# create country wave variable

ess_qog2 <- ess_qog2 %>% 
  unite(country_wave, c(country_name, name), remove = FALSE)

knitr::kable(table(ess_qog2$country_name, ess_qog2$name))
ESS1 ESS2 ESS3 ESS4 ESS5 ESS6 ESS7 ESS8 ESS9
Albania 0 0 0 0 0 1201 0 0 0
Austria 2257 2256 2405 0 0 0 1795 2010 2499
Belgium 1899 1778 1798 1760 1704 1869 1769 1766 1767
Bulgaria 0 0 1400 2230 2434 2260 0 0 2198
Croatia 0 0 0 1484 1649 0 0 0 1810
Cyprus 0 0 995 1215 1083 1116 0 0 781
Czechia 1360 3026 0 2018 2386 2009 2148 2269 2398
Denmark 1506 1487 1505 1610 1576 1650 1502 0 1572
Estonia 0 1989 1517 1661 1793 2380 2051 2019 1904
Finland 2000 2022 1896 2195 1878 2197 2087 1925 1755
France 1503 1806 1986 2073 1728 1968 1917 2070 2010
Germany 2919 2870 2916 2751 3031 2958 3045 2852 2358
Greece 2566 2406 0 2072 2715 0 0 0 0
Hungary 1685 1498 1518 1544 1561 2014 1698 1614 1661
Iceland 0 579 0 0 0 752 0 880 861
Ireland 2046 2286 1800 1764 2576 2628 2390 2757 2216
Israel 2499 0 0 2490 2294 2508 2562 2557 0
Italy 1207 1529 0 0 0 960 0 2626 2745
Latvia 0 0 1960 1980 0 0 0 0 918
Lithuania 0 0 0 0 1677 2109 2250 2122 1835
Luxembourg 1552 1635 0 0 0 0 0 0 0
Montenegro 0 0 0 0 0 0 0 0 1200
Netherlands 2364 1881 1889 1778 1829 1845 1919 1681 1673
Norway 2036 1760 1750 1549 1548 1624 1436 1545 1406
Poland 2110 1716 1721 1619 1751 1898 1615 1694 1500
Portugal 1511 2052 2222 2367 2150 2151 1265 1270 1055
Romania 0 0 2139 2146 0 0 0 0 0
Russia 0 0 2437 2512 2595 2484 0 2430 0
Serbia 0 0 0 0 0 0 0 0 2043
Slovakia 0 1512 1766 1810 1856 1847 0 0 1083
Slovenia 1519 1442 1476 1286 1403 1257 1224 1307 1318
Spain 1729 1663 1876 2576 1885 1889 1925 1958 1668
Sweden 1999 1948 1927 1830 1497 1847 1791 1551 1539
Switzerland 2040 2141 1804 1819 1506 1493 1532 1525 1542
Turkey 0 1856 0 2416 0 0 0 0 0
Ukraine 0 2031 2002 1845 1931 2178 0 0 0
United Kingdom 2052 1897 2394 2352 2422 2286 2264 1959 2204 
# create group mean centered macro variables

ess_qog2 <- ess_qog2 %>% 
  group_by(country_name) %>% 
  mutate(gti_c = mean(voh_gti, na.rm = T), 
         gti_t = voh_gti - gti_c,
         gdp_c = mean(mad_gdppc, na.rm = T), 
         gpd_t = mad_gdppc - gdp_c,
         unemployment_c = mean(wdi_unempilo, na.rm = T),
         unemployment_t = wdi_unempilo - unemployment_c) %>% 
  ungroup()
# variables used in analysis

ess_qog_final <- ess_qog2 %>% 
  select(trstprl,
  trstplt,
  trstprt,
  trstlgl,
  trstplc,
  agea,
  #agea_z,
  gender_dummy,
  income_dummy,
  education_dummy, 
  winlose,
  gti_c, 
  gti_t,
  gdp_c,
  gpd_t,
  unemployment_c,
  unemployment_t,
  essround,
  country_name,
  country_wave, 
  all_rounds)

#descr(ess_qog_final, stats = c("mean", "sd", "min", "max", "n" ),  transpose = TRUE, headings = FALSE)

dfSummary(ess_qog_final, plain.ascii = FALSE, style = "grid", 
          graph.magnif = 0.75, valid.col = FALSE, tmp.img.dir = "/tmp"
          )
## temporary images written to 'C:\tmp'

