.5 g.v.
{
  BN90_5<-quantile(na.omit(edx54$BSI), probs = c(90) / 100);print(paste(round(BN90_5,3),'Uzvedība 90. procentile'))
  BN98_5<-quantile(na.omit(edx54$BSI), probs = c(98) / 100);print(paste(round(BN98_5,3),'Uzvedība 98. procentile'))
  EDN90_5<-quantile(na.omit(edx54$EDSI), probs = c(90) / 100);print(paste(round(EDN90_5,3),'Izglītības 90. procentile'))
  EDN98_5<-quantile(na.omit(edx54$EDSI), probs = c(98) / 100);print(paste(round(EDN98_5,3),'Izglītības 98. procentile'))
  EMN90_5<-quantile(na.omit(edx54$EMSI), probs = c(90) / 100);print(paste(round(EMN90_5,3),'Emocionālā 90. procentile'))
  EMN98_5<-quantile(na.omit(edx54$EMSI), probs = c(98) / 100);print(paste(round(EMN98_5,3),'Emocionālā 98. procentile'))
  CN90_5<-quantile(na.omit(edx54$CSI), probs = c(90) / 100);print(paste(round(CN90_5,3),'Komunikācija 90. procentile'))
  CN98_5<-quantile(na.omit(edx54$CSI), probs = c(98) / 100);print(paste(round(CN98_5,3),'Komunikācija 98. procentile'))
  
  edx$BSIcat<-ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$BSI<BN90_5,1,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$BSI<BN98_5&edx$BSI>=BN90_5,2,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$BSI>=BN98_5,3,edx$BSIcat)))
  edx$EDSIcat<-ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$EDSI<EDN90_5,1,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$EDSI<EDN98_5&edx$EDSI>=EDN90_5,2,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$EDSI>=EDN98_5,3,edx$EDSIcat)))
  edx$EMSIcat<-ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$EMSI<EMN90_5,1,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$EMSI<EMN98_5&edx$EMSI>=EMN90_5,2,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$EMSI>=EMN98_5,3,edx$EMSIcat)))
  edx$CSIcat<-ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$CSI<CN90_5,1,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$CSI<CN98_5&edx$CSI>=CN90_5,2,ifelse(edx$vecums<5.5&edx$vecums>=4.5&edx$CSI>=CN98_5,3,edx$CSIcat)))
}

## [1] "0.893 Uzvedība 90. procentile"
## [1] "1.705 Uzvedība 98. procentile"
## [1] "1 Izglītības 90. procentile"
## [1] "1.857 Izglītības 98. procentile"
## [1] "0.562 Emocionālā 90. procentile"
## [1] "1.062 Emocionālā 98. procentile"
## [1] "0.409 Komunikācija 90. procentile"
## [1] "1.136 Komunikācija 98. procentile"

## no 5.5 g.v. līdz 6.5 g.v.
{
  BN90_6<-quantile(na.omit(edx66$BSI), probs = c(90) / 100);print(paste(round(BN90_6,3),'Uzvedība 90. procentile'))
  BN98_6<-quantile(na.omit(edx66$BSI), probs = c(98) / 100);print(paste(round(BN98_6,3),'Uzvedība 98. procentile'))
  EDN90_6<-quantile(na.omit(edx66$EDSI), probs = c(90) / 100);print(paste(round(EDN90_6,3),'Izglītības 90. procentile'))
  EDN98_6<-quantile(na.omit(edx66$EDSI), probs = c(98) / 100);print(paste(round(EDN98_6,3),'Izglītības 98. procentile'))
  EMN90_6<-quantile(na.omit(edx66$EMSI), probs = c(90) / 100);print(paste(round(EMN90_6,3),'Emocionālā 90. procentile'))
  EMN98_6<-quantile(na.omit(edx66$EMSI), probs = c(98) / 100);print(paste(round(EMN98_6,3),'Emocionālā 98. procentile'))
  CN90_6<-quantile(na.omit(edx66$CSI), probs = c(90) / 100);print(paste(round(CN90_6,3),'Komunikācija 90. procentile'))
  CN98_6<-quantile(na.omit(edx66$CSI), probs = c(98) / 100);print(paste(round(CN98_6,3),'Komunikācija 98. procentile'))
  
  edx$BSIcat<-ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$BSI<BN90_6,1,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$BSI<BN98_6&edx$BSI>=BN90_6,2,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$BSI>=BN98_6,3,edx$BSIcat)))
  edx$EDSIcat<-ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$EDSI<EDN90_6,1,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$EDSI<EDN98_6&edx$EDSI>=EDN90_6,2,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$EDSI>=EDN98_6,3,edx$EDSIcat)))
  edx$EMSIcat<-ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$EMSI<EMN90_6,1,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$EMSI<EMN98_6&edx$EMSI>=EMN90_6,2,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$EMSI>=EMN98_6,3,edx$EMSIcat)))
  edx$CSIcat<-ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$CSI<CN90_6,1,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$CSI<CN98_6&edx$CSI>=CN90_6,2,ifelse(edx$vecums<6.5&edx$vecums>=5.5&edx$CSI>=CN98_6,3,edx$CSIcat)))
}

## [1] "0.893 Uzvedība 90. procentile"
## [1] "1.679 Uzvedība 98. procentile"
## [1] "0.929 Izglītības 90. procentile"
## [1] "1.714 Izglītības 98. procentile"
## [1] "0.5 Emocionālā 90. procentile"
## [1] "1.062 Emocionālā 98. procentile"
## [1] "0.373 Komunikācija 90. procentile"
## [1] "1.091 Komunikācija 98. procentile"

