tscs2024

國族認同與赴中工作（投資）態度之探討

H0：假設認同為臺灣人對赴中的態度較低

H1：假設認同為臺灣人對赴中的態度較高或沒差別

Running Code

1.編碼

library(sjlabelled)
library(sjPlot)

Learn more about sjPlot with 'browseVignettes("sjPlot")'.

tscs2024 <- read_spss("tscs231.sav")

Converting atomic to factors. Please wait...

sjPlot::set_theme(theme.font="PingFang TC") 
library(sjmisc)
tscs2024 <- set_na(tscs2024, na=c(90:99, "NA"))
tscs2024$h3 <- rec(tscs2024$h3, rec="1,3=1[統一]; 2,4=2[獨立]; 5,6=3[維持現狀或未決定]; else=NA", as.num = F)
tscs2024$h2 <- rec(tscs2024$h2, rec="1=1[臺灣人]; 2=2[中國人]; 3,4=3[都是]; else=NA", as.num = F)
tscs2024$d7 <- rec(tscs2024$d7, rec="1,2=1[好]; 3,4=2[不好]; 5=3[一半一半];  else=NA", as.num = F)
tscs2024$d10 <- rec(tscs2024$d10, rec="1=1[有]; 2=2[沒有]; else=NA", as.num = F)
tscs2024$d11 <- rec(tscs2024$d11, rec="1,2=1[重要]; 3,4=2[不重要]; else=NA", as.num = F)
tscs2024$h4 <- rec(tscs2024$h4, rec="1,3,4,11=1[泛藍]; 2,5,7,8,12=2[泛綠]; 6=3[白];else=NA", as.num = F)

2.MCA分析

library(dplyr)

Attaching package: 'dplyr'

The following object is masked from 'package:sjlabelled':

    as_label

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

tscs2024mca <- select(tscs2024, 
                      c(h3, h2, d7, d10, d11, h4
                      ))
tscs2024mca<- na.omit(tscs2024mca)

library(FactoMineR)
library(factoextra)

Loading required package: ggplot2

Attaching package: 'ggplot2'

The following object is masked from 'package:sjlabelled':

    as_label

Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

names(tscs2024mca)  

[1] "h3"  "h2"  "d7"  "d10" "d11" "h4" 

res<-MCA(tscs2024mca, ncp=6, graph= F) 

# 最具維度辨識力的變數類別組合
plot(res, axes=c(1, 2), new.plot=TRUE, 
     col.var="red", col.ind="black", col.ind.sup="black",
     col.quali.sup="darkgreen", col.quanti.sup="blue",
     label=c("var"), cex=0.8, 
     selectMod = "cos2 30",  #共52個變數
     invisible=c("ind", "quali.sup"), 
     xlim=c(-1.5,2.5), ylim=c(-1,4), 
     autoLab = "yes",
     # title="Top 30 Critical Elements on the MCA Factor Map") 
     title="") 

3.卡方檢定

tab_xtab(tscs2024$d7,tscs2024$h2, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D7.現在有越來越多的臺灣人到中國大陸投資或工作。請問您認為這對臺灣未來的發展，一般來說好不好？	H2.在我們社會上，有人說自己是「臺灣人」，也有人說自己是「中國人」，也有人說「兩者都是」。請問您認為自己是「臺灣人」、「中國人」，或者「兩者都是」？《若受訪者回答兩者都是，			Total
	臺灣人	中國人	都是
好	173 45.8 % 17.1 %	7 1.9 % 50 %	198 52.4 % 39.7 %	378 100 % 24.8 %
不好	398 82.7 % 39.3 %	3 0.6 % 21.4 %	80 16.6 % 16 %	481 100 % 31.5 %
一半一半	442 66.3 % 43.6 %	4 0.6 % 28.6 %	221 33.1 % 44.3 %	667 100 % 43.7 %
Total	1013 66.4 % 100 %	14 0.9 % 100 %	499 32.7 % 100 %	1526 100 % 100 %
χ2=131.174 · df=4 · Cramer's V=0.207 · Fisher's p=0.000