Data Frame Summary

ess_qog_final

Dimensions: 435203 x 20
Duplicates: 3153

No Variable Label Stats / Values Freqs (% of Valid) Graph Missing
1 trstprl
[numeric]		 Trust in country’s parliament Mean (sd) : 4.4 (2.6)
min < med < max:
0 < 5 < 10
IQR (CV) : 4 (0.6)		 11 distinct values 12230
(2.81%)
2 trstplt
[numeric]		 Trust in politicians Mean (sd) : 3.5 (2.4)
min < med < max:
0 < 3 < 10
IQR (CV) : 4 (0.7)		 11 distinct values 9363
(2.15%)
3 trstprt
[numeric]		 Trust in political parties Mean (sd) : 3.4 (2.4)
min < med < max:
0 < 3 < 10
IQR (CV) : 4 (0.7)		 11 distinct values 52897
(12.15%)
4 trstlgl
[numeric]		 Trust in the legal system Mean (sd) : 5.1 (2.7)
min < med < max:
0 < 5 < 10
IQR (CV) : 4 (0.5)		 11 distinct values 11927
(2.74%)
5 trstplc
[numeric]		 Trust in the police Mean (sd) : 5.9 (2.6)
min < med < max:
0 < 6 < 10
IQR (CV) : 4 (0.4)		 11 distinct values 5639
(1.3%)
6 agea
[numeric]		 Age of respondent, calculated Mean (sd) : 48.2 (18.6)
min < med < max:
13 < 48 < 123
IQR (CV) : 30 (0.4)		 96 distinct values 1998
(0.46%)
7 gender_dummy
[numeric]		 Min : 0
Mean : 0.5
Max : 1		 0 : 234145 (53.8%)
1 : 200723 (46.2%)		 335
(0.08%)
8 income_dummy
[character]		 1. Comfortable
2. Difficult		 308884 (71.0%)
126319 (29.0%)		 0
(0%)
9 education_dummy
[character]		 1. Basic education
2. Higher level education		 317666 (73.0%)
117537 (27.0%)		 0
(0%)
10 winlose
[numeric]		 Mean (sd) : 0.5 (0.5)
min < med < max:
0 < 1 < 1
IQR (CV) : 1 (1)		 0.00 : 114651 (49.0%)
0.33!: 493 ( 0.2%)
0.50 : 384 ( 0.2%)
0.67!: 741 ( 0.3%)
1.00 : 117768 (50.3%)
! rounded

201166
(46.22%)
11 gti_c
[numeric]		 Mean (sd) : 1.7 (1.8)
min < med < max:
0 < 1 < 6.2
IQR (CV) : 2.3 (1)		 36 distinct values 3187
(0.73%)
12 gti_t
[numeric]		 Mean (sd) : 0 (0.8)
min < med < max:
-2.1 < -0.1 < 3.2
IQR (CV) : 0.7 (8532532045024685)		 189 distinct values 3187
(0.73%)
13 gdp_c
[numeric]		 Mean (sd) : 33449.2 (13272.4)
min < med < max:
9592 < 33999.5 < 74819.4
IQR (CV) : 17093.5 (0.4)		 37 distinct values 0
(0%)
14 gpd_t
[numeric]		 Mean (sd) : 0 (3230.5)
min < med < max:
-15978.9 < 225.8 < 13235.4
IQR (CV) : 2785.2 (1424256512302300)		 228 distinct values 0
(0%)
15 unemployment_c
[numeric]		 Mean (sd) : 7.9 (2.7)
min < med < max:
3.7 < 7.5 < 16.2
IQR (CV) : 3.2 (0.3)		 37 distinct values 0
(0%)
16 unemployment_t
[numeric]		 Mean (sd) : 0 (2.6)
min < med < max:
-7.7 < -0.1 < 8.6
IQR (CV) : 2.4 (-20544551037071344)		 228 distinct values 0
(0%)
17 essround
[numeric]		 Mean (sd) : 5 (2.5)
min < med < max:
1 < 5 < 9
IQR (CV) : 4 (0.5)		 1 : 42359 ( 9.7%)
2 : 49066 (11.3%)
3 : 47099 (10.8%)
4 : 56752 (13.0%)
5 : 52458 (12.0%)
6 : 53378 (12.3%)
7 : 40185 ( 9.2%)
8 : 44387 (10.2%)
9 : 49519 (11.4%)		 0
(0%)
18 country_name
[character]		 1. Germany
2. Ireland
3. United Kingdom
4. Finland
5. Czechia
6. Spain
7. France
8. Netherlands
9. Belgium
10. Portugal
[ 27 others ]		 25700 ( 5.9%)
20463 ( 4.7%)
19830 ( 4.6%)
17955 ( 4.1%)
17614 ( 4.0%)
17169 ( 3.9%)
17061 ( 3.9%)
16859 ( 3.9%)
16110 ( 3.7%)
16043 ( 3.7%)
250399 (57.5%)		 0
(0%)
19 country_wave
[character]		 1. Germany_ESS7
2. Germany_ESS5
3. Czechia_ESS2
4. Germany_ESS6
5. Germany_ESS1
6. Germany_ESS3
7. Germany_ESS2
8. Germany_ESS8
9. Ireland_ESS8
10. Germany_ESS4
[ 220 others ]		 3045 ( 0.7%)
3031 ( 0.7%)
3026 ( 0.7%)
2958 ( 0.7%)
2919 ( 0.7%)
2916 ( 0.7%)
2870 ( 0.7%)
2852 ( 0.7%)
2757 ( 0.6%)
2751 ( 0.6%)
406078 (93.3%)		 0
(0%)
20 all_rounds
[numeric]		 Min : 0
Mean : 0.6
Max : 1		 0 : 179379 (41.2%)
1 : 255824 (58.8%)		 0
(0%)		 
# standardize all continuous covariates

ess_qog_final <- ess_qog_final %>%
  mutate(
    agea_z = r2sd(agea),
    gti_c_z = r2sd(gti_c),
    gti_t_z = r2sd(gti_t),
    gdp_c_z = r2sd(gdp_c),
    gpd_t_z = r2sd(gpd_t),
    unemployment_c_z = r2sd(unemployment_c),
    unemployment_t_z = r2sd(unemployment_t)
  )
# null model full sample minus kosovo
# trust in parliament

if (file.exists("prl_null.rds")) {
    prl_null <- readRDS("prl_null.rds")
} else {
    prl_null <- lmer(trstprl ~ 
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(prl_null, file = "prl_null.rds")
}