## no 6.5 g.v. 
{
  BN90_7<-quantile(na.omit(edx78$BSI), probs = c(90) / 100);print(paste(round(BN90_7,3),'Uzvedība 90. procentile'))
  BN98_7<-quantile(na.omit(edx78$BSI), probs = c(98) / 100);print(paste(round(BN98_7,3),'Uzvedība 98. procentile'))
  EDN90_7<-quantile(na.omit(edx78$EDSI), probs = c(90) / 100);print(paste(round(EDN90_7,3),'Izglītības 90. procentile'))
  EDN98_7<-quantile(na.omit(edx78$EDSI), probs = c(98) / 100);print(paste(round(EDN98_7,3),'Izglītības 98. procentile'))
  EMN90_7<-quantile(na.omit(edx78$EMSI), probs = c(90) / 100);print(paste(round(EMN90_7,3),'Emocionālā 90. procentile'))
  EMN98_7<-quantile(na.omit(edx78$EMSI), probs = c(98) / 100);print(paste(round(EMN98_7,3),'Emocionālā 98. procentile'))
  CN90_7<-quantile(na.omit(edx78$CSI), probs = c(90) / 100);print(paste(round(CN90_7,3),'Komunikācija 90. procentile'))
  CN98_7<-quantile(na.omit(edx78$CSI), probs = c(98) / 100);print(paste(round(CN98_7,3),'Komunikācija 98. procentile'))
  
  edx$BSIcat<-ifelse(edx$vecums>=6.5&edx$BSI<BN90_7,1,ifelse(edx$vecums>=6.5&edx$BSI<BN98_7&edx$BSI>=BN90_7,2,ifelse(edx$vecums>=6.5&edx$BSI>=BN98_7,3,edx$BSIcat)))
  edx$EDSIcat<-ifelse(edx$vecums>=6.5&edx$EDSI<EDN90_7,1,ifelse(edx$vecums>=6.5&edx$EDSI<EDN98_7&edx$EDSI>=EDN90_7,2,ifelse(edx$vecums>=6.5&edx$EDSI>=EDN98_7,3,edx$EDSIcat)))
  edx$EMSIcat<-ifelse(edx$vecums>=6.5&edx$EMSI<EMN90_7,1,ifelse(edx$vecums>=6.5&edx$EMSI<EMN98_7&edx$EMSI>=EMN90_7,2,ifelse(edx$vecums>=6.5&edx$EMSI>=EMN98_7,3,edx$EMSIcat)))
  edx$CSIcat<-ifelse(edx$vecums>=6.5&edx$CSI<CN90_7,1,ifelse(edx$vecums>=6.5&edx$CSI<CN98_7&edx$CSI>=CN90_7,2,ifelse(edx$vecums>=6.5&edx$CSI>=CN98_7,3,edx$CSIcat)))
}

## [1] "0.929 Uzvedība 90. procentile"
## [1] "1.643 Uzvedība 98. procentile"
## [1] "0.905 Izglītības 90. procentile"
## [1] "1.571 Izglītības 98. procentile"
## [1] "0.438 Emocionālā 90. procentile"
## [1] "0.917 Emocionālā 98. procentile"
## [1] "0.364 Komunikācija 90. procentile"
## [1] "0.909 Komunikācija 98. procentile"

# aprēķinām gala kategoriju.
edx$KidCat <- apply(edx[, c("BSIcat", "EDSIcat", "EMSIcat", "CSIcat")], 1, function(row) {
  # Izņem NA vērtības
  row <- row[!is.na(row)]
  if (length(row) == 0) {
    return(NA)
  }
  max_val <- max(row)
  return(max_val)
})

table(edx$KidCat)

## 
##     1     2     3 
## 25719  6739  2130

table(edx$KidCat)/sum(table(edx$KidCat))

## 
##          1          2          3 
## 0.74358159 0.19483636 0.06158205

#kategorijas korelācija ar vecumu:
cor.test(edx$KidCat,as.numeric(edx$vecums), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edx$KidCat and as.numeric(edx$vecums)
## t = -1.8767, df = 34586, p-value = 0.06056
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.0206274450  0.0004478614
## sample estimates:
##         cor 
## -0.01009091

# Instalējiet nepieciešamo pakotni, ja tas vēl nav izdarīts
if (!require("htmlTable")) install.packages("htmlTable")

## Loading required package: htmlTable

## Warning: package 'htmlTable' was built under R version 4.3.3

library(htmlTable)

# Izveidojam datus, kas tiks attēloti tabulā
mērījumi <- c("Uzvedība", rep("", 5), "Izglītība", rep("", 5), 
              "Emocionālā", rep("", 5), "Komunikācija", rep("", 5))

vecumi <- c("Mazāks par 2.5 gadiem", "2.5-3.5 gadi", "3.5-4.5 gadi", "4.5-5.5 gadi", 
            "5.5-6.5 gadi", "No 6.5 gadiem",
            "Mazāks par 2.5 gadiem", "2.5-3.5 gadi", "3.5-4.5 gadi", "4.5-5.5 gadi", 
            "5.5-6.5 gadi", "No 6.5 gadiem",
            "Mazāks par 2.5 gadiem", "2.5-3.5 gadi", "3.5-4.5 gadi", "4.5-5.5 gadi", 
            "5.5-6.5 gadi", "No 6.5 gadiem",
            "Mazāks par 2.5 gadiem", "2.5-3.5 gadi", "3.5-4.5 gadi", "4.5-5.5 gadi", 
            "5.5-6.5 gadi", "No 6.5 gadiem")

procentile_90 <- round(c(BN90_2, BN90_3, BN90_4, BN90_5, BN90_6, BN90_7, 
                         EDN90_2, EDN90_3, EDN90_4, EDN90_5, EDN90_6, EDN90_7,
                         EMN90_2, EMN90_3, EMN90_4, EMN90_5, EMN90_6, EMN90_7,
                         CN90_2, CN90_3, CN90_4, CN90_5, CN90_6, CN90_7), 3)

procentile_98 <- round(c(BN98_2, BN98_3, BN98_4, BN98_5, BN98_6, BN98_7, 
                         EDN98_2, EDN98_3, EDN98_4, EDN98_5, EDN98_6, EDN98_7,
                         EMN98_2, EMN98_3, EMN98_4, EMN98_5, EMN98_6, EMN98_7,
                         CN98_2, CN98_3, CN98_4, CN98_5, CN98_6, CN98_7), 3)

# Pārliecināmies, ka visiem vektoriem ir vienāds garums
length(mērījumi) == length(vecumi) && length(vecumi) == length(procentile_90) && length(procentile_90) == length(procentile_98)

## [1] TRUE

# Ja garumi ir vienādi, izveidojam datu rāmi
tabula <- data.frame(
  Mērījums = mērījumi,
  Vecums = vecumi,
  `90. procentile` = procentile_90,
  `98. procentile` = procentile_98
)

