SosPsy1_Auswertung
Sylvia Koselleck
2025-12-23
Dieses Auswertungsskript enthält neben den Berechnungen in R zur Prüfung unserer gemeinsamen Hypothesen auch einige Chunks, die nur für einzelne Mitglieder der Gruppe SozPsy1 (die Banduras) relevant bezüglich der Hausarbeit sind.
# Pakete laden
pacman::p_load(tidyverse
,haven
,psych
,corx
,labelled
,desctable
,sjPlot
,lubridate
,car
,lavaan
,lavaanPlot
,emmeans
,lmerTest
,jtools) # Hier werden die Pakete geladen
# Daten importieren
load("Data/d_incl_scores.Rda")# Beschreibung der Stichprobe
d %>%
select(alter_jahre,
kinder_anza,
bildungssta,
arbeit_umfa,
arbeit_art1,
ethnie_kult,
geschlecht1)## # A tibble: 1,033 × 7
## alter_jahre kinder_anza bildungssta arbeit_umfa arbeit_art1 ethnie_kult
## <dbl> <dbl> <fct> <dbl> <fct> <fct>
## 1 22 2 Ich habe keinen … 0 Derzeit ke… Weiß / Kau…
## 2 37 2 Doktor/PhD 100 Angestelle… Weiß / Kau…
## 3 NA NA <NA> 0 <NA> <NA>
## 4 24 0 Bachelor 0 Student:in Weiß / Kau…
## 5 19 0 Sekundarschule 0 Student:in Weiß / Kau…
## 6 25 0 Bachelor 100 Angestelle… Andere, un…
## 7 22 0 Sekundarschule 100 Angestelle… Weiß / Kau…
## 8 24 0 Sekundarschule 50 Sonstiges,… Weiß / Kau…
## 9 24 0 Bachelor 100 Angestelle… Weiß / Kau…
## 10 19 0 Sekundarschule 15 Sonstiges,… Weiß / Kau…
## # ℹ 1,023 more rows
## # ℹ 1 more variable: geschlecht1 <fct>d %>%
select(alter_jahre,
kinder_anza,
bildungssta,
arbeit_umfa,
arbeit_art1,
ethnie_kult,
geschlecht1) %>%
desc_table() %>%
desc_output(target = "DT")d %>%
select(alter_jahre,
kinder_anza,
bildungssta,
arbeit_umfa,
arbeit_art1,
ethnie_kult,
geschlecht1) %>%
desc_table("N" = length,
"%" = percent,
"Mean" = mean,
"sd" = sd) %>%
desc_output(target = "DT")Da vorangegangene Studien ergaben, dass ein negativer Zusammenhang zwischen Alter und Klimaangst besteht, interessiert uns von den demografischen Angaben besonders die Altersverteilung. Außerdem ist es wünschenswert, bei der Art der Arbeit eine heterogene/repräsentative Stichprobe zu untersuchen (und nicht nur Studierende).
d %>%
ggplot(aes(x = alter_jahre)) +
geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value `binwidth`.## Warning: Removed 14 rows containing non-finite outside the scale range
