1. Load Required Packages

library(tidyverse)    # For data manipulation and plotting
library(readr)        # For robust CSV import
library(lmerTest)     # Mixed models with p-values (for hypothesis tests)
library(broom.mixed)  # Tidy output for mixed models
library(MuMIn)        # Model R2 for mixed models

# Load data (adjust the file path as needed)
data <- read_csv("Result HIS CALKK.xlsx - Shorten Data.csv")

# Identify predictors (P.), responses (R.), and id/demographic columns
predictor_cols <- grep("^P\\.", names(data), value = TRUE)
response_cols  <- grep("^R\\.", names(data), value = TRUE)
id_cols <- c("PUMKvsNonPUMK", "Desa", "Lokasi", "Nama", "Usia", "Jenis kelamin", "Status keluarga", "Lama tinggal")

# Quick check of data structure
head(data)

## # A tibble: 6 × 92
##   PUMKvsNonPUMK Desa   Lokasi      Nama   Usia `Jenis kelamin` `Status keluarga`
##   <chr>         <chr>  <chr>       <chr> <dbl> <chr>           <chr>            
## 1 Tidak         Padang Benteng Ja… Mani     31 Laki-laki       Kepala Keluarga  
## 2 Tidak         Padang Tanjung Ru  Rusd…    44 Perempuan       Istri            
## 3 Ya            Padang Tanjung Ru  Susm…    40 Perempuan       Istri            
## 4 Ya            Padang Tanjung Ru  M. R…    27 Laki-laki       Kepala Keluarga  
## 5 Ya            Padang Tanjung Ru  Agus…    24 Perempuan       Istri            
## 6 Ya            Padang Sungai Abon Sarf…    31 Perempuan       Istri            
## # ℹ 85 more variables: `Lama tinggal` <dbl>,
## #   `P.Saya merasa memiliki kendali atas hidup saya dan masa depan saya` <dbl>,
## #   `P. Saya merasa memiliki kendali atas masa depan Desa` <dbl>,
## #   `P. Semua lapisan masyarakat memiliki kendali atas masa depan Desa` <dbl>,
## #   `P. Adat istiadat dan tradisi memiliki peran penting dalam kehidupan sehari-hari di desa saya` <dbl>,
## #   `P. Masyarakat di desa saya memiliki kekompakan yang tinggi: kami sering bekerja sama untuk mencapai tujuan bersama` <dbl>,
## #   `P. Sebagian besar masyarakat di desa saya dapat dipercaya` <dbl>, …

# Select only P. and R. columns for summary
desc_vars <- data %>% select(starts_with("P."), starts_with("R."))

desc_summary <- desc_vars %>%
  pivot_longer(everything(), names_to = "variable", values_to = "value") %>%
  group_by(variable) %>%
  summarise(
    n        = sum(!is.na(value)),
    n_missing = sum(is.na(value)),
    mean     = mean(value, na.rm = TRUE),
    sd       = sd(value, na.rm = TRUE),
    min      = min(value, na.rm = TRUE),
    max      = max(value, na.rm = TRUE)
  ) %>%
  arrange(variable)

# Print summary as a table
knitr::kable(desc_summary, digits = 2, caption = "Summary statistics for all P. and R. variables")