# Izveidojam HTML tabulu
html_tabula <- htmlTable(tabula,
                         header = c("Mērījums", "Vecums", "90. procentile", "98. procentile"),
                         caption = "Procentiles katrai skalu kategorijai un vecuma grupai",
                         rnames = FALSE,
                         align = "llcc")

# Izvadām HTML tabulu
html_tabula

Mērījums	Vecums	procentile	procentile
Procentiles katrai skalu kategorijai un vecuma grupai
Uzvedība	Mazāks par 2.5 gadiem	0.768	1.659
	2.5-3.5 gadi	0.929	1.571
	3.5-4.5 gadi	0.929	1.679
	4.5-5.5 gadi	0.893	1.705
	5.5-6.5 gadi	0.893	1.679
	No 6.5 gadiem	0.929	1.643
Izglītība	Mazāks par 2.5 gadiem	0.905	1.733
	2.5-3.5 gadi	1	1.786
	3.5-4.5 gadi	1.048	1.857
	4.5-5.5 gadi	1	1.857
	5.5-6.5 gadi	0.929	1.714
	No 6.5 gadiem	0.905	1.571
Emocionālā	Mazāks par 2.5 gadiem	0.625	1.682
	2.5-3.5 gadi	0.688	1.281
	3.5-4.5 gadi	0.625	1.208
	4.5-5.5 gadi	0.562	1.062
	5.5-6.5 gadi	0.5	1.062
	No 6.5 gadiem	0.438	0.917
Komunikācija	Mazāks par 2.5 gadiem	0.773	1.781
	2.5-3.5 gadi	0.727	1.411
	3.5-4.5 gadi	0.636	1.364
	4.5-5.5 gadi	0.409	1.136
	5.5-6.5 gadi	0.373	1.091
	No 6.5 gadiem	0.364	0.909

Validizācijas izlases izveide

#VALIDIZĀCIJAS IZLASE


load("C:/privati/SOSinventory/SOSinventory/evans.RData")

group1 <- c(1643 # PII Bitīte, 6. grupa 
            ,1641 # PII Bitīte, 4. grupa
            ,1642 # PII Bitīte, 5. grupa
            ,1639 # PII Bitīte, 1. grupa
            ,1646 # PII Bitīte, 11. grupa
            #,95 # Kadiķīši no PII Kurzeme, bet 2020.gads
            #,785 # Kadiķīši no PII Kurzeme, bet 2021.gads
            #,1005 # Kadiķīši no PII Kurzeme, bet 2021.gads
            
)
group1b <- c(1643 # PII Bitīte, 6. grupa 
            ,1641 # PII Bitīte, 4. grupa
            ,1642 # PII Bitīte, 5. grupa
            ,1639 # PII Bitīte, 1. grupa
            ,1646 # PII Bitīte, 11. grupa
            ,95 # Kadiķīši no PII Kurzeme, bet 2020.gads
            ,785 # Kadiķīši no PII Kurzeme, bet 2021.gads
            ,1005 # Kadiķīši no PII Kurzeme, bet 2021.gads
            
)

group2 <- c(1627 # PII Zvaniņš, 11. grupa 
            ,1631 # PII Zvaniņš, 9. grupa  - Mārītes
            ,1634# PII Zvaniņš, 3 grupa Pelītes
            ,1591 # PII 244, 1. grupa 
            ,1594 # PII 244, 4. grupa 
            ,1595 # PII 244, 5. grupa 
            ,1596 # PII 244, 6. grupa 
            ,1597 # PII 244, 9. grupa 
            ,1599 # PII 244, 12. grupa 
            ,1600 # PII 244, 13. grupa 
            ,1601 # PII 244, 14. grupa 
            ,1602 # PII 244, 15. grupa 
            ,1603 # PII 244, 17. grupa 
            ,1604 # PII 244, 18. grupa 
            ,1605 # PII 244, 19. grupa 
            ,1648 # PII Ābecītis 13, 2. grupa 
            
)

#set.seed(123)  
#group2 <- sample(setdiff(as.character(evans$group_id), as.character(group1b)), 50)



dfvalid <- evans %>%
  mutate(pazime = case_when(
    group_id %in% group1 ~ 1,
    group_id %in% group2 ~ 2,
    TRUE ~ NA_real_
  ))
dfvalid<-subset(dfvalid,is.na(pazime)==FALSE);dim(dfvalid)

## [1] 807 230

#1 pamatatlase
{
    nrow(dfvalid);dfvalid<-subset(dfvalid,stype=='MAINSURVEY');nrow(dfvalid)
}

## [1] 807

#2 pildīšanas laiks
{
  nrow(dfvalid); dfvalid<-subset(dfvalid, is.na(eminutes)==FALSE,); nrow(dfvalid)
  nrow(dfvalid);dfvalid<-subset(dfvalid,eminutes>quantile(dfvalid$eminutes, probs = c(0.05)),);nrow(dfvalid)
}

## [1] 752

#izņemam testa gadījumus:
{
  nrow(dfvalid);dfvalid<-subset(dfvalid,gsch!='999999'&gsch!='999997'&gsch!='999998', );nrow(dfvalid)
}

## [1] 752

# aizstājam atbildes ar vērtību 5 un 3 ar NA
{
  
  kolonas5miss<-c(B,EM,ED,C)
    dfvalid[, c(kolonas5miss)][dfvalid[, kolonas5miss] == '5'] <- NA
head(dfvalid)
}