## (`stat_bin()`).
d %>%
ggplot(aes(x = arbeit_art1)) +
geom_histogram(stat = "count")## Warning in geom_histogram(stat = "count"): Ignoring unknown parameters:
## `binwidth` and `bins`
Ausschlusskriterien: Der Datensatz wurde bereits während des R-Workshops in Hagen bereinigt. Wir überprüfen zusätzlich, ob keines unserer Ausschlusskriterien verletzt wurde:
# wir möchten folgende Teilnehmende von der Auswertung ausschließen:
# Krit1 - Antworttendenzen: bei den Likert-skalierten zu mehr als 90% Antwort "1" gewählt oder nicht geantwortet (NA:= 0)
# Krit2 - bei den für uns relevanten Variablen (Klimaangst, Karriereabsichten, PEB, soziale Normen, Umweltidentität) jeweils keine Antwort gegeben
# Krit3 - Antworten auf "d$norm_injun2" und "d_norm_injun3" ergeben einen logischen Widerspruch
# Krit4 - Bearbeitungszeit unter 5 Minuten/50% der vorgesehenen durchschnittlichen Bearbeitungszeit
# Krit1 - Antworttendenzen
d_Likert <- select(d,klima_eins1:karr_unt_p4, karr_entsc1:klima_verh3)
structure(d_Likert)## # A tibble: 1,033 × 63
## klima_eins1 klima_eins2 klima_eins3 klima_eins4 anx_v_aff_1 anx_v_aff_2
## <dbl+lbl> <dbl+lbl> <dbl+lbl> <dbl+lbl> <dbl+lbl> <dbl+lbl>
## 1 5 [voll zu] 5 [gar nic… 5 [gar ni… 3 [unents… 4 [ab und… 2 [sehr s…
## 2 5 [voll zu] 1 [voll zu] 1 [voll z… 5 [voll z… NA NA
## 3 5 [voll zu] NA NA NA NA NA
## 4 5 [voll zu] 5 [gar nic… 5 [gar ni… 4 [eher z… 6 [sehr o… 6 [sehr o…
## 5 5 [voll zu] 4 [eher ni… 5 [gar ni… 4 [eher z… 3 [selten] 5 [oft]
## 6 1 [gar nicht zu] 1 [voll zu] 1 [voll z… 1 [gar ni… 1 [nie] 1 [nie]
## 7 4 [eher zu] 4 [eher ni… 3 [unents… 2 [eher n… 4 [ab und… 5 [oft]
## 8 4 [eher zu] 3 [unentsc… 4 [eher n… 2 [eher n… 2 [sehr s… 1 [nie]
## 9 4 [eher zu] 2 [eher zu] 4 [eher n… 5 [voll z… 3 [selten] 4 [ab und…
## 10 5 [voll zu] 5 [gar nic… 5 [gar ni… 5 [voll z… 7 [immer] 6 [sehr o…
## # ℹ 1,023 more rows
## # ℹ 57 more variables: anx_v_aff_3 <dbl+lbl>, anx_v_aff_4 <dbl+lbl>,
## # anx_v_cog_1 <dbl+lbl>, anx_v_cog_2 <dbl+lbl>, anx_v_cog_3 <dbl+lbl>,
## # anx_v_cog_4 <dbl+lbl>, anx_v_beh_1 <dbl+lbl>, anx_v_beh_2 <dbl+lbl>,
## # anx_v_beh_3 <dbl+lbl>, anx_v_beh_4 <dbl+lbl>, anx_v_phy_1 <dbl+lbl>,
## # anx_v_phy_2 <dbl+lbl>, anx_v_phy_3 <dbl+lbl>, anx_v_phy_4 <dbl+lbl>,
## # anx_v_bee_1 <dbl+lbl>, anx_v_bee_2 <dbl+lbl>, anx_v_bee_3 <dbl+lbl>, …alpha(d_Likert)## Warning in alpha(d_Likert): Some items were negatively correlated with the first principal component and probably
## should be reversed.
## To do this, run the function again with the 'check.keys=TRUE' option## Some items ( future_tim1 future_tim2 future_tim3 who_wellbe1 who_wellbe2 who_wellbe3 who_wellbe4 ) were negatively correlated with the first principal component and