# trust in politicians

if (file.exists("plt_null.rds")) {
    plt_null <- readRDS("plt_null.rds")
} else {
    plt_null <- lmer(trstplt ~ 
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(plt_null, file = "plt_null.rds")
}


# trust in parties

if (file.exists("prt_null.rds")) {
    prt_null <- readRDS("prt_null.rds")
} else {
    prt_null <- lmer(trstprt ~ 
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(prt_null, file = "prt_null.rds")
}


# trust in legal system

if (file.exists("lgl_null.rds")) {
    lgl_null <- readRDS("lgl_null.rds")
} else {
    lgl_null <- lmer(trstlgl ~ 
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(lgl_null, file = "lgl_null.rds")
}



# trust in police

if (file.exists("plc_null.rds")) {
    plc_null <- readRDS("plc_null.rds")
} else {
    plc_null <- lmer(trstplc ~ 
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(plc_null, file = "plc_null.rds")
}


# VarCorr(parl_mod0) %>% as_data_frame() %>%
#   mutate(icc=vcov/sum(vcov)) %>%
#   select(grp, vcov, icc)
# 
# VarCorr(politicians_mod0) %>% as_data_frame() %>%
#   mutate(icc=vcov/sum(vcov)) %>%
#   select(grp, vcov, icc)
# 
# VarCorr(parties_mod0) %>% as_data_frame() %>%
#   mutate(icc=vcov/sum(vcov)) %>%
#   select(grp, vcov, icc)
# 
# VarCorr(legal_mod0) %>% as_data_frame() %>%
#   mutate(icc=vcov/sum(vcov)) %>%
#   select(grp, vcov, icc)
# 
# VarCorr(police_mod0) %>% as_data_frame() %>%
#   mutate(icc=vcov/sum(vcov)) %>%
#   select(grp, vcov, icc)
tab_model(prl_null, plt_null, prt_null, lgl_null, plc_null)
  Trust in country’s
parliament 		Trust in politicians Trust in political
parties 		Trust in the legal system Trust in the police
Predictors Estimates CI p Estimates CI p Estimates CI p Estimates CI p Estimates CI p
(Intercept) 4.26 3.90 – 4.61 <0.001 3.36 3.04 – 3.67 <0.001 3.33 3.02 – 3.65 <0.001 4.90 4.50 – 5.30 <0.001 5.74 5.36 – 6.12 <0.001
Random Effects
σ2 5.61 4.85 4.72 5.88 5.57
τ00 0.26 country_wave 0.17 country_wave 0.16 country_wave 0.17 country_wave 0.15 country_wave
1.15 country_name 0.92 country_name 0.92 country_name 1.51 country_name 1.38 country_name
ICC 0.20 0.18 0.19 0.22 0.22
N 230 country_wave 230 country_wave 208 country_wave 230 country_wave 230 country_wave
37 country_name 37 country_name 37 country_name 37 country_name 37 country_name
Observations 422973 425840 382306 423276 429564
Marginal R2 / Conditional R2 0.000 / 0.201 0.000 / 0.184 0.000 / 0.186 0.000 / 0.222 0.000 / 0.216 
          #show.ci = FALSE, 
          #p.style = "stars")
# small model full sample minus kosovo

# trust in parliament

if (file.exists("prl_small.rds")) {
    prl_small <- readRDS("prl_small.rds")
} else {
    prl_small <- lmer(trstprl ~ 
                      gti_c_z + gti_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(prl_small, file = "prl_small.rds")
}

# trust in politicians

if (file.exists("plt_small.rds")) {
    plt_small <- readRDS("plt_small.rds")
} else {
    plt_small <- lmer(trstplt ~ 
                      gti_c_z + gti_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(plt_small, file = "plt_small.rds")
}


# trust in parties

if (file.exists("prt_small.rds")) {
    prt_small <- readRDS("prt_small.rds")
} else {
    prt_small <- lmer(trstprt ~ 
                      gti_c_z + gti_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(prt_small, file = "prt_small.rds")
}


# trust in legal system

if (file.exists("lgl_small.rds")) {
    lgl_small <- readRDS("lgl_small.rds")
} else {
    lgl_small <- lmer(trstlgl ~ 
                      gti_c_z + gti_t_z  + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(lgl_small, file = "lgl_small.rds")
}



