library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.6
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.1 ✔ tibble 3.3.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.2
## ✔ purrr 1.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(readxl)
library(ggplot2)
library(dplyr)
library(ggrepel)
#1
project_data <- read_excel("texas federal funds.xlsx")
older_data <- project_data[, c(1, 236, 436, 243, 822)]
# =Column(PT1) ms excel formula
# 236 = ENVIRONMENTAL HEALTH // 436 = MATERNAL AND CHILD HEALTH SERVICES BLOCK GRANT TO THE STATES // 243 = EVEN START - STATE EDUCATIONAL AGENCIES // 834 = TITLE I GRANTS TO LOCAL EDUCATION AGENCIES
colnames(older_data) <- c("Time", "Environmental", "MaternalChild", "EvenStart", "Title1")
older_data[,2:4] <- lapply(older_data[,2:4], as.numeric)
#removing NA values
older_data <- na.omit(older_data)
older_data$Environmental <- as.numeric(as.character(older_data$Environmental))
older_data$MaternalChild <- as.numeric(as.character(older_data$MaternalChild))
older_data$EvenStart <- as.numeric(as.character(older_data$EvenStart))
older_data$Title1 <- as.numeric(as.character(older_data$Title1))
project_data_log<-older_data %>% mutate(LOG_ENV=log(Environmental)) %>% mutate(LOG_MC=log(MaternalChild)) %>% mutate(LOG_ES=log(EvenStart)) %>% mutate(LOG_T1=log(Title1)) %>% select(Time,LOG_ENV,LOG_MC,LOG_ES,LOG_T1)
head(project_data_log)
## # A tibble: 6 × 5
## Time LOG_ENV LOG_MC LOG_ES LOG_T1
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 1996 13.6 17.4 15.9 19.9
## 2 1998 13.1 17.4 16.1 20.4
## 3 1999 13.6 17.4 16.2 18.6
## 4 2000 13.5 17.4 16.3 18.7
## 5 2001 14.7 17.4 16.7 20.4
## 6 2002 14.7 18.2 16.7 20.6
data_anova_MC<-aov(LOG_ENV~LOG_MC,data=project_data_log)
summary(data_anova_MC)
## Df Sum Sq Mean Sq F value Pr(>F)
## LOG_MC 1 0.063 0.0633 0.106 0.751
## Residuals 11 6.565 0.5968
data_anova_ES<-aov(LOG_ENV~LOG_ES,data=project_data_log)
summary(data_anova_ES)
## Df Sum Sq Mean Sq F value Pr(>F)
## LOG_ES 1 0.003 0.0030 0.005 0.945
## Residuals 11 6.625 0.6023
data_anova_T1<-aov(LOG_ENV~LOG_T1,data=project_data_log)
summary(data_anova_T1)
## Df Sum Sq Mean Sq F value Pr(>F)
## LOG_T1 1 3.789 3.789 14.68 0.00279 **
## Residuals 11 2.839 0.258
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
data_la_tukey_MC<-lm(LOG_ENV~as.factor(LOG_MC),data=project_data_log)
TukeyHSD(aov(data_la_tukey_MC))
## Warning in qtukey(conf.level, length(means), x$df.residual): NaNs produced
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = data_la_tukey_MC)