## probably should be reversed.
## To do this, run the function again with the 'check.keys=TRUE' option##
## Reliability analysis
## Call: alpha(x = d_Likert)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.94 0.94 0.97 0.2 16 0.0025 3.1 0.59 0.2
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.93 0.94 0.95
## Duhachek 0.94 0.94 0.94
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## klima_eins1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## klima_eins2 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## klima_eins3 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## klima_eins4 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## anx_v_aff_1 0.94 0.94 0.97 0.20 15 0.0026 0.037 0.19
## anx_v_aff_2 0.94 0.94 0.97 0.20 15 0.0026 0.037 0.20
## anx_v_aff_3 0.94 0.94 0.97 0.20 16 0.0026 0.037 0.20
## anx_v_aff_4 0.94 0.94 0.97 0.20 15 0.0026 0.037 0.20
## anx_v_cog_1 0.94 0.94 0.97 0.20 15 0.0026 0.038 0.20
## anx_v_cog_2 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## anx_v_cog_3 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## anx_v_cog_4 0.94 0.94 0.97 0.20 15 0.0026 0.038 0.20
## anx_v_beh_1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## anx_v_beh_2 0.94 0.94 0.97 0.20 15 0.0026 0.038 0.19
## anx_v_beh_3 0.94 0.94 0.97 0.20 15 0.0026 0.038 0.20
## anx_v_beh_4 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## anx_v_phy_1 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## anx_v_phy_2 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## anx_v_phy_3 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## anx_v_phy_4 0.94 0.94 0.97 0.20 15 0.0026 0.038 0.20
## anx_v_bee_1 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## anx_v_bee_2 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## anx_v_bee_3 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## anx_v_bee_4 0.94 0.94 0.97 0.20 16 0.0026 0.038 0.20
## umw_ident_1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.21
## umw_ident_2 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## umw_ident_3 0.94 0.94 0.97 0.21 16 0.0025 0.039 0.21
## umw_ident_4 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## future_tim1 0.94 0.94 0.97 0.21 16 0.0024 0.038 0.21
## future_tim2 0.94 0.94 0.97 0.21 17 0.0024 0.037 0.21
## future_tim3 0.94 0.94 0.97 0.21 17 0.0024 0.037 0.21
## norm_injun1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## norm_injun2 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## norm_injun3 0.94 0.94 0.97 0.21 16 0.0025 0.039 0.21
## norm_deskr1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## norm_deskr2 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## selbstw_in1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## selbstw_in2 