# trust in police

if (file.exists("plc_small.rds")) {
    plc_small <- readRDS("plc_small.rds")
} else {
    plc_small <- lmer(trstplc ~ 
                      gti_c_z + gti_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(plc_small, file = "plc_small.rds")
}
tab_model(prl_small, plt_small, prt_small, lgl_small, plc_small)
  Trust in country’s
parliament 		Trust in politicians Trust in political
parties 		Trust in the legal system Trust in the police
Predictors Estimates CI p Estimates CI p Estimates CI p Estimates CI p Estimates CI p
(Intercept) 4.54 4.13 – 4.95 <0.001 3.56 3.20 – 3.92 <0.001 3.40 3.04 – 3.75 <0.001 4.92 4.48 – 5.36 <0.001 5.60 5.18 – 6.02 <0.001
gti_c_z 0.28 -0.42 – 0.98 0.438 -0.08 -0.71 – 0.54 0.792 -0.10 -0.72 – 0.53 0.768 0.41 -0.40 – 1.22 0.326 0.01 -0.77 – 0.80 0.971
gti_t_z 0.11 -0.03 – 0.24 0.121 0.12 0.00 – 0.23 0.042 0.11 -0.00 – 0.22 0.060 0.12 0.02 – 0.23 0.025 -0.08 -0.17 – 0.00 0.059
essround [2] -0.22 -0.50 – 0.06 0.120 -0.18 -0.41 – 0.04 0.115 -0.14 -0.36 – 0.08 0.203 -0.12 -0.30 – 0.06 0.203
essround [3] -0.24 -0.52 – 0.05 0.100 -0.22 -0.45 – 0.02 0.069 -0.04 -0.26 – 0.17 0.696 -0.03 -0.26 – 0.19 0.765 -0.09 -0.27 – 0.09 0.345
essround [4] -0.37 -0.64 – -0.10 0.008 -0.29 -0.52 – -0.07 0.011 -0.12 -0.33 – 0.09 0.269 -0.11 -0.32 – 0.11 0.338 -0.10 -0.28 – 0.07 0.254
essround [5] -0.59 -0.86 – -0.31 <0.001 -0.43 -0.66 – -0.20 <0.001 -0.28 -0.49 – -0.07 0.009 -0.19 -0.40 – 0.03 0.093 -0.06 -0.23 – 0.12 0.524
essround [6] -0.63 -0.91 – -0.35 <0.001 -0.49 -0.72 – -0.26 <0.001 -0.33 -0.55 – -0.12 0.002 -0.21 -0.43 – 0.01 0.062 0.06 -0.12 – 0.24 0.510
essround [7] -0.39 -0.68 – -0.10 0.008 -0.38 -0.62 – -0.14 0.002 -0.21 -0.44 – 0.02 0.073 -0.06 -0.29 – 0.17 0.620 0.15 -0.04 – 0.34 0.112
essround [8] -0.16 -0.45 – 0.14 0.295 -0.17 -0.41 – 0.07 0.172 -0.01 -0.24 – 0.22 0.918 0.17 -0.06 – 0.40 0.144 0.51 0.32 – 0.70 <0.001
essround [9] -0.10 -0.38 – 0.18 0.472 -0.06 -0.30 – 0.17 0.589 0.07 -0.14 – 0.29 0.507 0.28 0.05 – 0.50 0.015 0.60 0.42 – 0.78 <0.001
Random Effects
σ2 5.61 4.85 4.73 5.88 5.57
τ00 0.22 country_wave 0.15 country_wave 0.14 country_wave 0.14 country_wave 0.09 country_wave
1.12 country_name 0.89 country_name 0.91 country_name 1.53 country_name 1.45 country_name
ICC 0.19 0.18 0.18 0.22 0.22
N 228 country_wave 228 country_wave 207 country_wave 228 country_wave 228 country_wave
36 country_name 36 country_name 36 country_name 36 country_name 36 country_name
Observations 420217 422916 380832 420327 426430
Marginal R2 / Conditional R2 0.009 / 0.199 0.005 / 0.181 0.005 / 0.186 0.009 / 0.228 0.008 / 0.223 
          #show.ci = FALSE, 
          #p.style = "stars"
          #)
# full model full sample minus kosovo

# trust in parliament

if (file.exists("prl_full.rds")) {
    prl_full <- readRDS("prl_full.rds")
} else {
    prl_full <- lmer(trstprl ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(prl_full, file = "prl_full.rds")
}

# trust in politicians

if (file.exists("plt_full.rds")) {
    plt_full <- readRDS("plt_full.rds")
} else {
    plt_full <- lmer(trstplt ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(plt_full, file = "plt_full.rds")
}


# trust in parties

if (file.exists("prt_full.rds")) {
    prt_full <- readRDS("prt_full.rds")
} else {
    prt_full <- lmer(trstprt ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(prt_full, file = "prt_full.rds")
}


# trust in legal system

if (file.exists("lgl_full.rds")) {
    lgl_full <- readRDS("lgl_full.rds")
} else {
    lgl_full <- lmer(trstlgl ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(lgl_full, file = "lgl_full.rds")
}