Summary statistics for all P. and R. variables
variable	n	mean	sd	min	max
P. Adat istiadat dan tradisi memiliki peran penting dalam kehidupan sehari-hari di desa saya	108	4.40	0.65	2	5
P. Berdasarkan Penghasilan Keluarga dan Sumber Daya Keuangan, saya merasa tercukupi untuk memenuhi kebutuhan dalam 1 Tahun	108	3.66	1.17	1	5
P. Dalam 1 tahun terakhir, kondisi kesehatan saya baik	108	4.08	1.18	1	5
P. Dalam 1 tahun terakhir, saya sering menerima layanan kesehatan	108	3.93	1.35	1	5
P. Kondisi perekonomian keluarga saya saat ini dapat memenuhi kebutuhan sehari-hari dan juga kebutuhan lain	108	4.09	1.01	1	5
P. Masyarakat di desa saya MENGETAHUI peraturan tentang lingkungan	108	3.90	0.91	2	5
P. Masyarakat di desa saya memiliki kekompakan yang tinggi: kami sering bekerja sama untuk mencapai tujuan bersama	108	4.28	0.88	1	5
P. Masyarakat memiliki hak penuh untuk mengelola sumber daya alam di wilayah desa	108	4.23	0.85	2	5
P. Masyarakat mengetahui cara untuk mengelola sumber daya alam secara efektif	108	3.80	1.07	1	5
P. Para Pemimpin/Ketua dapat dipercaya untuk membuat keputusan yang menguntungkan masyarakat	108	3.73	1.11	1	5
P. Saya memiliki kemampuan dan kapasitas untuk beradaptasi terhadap perubahan iklim	108	3.69	1.15	1	5
P. Saya mengetahui adanya kawasan Cagar Alam Laut di wilayah saya	108	3.81	1.32	1	5
P. Saya merasa bertanggung jawab untuk menjaga sumber daya laut	108	4.15	0.95	1	5
P. Saya merasa memiliki kendali atas masa depan Desa	108	3.14	1.20	1	5
P. Saya telah berpartisipasi dalam membuat keputusan atau perencanaan tentang pengelolaan sumber daya dalam satu tahun terakhir	108	3.06	1.37	1	5
P. Sebagian besar masyarakat di desa saya dapat dipercaya	108	3.80	1.05	1	5
P. Semua lapisan masyarakat memiliki kendali atas masa depan Desa	108	3.81	1.06	1	5
P.Saya merasa memiliki kendali atas hidup saya dan masa depan saya	108	4.17	0.87	1	5
R. Dalam 3 tahun terakhir, hasil panen (tidak hanya padi) saya	108	0.33	0.72	0	3
R. Dalam 3 tahun terakhir, hasil tangkapan ikan saya	108	1.21	0.75	0	3
R. Dalam 3 tahun terakhir, kondisi perekonomian keluarga	108	1.56	0.74	0	3
R. Dalam 3 tahun terakhir, tingkat keadilan sosial di desa naik (Catatan: maksud dari keadilan sosial adalah adanya kesempatan yang sama untuk kehidupan yang lebih baik.)	108	3.73	1.15	1	5
R. Kondisi Lingkungan di sekitar tempat tinggal saya	108	1.94	0.74	0	3
R. Kondisi lingkungan dan sumber daya alam tidak penting untuk kesejahteraan masyarakat	108	2.06	1.39	1	5
R. Lingkungan dan sumber daya alam pada saat ini dalam kondisi yang tidak baik	108	3.23	1.36	1	5
R. Masyarakat di desa saya MEMATUHI peraturan tentang lingkungan	108	3.58	1.05	1	5
R. Masyarakat mampu untuk mengelola sumber daya alam secara efektif	108	3.80	1.06	1	5
R. Saya khawatir saya akan kehilangan lahan pertanian dalam 10 tahun mendatang	108	3.17	0.74	1	5
R. Saya mendukung adanya zona perlindungan di laut meskipun membatasi wilayah tangkapan saya	108	3.52	1.39	1	5
R. Saya mengetahui bahwa penangkapan ikan yang berlebihan dapat merusak keseimbangan ekosistem laut	108	3.98	1.15	1	5
R. Saya tidak yakin bahwa kondisi lingkungan dan sumber daya alam akan lebih baik di masa depan	108	2.74	1.34	1	5
R. Saya yakin bahwa anak-anak saya akan memiliki kehidupan yang lebih baik dari saya	108	4.40	0.80	2	5
R. Saya yakin bahwa saya bisa mendapatkan makanan yang cukup untuk saya dan keluarga saya selama 1 tahun ke depan	108	4.10	0.91	1	5
R. Tanah di lingkungan desa berkualitas tidak baik	108	2.79	1.38	1	5

Summary of Descriptive Findings

English: The summary statistics of the HIS Karimata survey responses show that most respondents report generally positive perceptions and experiences across social, economic, and environmental indicators. Most variables related to community trust, social capital, agency, and optimism have means above 3.5 out of 5, suggesting high perceived cohesion and confidence among community members. Economic variables, such as family sufficiency and food security, also show relatively high averages, indicating that basic needs are largely being met for most participants. However, certain response variables (e.g., perceived recent changes in harvests or economic conditions) have lower averages, reflecting possible challenges or recent negative trends in livelihoods. Overall, the dataset offers a comprehensive baseline of social and environmental well-being in the surveyed villages, providing a solid foundation for hypothesis testing and program evaluation.