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## selbstw_ko1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## selbstw_ko2 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## kogn_disso1 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## kogn_disso2 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## kogn_disso3 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_job_p1 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.19
## karr_job_p2 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_job_p3 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_job_p4 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_unt_p1 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.19
## karr_unt_p2 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_unt_p3 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## karr_unt_p4 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_entsc1 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_entsc2 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_entsc3 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## karr_entsc4 0.94 0.94 0.97 0.20 16 0.0025 0.038 0.20
## who_wellbe1 0.94 0.94 0.97 0.21 16 0.0024 0.037 0.21
## who_wellbe2 0.94 0.94 0.97 0.21 17 0.0024 0.037 0.21
## who_wellbe3 0.94 0.94 0.97 0.21 16 0.0024 0.037 0.21
## who_wellbe4 0.94 0.94 0.97 0.21 16 0.0024 0.037 0.21
## who_wellbe5 0.94 0.94 0.97 0.21 16 0.0024 0.038 0.21
## klima_verh1 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
## klima_verh2 0.94 0.94 0.97 0.21 16 0.0025 0.039 0.21
## klima_verh3 0.94 0.94 0.97 0.20 16 0.0025 0.039 0.20
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## klima_eins1 1029 0.438 0.4461 0.437 4.2e-01 4.3 0.92
## klima_eins2 1029 0.404 0.4198 0.407 3.9e-01 3.9 1.02
## klima_eins3 1029 0.482 0.4964 0.489 4.7e-01 4.1 1.16
## klima_eins4 1029 0.459 0.4656 0.452 4.4e-01 4.1 0.99
## anx_v_aff_1 1026 0.730 0.7010 0.704 7.1e-01 4.0 1.62
## anx_v_aff_2 1027 0.729 0.6993 0.703 7.1e-01 3.9 1.59
## anx_v_aff_3 1024 0.677 0.6448 0.645 6.5e-01 3.9 1.71
## anx_v_aff_4 1020 0.731 0.6977 0.702 7.1e-01 3.8 1.68
## anx_v_cog_1 1026 0.681 0.6601 0.658 6.6e-01 2.3 1.42
## anx_v_cog_2 1024 0.665 0.6441 0.640 6.4e-01 3.0 1.48
## anx_v_cog_3 1019 0.671 0.6432 0.642 6.5e-01 2.7 1.47
## anx_v_cog_4 1023 0.696 0.6727 0.671 6.7e-01 3.3 1.56
## anx_v_beh_1 1025 0.411 0.3839 0.367 3.7e-01 2.4 1.59
## anx_v_beh_2 1026 0.705 0.6966 0.694 6.8e-01 3.9 1.56
## anx_v_beh_3 1027 0.688 0.6713 0.667 6.6e-01 2.7 1.51
## anx_v_beh_4 1025 0.651 0.6378 0.631 6.2e-01 2.5 1.36
## anx_v_phy_1 1026 0.607 0.5854 0.580 5.8e-01 2.1 1.40
## anx_v_phy_2 1025 0.630 0.6016 0.599 6.0e-01 2.2 1.48
## anx_v_phy_3 1024 0.635 0.6035 0.601 6.1e-01 2.4 1.61
## anx_v_phy_4 1024 0.692 0.6600 0.659 6.6e-01 3.3 1.75
