sem2
Rozkład wielkość firmy X branża według: innowatorzy i lagardsi
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 19 33 38 90
## HANDEL 27 22 10 59
## USŁUGI 49 35 29 113
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 10 16 33 59
## Sum 105 106 110 321## [1] "develop"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 20.1, df = 11, p-value = 0.04403
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 7 9 25 41
## HANDEL 4 10 5 19
## USŁUGI 20 21 23 64
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 5 9 15 29
## Sum 36 49 68 153
## [1] "keeper"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 15.43, df = 11, p-value = 0.1638
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 12 23 13 48
## HANDEL 19 12 5 36
## USŁUGI 28 13 6 47
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 5 5 17 27
## Sum 64 53 41 158Tabele: postawy i działania a Warszawa
with(baza1,table(warszafka,postawa))## postawa
## warszafka pro real konserw
## FALSE 59 44 50
## TRUE 68 43 54with(baza1,table(warszafka,dzialania))## dzialania
## warszafka keeper develop
## FALSE 81 70
## TRUE 77 83Rozkład branża a wielkość w Warszawie i poza
tt0<-with(baza1,table(branza,wielkosc))
ftable(addmargins(tt0))## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 19 33 38 90
## HANDEL 27 22 10 59
## USŁUGI 49 35 29 113
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 10 16 33 59
## Sum 105 106 110 321tt0<-with(baza1,table(branza,wielkosc))
ftable(addmargins(tt0))## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 19 33 38 90
## HANDEL 27 22 10 59
## USŁUGI 49 35 29 113
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 10 16 33 59
## Sum 105 106 110 321for(i in 0:1){
for(j in c("develop","keeper")){
print(paste("warszafka=",i))
print(j)
tt<-with(baza1[baza1$dzialania==j&baza1$warszafka==i,],table(branza,wielkosc))
print(chisq.test(as.vector(tt),p=as.vector(tt0/321)) )
print(ftable(addmargins(tt)))
}
}## [1] "warszafka= 0"
## [1] "develop"## Warning: Chi-squared approximation may be incorrect##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 20.3, df = 11, p-value = 0.04137
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 2 4 15 21
## HANDEL 1 6 2 9
## USŁUGI 6 7 12 25
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 2 5 8 15
## Sum 11 22 37 70
## [1] "warszafka= 0"
## [1] "keeper"## Warning: Chi-squared approximation may be incorrect##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 28.84, df = 11, p-value = 0.002405
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 7 17 7 31
## HANDEL 13 4 4 21
## USŁUGI 5 6 1 12
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 3 4 10 17
## Sum 28 31 22 81
## [1] "warszafka= 1"
## [1] "develop"## Warning: Chi-squared approximation may be incorrect##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 9.134, df = 11, p-value = 0.6095
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 5 5 10 20
## HANDEL 3 4 3 10
## USŁUGI 14 14 11 39
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 3 4 7 14
## Sum 25 27 31 83
## [1] "warszafka= 1"
## [1] "keeper"## Warning: Chi-squared approximation may be incorrect##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 17.64, df = 11, p-value = 0.09032
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 5 6 6 17
## HANDEL 6 8 1 15
## USŁUGI 23 7 5 35
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 2 1 7 10
## Sum 36 22 19 77Adaptacja, czyli zmienna “dzialania” uciąglona a sektor i wielkość
## Df Sum Sq Mean Sq F value Pr(>F)
## wielka 2 17.0 8.51 11.30 1.8e-05 ***
## branza 3 3.8 1.25 1.67 0.17
## wielka:branza 6 4.8 0.80 1.06 0.39
## Residuals 309 232.7 0.75
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = zmienna ~ wielka * branza, data = df)
##
## $wielka
## diff lwr upr p adj
## 10-49 osób-2-9 osób 0.3651 0.08370 0.6464 0.0069
## 50 i więcej osób-2-9 osób 0.5550 0.27616 0.8338 0.0000
## 50 i więcej osób-10-49 osób 0.1899 -0.08824 0.4680 0.2438
Satysfakcja a sektor i wielkość
## Df Sum Sq Mean Sq F value Pr(>F)
## wielka 2 1.3 0.626 0.77 0.46
## branza 3 4.1 1.376 1.69 0.17
## wielka:branza 6 6.6 1.098 1.35 0.23
## Residuals 306 248.9 0.813
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = zmienna ~ wielka * branza, data = df)