tab_xtab(tscs2024$d7,tscs2024$h3, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D7.現在有越來越多的臺灣人到中國大陸投資或工作。請問您認為這對臺灣未來的發展，一般來說好不好？	H3.關於臺灣和中國大陸的關係，請問您的看法是什麼？			Total
	統一	獨立	維持現狀或未決定
好	91 23.8 % 52.6 %	77 20.2 % 15.6 %	214 56 % 24.7 %	382 100 % 24.9 %
不好	32 6.7 % 18.5 %	195 40.7 % 39.4 %	252 52.6 % 29.1 %	479 100 % 31.2 %
一半一半	50 7.4 % 28.9 %	223 33.1 % 45.1 %	401 59.5 % 46.3 %	674 100 % 43.9 %
Total	173 11.3 % 100 %	495 32.2 % 100 %	867 56.5 % 100 %	1535 100 % 100 %
χ2=101.694 · df=4 · Cramer's V=0.182 · p=0.000

tab_xtab(tscs2024$d7,tscs2024$h4, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D7.現在有越來越多的臺灣人到中國大陸投資或工作。請問您認為這對臺灣未來的發展，一般來說好不好？	H4.國內的幾個政黨當中，請問您是哪一個政黨的支持者？			Total
	泛藍	泛綠	白
好	126 59.2 % 44.4 %	54 25.4 % 13.6 %	33 15.5 % 30 %	213 100 % 26.9 %
不好	56 21.3 % 19.7 %	189 71.9 % 47.5 %	18 6.8 % 16.4 %	263 100 % 33.2 %
一半一半	102 32.3 % 35.9 %	155 49.1 % 38.9 %	59 18.7 % 53.6 %	316 100 % 39.9 %
Total	284 35.9 % 100 %	398 50.3 % 100 %	110 13.9 % 100 %	792 100 % 100 %
χ2=114.736 · df=4 · Cramer's V=0.269 · p=0.000

tab_xtab(tscs2024$d10,tscs2024$h2, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D10.請問您或您的家人，最近一年內有沒有人在大陸做生意或工作？最近一年內指的是從訪問日起回溯一年。	H2.在我們社會上，有人說自己是「臺灣人」，也有人說自己是「中國人」，也有人說「兩者都是」。請問您認為自己是「臺灣人」、「中國人」，或者「兩者都是」？《若受訪者回答兩者都是，			Total
	臺灣人	中國人	都是
有	97 63 % 9.5 %	2 1.3 % 14.3 %	55 35.7 % 11 %	154 100 % 10 %
沒有	928 67 % 90.5 %	12 0.9 % 85.7 %	446 32.2 % 89 %	1386 100 % 90 %
Total	1025 66.6 % 100 %	14 0.9 % 100 %	501 32.5 % 100 %	1540 100 % 100 %
χ2=1.146 · df=2 · Cramer's V=0.027 · Fisher's p=0.455

tab_xtab(tscs2024$d7,tscs2024$h3, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D7.現在有越來越多的臺灣人到中國大陸投資或工作。請問您認為這對臺灣未來的發展，一般來說好不好？	H3.關於臺灣和中國大陸的關係，請問您的看法是什麼？			Total
	統一	獨立	維持現狀或未決定
好	91 23.8 % 52.6 %	77 20.2 % 15.6 %	214 56 % 24.7 %	382 100 % 24.9 %
不好	32 6.7 % 18.5 %	195 40.7 % 39.4 %	252 52.6 % 29.1 %	479 100 % 31.2 %
一半一半	50 7.4 % 28.9 %	223 33.1 % 45.1 %	401 59.5 % 46.3 %	674 100 % 43.9 %
Total	173 11.3 % 100 %	495 32.2 % 100 %	867 56.5 % 100 %	1535 100 % 100 %
χ2=101.694 · df=4 · Cramer's V=0.182 · p=0.000

tab_xtab(tscs2024$d10,tscs2024$h4, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D10.請問您或您的家人，最近一年內有沒有人在大陸做生意或工作？最近一年內指的是從訪問日起回溯一年。	H4.國內的幾個政黨當中，請問您是哪一個政黨的支持者？			Total
	泛藍	泛綠	白
有	36 46.8 % 12.6 %	28 36.4 % 7 %	13 16.9 % 11.8 %	77 100 % 9.7 %
沒有	249 34.7 % 87.4 %	371 51.7 % 93 %	97 13.5 % 88.2 %	717 100 % 90.3 %
Total	285 35.9 % 100 %	399 50.3 % 100 %	110 13.9 % 100 %	794 100 % 100 %
χ2=6.639 · df=2 · Cramer's V=0.091 · p=0.036