## anx_v_bee_1 1025 0.595 0.5840 0.579 5.7e-01 1.8 1.11
## anx_v_bee_2 1023 0.560 0.5484 0.543 5.4e-01 1.7 1.09
## anx_v_bee_3 1027 0.443 0.4372 0.428 4.2e-01 1.5 0.99
## anx_v_bee_4 1026 0.636 0.6187 0.614 6.1e-01 2.3 1.35
## umw_ident_1 1027 0.363 0.3667 0.353 3.3e-01 5.4 1.44
## umw_ident_2 1026 0.508 0.5166 0.510 4.8e-01 5.6 1.15
## umw_ident_3 1026 0.263 0.2691 0.253 2.3e-01 6.3 1.13
## umw_ident_4 1028 0.460 0.4605 0.448 4.2e-01 4.4 1.60
## future_tim1 1023 0.070 0.0467 0.022 2.1e-02 4.7 1.68
## future_tim2 1026 -0.003 -0.0216 -0.047 -5.4e-02 2.7 1.61
## future_tim3 1021 -0.100 -0.1003 -0.130 -1.4e-01 2.7 1.51
## norm_injun1 1026 0.455 0.4728 0.460 4.3e-01 2.5 1.01
## norm_injun2 1027 0.437 0.4494 0.438 4.1e-01 3.4 1.16
## norm_injun3 1025 0.162 0.1826 0.160 1.4e-01 4.2 0.95
## norm_deskr1 1025 0.388 0.4080 0.396 3.6e-01 1.9 0.88
## norm_deskr2 1029 0.354 0.3679 0.354 3.2e-01 1.8 0.72
## selbstw_in1 1026 0.439 0.4564 0.452 4.2e-01 3.5 1.03
## selbstw_in2 1028 0.436 0.4520 0.448 4.1e-01 3.4 1.10
## selbstw_ko1 1028 0.426 0.4431 0.436 4.1e-01 4.2 0.91
## selbstw_ko2 1027 0.351 0.3609 0.344 3.3e-01 3.6 1.07
## kogn_disso1 1026 0.521 0.5108 0.510 5.0e-01 2.3 1.06
## kogn_disso2 1025 0.578 0.5689 0.572 5.6e-01 2.3 1.07
## kogn_disso3 1025 0.562 0.5567 0.558 5.4e-01 2.3 1.06
## karr_job_p1 1027 0.594 0.6197 0.620 5.7e-01 2.5 1.13
## karr_job_p2 1026 0.571 0.5935 0.592 5.5e-01 2.1 1.03
## karr_job_p3 1026 0.350 0.3787 0.374 3.2e-01 1.7 1.08
## karr_job_p4 1025 0.554 0.5834 0.585 5.3e-01 2.3 1.07
## karr_unt_p1 1025 0.590 0.6144 0.615 5.7e-01 2.7 1.20
## karr_unt_p2 1023 0.595 0.6217 0.621 5.8e-01 2.2 1.06
## karr_unt_p3 1025 0.339 0.3670 0.361 3.1e-01 1.8 1.09
## karr_unt_p4 1028 0.558 0.5846 0.586 5.3e-01 2.3 1.08
## karr_entsc1 1024 0.556 0.5774 0.573 5.4e-01 1.9 1.03
## karr_entsc2 1023 0.613 0.6341 0.634 5.9e-01 2.1 1.08
## karr_entsc3 1025 0.578 0.6012 0.601 5.6e-01 2.1 1.10
## karr_entsc4 1027 0.591 0.6080 0.606 5.6e-01 2.2 1.12
## who_wellbe1 1025 0.050 0.0505 0.038 1.4e-02 3.9 1.18
## who_wellbe2 1026 -0.012 -0.0093 -0.026 -4.6e-02 3.5 1.28
## who_wellbe3 1026 0.068 0.0698 0.059 2.9e-02 3.5 1.26
## who_wellbe4 1025 0.038 0.0438 0.028 -8.6e-06 3.1 1.40
## who_wellbe5 1027 0.155 0.1578 0.142 1.2e-01 3.9 1.24
## klima_verh1 1028 0.435 0.4521 0.438 4.1e-01 3.6 0.91
## klima_verh2 1027 0.142 0.1667 0.140 1.2e-01 3.4 1.02
## klima_verh3 1027 0.551 0.5551 0.542 5.3e-01 2.3 1.09
##
## Non missing response frequency for each item
## 1 2 3 4 5 6 7 miss
## klima_eins1 0.02 0.04 0.10 0.34 0.50 0.00 0.00 0.00
## klima_eins2 0.02 0.10 0.13 0.45 0.30 0.00 0.00 0.00
## klima_eins3 0.05 0.09 0.09 0.30 0.48 0.00 0.00 0.00
## klima_eins4 0.03 0.06 0.12 0.41 0.39 0.00 0.00 0.00
## anx_v_aff_1 0.10 0.10 0.11 0.30 0.21 0.13 0.06 0.01