# trust in police

if (file.exists("plc_full.rds")) {
    plc_full <- readRDS("plc_full.rds")
} else {
    plc_full <- lmer(trstplc ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                    (1|country_wave) + (1|country_name), ess_qog_final)
    saveRDS(plc_full, file = "plc_full.rds")
}
tab_model(prl_full, plt_full, prt_full, lgl_full, plc_full)
  Trust in country’s
parliament 		Trust in politicians Trust in political
parties 		Trust in the legal system Trust in the police
Predictors Estimates CI p Estimates CI p Estimates CI p Estimates CI p Estimates CI p
(Intercept) 5.23 4.89 – 5.56 <0.001 4.23 3.96 – 4.50 <0.001 3.96 3.71 – 4.21 <0.001 5.48 5.14 – 5.83 <0.001 6.07 5.75 – 6.39 <0.001
Age of
respondent,calculated 		-0.02 -0.04 – -0.01 0.003 0.06 0.05 – 0.08 <0.001 -0.04 -0.05 – -0.02 <0.001 -0.18 -0.19 – -0.16 <0.001 0.23 0.22 – 0.25 <0.001
gender dummy 0.09 0.07 – 0.10 <0.001 -0.05 -0.06 – -0.03 <0.001 -0.02 -0.04 – -0.01 0.001 0.02 0.00 – 0.03 0.022 -0.15 -0.17 – -0.14 <0.001
income dummy: Difficult -0.55 -0.57 – -0.54 <0.001 -0.51 -0.52 – -0.49 <0.001 -0.47 -0.48 – -0.45 <0.001 -0.54 -0.56 – -0.53 <0.001 -0.50 -0.52 – -0.48 <0.001
education dummy: Higher
level education 		0.46 0.44 – 0.48 <0.001 0.24 0.22 – 0.26 <0.001 0.17 0.16 – 0.19 <0.001 0.43 0.41 – 0.45 <0.001 0.14 0.12 – 0.16 <0.001
gti c z 0.17 -0.32 – 0.66 0.490 -0.14 -0.52 – 0.23 0.462 -0.15 -0.54 – 0.23 0.441 0.32 -0.22 – 0.86 0.243 -0.06 -0.58 – 0.46 0.820
gti t z -0.00 -0.12 – 0.11 0.956 0.04 -0.06 – 0.13 0.469 0.03 -0.07 – 0.12 0.576 0.05 -0.05 – 0.15 0.314 -0.10 -0.18 – -0.01 0.031
gdp c z 1.17 0.60 – 1.74 <0.001 1.06 0.63 – 1.50 <0.001 1.05 0.60 – 1.49 <0.001 1.41 0.78 – 2.03 <0.001 1.68 1.08 – 2.29 <0.001
gpd t z 0.59 0.41 – 0.77 <0.001 0.45 0.30 – 0.60 <0.001 0.48 0.30 – 0.65 <0.001 0.32 0.17 – 0.48 <0.001 0.03 -0.10 – 0.17 0.624
unemployment c z -0.05 -0.59 – 0.49 0.857 -0.31 -0.72 – 0.10 0.139 -0.32 -0.74 – 0.10 0.139 -0.24 -0.83 – 0.35 0.426 0.19 -0.38 – 0.76 0.511
unemployment t z -0.20 -0.33 – -0.07 0.002 -0.18 -0.29 – -0.07 0.001 -0.22 -0.34 – -0.10 <0.001 -0.10 -0.22 – 0.01 0.076 -0.02 -0.11 – 0.08 0.766
as.factor(essround)2 -0.35 -0.59 – -0.12 0.004 -0.29 -0.49 – -0.09 0.005 -0.21 -0.42 – -0.00 0.046 -0.12 -0.30 – 0.07 0.214
as.factor(essround)3 -0.63 -0.89 – -0.37 <0.001 -0.52 -0.74 – -0.31 <0.001 -0.26 -0.44 – -0.08 0.005 -0.26 -0.49 – -0.03 0.024 -0.13 -0.33 – 0.07 0.203
as.factor(essround)4 -0.96 -1.23 – -0.69 <0.001 -0.75 -0.98 – -0.52 <0.001 -0.49 -0.69 – -0.30 <0.001 -0.44 -0.68 – -0.20 <0.001 -0.16 -0.37 – 0.05 0.130
as.factor(essround)5 -1.04 -1.32 – -0.75 <0.001 -0.75 -0.98 – -0.51 <0.001 -0.48 -0.68 – -0.27 <0.001 -0.46 -0.71 – -0.21 <0.001 -0.12 -0.34 – 0.10 0.278
as.factor(essround)6 -1.11 -1.40 – -0.82 <0.001 -0.82 -1.07 – -0.58 <0.001 -0.55 -0.76 – -0.34 <0.001 -0.50 -0.76 – -0.24 <0.001 0.00 -0.23 – 0.23 0.998
as.factor(essround)7 -1.02 -1.33 – -0.71 <0.001 -0.83 -1.09 – -0.58 <0.001 -0.55 -0.78 – -0.32 <0.001 -0.44 -0.71 – -0.16 0.002 0.06 -0.18 – 0.29 0.648
as.factor(essround)8 -0.92 -1.23 – -0.61 <0.001 -0.74 -1.00 – -0.48 <0.001 -0.48 -0.71 – -0.25 <0.001 -0.29 -0.56 – -0.01 0.042 0.39 0.15 – 0.63 0.002
as.factor(essround)9 -1.08 -1.42 – -0.75 <0.001 -0.80 -1.08 – -0.53 <0.001 -0.59 -0.83 – -0.34 <0.001 -0.30 -0.59 – -0.01 0.046 0.46 0.20 – 0.71 <0.001
Random Effects
σ2 5.51 4.79 4.68 5.77 5.50
τ00 0.15 country_wave 0.11 country_wave 0.09 country_wave 0.12 country_wave 0.09 country_wave
0.53 country_name 0.31 country_name 0.33 country_name 0.66 country_name 0.62 country_name
ICC 0.11 0.08 0.08 0.12 0.11
N 228 country_wave 228 country_wave 207 country_wave 228 country_wave 228 country_wave
36 country_name 36 country_name 36 country_name 36 country_name 36 country_name
Observations 418225 420924 379194 418351 424405
Marginal R2 / Conditional R2 0.107 / 0.205 0.110 / 0.180 0.109 / 0.182 0.124 / 0.228 0.127 / 0.226 
#show.ci = FALSE, 
          #p.style = "stars")
plot_model(prl_full)

plot_model(plt_full)

plot_model(prt_full)

plot_model(lgl_full)

plot_model(plc_full)