tab_xtab(tscs2024$d11,tscs2024$h2, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D11.請問中國大陸的市場對您或您的家人的工作，重不重要？	H2.在我們社會上，有人說自己是「臺灣人」，也有人說自己是「中國人」，也有人說「兩者都是」。請問您認為自己是「臺灣人」、「中國人」，或者「兩者都是」？《若受訪者回答兩者都是，			Total
	臺灣人	中國人	都是
重要	179 51.9 % 17.6 %	9 2.6 % 64.3 %	157 45.5 % 31.6 %	345 100 % 22.6 %
不重要	837 70.8 % 82.4 %	5 0.4 % 35.7 %	340 28.8 % 68.4 %	1182 100 % 77.4 %
Total	1016 66.5 % 100 %	14 0.9 % 100 %	497 32.5 % 100 %	1527 100 % 100 %
χ2=51.294 · df=2 · Cramer's V=0.183 · Fisher's p=0.000

tab_xtab(tscs2024$d11,tscs2024$h3, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D11.請問中國大陸的市場對您或您的家人的工作，重不重要？	H3.關於臺灣和中國大陸的關係，請問您的看法是什麼？			Total
	統一	獨立	維持現狀或未決定
重要	66 18.9 % 38.4 %	89 25.5 % 17.9 %	194 55.6 % 22.4 %	349 100 % 22.7 %
不重要	106 8.9 % 61.6 %	407 34.3 % 82.1 %	674 56.8 % 77.6 %	1187 100 % 77.3 %
Total	172 11.2 % 100 %	496 32.3 % 100 %	868 56.5 % 100 %	1536 100 % 100 %
χ2=30.510 · df=2 · Cramer's V=0.141 · p=0.000

tab_xtab(tscs2024$d11,tscs2024$h4, 
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE, # 顯示欄百分比
         show.na = FALSE, # 不顯示無效值（預設）
         show.legend = FALSE, # 不顯示圖示（預設）
         show.exp = FALSE,  # 不顯示期望值 （預設）
         show.cell.prc = FALSE,   # 不顯示細格的百分比 （預設）
         tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
         tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)

D11.請問中國大陸的市場對您或您的家人的工作，重不重要？	H4.國內的幾個政黨當中，請問您是哪一個政黨的支持者？			Total
	泛藍	泛綠	白
重要	92 50.5 % 32.4 %	54 29.7 % 13.6 %	36 19.8 % 32.7 %	182 100 % 23 %
不重要	192 31.5 % 67.6 %	343 56.3 % 86.4 %	74 12.2 % 67.3 %	609 100 % 77 %
Total	284 35.9 % 100 %	397 50.2 % 100 %	110 13.9 % 100 %	791 100 % 100 %
χ2=39.818 · df=2 · Cramer's V=0.224 · p=0.000

4.迴歸分析

attach(tscs2024)
library(sjlabelled)

uni <- NA
uni[h3==1]<-1   #統一
uni[h3==2]<-0   #獨立
uni[h3==3]<-0   #維持現狀或未決定

ind <- NA
ind<- ifelse(h3==2,1,0)

nod <- NA
nod<- ifelse(h3==3,1,0)

twn <- NA
twn <- ifelse(h2==1,1,0)

cna <- NA
cna <- ifelse(h2==2,1,0)

both <- NA
both <- ifelse(h2==3,1,0)

bus <- NA
bus[d10==1]<-1   #好
bus[d10==2]<-0   #不好
#tscs2024$bus <- ifelse(d10r==1,1,0)

imp <- NA
imp[d11==1]<-1   #重要
imp[d11==2]<-0   #不重要
#tscs2024$imp <- ifelse(d11r==1,1,0)

blue <- NA
blue <- ifelse(h4==1,1,0)

green <- NA
green <- ifelse(h4==2,1,0)

white<- NA
white <- ifelse(h4==3,1,0)

tscs2024$good <- NA
tscs2024$good[tscs2024$d7==1] <- 1 #好
tscs2024$good[tscs2024$d7==2] <- 2 #不好
tscs2024$good[tscs2024$d7==3] <- 3 #一半一半

tscs2024$good <- factor(tscs2024$good, levels= 3:1, labels= c("好", "不好", "一半一半"
                                              )

                    )
tscs2024$good <- relevel(tscs2024$good, ref="一半一半")
levels(tscs2024$good)