##
## $`as.factor(LOG_MC)`
## diff lwr upr p adj
## 17.354649849936-17.3472832339612 0.09173944 NaN NaN NaN
## 17.3764806149512-17.3472832339612 -0.29873169 NaN NaN NaN
## 17.3767578703203-17.3472832339612 0.17469211 NaN NaN NaN
## 17.390141952276-17.3472832339612 -2.00893310 NaN NaN NaN
## 17.393850888324-17.3472832339612 -1.52408146 NaN NaN NaN
## 17.423504795427-17.3472832339612 -1.54055963 NaN NaN NaN
## 17.4401599766874-17.3472832339612 -0.43088151 NaN NaN NaN
## 17.4405621716806-17.3472832339612 -1.58522285 NaN NaN NaN
## 17.4418240508312-17.3472832339612 -0.16969389 NaN NaN NaN
## 17.4506937275579-17.3472832339612 -0.27690205 NaN NaN NaN
## 17.694428590915-17.3472832339612 -0.36161744 NaN NaN NaN
## 18.1680948391162-17.3472832339612 -0.37754450 NaN NaN NaN
## 17.3764806149512-17.354649849936 -0.39047113 NaN NaN NaN
## 17.3767578703203-17.354649849936 0.08295267 NaN NaN NaN
## 17.390141952276-17.354649849936 -2.10067254 NaN NaN NaN
## 17.393850888324-17.354649849936 -1.61582090 NaN NaN NaN
## 17.423504795427-17.354649849936 -1.63229907 NaN NaN NaN
## 17.4401599766874-17.354649849936 -0.52262095 NaN NaN NaN
## 17.4405621716806-17.354649849936 -1.67696228 NaN NaN NaN
## 17.4418240508312-17.354649849936 -0.26143333 NaN NaN NaN
## 17.4506937275579-17.354649849936 -0.36864149 NaN NaN NaN
## 17.694428590915-17.354649849936 -0.45335688 NaN NaN NaN
## 18.1680948391162-17.354649849936 -0.46928393 NaN NaN NaN
## 17.3767578703203-17.3764806149512 0.47342380 NaN NaN NaN
## 17.390141952276-17.3764806149512 -1.71020141 NaN NaN NaN
## 17.393850888324-17.3764806149512 -1.22534977 NaN NaN NaN
## 17.423504795427-17.3764806149512 -1.24182794 NaN NaN NaN
## 17.4401599766874-17.3764806149512 -0.13214982 NaN NaN NaN
## 17.4405621716806-17.3764806149512 -1.28649116 NaN NaN NaN
## 17.4418240508312-17.3764806149512 0.12903780 NaN NaN NaN
## 17.4506937275579-17.3764806149512 0.02182964 NaN NaN NaN
## 17.694428590915-17.3764806149512 -0.06288575 NaN NaN NaN
## 18.1680948391162-17.3764806149512 -0.07881281 NaN NaN NaN
## 17.390141952276-17.3767578703203 -2.18362521 NaN NaN NaN
## 17.393850888324-17.3767578703203 -1.69877357 NaN NaN NaN
## 17.423504795427-17.3767578703203 -1.71525174 NaN NaN NaN
## 17.4401599766874-17.3767578703203 -0.60557362 NaN NaN NaN
## 17.4405621716806-17.3767578703203 -1.75991495 NaN NaN NaN
## 17.4418240508312-17.3767578703203 -0.34438600 NaN NaN NaN
## 17.4506937275579-17.3767578703203 -0.45159416 NaN NaN NaN
## 17.694428590915-17.3767578703203 -0.53630955 NaN NaN NaN
## 18.1680948391162-17.3767578703203 -0.55223661 NaN NaN NaN
## 17.393850888324-17.390141952276 0.48485165 NaN NaN NaN
## 17.423504795427-17.390141952276 0.46837348 NaN NaN NaN
## 17.4401599766874-17.390141952276 1.57805160 NaN NaN NaN
## 17.4405621716806-17.390141952276 0.42371026 NaN NaN NaN
## 17.4418240508312-17.390141952276 1.83923921 NaN NaN NaN
## 17.4506937275579-17.390141952276 1.73203105 NaN NaN NaN
## 17.694428590915-17.390141952276 1.64731566 NaN NaN NaN
## 18.1680948391162-17.390141952276 1.63138861 NaN NaN NaN
## 17.423504795427-17.393850888324 -0.01647817 NaN NaN NaN
## 17.4401599766874-17.393850888324 1.09319995 NaN NaN NaN
## 17.4405621716806-17.393850888324 -0.06114139 NaN NaN NaN
## 17.4418240508312-17.393850888324 1.35438756 NaN