Bahasa Indonesia: Statistik deskriptif dari survei HIS Karimata menunjukkan bahwa sebagian besar responden melaporkan persepsi dan pengalaman yang umumnya positif pada indikator sosial, ekonomi, dan lingkungan. Sebagian besar variabel terkait kepercayaan komunitas, modal sosial, agensi, dan optimisme memiliki rata-rata di atas 3,5 dari 5, yang menandakan tingkat kohesi dan kepercayaan diri yang tinggi di antara anggota masyarakat. Variabel ekonomi, seperti kecukupan keluarga dan ketahanan pangan, juga menunjukkan rata-rata yang relatif tinggi, mengindikasikan bahwa kebutuhan dasar sebagian besar peserta telah terpenuhi. Namun, beberapa variabel respons (misalnya, perubahan hasil panen atau kondisi ekonomi akhir-akhir ini) memiliki rata-rata yang lebih rendah, mencerminkan adanya tantangan atau tren negatif yang dialami belakangan ini. Secara keseluruhan, data ini memberikan gambaran awal yang komprehensif tentang kesejahteraan sosial dan lingkungan di desa-desa yang disurvei, serta menjadi dasar yang kuat untuk pengujian hipotesis dan evaluasi program.

Hypotheses

English: Based on the Karimata HIS theory of change, we pre-registered 17 hypotheses before analyzing the data. Each hypothesis proposes a relationship between a specific social predictor (e.g., community trust, knowledge, agency, or rights) and a relevant outcome, often related to social justice, optimism, or environmental quality. The variables used are based on survey questions starting with “P.” (predictor) or “R.” (response). By clearly specifying these hypotheses, we avoid data mining and ensure our tests are grounded in prior theory and program logic.

Bahasa Indonesia: Berdasarkan teori perubahan HIS Karimata, kami telah menyusun 17 hipotesis sebelum analisis data dilakukan. Setiap hipotesis mengusulkan adanya hubungan antara prediktor sosial tertentu (misal: kepercayaan komunitas, pengetahuan, agensi, atau hak) dengan outcome yang relevan, seperti keadilan sosial, optimisme, atau kualitas lingkungan. Variabel yang digunakan diambil dari pertanyaan survei yang diawali dengan “P.” (prediktor) atau “R.” (respon). Dengan merumuskan hipotesis secara jelas, kami menghindari bias eksplorasi data dan memastikan pengujian didasarkan pada teori dan logika program yang sudah ada.