##          id survey_id group_id kid_id user_id status          created_at
## 58893 60384       279     1591  12592    1812      2 2023-10-24 13:01:32
## 58894 60379       279     1591  12613    1812      2 2023-10-24 13:01:32
## 58895 60378       279     1591  12612    1812      2 2023-10-24 13:01:32
## 58896 60380       279     1591  12614    1812      2 2023-10-24 13:01:32
## 58897 60381       279     1591  12557    1812      2 2023-10-24 13:01:32
## 58898 60382       279     1591  12618    1812      2 2023-10-24 13:01:32
##                updated_at category comment eseconds        kbd kgend kresult
## 58893 2023-10-30 13:43:01        0    <NA>   520889 2020-02-01     2       0
## 58894 2023-10-30 14:03:18        0    <NA>   522106 2020-11-03     2       0
## 58895 2023-10-30 13:51:53        1    <NA>   521421 2020-09-18     1       0
## 58896 2023-10-30 14:12:50        0    <NA>   522678 2020-11-13     2       0
## 58897 2023-10-30 14:20:16        0    <NA>   523124 2020-06-14     1       0
## 58898 2023-10-30 14:26:39        0    <NA>   523507 2020-07-27     1       0
##       gsch     gstart       gend                gupd gstatus      stype
## 58893   13 2023-09-01 2024-08-31 2023-10-23 12:57:00       1 MAINSURVEY
## 58894   13 2023-09-01 2024-08-31 2023-10-23 12:57:00       1 MAINSURVEY
## 58895   13 2023-09-01 2024-08-31 2023-10-23 12:57:00       1 MAINSURVEY
## 58896   13 2023-09-01 2024-08-31 2023-10-23 12:57:00       1 MAINSURVEY
## 58897   13 2023-09-01 2024-08-31 2023-10-23 12:57:00       1 MAINSURVEY
## 58898   13 2023-09-01 2024-08-31 2023-10-23 12:57:00       1 MAINSURVEY
##           sstart       send sstatus srep             screate
## 58893 2023-10-24 2023-11-10       1    0 2023-10-24 13:01:31
## 58894 2023-10-24 2023-11-10       1    0 2023-10-24 13:01:31
## 58895 2023-10-24 2023-11-10       1    0 2023-10-24 13:01:31
## 58896 2023-10-24 2023-11-10       1    0 2023-10-24 13:01:31
## 58897 2023-10-24 2023-11-10       1    0 2023-10-24 13:01:31
## 58898 2023-10-24 2023-11-10       1    0 2023-10-24 13:01:31
##                      supd scat includeSpecial B1 B2 B3 B4 B5 B6 B7 B8 B9 B10
## 58893 2023-10-24 13:01:31    0              0 NA NA NA NA NA NA NA NA NA  NA
## 58894 2023-10-24 13:01:31    0              0  2  2  3  3  3  3  3  4  4   3
## 58895 2023-10-24 13:01:31    0              0  1  1  4  2  2  2  2  4  4   3
## 58896 2023-10-24 13:01:31    0              0  1  1  3  2  1  4  2  4  4   2
## 58897 2023-10-24 13:01:31    0              0  4  4  4  4  4  4  4  4  4   4
## 58898 2023-10-24 13:01:31    0              0  1  2  4  3  2  3  3  4  4   3
##       B11 B12 B13 B14 EM1 EM2 EM3 EM4 EM5 EM6 EM7 ED1 ED2 ED3 ED4 ED5 ED6 ED7
## 58893  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## 58894   3   4   4   3   4   4   4   4   4   4   2   2   3   4   3   4   4   4
## 58895   3   4   3   2   4   4   4   4   4   4   4   2   2   3   3   4   4   4
## 58896   2   4   4   4   4   4   4   4   4   4   4   1   2   3   3   4   4   4
## 58897   4   4   4   3   4   4   4   3   4   4   4   4   4   4   4   4   4   4
## 58898   4   4   4   3   4   4   4   4   4   4   4   1   3   3   3   4   4   4
##       C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 S1 S2 S3 S4 S6 S5 S7 S8 S9 S10 S11 B1s
## 58893 NA NA NA NA NA NA NA NA NA  NA   5 NA  5  5  5  5  5  3  5  5   5   4   0
## 58894  4  4  4  4  3 NA  4  4  4   4   4  4  4  3  4  4  3  2  4  4   4   1   0
## 58895  4  4  4  4  4 NA  4  4  4   4   4  4  3  4  4  3  4  2  4  4   4   1   0
## 58896  4  4  3  4  4 NA  4  4  4   4   4  4  4  4  4  4  4  2  4  4   4   1   0
## 58897  3  4  4  4  4 NA  3  4  4   4   4  4  3  4  4  4  4  2  4  4   4   2   0
## 58898  4  4  4  4  4 NA  4  4  4   4   4  4  2  4  4  4  4  2  4  4   4   1   0
##       B2s B3s B4s B5s B6s B7s B8s B9s B10s B11s B12s B13s B14s EM1s EM2s EM3s
## 58893   0   0   0   0   0   0   0   0    0    0    0    0    0    0    0    0
## 58894   0   0   0   0   0   0   0   0    0    0    0    0    0    0    0    0
## 58895   0   0   0   0   0   0   0   0    0    0    0    0    0    0    0    0
## 58896   0   0   0   0   0  89   0   0    0    0    0    0    0    0    0    0
## 58897   0   0   0   0   0   0   0   0    0    0    0    0    0    0    0    0
## 58898   0   0   0   0   0   0   0   0    0    0    0    0    0    0    0    0
##       EM4s EM5s EM6s EM7s ED1s ED2s ED3s ED4s ED5s ED6s ED7s C1s C2s C3s C4s
## 58893    0    0    0    0    0    0    0    0    0    0    0   0   0   0   0
## 58894    0    0    0    0    0    0    0    0    0    0    0   0   0   0   0
## 58895    0    0    0    0    0    0    0    0    0    0    0   0   0   0   0
## 58896    0    0    0    0    0    0    0    0    0    0    0   0   0   0   0
## 58897    0    0    0    0    0    0    0    0    0    0    0   0   0   0   0
## 58898    0    0    0    0    0    0    0    0    0    0    0   0   0   0   0
##       C5s C6s C7s C8s C9s C10s C11s S1s S2s S3s S4s S6s S5s S7s S8s S9s S10s
## 58893   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0    0
## 58894   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0    0
## 58895   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0    0
## 58896   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0    0
## 58897   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0    0
## 58898   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0    0
##       S11s B1v B2v B3v B4v B5v B6v B7v B8v B9v B10v B11v B12v B13v B14v EM1v
## 58893    0   0   0   0   0   0   0   0   0   0    0    0    0    0    0    0
## 58894    0   2   2   1   1   1   1   1   0   0    1    1    0    0    1    0
## 58895    0   3   3   0   2   2   2   2   0   0    1    1    0    1    2    0
## 58896    0   3   3   1   2   3   0   2   0   0    2    2    0    0    0    0
## 58897    0   0   0   0   0   0   0   0   0   0    0    0    0    0    1    0
## 58898    0   3   2   0   1   2   1   1   0   0    1    0    0    0    1    0
##       EM2v EM3v EM4v EM5v EM6v EM7v ED1v ED2v ED3v ED4v ED5v ED6v ED7v C1v C2v
## 58893    0    0    0    0    0    0    0    0    0    0    0    0    0   0   0
## 58894    0    0    0    0    0    2    2    1    0    1    0    0    0   0   0
## 58895    0    0    0    0    0    0    2    2    1    1    0    0    0   0   0
## 58896    0    0    0    0    0    0    3    2    1    1    0    0    0   0   0
## 58897    0    0    1    0    0    0    0    0    0    0    0    0    0   1   0
## 58898    0    0    0    0    0    0    3    1    1    1    0    0    0   0   0
##       C3v C4v C5v C6v C7v C8v C9v C10v C11v S1v S2v S3v S4v S6v S5v S7v S8v S9v
## 58893   0   0   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0
## 58894   0   0   1   0   0   0   0    0    0   0   0   1   0   0   1   0   0   0
## 58895   0   0   0   0   0   0   0    0    0   0   1   0   0   1   0   0   0   0
## 58896   1   0   0   0   0   0   0    0    0   0   0   0   0   0   0   0   0   0
## 58897   0   0   0   0   1   0   0    0    0   0   1   0   0   0   0   0   0   0
## 58898   0   0   0   0   0   0   0    0    0   0   2   0   0   0   0   0   0   0
##       S10v S11v B1i B2i B3i B4i B5i B6i B7i B8i B9i B10i B11i B12i B13i B14i
## 58893    0    0   1   1   1   1   1   1   1   1   1    1    1    1    1    1
## 58894    0    0   0   0   0   0   0   0   0   0   0    0    0    0    0    0
## 58895    0    0   0   0   0   0   0   0   0   0   0    0    0    0    0    0
## 58896    0    0   0   0   0   0   0   0   0   0   0    0    0    0    0    0
## 58897    0    0   0   0   0   0   0   0   0   0   0    0    0    0    0    0
## 58898    0    0   0   0   0   0   0   0   0   0   0    0    0    0    0    0
##       EM1i EM2i EM3i EM4i EM5i EM6i EM7i ED1i ED2i ED3i ED4i ED5i ED6i ED7i C1i
## 58893    1    1    1    1    1    1    1    1    1    1    1    1    1    1   1
## 58894    0    0    0    0    0    0    0    0    0    0    0    0    0    0   0
## 58895    0    0    0    0    0    0    0    0    0    0    0    0    0    0   0
## 58896    0    0    0    0    0    0    0    0    0    0    0    0    0    0   0
## 58897    0    0    0    0    0    0    0    0    0    0    0    0    0    0   0
## 58898    0    0    0    0    0    0    0    0    0    0    0    0    0    0   0
##       C2i C3i C4i C5i C6i C7i C8i C9i C10i C11i S1i S2i S3i S4i S6i S5i S7i S8i
## 58893   1   1   1   1   1   1   1   1    1    1   1   1   1   1   1   1   1   1
## 58894   0   0   0   0   1   0   0   0    0    0   0   0   0   0   0   0   0   1
## 58895   0   0   0   0   1   0   0   0    0    0   0   0   0   0   0   0   0   1
## 58896   0   0   0   0   1   0   0   0    0    0   0   0   0   0   0   0   0   1
## 58897   0   0   0   0   1   0   0   0    0    0   0   0   0   0   0   0   0   1
## 58898   0   0   0   0   1   0   0   0    0    0   0   0   0   0   0   0   0   1
##       S9i S10i S11i eminutes pazime
## 58893   1    1    1 7.650000      2
## 58894   1    1    1 9.550000      2
## 58895   1    1    1 8.000000      2
## 58896   1    1    1 8.883333      2
## 58897   1    1    1 6.700000      2
## 58898   1    1    1 5.816667      2