##
## $wielka
## diff lwr upr p adj
## 10-49 osób-2-9 osób 0.01905 -0.2741 0.3122 0.9872
## 50 i więcej osób-2-9 osób 0.14101 -0.1501 0.4321 0.4897
## 50 i więcej osób-10-49 osób 0.12196 -0.1691 0.4131 0.5858
A6_3, czyli przystosowanie a sektor i wielkość
## Df Sum Sq Mean Sq F value Pr(>F)
## wielka 2 3.5 1.763 2.60 0.076 .
## branza 3 1.1 0.377 0.56 0.644
## wielka:branza 6 4.7 0.781 1.15 0.331
## Residuals 306 207.1 0.677
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = zmienna ~ wielka * branza, data = df)
##
## $wielka
## diff lwr upr p adj
## 10-49 osób-2-9 osób 0.219048 -0.04838 0.4865 0.1323
## 50 i więcej osób-2-9 osób 0.228307 -0.03726 0.4939 0.1080
## 50 i więcej osób-10-49 osób 0.009259 -0.25631 0.2748 0.9963
Postawa, działanie (zmienne grupujące) a rodkład wielkości X branży
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 19 33 38 90
## HANDEL 27 22 10 59
## USŁUGI 49 35 29 113
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 10 16 33 59
## Sum 105 106 110 321## [1] "pro"
## [1] "develop"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 19.89, df = 11, p-value = 0.04684
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 3 3 11 17
## HANDEL 1 6 2 9
## USŁUGI 9 7 14 30
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 4 3 11 18
## Sum 17 19 38 74
## [1] "pro"
## [1] "keeper"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 16.37, df = 11, p-value = 0.1281
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 3 11 2 16
## HANDEL 4 4 2 10
## USŁUGI 9 3 3 15
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 0 1 9 10
## Sum 16 19 16 51
## [1] "real"
## [1] "develop"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 8.859, df = 11, p-value = 0.6349
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 3 3 8 14
## HANDEL 1 3 2 6
## USŁUGI 6 9 6 21
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 1 3 3 7
## Sum 11 18 19 48
## [1] "real"
## [1] "keeper"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 14.21, df = 11, p-value = 0.2215
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 2 5 5 12
## HANDEL 7 4 1 12
## USŁUGI 5 4 0 9
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 1 0 1 2
## Sum 15 13 7 35
## [1] "konserw"
## [1] "develop"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 7.25, df = 11, p-value = 0.7785
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 1 3 6 10
## HANDEL 2 1 1 4
## USŁUGI 5 5 3 13
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 0 3 1 4
## Sum 8 12 11 31
## [1] "konserw"
## [1] "keeper"
##
## Chi-squared test for given probabilities
##
## data: as.vector(tt)
## X-squared = 7.949, df = 11, p-value = 0.7178
##
## wielkosc 2-9 osób 10-49 osób 50 i więcej osób Sum
## branza
## PRODUKCJA 7 7 6 20
## HANDEL 8 4 2 14
## USŁUGI 14 6 3 23
## ADMINISTRACJA, EDUKACJA, KULTURA, SAMORZĄDY 4 4 7 15
## Sum 33 21 18 72modelall0<-"
performance=~A6_2+A6_3
adapt_ind=~adaptacja+zmiany
performance~adapt_ind
performance~informacja
"
se40<-sem(modelall0,baza1)
summary(se40)## lavaan (0.5-17) converged normally after 28 iterations