NaN NaN
## 17.4506937275579-17.393850888324 1.24717941 NaN NaN NaN
## 17.694428590915-17.393850888324 1.16246402 NaN NaN NaN
## 18.1680948391162-17.393850888324 1.14653696 NaN NaN NaN
## 17.4401599766874-17.423504795427 1.10967812 NaN NaN NaN
## 17.4405621716806-17.423504795427 -0.04466322 NaN NaN NaN
## 17.4418240508312-17.423504795427 1.37086573 NaN NaN NaN
## 17.4506937275579-17.423504795427 1.26365758 NaN NaN NaN
## 17.694428590915-17.423504795427 1.17894219 NaN NaN NaN
## 18.1680948391162-17.423504795427 1.16301513 NaN NaN NaN
## 17.4405621716806-17.4401599766874 -1.15434134 NaN NaN NaN
## 17.4418240508312-17.4401599766874 0.26118761 NaN NaN NaN
## 17.4506937275579-17.4401599766874 0.15397946 NaN NaN NaN
## 17.694428590915-17.4401599766874 0.06926407 NaN NaN NaN
## 18.1680948391162-17.4401599766874 0.05333701 NaN NaN NaN
## 17.4418240508312-17.4405621716806 1.41552895 NaN NaN NaN
## 17.4506937275579-17.4405621716806 1.30832080 NaN NaN NaN
## 17.694428590915-17.4405621716806 1.22360540 NaN NaN NaN
## 18.1680948391162-17.4405621716806 1.20767835 NaN NaN NaN
## 17.4506937275579-17.4418240508312 -0.10720815 NaN NaN NaN
## 17.694428590915-17.4418240508312 -0.19192355 NaN NaN NaN
## 18.1680948391162-17.4418240508312 -0.20785060 NaN NaN NaN
## 17.694428590915-17.4506937275579 -0.08471539 NaN NaN NaN
## 18.1680948391162-17.4506937275579 -0.10064245 NaN NaN NaN
## 18.1680948391162-17.694428590915 -0.01592705 NaN NaN NaN
data_la_tukey_ES<-lm(LOG_ENV~as.factor(LOG_ES),data=project_data_log)
TukeyHSD(aov(data_la_tukey_ES))
## Warning in qtukey(conf.level, length(means), x$df.residual): NaNs produced
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = data_la_tukey_ES)
##
## $`as.factor(LOG_ES)`
## diff lwr upr p adj
## 15.558279167885-15.5494018321055 0.09173944 NaN NaN NaN
## 15.7287717695099-15.5494018321055 0.17469211 NaN NaN NaN
## 15.8852273420974-15.5494018321055 -1.52408146 NaN NaN NaN
## 15.9170200513113-15.5494018321055 -0.29873169 NaN NaN NaN
## 16.0615171512886-15.5494018321055 -2.00893310 NaN NaN NaN
## 16.1703774266372-15.5494018321055 -1.54055963 NaN NaN NaN
## 16.3071034714549-15.5494018321055 -1.58522285 NaN NaN NaN
## 16.6918818766018-15.5494018321055 -0.43088151 NaN NaN NaN
## 16.7382182722608-15.5494018321055 -0.16969389 NaN NaN NaN
## 16.7385113193011-15.5494018321055 -0.37754450 NaN NaN NaN
## 16.7827951562465-15.5494018321055 -0.36161744 NaN NaN NaN
## 16.8120087381369-15.5494018321055 -0.27690205 NaN NaN NaN
## 15.7287717695099-15.558279167885 0.08295267 NaN NaN NaN
## 15.8852273420974-15.558279167885 -1.61582090 NaN NaN NaN
## 15.9170200513113-15.558279167885 -0.39047113 NaN NaN NaN
## 16.0615171512886-15.558279167885 -2.10067254 NaN NaN NaN
## 16.1703774266372-15.558279167885 -1.63229907 NaN NaN NaN
## 16.3071034714549-15.558279167885 -1.67696228 NaN NaN NaN
## 16.6918818766018-15.558279167885 -0.52262095 NaN NaN NaN
## 