dfvalid$vecums<-(as.Date(dfvalid$send)-as.Date(dfvalid$kbd))/365.42
quantile(dfvalid$vecums, c(0.01,0.99))

## Time differences in days
##       1%      99% 
## 2.911882 7.147939

nrow(dfvalid);dfvalid<-subset(dfvalid,vecums>2.4&vecums<=8.5);nrow(dfvalid)

## [1] 752

## [1] 752

#nrow(dfvalid);dfvalid <- dfvalid[complete.cases(dfvalid[,  names(dfvalid)[29:78]]), ]; nrow(dfvalid)
#head(dfvalid)


for (i in 1:length(B)){
  dfvalid[,B[i]]<-4-dfvalid[,B[i]]
}


for (i in 1:length(ED)){
  dfvalid[,ED[i]]<-4-dfvalid[,ED[i]]
}

for (i in 1:length(EM)){
  dfvalid[,EM[i]]<-4-dfvalid[,EM[i]]
}


for (i in 1:length(C)){
  dfvalid[,C[i]]<-4-dfvalid[,C[i]]
}




edxv<-(dfvalid[,c(B,EM,ED,C,"kid_id","id","group_id","user_id","kgend","gsch","survey_id","vecums","pazime")])

#noņemam gadījumus, kad izstrūkst dati
nrow(edxv);edxv <- edxv[complete.cases(edxv[,  names(edxv)[1:40]]), ]; nrow(edxv)

## [1] 752

## [1] 682

edxv$B <- Reduce(`+`, edxv[B])
edxv$C <- Reduce(`+`, edxv[C])
edxv$EM <-Reduce(`+`, edxv[EM])
edxv$ED <-Reduce(`+`, edxv[ED])


edxv$object_id<-paste(as.character(edxv$survey_id),as.character(edxv$group_id),as.character(edxv$kid_id),sep='')
edxv$evcase_id<-paste(as.character(edxv$survey_id),as.character(edxv$group_id),sep='')
edxv$evaluator_id<-edxv$user_id
edxv$evaluation<-edxv$B

edxv <- edxv %>% arrange(as.numeric(evcase_id))

edxv$BS<-edxv$B/14
edxv$EDS<-edxv$ED/8
edxv$EMS<-edxv$EM/7
edxv$CS<-edxv$C/10


head(edxv)