## anx_v_aff_2 0.11 0.11 0.12 0.30 0.21 0.11 0.04 0.01
## anx_v_aff_3 0.14 0.11 0.11 0.26 0.21 0.11 0.05 0.01
## anx_v_aff_4 0.12 0.13 0.11 0.29 0.20 0.10 0.06 0.01
## anx_v_cog_1 0.40 0.23 0.15 0.13 0.06 0.03 0.00 0.01
## anx_v_cog_2 0.19 0.21 0.19 0.24 0.12 0.04 0.01 0.01
## anx_v_cog_3 0.28 0.23 0.18 0.18 0.09 0.03 0.01 0.01
## anx_v_cog_4 0.17 0.19 0.16 0.27 0.12 0.08 0.01 0.01
## anx_v_beh_1 0.42 0.19 0.12 0.14 0.09 0.03 0.01 0.01
## anx_v_beh_2 0.11 0.09 0.12 0.29 0.25 0.11 0.03 0.01
## anx_v_beh_3 0.29 0.19 0.18 0.19 0.10 0.03 0.01 0.01
## anx_v_beh_4 0.30 0.24 0.17 0.21 0.06 0.01 0.00 0.01
## anx_v_phy_1 0.50 0.18 0.12 0.12 0.04 0.02 0.00 0.01
## anx_v_phy_2 0.50 0.16 0.13 0.10 0.07 0.02 0.01 0.01
## anx_v_phy_3 0.44 0.17 0.11 0.15 0.07 0.04 0.01 0.01
## anx_v_phy_4 0.22 0.17 0.11 0.24 0.14 0.08 0.03 0.01
## anx_v_bee_1 0.55 0.22 0.12 0.09 0.01 0.01 0.00 0.01
## anx_v_bee_2 0.63 0.17 0.11 0.07 0.02 0.01 0.00 0.01
## anx_v_bee_3 0.72 0.14 0.07 0.05 0.02 0.00 0.00 0.01
## anx_v_bee_4 0.39 0.25 0.15 0.14 0.06 0.01 0.00 0.01
## umw_ident_1 0.02 0.02 0.06 0.13 0.26 0.23 0.28 0.01
## umw_ident_2 0.01 0.01 0.03 0.08 0.32 0.30 0.25 0.01
## umw_ident_3 0.01 0.01 0.02 0.03 0.10 0.20 0.63 0.01
## umw_ident_4 0.06 0.07 0.13 0.23 0.26 0.15 0.09 0.00
## future_tim1 0.06 0.06 0.13 0.18 0.22 0.21 0.15 0.01
## future_tim2 0.31 0.23 0.19 0.13 0.08 0.04 0.03 0.01
## future_tim3 0.25 0.28 0.23 0.13 0.07 0.03 0.03 0.01
## norm_injun1 0.17 0.31 0.37 0.13 0.03 0.00 0.00 0.01
## norm_injun2 0.08 0.13 0.28 0.33 0.18 0.00 0.00 0.01
## norm_injun3 0.01 0.06 0.13 0.32 0.49 0.00 0.00 0.01
## norm_deskr1 0.41 0.35 0.20 0.03 0.01 0.00 0.00 0.01
## norm_deskr2 0.35 0.55 0.08 0.02 0.00 0.00 0.00 0.00
## selbstw_in1 0.05 0.13 0.21 0.49 0.11 0.00 0.00 0.01
## selbstw_in2 0.07 0.16 0.19 0.47 0.11 0.00 0.00 0.00
## selbstw_ko1 0.02 0.05 0.08 0.44 0.41 0.00 0.00 0.00
## selbstw_ko2 0.04 0.12 0.19 0.44 0.20 0.00 0.00 0.01
## kogn_disso1 0.28 0.26 0.31 0.15 0.01 0.00 0.00 0.01
## kogn_disso2 0.29 0.26 0.31 0.13 0.01 0.00 0.00 0.01
## kogn_disso3 0.30 0.26 0.30 0.14 0.01 0.00 0.00 0.01
## karr_job_p1 0.24 0.28 0.29 0.17 0.04 0.00 0.00 0.01
## karr_job_p2 0.34 0.34 0.23 0.08 0.02 0.00 0.00 0.01
## karr_job_p3 0.58 0.21 0.12 0.06 0.03 0.00 0.00 0.01
## karr_job_p4 0.29 0.30 0.29 0.10 0.03 0.00 0.00 0.01
## karr_unt_p1 0.22 0.23 0.26 0.24 0.05 0.00 0.00 0.01
## karr_unt_p2 0.31 0.30 0.25 0.12 0.02 0.00 0.00 0.01
## karr_unt_p3 0.57 0.22 0.11 0.07 0.03 0.00 0.00 0.01
## karr_unt_p4 0.29 0.28 0.30 0.11 0.02 0.00 0.00 0.00
## karr_entsc1 0.47 0.28 0.17 0.06 0.02 0.00 0.00 0.01
## karr_entsc2 0.36 0.28 0.23 0.10 0.02 0.00 0.00 0.01
## karr_entsc3 0.38 0.28 0.21 0.09 0.03 0.00 0.00 0.01
## karr_entsc4 0.34 0.27 0.24 0.12 0.03 0.00 0.00 0.01
## who_wellbe1 