# Define all 17 hypotheses as a list of predictor/response variable pairs
all_hypotheses <- list(
  H1 = list(
    predictor = "P. Masyarakat di desa saya memiliki kekompakan yang tinggi: kami sering bekerja sama untuk mencapai tujuan bersama",
    response = "R. Dalam 3 tahun terakhir, tingkat keadilan sosial di desa naik (Catatan: maksud dari keadilan sosial adalah adanya kesempatan yang sama untuk kehidupan yang lebih baik.)"
  ),
  H2 = list(
    predictor = "P.Saya merasa memiliki kendali atas hidup saya dan masa depan saya",
    response = "R. Saya yakin bahwa anak-anak saya akan memiliki kehidupan yang lebih baik dari saya"
  ),
  H3 = list(
    predictor = "P. Para Pemimpin/Ketua dapat dipercaya untuk membuat keputusan yang menguntungkan masyarakat",
    response = "R. Masyarakat di desa saya MEMATUHI peraturan tentang lingkungan"
  ),
  H4 = list(
    predictor = "P. Saya mengetahui adanya kawasan Cagar Alam Laut di wilayah saya",
    response = "R. Saya mendukung adanya zona perlindungan di laut meskipun membatasi wilayah tangkapan saya"
  ),
  H5 = list(
    predictor = "P. Masyarakat memiliki hak penuh untuk mengelola sumber daya alam di wilayah desa",
    response = "R. Kondisi Lingkungan di sekitar tempat tinggal saya"
  ),
  H6 = list(
    predictor = "P. Adat istiadat dan tradisi memiliki peran penting dalam kehidupan sehari-hari di desa saya",
    response = "R. Masyarakat mampu untuk mengelola sumber daya alam secara efektif"
  ),
  H7 = list(
    predictor = "P. Masyarakat di desa saya MENGETAHUI peraturan tentang lingkungan",
    response = "R. Saya khawatir saya akan kehilangan lahan pertanian dalam 10 tahun mendatang"
  ),
  H8 = list(
    predictor = "P. Saya memiliki kemampuan dan kapasitas untuk beradaptasi terhadap perubahan iklim",
    response = "R. Saya yakin bahwa saya bisa mendapatkan makanan yang cukup untuk saya dan keluarga saya selama 1 tahun ke depan"
  ),
  H9 = list(
    predictor = "P. Dalam 1 tahun terakhir, saya sering menerima layanan kesehatan",
    response = "R. Dalam 3 tahun terakhir, kondisi perekonomian keluarga"
  ),
  H10 = list(
    predictor = "P. Semua lapisan masyarakat memiliki kendali atas masa depan Desa",
    response = "R. Saya tidak yakin bahwa kondisi lingkungan dan sumber daya alam akan lebih baik di masa depan"
  ),
  H11 = list(
    predictor = "P. Sebagian besar masyarakat di desa saya dapat dipercaya",
    response = "R. Saya yakin bahwa saya bisa mendapatkan makanan yang cukup untuk saya dan keluarga saya selama 1 tahun ke depan"
  ),
  H12 = list(
    predictor = "P. Saya telah berpartisipasi dalam membuat keputusan atau perencanaan tentang pengelolaan sumber daya dalam satu tahun terakhir",
    response = "R. Saya tidak yakin bahwa kondisi lingkungan dan sumber daya alam akan lebih baik di masa depan"
  ),
  H13 = list(
    predictor = "P. Masyarakat mengetahui cara untuk mengelola sumber daya alam secara efektif",
    response = "R. Kondisi Lingkungan di sekitar tempat tinggal saya"
  ),
  H14 = list(
    predictor = "P. Saya merasa bertanggung jawab untuk menjaga sumber daya laut",
    response = "R. Saya mendukung adanya zona perlindungan di laut meskipun membatasi wilayah tangkapan saya"
  ),
  H15 = list(
    predictor = "P. Berdasarkan Penghasilan Keluarga dan Sumber Daya Keuangan, saya merasa tercukupi untuk memenuhi kebutuhan dalam 1 Tahun",
    response = "R. Saya yakin bahwa anak-anak saya akan memiliki kehidupan yang lebih baik dari saya"
  ),
  H16 = list(
    predictor = "P. Kondisi perekonomian keluarga saya saat ini dapat memenuhi kebutuhan sehari-hari dan juga kebutuhan lain",
    response = "R. Kondisi Lingkungan di sekitar tempat tinggal saya"
  ),
  H17 = list(
    predictor = "R. Saya yakin bahwa saya bisa mendapatkan makanan yang cukup untuk saya dan keluarga saya selama 1 tahun ke depan",
    response = "R. Kondisi Lingkungan di sekitar tempat tinggal saya"
  )
)

results_list <- list()

for (h in names(all_hypotheses)) {
  pred <- all_hypotheses[[h]]$predictor
  resp <- all_hypotheses[[h]]$response
  
  # Prepare modeling data, removing NAs
  df_model <- data %>% select(Desa, !!pred, !!resp) %>% drop_na()
  if (n_distinct(df_model[[resp]]) > 1) {
    formula_str <- paste0("`", resp, "` ~ `", pred, "` + (1 | Desa)")
    model <- try(lmerTest::lmer(as.formula(formula_str), data = df_model), silent = TRUE)
    if (!inherits(model, "try-error")) {
      # Model fit diagnostics
      shapiro_p <- tryCatch(shapiro.test(residuals(model))$p.value, error = function(e) NA)
      r2_vals <- tryCatch(MuMIn::r.squaredGLMM(model), error = function(e) c(NA, NA))
      r2_marginal <- r2_vals[1]
      r2_conditional <- r2_vals[2]
      model_aic <- AIC(model)
      tidy_res <- broom.mixed::tidy(model) %>%
        filter(term == paste0("`", pred, "`")) %>%
        mutate(
          hypothesis = h,
          response = resp,
          predictor = pred,
          shapiro_p = shapiro_p,
          r2_marginal = r2_marginal,
          r2_conditional = r2_conditional,
          AIC = model_aic
        )
      results_list[[h]] <- tidy_res
    }
  }
}

results_tbl <- bind_rows(results_list)