##   B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 B14 EM1 EM2 EM3 EM4 EM5 EM6 EM7
## 1  2  3  1  1  1  1  1  0  0   1   1   0   0   1   0   0   0   0   0   0   0
## 2  0  0  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   1   0   0   0
## 3  1  1  0  0  0  0  0  0  0   0   0   1   0   1   0   0   0   0   0   0   0
## 4  0  0  0  0  0  0  0  0  0   0   0   0   0   0   0   0   0   0   0   0   0
## 5  0  0  0  0  1  0  0  0  0   0   0   0   0   1   0   0   0   0   0   0   0
## 6  0  1  0  0  0  0  0  0  0   0   0   0   0   1   0   0   0   0   0   0   0
##   ED1 ED2 ED3 ED4 ED5 ED6 ED7 S1 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 kid_id    id
## 1   1   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0   9487 60383
## 2   0   1   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0  16103 60385
## 3   1   1   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0  12620 60386
## 4   0   0   0   0   0   0   0  0  1  0  0  0  0  0  0  0  0   0  12559 60387
## 5   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0  12623 60389
## 6   0   0   0   0   0   0   0  0  0  0  0  0  0  0  0  0  0   0  12625 60392
##   group_id user_id kgend gsch survey_id        vecums pazime  B C EM ED
## 1     1591    1812     2   13       279 3.907832 days      2 13 0  0  1
## 2     1591    1812     1   13       279 3.459033 days      2  0 0  1  1
## 3     1591    1812     1   13       279 3.045810 days      2  4 0  0  2
## 4     1591    1812     2   13       279 3.511028 days      2  0 1  0  0
## 5     1591    1812     2   13       279 3.158010 days      2  2 0  0  0
## 6     1591    1812     2   13       279 2.958240 days      2  2 0  0  0
##      object_id evcase_id evaluator_id evaluation        BS   EDS       EMS  CS
## 1  27915919487   2791591         1812         13 0.9285714 0.125 0.0000000 0.0
## 2 279159116103   2791591         1812          0 0.0000000 0.125 0.1428571 0.0
## 3 279159112620   2791591         1812          4 0.2857143 0.250 0.0000000 0.0
## 4 279159112559   2791591         1812          0 0.0000000 0.000 0.0000000 0.1
## 5 279159112623   2791591         1812          2 0.1428571 0.000 0.0000000 0.0
## 6 279159112625   2791591         1812          2 0.1428571 0.000 0.0000000 0.0

#aprēķinām kopējo rezultātu katram bērnam

edxv$BSI<-NA;edxv$EDSI<-NA;edxv$EMSI<-NA;edxv$CSI<-NA;
for (i in 1: length(unique(edxv$kid_id))){
  temp<-NULL
  temp<-subset(edxv,kid_id==unique(edxv$kid_id)[i],c('BS','EDS','EMS','CS'))
  if (nrow(temp)>1){
    edxv$BSI[edxv$kid_id == unique(edxv$kid_id)[i]] <- mean(temp$BS)
    edxv$EDSI[edxv$kid_id == unique(edxv$kid_id)[i]] <- mean(temp$EDS)
    edxv$EMSI[edxv$kid_id == unique(edxv$kid_id)[i]] <- mean(temp$EMS)
    edxv$CSI[edxv$kid_id == unique(edxv$kid_id)[i]] <- mean(temp$CS)
  }
  
}

#aprēķinām kopējo rezultātu katram bērnam

edxv$BSIcat<-NA;
edxv$EDSIcat<-NA;
edxv$EMSIcat<-NA;
edxv$CSIcat<-NA;

edxv$BSIcat<-ifelse(edxv$vecums<2.5&edxv$BSI<BN90_2,1,ifelse(edxv$vecums<2.5&edxv$BSI<BN98_2&edxv$BSI>=BN90_2,2,ifelse(edxv$vecums<2.5&edxv$BSI>=BN98_2,3,edxv$BSIcat)))
edxv$EDSIcat<-ifelse(edxv$vecums<2.5&edxv$EDSI<EDN90_2,1,ifelse(edxv$vecums<2.5&edxv$EDSI<EDN98_2&edxv$EDSI>=EDN90_2,2,ifelse(edxv$vecums<2.5&edxv$EDSI>=EDN98_2,3,edxv$EDSIcat)))
edxv$EMSIcat<-ifelse(edxv$vecums<2.5&edxv$EMSI<EMN90_2,1,ifelse(edxv$vecums<2.5&edxv$EMSI<EMN98_2&edxv$EMSI>=EMN90_2,2,ifelse(edxv$vecums<2.5&edxv$EMSI>=EMN98_2,3,edxv$EMSIcat)))
edxv$CSIcat<-ifelse(edxv$vecums<2.5&edxv$CSI<CN90_2,1,ifelse(edxv$vecums<2.5&edxv$CSI<CN98_2&edxv$CSI>=CN90_2,2,ifelse(edxv$vecums<2.5&edxv$CSI>=CN98_2,3,edxv$CSIcat)))

 edxv$BSIcat<-ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$BSI<BN90_3,1,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$BSI<BN98_3&edxv$BSI>=BN90_3,2,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$BSI>=BN98_3,3,edxv$BSIcat)))
  edxv$EDSIcat<-ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$EDSI<EDN90_3,1,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$EDSI<EDN98_3&edxv$EDSI>=EDN90_3,2,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$EDSI>=EDN98_3,3,edxv$EDSIcat)))
  edxv$EMSIcat<-ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$EMSI<EMN90_3,1,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$EMSI<EMN98_3&edxv$EMSI>=EMN90_3,2,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$EMSI>=EMN98_3,3,edxv$EMSIcat)))
  edxv$CSIcat<-ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$CSI<CN90_3,1,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$CSI<CN98_3&edxv$CSI>=CN90_3,2,ifelse(edxv$vecums<3.5&edxv$vecums>=2.5&edxv$CSI>=CN98_3,3,edxv$CSIcat)))
  