[1] "一半一半" "好"       "不好"    

detach(tscs2024)

mod1 <- glm(bus ~ uni+ ind+twn+ cna  
                     ,
                   family=binomial,
                   data=tscs2024)

summary(mod1)  

Call:
glm(formula = bus ~ uni + ind + twn + cna, family = binomial, 
    data = tscs2024)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.14291    0.16183 -13.242   <2e-16 ***
uni          0.23958    0.26704   0.897    0.370    
ind         -0.05351    0.20458  -0.262    0.794    
twn         -0.10864    0.19860  -0.547    0.584    
cna          0.17919    0.78806   0.227    0.820    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 994.96  on 1530  degrees of freedom
Residual deviance: 992.80  on 1526  degrees of freedom
  (32 observations deleted due to missingness)
AIC: 1002.8

Number of Fisher Scoring iterations: 5

mod3 <- update(mod1, .~. + blue + green) 
summary(mod3)

Call:
glm(formula = bus ~ uni + ind + twn + cna + blue + green, family = binomial, 
    data = tscs2024)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -1.97266    0.35332  -5.583 2.36e-08 ***
uni          0.06985    0.36508   0.191    0.848    
ind          0.05938    0.31465   0.189    0.850    
twn         -0.09284    0.30332  -0.306    0.760    
cna          0.63327    0.84418   0.750    0.453    
blue         0.02557    0.36247   0.071    0.944    
green       -0.56192    0.37552  -1.496    0.135    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 505.20  on 791  degrees of freedom
Residual deviance: 497.67  on 785  degrees of freedom
  (771 observations deleted due to missingness)
AIC: 511.67

Number of Fisher Scoring iterations: 5

tab_model(mod1,mod3,
          show.est = T,
          
          #pred.labels = c("Intercept", "統一", "獨立", "臺灣人",
                                       #"中國人", "泛藍", 
                                       #"泛綠"),
         
          dv.labels = c("mod1", "mod3"),
         
        
        
          show.se = TRUE, # 顯示標準誤
          show.aic = TRUE, # 顯示AIC 
          show.ci = F,
          show.r2 = F, # 顯示 (pseudo) R-square
          
          p.style="stars", # 以星號表示顯著程度。"numeric" 以數值表示顯著程度
          collapse.ci = FALSE,  # 以獨立欄位顯示信賴區間
          
          # 設定小數點的位數
          digits=3, # 所有估計值的小數點位數
          digits.p=3, # p值的小數點位數,
        
    
          
          
          # 線的樣式設計
          CSS=list(css.topborder="border-top:1px solid black;")
         
)

	mod1		mod3
Predictors	Odds Ratios	std. Error	Odds Ratios	std. Error
(Intercept)	0.117 ***	0.019	0.139 ***	0.049
uni	1.271	0.339	1.072	0.391
ind	0.948	0.194	1.061	0.334
twn	0.897	0.178	0.911	0.276
cna	1.196	0.943	1.884	1.590
blue			1.026	0.372
green			0.570	0.214
Observations	1531		792
AIC	1002.797		511.671
* p<0.05   ** p<0.01   *** p<0.001

plot_models(mod1, mod3)

Warning: Could not recover model data from environment. Please make sure your
  data is available in your workspace.
  Trying to retrieve data from the model frame now.
Warning: Could not recover model data from environment. Please make sure your
  data is available in your workspace.
  Trying to retrieve data from the model frame now.

mod2 <- glm(imp ~ uni+ ind+twn+cna,
                    family=binomial,
                    data=tscs2024)
summary(mod2) 

Call:
glm(formula = imp ~ uni + ind + twn + cna, family = binomial, 
    data = tscs2024)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -0.88442    0.11028  -8.020 1.06e-15 ***
uni          0.48924    0.18728   2.612  0.00899 ** 
ind         -0.02122    0.15382  -0.138  0.89027    
twn         -0.66780    0.14202  -4.702 2.57e-06 ***
cna          1.13071    0.57508   1.966  0.04928 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 1627.7  on 1518  degrees of freedom
Residual deviance: 1573.1  on 1514  degrees of freedom
  (44 observations deleted due to missingness)
AIC: 1583.1

Number of Fisher Scoring iterations: 4

mod4 <- update(mod2, .~. + blue+green) 
summary(mod4)