# Sort results by p-value and add readable labels
results_sorted <- results_tbl %>%
  arrange(p.value) %>%
  mutate(
    hypothesis_label = case_when(
      hypothesis == "H1" ~ "H1: Social capital → Social justice",
      hypothesis == "H2" ~ "H2: Personal agency → Child optimism",
      hypothesis == "H3" ~ "H3: Trust in leaders → Compliance",
      hypothesis == "H4" ~ "H4: Knows reserve → Supports protection",
      hypothesis == "H5" ~ "H5: Rights to manage → Env. quality",
      hypothesis == "H6" ~ "H6: Tradition → Can manage resources",
      hypothesis == "H7" ~ "H7: Knows rules → Less worry land",
      hypothesis == "H8" ~ "H8: Adapt capacity → Food security",
      hypothesis == "H9" ~ "H9: Health service use → Econ satisfaction",
      hypothesis == "H10" ~ "H10: Collective efficacy → Env optimism",
      hypothesis == "H11" ~ "H11: Trust → Food security",
      hypothesis == "H12" ~ "H12: Particip. decisions → Env. optimism",
      hypothesis == "H13" ~ "H13: Knows management → Env. quality",
      hypothesis == "H14" ~ "H14: Feels resp. sea → Supports protection",
      hypothesis == "H15" ~ "H15: Econ. sufficiency → Child optimism",
      hypothesis == "H16" ~ "H16: Financial security → Env. quality",
      hypothesis == "H17" ~ "H17: Food security conf. → Env. quality"
    )
  ) %>%
  mutate(
    hypo_order = row_number(),
    ci_lower = estimate - 1.96 * std.error,
    ci_upper = estimate + 1.96 * std.error,
    significant = ci_lower > 0 | ci_upper < 0 # TRUE if CI does not include zero
  )

# Split for two plots (first 9, last 8)
results_plot1 <- results_sorted %>% filter(hypo_order <= 9)
results_plot2 <- results_sorted %>% filter(hypo_order > 9)

plot_hypothesis_effects <- function(df, title) {
  ggplot(df, aes(x = reorder(hypothesis_label, p.value), y = estimate, color = significant)) +
    geom_point(size = 3) +
    geom_errorbar(aes(ymin = ci_lower, ymax = ci_upper), width = 0.2) +
    geom_hline(yintercept = 0, linetype = "dashed") +
    coord_flip() +
    labs(
      title = title,
      x = "Hypothesis (ordered by significance)",
      y = "Model Coefficient Estimate (Effect Size)",
      color = "Significant\n(95% CI excludes 0)"
    ) +
    theme_minimal(base_size = 13) +
    theme(
      legend.position = "right",
      legend.key.size = unit(0.7, "lines"),
      legend.text = element_text(size = 10),
      legend.title = element_text(size = 11),
      legend.margin = margin(2, 2, 2, 2)
    )
}

plot1 <- plot_hypothesis_effects(results_plot1, "Most Significant Hypotheses (H1–H9)")
plot2 <- plot_hypothesis_effects(results_plot2, "Remaining Hypotheses (H10–H17)")

print(plot1)

print(plot2)

English: Eight hypotheses showed significant relationships based on their 95% confidence intervals for the effect estimates (the confidence intervals did not cross zero). The most robust effects were:

H15: Higher economic sufficiency is associated with greater optimism for children’s future (estimate = 0.25, 95% CI [0.13, 0.37]).

H14: Feeling responsible for the sea is linked to stronger support for marine protection (estimate = 0.43, 95% CI [0.16, 0.70]).

H1: Greater social capital (community cooperation) is linked to improved social justice in the village (estimate = 0.37, 95% CI [0.13, 0.61]).

H4: Knowledge about the existence of a marine reserve is linked to higher support for protected areas (estimate = 0.29, 95% CI [0.10, 0.48]).

H16: Financial security is positively related to perceived environmental quality (estimate = 0.18, 95% CI [0.05, 0.31]).

H11: Higher trust in the community is linked to greater confidence in food security (estimate = 0.20, 95% CI [0.04, 0.36]).

H17: Greater food security confidence is associated with better environmental quality (estimate = 0.18, 95% CI [0.03, 0.33]).

H3: Trust in village leaders is associated with stronger compliance with environmental rules (estimate = 0.19, 95% CI [0.02, 0.37]).

These results support the theory of change, especially the importance of social capital, trust, economic sufficiency, and environmental responsibility in shaping positive social and environmental outcomes.