  edxv$BSIcat<-ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$BSI<BN90_4,1,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$BSI<BN98_4&edxv$BSI>=BN90_4,2,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$BSI>=BN98_4,3,edxv$BSIcat)))
  edxv$EDSIcat<-ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$EDSI<EDN90_4,1,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$EDSI<EDN98_4&edxv$EDSI>=EDN90_4,2,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$EDSI>=EDN98_4,3,edxv$EDSIcat)))
  edxv$EMSIcat<-ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$EMSI<EMN90_4,1,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$EMSI<EMN98_4&edxv$EMSI>=EMN90_4,2,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$EMSI>=EMN98_4,3,edxv$EMSIcat)))
  edxv$CSIcat<-ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$CSI<CN90_4,1,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$CSI<CN98_4&edxv$CSI>=CN90_4,2,ifelse(edxv$vecums<4.5&edxv$vecums>=3.5&edxv$CSI>=CN98_4,3,edxv$CSIcat)))
  
  edxv$BSIcat<-ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$BSI<BN90_5,1,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$BSI<BN98_5&edxv$BSI>=BN90_5,2,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$BSI>=BN98_5,3,edxv$BSIcat)))
  edxv$EDSIcat<-ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$EDSI<EDN90_5,1,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$EDSI<EDN98_5&edxv$EDSI>=EDN90_5,2,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$EDSI>=EDN98_5,3,edxv$EDSIcat)))
  edxv$EMSIcat<-ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$EMSI<EMN90_5,1,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$EMSI<EMN98_5&edxv$EMSI>=EMN90_5,2,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$EMSI>=EMN98_5,3,edxv$EMSIcat)))
  edxv$CSIcat<-ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$CSI<CN90_5,1,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$CSI<CN98_5&edxv$CSI>=CN90_5,2,ifelse(edxv$vecums<5.5&edxv$vecums>=4.5&edxv$CSI>=CN98_5,3,edxv$CSIcat)))
  
  
   edxv$BSIcat<-ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$BSI<BN90_6,1,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$BSI<BN98_6&edxv$BSI>=BN90_6,2,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$BSI>=BN98_6,3,edxv$BSIcat)))
  edxv$EDSIcat<-ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$EDSI<EDN90_6,1,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$EDSI<EDN98_6&edxv$EDSI>=EDN90_6,2,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$EDSI>=EDN98_6,3,edxv$EDSIcat)))
  edxv$EMSIcat<-ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$EMSI<EMN90_6,1,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$EMSI<EMN98_6&edxv$EMSI>=EMN90_6,2,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$EMSI>=EMN98_6,3,edxv$EMSIcat)))
  edxv$CSIcat<-ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$CSI<CN90_6,1,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$CSI<CN98_6&edxv$CSI>=CN90_6,2,ifelse(edxv$vecums<6.5&edxv$vecums>=5.5&edxv$CSI>=CN98_6,3,edxv$CSIcat)))
  
   edxv$BSIcat<-ifelse(edxv$vecums>=6.5&edxv$BSI<BN90_7,1,ifelse(edxv$vecums>=6.5&edxv$BSI<BN98_7&edxv$BSI>=BN90_7,2,ifelse(edxv$vecums>=6.5&edxv$BSI>=BN98_7,3,edxv$BSIcat)))
  edxv$EDSIcat<-ifelse(edxv$vecums>=6.5&edxv$EDSI<EDN90_7,1,ifelse(edxv$vecums>=6.5&edxv$EDSI<EDN98_7&edxv$EDSI>=EDN90_7,2,ifelse(edxv$vecums>=6.5&edxv$EDSI>=EDN98_7,3,edxv$EDSIcat)))
  edxv$EMSIcat<-ifelse(edxv$vecums>=6.5&edxv$EMSI<EMN90_7,1,ifelse(edxv$vecums>=6.5&edxv$EMSI<EMN98_7&edxv$EMSI>=EMN90_7,2,ifelse(edxv$vecums>=6.5&edxv$EMSI>=EMN98_7,3,edxv$EMSIcat)))
  edxv$CSIcat<-ifelse(edxv$vecums>=6.5&edxv$CSI<CN90_7,1,ifelse(edxv$vecums>=6.5&edxv$CSI<CN98_7&edxv$CSI>=CN90_7,2,ifelse(edxv$vecums>=6.5&edxv$CSI>=CN98_7,3,edxv$CSIcat)))
  
  
  
# aprēķinām gala kategoriju.
edxv$KidCat <- apply(edxv[, c("BSIcat", "EDSIcat", "EMSIcat", "CSIcat")], 1, function(row) {
  # Izņem NA vērtības
  row <- row[!is.na(row)]
  if (length(row) == 0) {
    return(NA)
  }
  max_val <- max(row)
  return(max_val)
})

table(edxv$KidCat)

## 
##   1   2   3 
## 438 128  48

table(edxv$KidCat)/sum(table(edxv$KidCat))

## 
##         1         2         3 
## 0.7133550 0.2084691 0.0781759

#kategorijas korelācija ar vecumu:
cor.test(edxv$KidCat,as.numeric(edxv$vecums), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edxv$KidCat and as.numeric(edxv$vecums)
## t = -1.3399, df = 612, p-value = 0.1808
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.13264304  0.02514873
## sample estimates:
##         cor 
## -0.05408479

# kopējā kategorija
cor.test(edxv$KidCat,as.numeric(edxv$pazime), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edxv$KidCat and as.numeric(edxv$pazime)
## t = -7.6849, df = 612, p-value = 6.115e-14
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.3671683 -0.2227643
## sample estimates:
##        cor 
## -0.2966611

#atsevišķas kategorijas:
cor.test(edxv$BSIcat,as.numeric(edxv$pazime), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edxv$BSIcat and as.numeric(edxv$pazime)
## t = -4.2004, df = 612, p-value = 3.061e-05
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.24329733 -0.08945287
## sample estimates:
##       cor 
## -0.167394

cor.test(edxv$EMSIcat,as.numeric(edxv$pazime), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edxv$EMSIcat and as.numeric(edxv$pazime)
## t = -8.9284, df = 612, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.4076529 -0.2675377
## sample estimates:
##        cor 
## -0.3394772

cor.test(edxv$CSIcat,as.numeric(edxv$pazime), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edxv$CSIcat and as.numeric(edxv$pazime)
## t = -4.3663, df = 612, p-value = 1.484e-05
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.2495058 -0.0960058
## sample estimates:
##        cor 
## -0.1738113

cor.test(edxv$EDSIcat,as.numeric(edxv$pazime), use = "na.or.complete")