##
## Used Total
## Number of observations 315 321
##
## Estimator ML
## Minimum Function Test Statistic 141.224
## Degrees of freedom 4
## P-value (Chi-square) 0.000
##
## Parameter estimates:
##
## Information Expected
## Standard Errors Standard
##
## Estimate Std.err Z-value P(>|z|)
## Latent variables:
## performance =~
## A6_2 1.000
## A6_3 1.585 0.373 4.244 0.000
## adapt_ind =~
## adaptacja 1.000
## zmiany 0.703 0.126 5.575 0.000
##
## Regressions:
## performance ~
## adapt_ind 0.239 0.073 3.272 0.001
## informacja -0.029 0.031 -0.932 0.351
##
## Variances:
## A6_2 0.583 0.070
## A6_3 0.099 0.132
## adaptacja 0.100 0.117
## zmiany 0.451 0.068
## performance 0.197 0.053
## adapt_ind 0.694 0.132fitMeasures(se40, c("cfi", "rmsea"))## cfi rmsea
## 0.662 0.330semPaths(se40,what="stand",layout="spring",posCol="darkblue",style="lisrel")
modelall2<-"
performance=~A6_2+A6_3
adapt_ind=~adaptacja+zmiany
performance~adapt_ind
adapt_ind~informacja
"
se42<-sem(modelall2,baza1)
summary(se42)## lavaan (0.5-17) converged normally after 24 iterations
##
## Used Total
## Number of observations 315 321
##
## Estimator ML
## Minimum Function Test Statistic 11.999
## Degrees of freedom 4
## P-value (Chi-square) 0.017
##
## Parameter estimates:
##
## Information Expected
## Standard Errors Standard
##
## Estimate Std.err Z-value P(>|z|)
## Latent variables:
## performance =~
## A6_2 1.000
## A6_3 1.314 0.322 4.080 0.000
## adapt_ind =~
## adaptacja 1.000
## zmiany 0.937 0.084 11.122 0.000
##
## Regressions:
## performance ~
## adapt_ind 0.285 0.078 3.651 0.000
## adapt_ind ~
## informacja 0.542 0.047 11.579 0.000
##
## Variances:
## A6_2 0.535 0.078
## A6_3 0.199 0.115
## adaptacja 0.268 0.044
## zmiany 0.332 0.043
## performance 0.237 0.066
## adapt_ind 0.292 0.046fitMeasures(se42, c("cfi", "rmsea"))## cfi rmsea
## 0.98 0.08semPaths(se42,what="stand",layout="spring",posCol="darkblue",style="lisrel")
modelall1<-"
performance=~A6_2+A6_3
adapt_ind=~adaptacja+zmiany
performance~adapt_ind
performance~informacja
adapt_ind~informacja
"
se41<-sem(modelall1,baza1)
summary(se41)## lavaan (0.5-17) converged normally after 29 iterations
##
## Used Total
## Number of observations 315 321
##
## Estimator ML
## Minimum Function Test Statistic 8.181
## Degrees of freedom 3
## P-value (Chi-square) 0.042
##
## Parameter estimates:
##
## Information Expected
## Standard Errors Standard
##
## Estimate Std.err Z-value P(>|z|)
## Latent variables:
## performance =~
## A6_2 1.000
## A6_3 1.582 0.422 3.748 0.000
## adapt_ind =~
## adaptacja 1.000
## zmiany 0.929 0.081 11.459 0.000
##
## Regressions:
## performance ~
## adapt_ind 0.344 0.111 3.089 0.002
## informacja -0.101 0.055 -1.823 0.068
## adapt_ind ~
## informacja 0.549 0.046 11.853 0.000
##
## Variances:
## A6_2 0.583 0.075
## A6_3 0.100 0.147
## adaptacja 0.269 0.042
## zmiany 0.341 0.042
## performance 0.192 0.056
## adapt_ind 0.284 0.045fitMeasures(se41, c("cfi", "rmsea"))## cfi rmsea
## 0.987 0.074semPaths(se41,what="stand",layout="spring",posCol="darkblue",style="lisrel")
mm<-lm(A6_2~dzialania*informacja,baza1)
summary(mm)##
## Call:
## lm(formula = A6_2 ~ dzialania * informacja, data = baza1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.701 -0.505 0.139 0.560 1.645
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.4718 0.0806 43.08 <2e-16 ***