Bahasa Indonesia: Delapan hipotesis menunjukkan hubungan signifikan berdasarkan interval kepercayaan 95% untuk estimasi efek (interval kepercayaan tidak melintasi nol). Efek yang paling kuat ditemukan pada:

H15: Kecukupan ekonomi yang lebih tinggi berhubungan dengan optimisme yang lebih besar terhadap masa depan anak-anak (estimasi = 0,25, 95% CI [0,13, 0,37]).

H14: Merasa bertanggung jawab terhadap laut terkait dengan dukungan yang lebih kuat terhadap perlindungan laut (estimasi = 0,43, 95% CI [0,16, 0,70]).

H1: Modal sosial yang lebih tinggi (kerjasama masyarakat) terkait dengan keadilan sosial yang lebih baik di desa (estimasi = 0,37, 95% CI [0,13, 0,61]).

H4: Pengetahuan tentang adanya kawasan konservasi laut terkait dengan dukungan yang lebih tinggi terhadap kawasan perlindungan (estimasi = 0,29, 95% CI [0,10, 0,48]).

H16: Keamanan finansial berhubungan positif dengan kualitas lingkungan yang dirasakan (estimasi = 0,18, 95% CI [0,05, 0,31]).

H11: Kepercayaan yang lebih tinggi pada komunitas terkait dengan keyakinan yang lebih besar dalam ketahanan pangan (estimasi = 0,20, 95% CI [0,04, 0,36]).

H17: Keyakinan terhadap ketahanan pangan yang lebih tinggi terkait dengan kualitas lingkungan yang lebih baik (estimasi = 0,18, 95% CI [0,03, 0,33]).

H3: Kepercayaan pada pemimpin desa berhubungan dengan kepatuhan yang lebih kuat terhadap aturan lingkungan (estimasi = 0,19, 95% CI [0,02, 0,37]).

Hasil ini mendukung teori perubahan yang diajukan, terutama pentingnya modal sosial, kepercayaan, kecukupan ekonomi, dan tanggung jawab lingkungan dalam membentuk hasil sosial dan lingkungan yang positif.

This next analysis just focuses on the issue of ‘compliance’ and what social-economic variables are associated with higher or lower levels of compliance.

# Define response and predictors
response <- "R. Masyarakat di desa saya MEMATUHI peraturan tentang lingkungan"
predictors <- data %>% 
  select(starts_with("P.")) %>% 
  colnames()

# Function to run mixed models
run_model <- function(pred, resp, data) {
  formula <- as.formula(paste0("`", resp, "` ~ `", pred, "` + (1 | Desa)"))
  model <- lmer(formula, data = data, REML = FALSE)
  broom.mixed::tidy(model) %>%
    filter(term == paste0("`", pred, "`")) %>%
    mutate(
      predictor = pred,
      ci_lower = estimate - 1.96 * std.error,
      ci_upper = estimate + 1.96 * std.error,
      significant = ci_lower > 0 | ci_upper < 0
    )
}

# Run models for all predictors and sort by significance
results <- predictors %>%
  map_dfr(~run_model(.x, response, data = data %>% drop_na(Desa, all_of(c(.x, response))))) %>%
  arrange(desc(significant), desc(abs(estimate)))

# Print results clearly
print(results %>% select(predictor, estimate, std.error, ci_lower, ci_upper, significant), n = Inf)