## 
##  Pearson's product-moment correlation
## 
## data:  edxv$EDSIcat and as.numeric(edxv$pazime)
## t = -6.4367, df = 612, p-value = 2.467e-10
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.3244663 -0.1761898
## sample estimates:
##        cor 
## -0.2518052

Pielikumi

Sākotnējais skalu un pantu saturs

b1<-"Bērns ir pārmērīgi kustīgs un aktīvs"; bh1<-"Piemēram, nevar nosēdēt brīžos, kad jāpilda kāds uzdevums un nepieciešama koncentrēšanās."  
b2<-"Bērns neievēro noteikumus";b2h<-""
b3<-"Bērns cenšas pievērst sev daudz uzmanības";b3h<-""
b4<-"Bērns zaudē savaldīšanos";b4h<-""
b5<-"Bērns kaujās, kniebj, kož, sit u.tml. aizskar citus bērnus";b5h<-""
b6<-"Bērns ķircina, provocē citus bērnus";b6h<-""
b7<-"Bērnam dara pāri vienaudži";b7h<-""
b8<-"Bērns lamājas rupjiem vārdiem";b8h<-""
b9<-"Bērns draud citiem";b9h<-""
b10<-"Bērns nedalās ar citiem";b10h<-""
b11<-"Bērns izved no pacietības, nokaitina";b11h<-""
b12<-"Bērns ātri apvainojas";b12h<-""
b13<-"Bērns ir dusmīgs";b13h<-""
b14<-"Bērns sūdzas par citiem bērniem";b14h<-""


em1<-"Bērns ir nedrošs, bailīgs un nepārliecināts";em1h<-""
em2<-"Bērnam ir bailes no konkrētām vietām vai situācijām";em2h<-""
em3<-"Bērns ir raudulīgs";em3h<-""
em4<-"No rītiem bērns nelaiž prom vecākus, nevēlas palikt bērnu dārzā";em4h<-""
em5<-"Bērns uzmācīgi turas pieaugušo tuvumā";em5h<-""
em6<-"Bērns satraucas bez iemesla";em6h<-""
em7<-"Satraukuma brīžos pastiprināti reaģē: bērns nekontrolēti sūkā īkšķi, šūpo ķermeni, rausta acis (tiki) vai valodu  u.c.";em7h<-""

ed1<-"Nodarbību laikā bērns pievēršas dažādām blakus lietām";ed1h<-""
ed2<-"Bērna darbi ir nekārtīgi";ed2h<-""
ed3<-"Bērns slikti saprot paskaidrojumus";ed3h<-""
ed4<-"Bērnam ir grūti pabeigt iesākto";ed4h<-""
ed5<-"Bērns atsakās piedalīties nodarbībās";ed5h<-""
ed6<-"Bērnu grūti ieinteresēt";ed6h<-""
ed7<-"Bērns nespēj sevi nodarbināt";ed7h<-""


c1<-"Bērns ir kluss un nerunīgs";c1h<-""
c2<-"Bērnam ir grūti sarunāties ar pieaugušajiem";c2h<-""
c3<-"Bērnam ir grūti sarunāties ar citiem bērniem";c3h<-""
c4<-"Bērns nespēlējas ar vienaudžiem";c4h<-""
c5<-"Bērns problēmu situācijās nelūdz palīdzību pieaugušajiem";c5h<-""
c6<-"Bērns nelūdz palīdzību no citiem bērniem";c6h<-""
c7<-"Bērns daudz laiku pavada vienatnē";c7h<-""
c8<-"Bērns neveido acu kontaktu";c8h<-""
c9<-"Bērns izvairās no fiziska kontakta";c9h<-""
c10<-"Bērns ir noslēgts, 'neredzams'";c10h<-""
c11<-"Bērnu nekas neiepriecina";c11h<-""


s1<-"Bērns ātri nogurst";s1h<-""
s2<-"Bērns atsakās ēst to, kas ir pasniegts";s2h<-""
s3<-"Bērns piečurā bikses nomodā";s3h<-""
s4<-"Bērns piečurā gultu miegā";s4h<-""
s5<-"Bērns piekakā bikses nomodā";s5h<-""
s6<-"Bērns slikti guļ bērnudārzā";s6h<-""
s7<-"Bērns bieži saslimst";s7h<-""
s8<-"Bērns sūdzas par vēdera, galvas vai citām sāpēm";s8h<-""
s9<-"Bērns raudot apčurājas vai vemj";s9h<-""
s10<-"Bērnam neskaidras izcelsmes izsitumi uz ķermeņa, sejas, rokām, kājām utt";s10h<-""
s11<-"Bērns apmeklē bērnudārzu";s11h<-""

Praktiskās rekomendācijas

Rast risinājumu, kā sistemātiski saglabāt informāciju par bērnu gadījumiem, kad piesaistīts speciālists un informāciju par speciālista slēdzienu. Šāda informācija ir ārkārtīgi svarīga instrumenta tālākajā attīstībā, uzlabojot tā efektivitāti. Tas dos iespēju kalibrēt robežvērtības, pie kurām tiek identificēti bērni, lai piesaistītu speciālistu.
Rekomendēju atbilžu variantiem lietot vērtības no 0 līdz 3, tas atvieglos nākotnē veikt pētījumus, lai nevajadzētu neko transformēt.
Skalu rezultātu rekomendēju aprēķināt kā aritmētisko vidējo, tādējādi nodrošinot normu vienkāršāku salīdzinājumu starp skalām. Respektīvi, visiem atbilžu variantiem uzreiz tiek piešķirta vērtība (no 0 līdz 3), bet skalas formula aprēķina pēc konfigurācijas – pie skalas x piesieti 4 jautājumi, tad summētais rezultāts tiek dalīts ar 4.