## dzialaniadevelop 0.2994 0.1144 2.62 0.0093 **
## informacja 0.0783 0.0934 0.84 0.4023
## dzialaniadevelop:informacja 0.0602 0.1299 0.46 0.6431
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.887 on 305 degrees of freedom
## (12 observations deleted due to missingness)
## Multiple R-squared: 0.0556, Adjusted R-squared: 0.0463
## F-statistic: 5.99 on 3 and 305 DF, p-value: 0.000563anova(se41,se42)## Chi Square Difference Test
##
## Df AIC BIC Chisq Chisq diff Df diff Pr(>Chisq)
## se41 3 3683 3724 8.18
## se42 4 3685 3722 12.00 3.82 1 0.051 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(multilevel)## Loading required package: MASSlibrary(Hmisc)## Loading required package: grid
## Loading required package: lattice
## Loading required package: survival
## Loading required package: splines
## Loading required package: Formula
##
## Attaching package: 'Hmisc'
##
## The following objects are masked from 'package:plyr':
##
## is.discrete, summarize
##
## The following objects are masked from 'package:base':
##
## format.pval, round.POSIXt, trunc.POSIXt, unitsrcorr(cbind(baza1$informacja,baza1$adaptacja,baza1$A6_2))## [,1] [,2] [,3]
## [1,] 1.00 0.54 0.16
## [2,] 0.54 1.00 0.20
## [3,] 0.16 0.20 1.00
##
## n
## [,1] [,2] [,3]
## [1,] 321 321 318
## [2,] 321 321 318
## [3,] 318 318 321
##
## P
## [,1] [,2] [,3]
## [1,] 0.0000 0.0055
## [2,] 0.0000 0.0003
## [3,] 0.0055 0.0003with(baza1[complete.cases(baza1$A6_2),],sobel(informacja,adaptacja,A6_2))## $`Mod1: Y~X`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.6447 0.05033 72.416 7.794e-199
## pred 0.1571 0.05621 2.795 5.500e-03
##
## $`Mod2: Y~X+M`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.64395 0.04992 72.998 1.894e-199
## pred 0.06933 0.06589 1.052 2.935e-01
## med 0.16541 0.06617 2.500 1.293e-02
##
## $`Mod3: M~X`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.00475 0.04244 0.1119 9.109e-01
## pred 0.53079 0.04740 11.1990 9.682e-25
##
## $Indirect.Effect
## [1] 0.0878
##
## $SE
## [1] 0.03599
##
## $z.value
## [1] 2.44
##
## $N
## [1] 318rcorr(cbind(baza1$informacja,baza1$adaptacja,baza1$A6_3))## [,1] [,2] [,3]
## [1,] 1.00 0.54 0.13
## [2,] 0.54 1.00 0.31
## [3,] 0.13 0.31 1.00
##
## n
## [,1] [,2] [,3]
## [1,] 321 321 318
## [2,] 321 321 318
## [3,] 318 318 321
##
## P
## [,1] [,2] [,3]
## [1,] 0.000 0.021
## [2,] 0.000 0.000
## [3,] 0.021 0.000with(baza1[complete.cases(baza1$A6_3),],sobel(informacja,adaptacja,A6_3))## $`Mod1: Y~X`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.9285 0.04603 85.339 2.848e-220
## pred 0.1191 0.05136 2.319 2.104e-02
##
## $`Mod2: Y~X+M`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.92696 0.04410 89.0514 2.205e-225
## pred -0.05118 0.05837 -0.8768 3.813e-01
## med 0.31633 0.05836 5.4207 1.183e-07
##
## $`Mod3: M~X`
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.004994 0.04251 0.1175 9.065e-01
## pred 0.538312 0.04743 11.3499 2.851e-25
##
## $Indirect.Effect
## [1] 0.1703
##
## $SE
## [1] 0.03481
##
## $z.value
## [1] 4.891
##
## $N
## [1] 318