## # A tibble: 18 × 6
##    predictor                    estimate std.error ci_lower ci_upper significant
##    <chr>                           <dbl>     <dbl>    <dbl>    <dbl> <lgl>      
##  1 P. Masyarakat di desa saya …  0.413      0.107   0.203      0.622 TRUE       
##  2 P. Masyarakat di desa saya …  0.357      0.106   0.149      0.566 TRUE       
##  3 P. Masyarakat mengetahui ca…  0.348      0.0886  0.174      0.521 TRUE       
##  4 P. Masyarakat memiliki hak …  0.311      0.116   0.0848     0.538 TRUE       
##  5 P. Saya memiliki kemampuan …  0.239      0.0847  0.0726     0.405 TRUE       
##  6 P. Kondisi perekonomian kel…  0.212      0.0981  0.0201     0.405 TRUE       
##  7 P. Sebagian besar masyaraka…  0.203      0.0945  0.0175     0.388 TRUE       
##  8 P. Para Pemimpin/Ketua dapa…  0.198      0.0893  0.0224     0.373 TRUE       
##  9 P. Saya telah berpartisipas…  0.192      0.0711  0.0522     0.331 TRUE       
## 10 P. Dalam 1 tahun terakhir, …  0.147      0.0735  0.00262    0.291 TRUE       
## 11 P. Adat istiadat dan tradis…  0.220      0.153  -0.0791     0.519 FALSE      
## 12 P. Berdasarkan Penghasilan …  0.134      0.0854 -0.0340     0.301 FALSE      
## 13 P.Saya merasa memiliki kend…  0.132      0.115  -0.0944     0.358 FALSE      
## 14 P. Saya merasa bertanggung …  0.122      0.106  -0.0870     0.330 FALSE      
## 15 P. Saya mengetahui adanya k…  0.103      0.0758 -0.0457     0.251 FALSE      
## 16 P. Semua lapisan masyarakat…  0.0669     0.0951 -0.119      0.253 FALSE      
## 17 P. Saya merasa memiliki ken… -0.0172     0.0839 -0.182      0.147 FALSE      
## 18 P. Dalam 1 tahun terakhir, …  0.00431    0.0858 -0.164      0.173 FALSE

# Add a numeric order column
results <- results %>%
  mutate(order = row_number())

# Split data into three subsets for plotting
n <- nrow(results)
split1 <- results %>% filter(order <= ceiling(n / 3))
split2 <- results %>% filter(order > ceiling(n / 3) & order <= ceiling(2 * n / 3))
split3 <- results %>% filter(order > ceiling(2 * n / 3))

# Function to create plots with wrapped labels
plot_results <- function(df, title) {
  ggplot(df, aes(x = reorder(str_wrap(predictor, 50), estimate), y = estimate, color = significant)) +
    geom_point(size = 3) +
    geom_errorbar(aes(ymin = ci_lower, ymax = ci_upper), width = 0.2) +
    geom_hline(yintercept = 0, linetype = "dashed") +
    coord_flip() +
    labs(
      title = title,
      x = "Predictors",
      y = "Coefficient Estimate (Effect Size)",
      color = "Significant\n(95% CI)"
    ) +
    theme_minimal(base_size = 12)
}

# Plot each subset separately
plot1 <- plot_results(split1, "Predictors of Compliance (1/3)")
plot2 <- plot_results(split2, "Predictors of Compliance (2/3)")
plot3 <- plot_results(split3, "Predictors of Compliance (3/3)")

# Display plots
print(plot1)

print(plot2)

print(plot3)

Summary of Findings: Predictors of Community Compliance with Environmental Rules

English: Ten predictors showed statistically significant relationships with community compliance with environmental regulations. Strongest positive predictors included community cohesion (estimate = 0.41), knowledge of environmental rules (estimate = 0.36), and knowledge of resource management (estimate = 0.35). Other significant predictors were community rights to manage resources (0.31), individual adaptive capacity (0.24), economic conditions of the family (0.21), community trust (0.20), trust in local leadership (0.20), participation in decision-making (0.19), and frequent use of health services (0.15). These findings underscore the critical role of social cohesion, knowledge, and trust as key factors promoting community adherence to environmental regulations.

Bahasa Indonesia: Sepuluh prediktor menunjukkan hubungan yang signifikan secara statistik dengan kepatuhan masyarakat terhadap peraturan lingkungan. Prediktor positif terkuat mencakup kekompakan komunitas (estimasi = 0,41), pengetahuan masyarakat tentang aturan lingkungan (estimasi = 0,36), dan pengetahuan tentang pengelolaan sumber daya (estimasi = 0,35). Prediktor signifikan lainnya termasuk hak masyarakat dalam mengelola sumber daya (0,31), kapasitas adaptasi individu (0,24), kondisi ekonomi keluarga (0,21), kepercayaan antar masyarakat (0,20), kepercayaan pada pemimpin lokal (0,20), partisipasi dalam pengambilan keputusan (0,19), serta penggunaan layanan kesehatan yang sering (0,15). Temuan ini menegaskan pentingnya modal sosial, pengetahuan, dan kepercayaan sebagai faktor utama yang mendorong kepatuhan masyarakat terhadap aturan lingkungan.

Karimata HIS Evaluation

Adam Miller

July 30th

Introduction

1. Load Required Packages