0.01 0.16 0.16 0.27 0.36 0.03 0.00 0.01
## who_wellbe2 0.04 0.25 0.19 0.24 0.25 0.03 0.00 0.01
## who_wellbe3 0.04 0.22 0.20 0.27 0.24 0.03 0.00 0.01
## who_wellbe4 0.12 0.29 0.17 0.20 0.20 0.02 0.00 0.01
## who_wellbe5 0.02 0.17 0.15 0.26 0.35 0.05 0.00 0.01
## klima_verh1 0.04 0.08 0.25 0.54 0.10 0.00 0.00 0.00
## klima_verh2 0.02 0.18 0.32 0.33 0.15 0.00 0.00 0.01
## klima_verh3 0.30 0.27 0.28 0.14 0.01 0.00 0.00 0.01# 63 Variablen, range 1 bis 7
d_Likert$sum <- rowSums(d_Likert, na.rm = TRUE)
filter(d_Likert, d_Likert$sum < 70)## # A tibble: 4 × 64
## klima_eins1 klima_eins2 klima_eins3 klima_eins4 anx_v_aff_1 anx_v_aff_2
## <dbl+lbl> <dbl+lbl> <dbl+lbl> <dbl+lbl> <dbl+lbl> <dbl+lbl>
## 1 1 [gar nicht zu] 5 [gar nic… 5 [gar ni… 1 [gar ni… NA NA
## 2 NA NA NA NA NA NA
## 3 NA NA NA NA NA NA
## 4 NA NA NA NA NA NA
## # ℹ 58 more variables: anx_v_aff_3 <dbl+lbl>, anx_v_aff_4 <dbl+lbl>,
## # anx_v_cog_1 <dbl+lbl>, anx_v_cog_2 <dbl+lbl>, anx_v_cog_3 <dbl+lbl>,
## # anx_v_cog_4 <dbl+lbl>, anx_v_beh_1 <dbl+lbl>, anx_v_beh_2 <dbl+lbl>,
## # anx_v_beh_3 <dbl+lbl>, anx_v_beh_4 <dbl+lbl>, anx_v_phy_1 <dbl+lbl>,
## # anx_v_phy_2 <dbl+lbl>, anx_v_phy_3 <dbl+lbl>, anx_v_phy_4 <dbl+lbl>,
## # anx_v_bee_1 <dbl+lbl>, anx_v_bee_2 <dbl+lbl>, anx_v_bee_3 <dbl+lbl>,
## # anx_v_bee_4 <dbl+lbl>, umw_ident_1 <dbl+lbl>, umw_ident_2 <dbl+lbl>, …# ergibt 4 Reihen, die wir aber zunächst im Datensatz d belassen, da wir sie ohnehin für unsere Berechnungen ausschließen werden (-> Krit2)
# Krit2 - fehlende Variablen
# Krit3 - logischer Widerspruch
d %>%
select(norm_injun2,norm_injun3)## # A tibble: 1,033 × 2
## norm_injun2 norm_injun3
## <dbl+lbl> <dbl+lbl>
## 1 3 [Teils/teils] 5 [Sehr unwahrscheinlich]
## 2 NA NA
## 3 5 [Sehr wahrscheinlich] NA
## 4 4 [Wahrscheinlich] 5 [Sehr unwahrscheinlich]
## 5 3 [Teils/teils] 3 [Teils/teils]
## 6 1 [Sehr unwahrscheinlich] 5 [Sehr unwahrscheinlich]
## 7 2 [Unwahrscheinlich] 2 [Wahrscheinlich]
## 8 2 [Unwahrscheinlich] 3 [Teils/teils]
## 9 2 [Unwahrscheinlich] 3 [Teils/teils]
## 10 5 [Sehr wahrscheinlich] 5 [Sehr unwahrscheinlich]
## # ℹ 1,023 more rowsd %>%
filter(norm_injun2 == 5 & norm_injun3 == 1) ## # A tibble: 0 × 123
## # ℹ 123 variables: lfdn <dbl>, duration.t1 <dbl>, sona_surveycode <chr>,
## # consent_participation <dbl+lbl>, klima_wiss1 <dbl+lbl>,
## # klima_wiss2 <dbl+lbl>, klima_wiss3 <dbl+lbl>, klima_eins1 <dbl+lbl>,
## # klima_eins2 <dbl+lbl>, klima_eins3 <dbl+lbl>, klima_eins4 <dbl+lbl>,
## # anx_v_aff_1 <dbl+lbl>, anx_v_aff_2 <dbl+lbl>, anx_v_aff_3 <dbl+lbl>,
## # anx_v_aff_4 <dbl+lbl>, anx_v_cog_1 <dbl+lbl>, anx_v_cog_2 <dbl+lbl>,
## # anx_v_cog_3 <dbl+lbl>, anx_v_cog_4 <dbl+lbl>, anx_v_beh_1 <dbl+lbl>, …# "sehr wahrscheinlich" befürworten und ablehnen von beruflichem Einsatz für Klimaschutz