Countries that includes all nine rounds

if (file.exists("prl_full_subset.rds")) {
    prl_full_subset <- readRDS("prl_full_subset.rds")
} else {
    prl_full_subset <- lmer(trstprl ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(prl_full_subset, file = "prl_full_subset.rds")
}


if (file.exists("plt_full_subset.rds")) {
    plt_full_subset <- readRDS("plt_full_subset.rds")
} else {
    plt_full_subset <- lmer(trstplt ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(plt_full_subset, file = "plt_full_subset.rds")
}


if (file.exists("prt_full_subset.rds")) {
    prt_full_subset <- readRDS("prt_full_subset.rds")
} else {
    prt_full_subset <- lmer(trstprt ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(prt_full_subset, file = "prt_full_subset.rds")
}


if (file.exists("lgl_full_subset.rds")) {
    lgl_full_subset <- readRDS("lgl_full_subset.rds")
} else {
    lgl_full_subset <- lmer(trstlgl ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(lgl_full_subset, file = "lgl_full_subset.rds")
}

if (file.exists("plc_full_subset.rds")) {
    plc_full_subset <- readRDS("plc_full_subset.rds")
} else {
    plc_full_subset <- lmer(trstplc ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(plc_full_subset, file = "plc_full_subset.rds")
}
tab_model(prl_full_subset, plt_full_subset, prt_full_subset, lgl_full_subset, plc_full_subset)
  Trust in country’s
parliament 		Trust in politicians Trust in political
parties 		Trust in the legal system Trust in the police
Predictors Estimates CI p Estimates CI p Estimates CI p Estimates CI p Estimates CI p
(Intercept) 5.03 4.61 – 5.46 <0.001 4.17 3.76 – 4.57 <0.001 3.83 3.42 – 4.24 <0.001 5.11 4.67 – 5.56 <0.001 5.89 5.52 – 6.26 <0.001
Age of
respondent,calculated 		-0.11 -0.13 – -0.09 <0.001 -0.01 -0.02 – 0.01 0.406 -0.14 -0.15 – -0.12 <0.001 -0.29 -0.31 – -0.28 <0.001 0.20 0.18 – 0.22 <0.001
gender dummy 0.14 0.12 – 0.16 <0.001 -0.05 -0.06 – -0.03 <0.001 -0.02 -0.04 – -0.00 0.034 0.08 0.06 – 0.09 <0.001 -0.12 -0.14 – -0.11 <0.001
income dummy: Difficult -0.65 -0.68 – -0.63 <0.001 -0.59 -0.61 – -0.57 <0.001 -0.55 -0.57 – -0.52 <0.001 -0.60 -0.62 – -0.58 <0.001 -0.54 -0.57 – -0.52 <0.001
education dummy: Higher
level education 		0.60 0.57 – 0.62 <0.001 0.32 0.30 – 0.34 <0.001 0.22 0.20 – 0.24 <0.001 0.58 0.56 – 0.60 <0.001 0.22 0.20 – 0.24 <0.001
gti c z -0.09 -0.95 – 0.78 0.842 -0.03 -0.88 – 0.83 0.952 -0.02 -0.92 – 0.88 0.962 0.14 -0.82 – 1.10 0.777 0.03 -0.77 – 0.83 0.950
gti t z 0.00 -0.10 – 0.11 0.946 0.05 -0.04 – 0.15 0.273 0.03 -0.06 – 0.12 0.509 0.06 -0.02 – 0.15 0.154 -0.12 -0.19 – -0.04 0.002
gdp c z 1.06 0.26 – 1.86 0.009 0.88 0.09 – 1.67 0.028 0.88 0.05 – 1.71 0.038 1.09 0.20 – 1.98 0.016 1.01 0.27 – 1.74 0.007
gpd t z 0.49 0.33 – 0.65 <0.001 0.39 0.25 – 0.53 <0.001 0.41 0.25 – 0.57 <0.001 0.20 0.08 – 0.33 0.002 -0.11 -0.22 – 0.00 0.054
unemployment c z -0.20 -0.99 – 0.59 0.620 -0.54 -1.32 – 0.23 0.171 -0.58 -1.41 – 0.24 0.163 -0.46 -1.34 – 0.42 0.304 0.10 -0.63 – 0.83 0.792
unemployment t z -0.26 -0.38 – -0.14 <0.001 -0.20 -0.31 – -0.09 <0.001 -0.26 -0.38 – -0.15 <0.001 -0.14 -0.24 – -0.05 0.004 -0.07 -0.15 – 0.02 0.136
as.factor(essround)2 -0.45 -0.69 – -0.22 <0.001 -0.36 -0.57 – -0.16 0.001 -0.14 -0.33 – 0.05 0.143 0.05 -0.12 – 0.21 0.559
as.factor(essround)3 -0.59 -0.85 – -0.34 <0.001 -0.51 -0.73 – -0.28 <0.001 -0.16 -0.36 – 0.04 0.110 -0.11 -0.31 – 0.09 0.266 0.13 -0.05 – 0.31 0.150
as.factor(essround)4 -0.83 -1.10 – -0.55 <0.001 -0.68 -0.92 – -0.44 <0.001 -0.37 -0.58 – -0.16 0.001 -0.21 -0.42 – 0.00 0.055 0.16 -0.03 – 0.35 0.105
as.factor(essround)5 -0.85 -1.13 – -0.56 <0.001 -0.64 -0.89 – -0.40 <0.001 -0.31 -0.53 – -0.09 0.006 -0.19 -0.41 – 0.04 0.099 0.27 0.07 – 0.46 0.008
as.factor(essround)6 -0.85 -1.14 – -0.55 <0.001 -0.64 -0.90 – -0.38 <0.001 -0.30 -0.53 – -0.07 0.011 -0.15 -0.38 – 0.08 0.208 0.40 0.20 – 0.61 <0.001
as.factor(essround)7 -0.89 -1.19 – -0.59 <0.001 -0.78 -1.05 – -0.52 <0.001 -0.40 -0.64 – -0.16 0.001 -0.20 -0.44 – 0.04 0.095 0.40 0.19 – 0.61 <0.001
as.factor(essround)8 -0.78 -1.09 – -0.48 <0.001 -0.71 -0.98 – -0.43 <0.001 -0.34 -0.59 – -0.10 0.007 -0.10 -0.35 – 0.14 0.420 0.73 0.51 – 0.94 <0.001
as.factor(essround)9 -0.93 -1.26 – -0.60 <0.001 -0.73 -1.02 – -0.44 <0.001 -0.42 -0.69 – -0.15 0.002 -0.02 -0.28 – 0.24 0.874 0.84 0.61 – 1.07 <0.001
Random Effects
σ2 5.12 4.52 4.34 5.29 4.84
τ00 0.10 country_wave 0.08 country_wave 0.07 country_wave 0.06 country_wave 0.05 country_wave
0.43 country_name 0.42 country_name 0.47 country_name 0.54 country_name 0.37 country_name
ICC 0.09 0.10 0.11 0.10 0.08
N 135 country_wave 135 country_wave 120 country_wave 135 country_wave 135 country_wave
15 country_name 15 country_name 15 country_name 15 country_name 15 country_name
Observations 248176 250819 220983 249490 252863
Marginal R2 / Conditional R2 0.113 / 0.196 0.114 / 0.202 0.120 / 0.217 0.121 / 0.211 0.071 / 0.145 
#show.ci = FALSE
          #p.style = "stars"
          #)
plot_model(prl_full_subset)