16.7382182722608-15.558279167885 -0.26143333 NaN NaN NaN
## 16.7385113193011-15.558279167885 -0.46928393 NaN NaN NaN
## 16.7827951562465-15.558279167885 -0.45335688 NaN NaN NaN
## 16.8120087381369-15.558279167885 -0.36864149 NaN NaN NaN
## 15.8852273420974-15.7287717695099 -1.69877357 NaN NaN NaN
## 15.9170200513113-15.7287717695099 -0.47342380 NaN NaN NaN
## 16.0615171512886-15.7287717695099 -2.18362521 NaN NaN NaN
## 16.1703774266372-15.7287717695099 -1.71525174 NaN NaN NaN
## 16.3071034714549-15.7287717695099 -1.75991495 NaN NaN NaN
## 16.6918818766018-15.7287717695099 -0.60557362 NaN NaN NaN
## 16.7382182722608-15.7287717695099 -0.34438600 NaN NaN NaN
## 16.7385113193011-15.7287717695099 -0.55223661 NaN NaN NaN
## 16.7827951562465-15.7287717695099 -0.53630955 NaN NaN NaN
## 16.8120087381369-15.7287717695099 -0.45159416 NaN NaN NaN
## 15.9170200513113-15.8852273420974 1.22534977 NaN NaN NaN
## 16.0615171512886-15.8852273420974 -0.48485165 NaN NaN NaN
## 16.1703774266372-15.8852273420974 -0.01647817 NaN NaN NaN
## 16.3071034714549-15.8852273420974 -0.06114139 NaN NaN NaN
## 16.6918818766018-15.8852273420974 1.09319995 NaN NaN NaN
## 16.7382182722608-15.8852273420974 1.35438756 NaN NaN NaN
## 16.7385113193011-15.8852273420974 1.14653696 NaN NaN NaN
## 16.7827951562465-15.8852273420974 1.16246402 NaN NaN NaN
## 16.8120087381369-15.8852273420974 1.24717941 NaN NaN NaN
## 16.0615171512886-15.9170200513113 -1.71020141 NaN NaN NaN
## 16.1703774266372-15.9170200513113 -1.24182794 NaN NaN NaN
## 16.3071034714549-15.9170200513113 -1.28649116 NaN NaN NaN
## 16.6918818766018-15.9170200513113 -0.13214982 NaN NaN NaN
## 16.7382182722608-15.9170200513113 0.12903780 NaN NaN NaN
## 16.7385113193011-15.9170200513113 -0.07881281 NaN NaN NaN
## 16.7827951562465-15.9170200513113 -0.06288575 NaN NaN NaN
## 16.8120087381369-15.9170200513113 0.02182964 NaN NaN NaN
## 16.1703774266372-16.0615171512886 0.46837348 NaN NaN NaN
## 16.3071034714549-16.0615171512886 0.42371026 NaN NaN NaN
## 16.6918818766018-16.0615171512886 1.57805160 NaN NaN NaN
## 16.7382182722608-16.0615171512886 1.83923921 NaN NaN NaN
## 16.7385113193011-16.0615171512886 1.63138861 NaN NaN NaN
## 16.7827951562465-16.0615171512886 1.64731566 NaN NaN NaN
## 16.8120087381369-16.0615171512886 1.73203105 NaN NaN NaN
## 16.3071034714549-16.1703774266372 -0.04466322 NaN NaN NaN
## 16.6918818766018-16.1703774266372 1.10967812 NaN NaN NaN
## 16.7382182722608-16.1703774266372 1.37086573 NaN NaN NaN
## 16.7385113193011-16.1703774266372 1.16301513 NaN NaN NaN
## 16.7827951562465-16.1703774266372 1.17894219 NaN NaN NaN
## 16.8120087381369-16.1703774266372 1.26365758 NaN NaN NaN
## 16.6918818766018-16.3071034714549 1.15434134 NaN NaN NaN
## 16.7382182722608-16.3071034714549 1.41552895 NaN NaN NaN
## 16.7385113193011-16.3071034714549 1.20767835 NaN NaN NaN
## 16.7827951562465-16.3071034714549 1.22360540 NaN NaN NaN
## 