Call:
glm(formula = imp ~ uni + ind + twn + cna + blue + green, family = binomial, 
    data = tscs2024)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  -0.4079     0.2448  -1.666 0.095689 .  
uni           0.5365     0.2581   2.079 0.037628 *  
ind           0.2327     0.2372   0.981 0.326506    
twn          -0.6859     0.2185  -3.139 0.001694 ** 
cna           2.4010     1.0772   2.229 0.025818 *  
blue         -0.3431     0.2592  -1.324 0.185614    
green        -0.9815     0.2697  -3.639 0.000274 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 852.26  on 788  degrees of freedom
Residual deviance: 781.29  on 782  degrees of freedom
  (774 observations deleted due to missingness)
AIC: 795.29

Number of Fisher Scoring iterations: 4

tab_model(mod2,mod4,
          show.est = T,
          
          #pred.labels = c("Intercept", "統一", "獨立", "臺灣人",
                                       #"中國人", "泛藍", 
                                       #"泛綠"),
         
          dv.labels = c("mod2", "mod4"),
         
        
        
          show.se = TRUE, # 顯示標準誤
          show.aic = TRUE, # 顯示AIC 
          show.ci = F,
          show.r2 = F, # 顯示 (pseudo) R-square
          
          p.style="stars", # 以星號表示顯著程度。"numeric" 以數值表示顯著程度
          collapse.ci = FALSE,  # 以獨立欄位顯示信賴區間
          
          # 設定小數點的位數
          digits=3, # 所有估計值的小數點位數
          digits.p=3, # p值的小數點位數,
        
    
          
          
          # 線的樣式設計
          CSS=list(css.topborder="border-top:1px solid black;")
         
)

	mod2		mod4
Predictors	Odds Ratios	std. Error	Odds Ratios	std. Error
(Intercept)	0.413 ***	0.046	0.665	0.163
uni	1.631 **	0.305	1.710 *	0.441
ind	0.979	0.151	1.262	0.299
twn	0.513 ***	0.073	0.504 **	0.110
cna	3.098 *	1.782	11.034 *	11.886
blue			0.710	0.184
green			0.375 ***	0.101
Observations	1519		789
AIC	1583.091		795.287
* p<0.05   ** p<0.01   *** p<0.001

plot_models(mod2, mod4)

Warning: Could not recover model data from environment. Please make sure your
  data is available in your workspace.
  Trying to retrieve data from the model frame now.
Warning: Could not recover model data from environment. Please make sure your
  data is available in your workspace.
  Trying to retrieve data from the model frame now.

library(VGAM)

Warning: package 'VGAM' was built under R version 4.4.1

Loading required package: stats4

Loading required package: splines

modvglm <- vglm(good ~ uni + ind+twn+ cna+blue+green , 
                 family=multinomial, 
                 data=tscs2024)
summary(modvglm)

Call:
vglm(formula = good ~ uni + ind + twn + cna + blue + green, family = multinomial, 
    data = tscs2024)

Coefficients: 
              Estimate Std. Error z value Pr(>|z|)    
(Intercept):1   1.5469     0.3645   4.244 2.20e-05 ***
(Intercept):2   1.8704     0.3421   5.468 4.55e-08 ***
uni:1           0.8600     0.3620   2.376 0.017513 *  
uni:2           0.1104     0.3754   0.294 0.768581    
ind:1           0.1085     0.2601   0.417 0.676454    
ind:2           0.2124     0.1999   1.063 0.287883    
twn:1          -1.5153     0.2770  -5.470 4.49e-08 ***
twn:2          -1.0051     0.2636  -3.814 0.000137 ***
cna:1          -0.1177     1.1214  -0.105 0.916376    
cna:2          -0.5184     1.2571  -0.412 0.680050    
blue:1         -0.3021     0.3579  -0.844 0.398685    
blue:2         -0.7676     0.3306  -2.322 0.020229 *  
green:1        -1.5148     0.3516  -4.308 1.65e-05 ***
green:2        -1.2720     0.3014  -4.220 2.44e-05 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Names of linear predictors: log(mu[,1]/mu[,3]), log(mu[,2]/mu[,3])

Residual deviance: 1545.934 on 1566 degrees of freedom

Log-likelihood: -772.9669 on 1566 degrees of freedom

Number of Fisher scoring iterations: 5 

No Hauck-Donner effect found in any of the estimates


Reference group is level  3  of the response

plot_model(modvglm)