plot_model(plt_full_subset)

plot_model(prt_full_subset)

plot_model(lgl_full_subset)

plot_model(plc_full_subset)

with winlose variable included

if (file.exists("prl_full_subset_wl.rds")) {
    prl_full_subset_wl <- readRDS("prl_full_subset_wl.rds")
} else {
    prl_full_subset_wl <- lmer(trstprl ~ agea_z + gender_dummy + income_dummy + education_dummy + winlose +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(prl_full_subset_wl, file = "prl_full_subset_wl.rds")
}


if (file.exists("plt_full_subset_wl.rds")) {
    plt_full_subset_wl <- readRDS("plt_full_subset_wl.rds")
} else {
    plt_full_subset_wl <- lmer(trstplt ~ agea_z + gender_dummy + income_dummy + education_dummy + winlose +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(plt_full_subset_wl, file = "plt_full_subset_wl.rds")
}


if (file.exists("prt_full_subset_wl.rds")) {
    prt_full_subset_wl <- readRDS("prt_full_subset_wl.rds")
} else {
    prt_full_subset_wl <- lmer(trstprt ~ agea_z + gender_dummy + income_dummy + education_dummy + winlose +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(prt_full_subset_wl, file = "prt_full_subset_wl.rds")
}


if (file.exists("lgl_full_subset_wl.rds")) {
    lgl_full_subset_wl <- readRDS("lgl_full_subset_wl.rds")
} else {
    lgl_full_subset_wl <- lmer(trstlgl ~ agea_z + gender_dummy + income_dummy + education_dummy + winlose +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(lgl_full_subset_wl, file = "lgl_full_subset_wl.rds")
}


if (file.exists("plc_full_subset_wl.rds")) {
    plc_full_subset_wl <- readRDS("plc_full_subset_wl.rds")
} else {
    plc_full_subset_wl <- lmer(trstplc ~ agea_z + gender_dummy + income_dummy + education_dummy + winlose +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(plc_full_subset_wl, file = "plc_full_subset_wl.rds")
}