16.8120087381369-16.3071034714549 1.30832080 NaN NaN NaN
## 16.7382182722608-16.6918818766018 0.26118761 NaN NaN NaN
## 16.7385113193011-16.6918818766018 0.05333701 NaN NaN NaN
## 16.7827951562465-16.6918818766018 0.06926407 NaN NaN NaN
## 16.8120087381369-16.6918818766018 0.15397946 NaN NaN NaN
## 16.7385113193011-16.7382182722608 -0.20785060 NaN NaN NaN
## 16.7827951562465-16.7382182722608 -0.19192355 NaN NaN NaN
## 16.8120087381369-16.7382182722608 -0.10720815 NaN NaN NaN
## 16.7827951562465-16.7385113193011 0.01592705 NaN NaN NaN
## 16.8120087381369-16.7385113193011 0.10064245 NaN NaN NaN
## 16.8120087381369-16.7827951562465 0.08471539 NaN NaN NaN
data_la_tukey_T1<-lm(LOG_ENV~as.factor(LOG_T1),data=project_data_log)
TukeyHSD(aov(data_la_tukey_T1))
## Warning in qtukey(conf.level, length(means), x$df.residual): NaNs produced
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = data_la_tukey_T1)
##
## $`as.factor(LOG_T1)`
## diff lwr upr p adj
## 18.6919866052339-18.647043635625 -0.04466322 NaN NaN NaN
## 19.9486191382463-18.647043635625 0.01647817 NaN NaN NaN
## 20.3563945306198-18.647043635625 1.10967812 NaN NaN NaN
## 20.4074572568293-18.647043635625 -0.46837348 NaN NaN NaN
## 20.5756451275462-18.647043635625 1.16301513 NaN NaN NaN
## 20.7415652742341-18.647043635625 1.17894219 NaN NaN NaN
## 20.8282612503625-18.647043635625 1.26365758 NaN NaN NaN
## 20.8798417917011-18.647043635625 1.71525174 NaN NaN NaN
## 20.8856892675843-18.647043635625 1.37086573 NaN NaN NaN
## 20.8938702275775-18.647043635625 1.24182794 NaN NaN NaN
## 20.9851347956934-18.647043635625 1.54055963 NaN NaN NaN
## 21.0356712183467-18.647043635625 1.63229907 NaN NaN NaN
## 19.9486191382463-18.6919866052339 0.06114139 NaN NaN NaN
## 20.3563945306198-18.6919866052339 1.15434134 NaN NaN NaN
## 20.4074572568293-18.6919866052339 -0.42371026 NaN NaN NaN
## 20.5756451275462-18.6919866052339 1.20767835 NaN NaN NaN
## 20.7415652742341-18.6919866052339 1.22360540 NaN NaN NaN
## 20.8282612503625-18.6919866052339 1.30832080 NaN NaN NaN
## 20.8798417917011-18.6919866052339 1.75991495 NaN NaN NaN
## 20.8856892675843-18.6919866052339 1.41552895 NaN NaN NaN
## 20.8938702275775-18.6919866052339 1.28649116 NaN NaN NaN
## 20.9851347956934-18.6919866052339 1.58522285 NaN NaN NaN
## 21.0356712183467-18.6919866052339 1.67696228 NaN NaN NaN
## 20.3563945306198-19.9486191382463 1.09319995 NaN NaN NaN
## 20.4074572568293-19.9486191382463 -0.48485165 NaN NaN NaN
## 20.5756451275462-19.9486191382463 1.14653696 NaN NaN NaN
## 20.7415652742341-19.9486191382463 1.16246402 NaN NaN NaN
## 20.8282612503625-19.9486191382463 1.24717941 NaN NaN NaN
## 20.8798417917011-19.9486191382463 1.69877357 NaN NaN NaN
## 20.8856892675843-19.9486191382463 1.35438756 NaN NaN NaN
## 20.8938702275775-19.9486191382463 1.22534977 NaN NaN NaN
## 20.9851347956934-19.9486191382463 1.52408146 NaN NaN NaN
## 21.0356712183467-19.9486191382463 1.61582090 NaN NaN NaN
## 20.4074572568293-20.3563945306198 -1.57805160 NaN NaN NaN
## 20.5756451275462-20.3563945306198 0.05333701 NaN NaN NaN
## 20.7415652742341-20.3563945306198 0.06926407 NaN NaN NaN
## 20.8282612503625-20.3563945306198 0.15397946 NaN NaN NaN
## 20.8798417917011-20.3563945306198 0.60557362 NaN NaN NaN
## 20.8856892675843-20.3563945306198 0.26118761 NaN NaN NaN
## 20.8938702275775-20.3563945306198 0.13214982 NaN NaN NaN
## 20.9851347956934-20.3563945306198 0.43088151 NaN NaN NaN
## 21.0356712183467-20.3563945306198 0.52262095 NaN NaN NaN
## 20.5756451275462-20.4074572568293 1.63138861 NaN NaN NaN
## 20.7415652742341-20.4074572568293 1.64731566 NaN NaN NaN
## 20.8282612503625-20.4074572568293 1.73203105 NaN NaN NaN
## 20.8798417917011-20.4074572568293 2.18362521 NaN NaN NaN
## 20.8856892675843-20.4074572568293 1.83923921 NaN NaN NaN
## 20.8938702275775-20.4074572568293 1.71020141 NaN NaN NaN
## 20.9851347956934-20.4074572568293 2.00893310 NaN NaN NaN
## 21.0356712183467-20.4074572568293 2.10067254 NaN NaN NaN
## 20.7415652742341-20.5756451275462 0.01592705 NaN NaN NaN
## 20.8282612503625-20.5756451275462 0.10064245 NaN NaN NaN
## 20.8798417917011-20.5756451275462 0.55223661 NaN NaN NaN
## 20.8856892675843-20.5756451275462 0.20785060 NaN NaN NaN
## 20.8938702275775-20.5756451275462 0.07881281 NaN NaN NaN
## 20.9851347956934-20.5756451275462 0.37754450 NaN NaN NaN
## 21.0356712183467-20.5756451275462 0.46928393 NaN NaN NaN
## 20.8282612503625-20.7415652742341 0.08471539 NaN NaN NaN
## 20.8798417917011-20.7415652742341 0.53630955 NaN NaN NaN
## 20.8856892675843-20.7415652742341 0.19192355 NaN NaN NaN
## 20.8938702275775-20.7415652742341 0.06288575 NaN NaN NaN
## 20.9851347956934-20.7415652742341 0.36161744 NaN NaN NaN
## 21.0356712183467-20.7415652742341 0.45335688 NaN NaN NaN
## 20.8798417917011-20.8282612503625 0.45159416 NaN NaN NaN
## 20.8856892675843-20.8282612503625 0.10720815 NaN NaN NaN
## 20.8938702275775-20.8282612503625 -0.02182964 NaN NaN NaN
## 20.9851347956934-20.8282612503625 0.27690205 NaN NaN NaN
## 21.0356712183467-20.8282612503625 0.36864149 NaN NaN NaN
## 20.8856892675843-20.8798417917011 -0.34438600 NaN NaN NaN
## 20.8938702275775-20.8798417917011 -0.47342380 NaN NaN NaN
## 20.9851347956934-20.8798417917011 -0.17469211 NaN NaN NaN
## 21.0356712183467-20.8798417917011 -0.08295267 NaN NaN NaN
## 20.8938702275775-20.8856892675843 -0.12903780 NaN NaN NaN
## 20.9851347956934-20.8856892675843 0.16969389 NaN NaN NaN
## 21.0356712183467-20.8856892675843 0.26143333 NaN NaN NaN
## 20.9851347956934-20.8938702275775 0.29873169 NaN NaN NaN
## 21.0356712183467-20.8938702275775 0.39047113 NaN NaN NaN
## 21.0356712183467-20.9851347956934 0.09173944 NaN NaN NaN
ggplot(project_data_log,aes(x=Time,y=LOG_ENV, color=as.factor(LOG_MC), group=1)) + geom_line(linewidth=1) + labs(title="Environmental vs. Necessity Program",subtitle="From Sage Data")