if (file.exists("plc_full_subset.rds")) {
    plc_full_subset <- readRDS("plc_full_subset.rds")
} else {
    plc_full_subset <- lmer(trstplc ~ agea_z + gender_dummy + income_dummy + education_dummy +
                      gti_c_z + gti_t_z + gdp_c_z + gpd_t_z + unemployment_c_z + unemployment_t_z + as.factor(essround) +
                            (1|country_wave) + (1|country_name), data = subset(ess_qog_final, all_rounds == 1))
    saveRDS(plc_full_subset, file = "plc_full_subset.rds")
}
tab_model(prl_full_subset_wl, plt_full_subset_wl, prt_full_subset_wl, lgl_full_subset_wl, plc_full_subset_wl)
  Trust in country’s
parliament 		Trust in politicians Trust in political
parties 		Trust in the legal system Trust in the police
Predictors Estimates CI p Estimates CI p Estimates CI p Estimates CI p Estimates CI p
(Intercept) 4.84 4.40 – 5.27 <0.001 4.03 3.62 – 4.45 <0.001 3.77 3.35 – 4.19 <0.001 4.97 4.50 – 5.43 <0.001 5.78 5.40 – 6.15 <0.001
Age of
respondent,calculated 		-0.01 -0.04 – 0.01 0.234 0.16 0.14 – 0.19 <0.001 0.07 0.04 – 0.09 <0.001 -0.23 -0.25 – -0.20 <0.001 0.22 0.20 – 0.25 <0.001
gender dummy 0.19 0.17 – 0.21 <0.001 -0.02 -0.04 – 0.00 0.061 0.00 -0.02 – 0.02 0.929 0.13 0.11 – 0.15 <0.001 -0.06 -0.08 – -0.04 <0.001
income dummy: Difficult -0.63 -0.66 – -0.60 <0.001 -0.58 -0.61 – -0.55 <0.001 -0.53 -0.56 – -0.50 <0.001 -0.58 -0.62 – -0.55 <0.001 -0.49 -0.52 – -0.46 <0.001
education dummy: Higher
level education 		0.64 0.61 – 0.66 <0.001 0.38 0.35 – 0.40 <0.001 0.29 0.26 – 0.31 <0.001 0.63 0.60 – 0.66 <0.001 0.24 0.21 – 0.26 <0.001
winlose 0.64 0.61 – 0.66 <0.001 0.47 0.45 – 0.49 <0.001 0.37 0.35 – 0.39 <0.001 0.33 0.31 – 0.36 <0.001 0.29 0.27 – 0.31 <0.001
gti c z -0.05 -0.91 – 0.81 0.909 -0.02 -0.86 – 0.82 0.967 -0.04 -0.94 – 0.86 0.930 0.17 -0.84 – 1.18 0.746 0.03 -0.76 – 0.82 0.936
gti t z -0.01 -0.13 – 0.11 0.835 0.03 -0.07 – 0.14 0.540 0.02 -0.09 – 0.13 0.718 0.06 -0.03 – 0.16 0.167 -0.13 -0.21 – -0.04 0.003
gdp c z 0.93 0.14 – 1.73 0.021 0.78 0.01 – 1.55 0.048 0.75 -0.07 – 1.58 0.074 1.01 0.08 – 1.94 0.034 0.97 0.24 – 1.70 0.009
gpd t z 0.46 0.28 – 0.63 <0.001 0.35 0.19 – 0.51 <0.001 0.37 0.18 – 0.57 <0.001 0.18 0.04 – 0.31 0.010 -0.13 -0.25 – -0.01 0.037
unemployment c z -0.22 -1.01 – 0.56 0.575 -0.55 -1.31 – 0.22 0.159 -0.61 -1.43 – 0.21 0.146 -0.56 -1.49 – 0.36 0.231 0.12 -0.60 – 0.84 0.741
unemployment t z -0.28 -0.41 – -0.15 <0.001 -0.24 -0.36 – -0.12 <0.001 -0.30 -0.44 – -0.16 <0.001 -0.15 -0.25 – -0.05 0.005 -0.07 -0.16 – 0.03 0.153
as.factor(essround)2 -0.44 -0.70 – -0.19 0.001 -0.35 -0.59 – -0.12 0.003 -0.10 -0.30 – 0.10 0.329 0.09 -0.09 – 0.27 0.316
as.factor(essround)3 -0.61 -0.89 – -0.34 <0.001 -0.50 -0.76 – -0.25 <0.001 -0.16 -0.39 – 0.06 0.157 -0.10 -0.31 – 0.12 0.368 0.14 -0.05 – 0.34 0.158
as.factor(essround)4 -0.89 -1.19 – -0.59 <0.001 -0.72 -0.99 – -0.45 <0.001 -0.42 -0.66 – -0.17 0.001 -0.23 -0.46 – 0.00 0.052 0.14 -0.07 – 0.35 0.179
as.factor(essround)5 -0.86 -1.16 – -0.55 <0.001 -0.66 -0.94 – -0.37 <0.001 -0.34 -0.59 – -0.08 0.009 -0.17 -0.41 – 0.07 0.161 0.29 0.07 – 0.51 0.009
as.factor(essround)6 -0.90 -1.23 – -0.58 <0.001 -0.71 -1.00 – -0.41 <0.001 -0.36 -0.63 – -0.10 0.008 -0.16 -0.41 – 0.09 0.211 0.39 0.16 – 0.61 0.001
as.factor(essround)7 -0.89 -1.22 – -0.56 <0.001 -0.78 -1.08 – -0.48 <0.001 -0.41 -0.69 – -0.14 0.003 -0.17 -0.43 – 0.08 0.188 0.41 0.17 – 0.64 0.001
as.factor(essround)8 -0.79 -1.13 – -0.44 <0.001 -0.69 -1.01 – -0.38 <0.001 -0.35 -0.64 – -0.06 0.017 -0.09 -0.35 – 0.18 0.527 0.73 0.49 – 0.97 <0.001
as.factor(essround)9 -0.95 -1.33 – -0.56 <0.001 -0.71 -1.06 – -0.35 <0.001 -0.41 -0.75 – -0.08 0.017 0.01 -0.29 – 0.31 0.965 0.84 0.57 – 1.12 <0.001
Random Effects
σ2 4.80 4.27 4.10 4.99 4.35
τ00 0.12 country_wave 0.10 country_wave 0.09 country_wave 0.07 country_wave 0.06 country_wave
0.42 country_name 0.40 country_name 0.46 country_name 0.60 country_name 0.36 country_name
ICC 0.10 0.11 0.12 0.12 0.09
N 132 country_wave 132 country_wave 117 country_wave 132 country_wave 132 country_wave
15 country_name 15 country_name 15 country_name 15 country_name 15 country_name
Observations 154238 154849 136240 154076 155224
Marginal R2 / Conditional R2 0.126 / 0.214 0.121 / 0.214 0.122 / 0.227 0.132 / 0.234 0.074 / 0.156 
          #p.style = "stars")
plot_model(prl_full_subset_wl)

plot_model(plt_full_subset_wl)

plot_model(prt_full_subset_wl)

plot_model(lgl_full_subset_wl)

plot_model(plc_full_subset_wl)