#
# plot data
pacman::p_load(tidyverse, reshape, lm.beta, arm, coefplot, multiplot, data.table)
## Installing package into 'C:/Users/user/Documents/R/win-library/3.4'
## (as 'lib' is unspecified)
## Warning: package 'multiplot' is not available (for R version 3.4.3)
## Bioconductor version 3.6 (BiocInstaller 1.28.0), ?biocLite for help
## A new version of Bioconductor is available after installing the most
## recent version of R; see http://bioconductor.org/install
## Warning in p_install(package, character.only = TRUE, ...):
## Warning in library(package, lib.loc = lib.loc, character.only = TRUE,
## logical.return = TRUE, : there is no package called 'multiplot'
## Warning in pacman::p_load(tidyverse, reshape, lm.beta, arm, coefplot, multiplot, : Failed to install/load:
## multiplot
dta <- read.csv("年度與學歷薪資.csv", header = TRUE)
#
mdta<-melt(dta,id.vars="學歷")
names(mdta)[2:3] <-c("年度", "薪資")
mdta <- mdta %>% mutate(薪資 = as.numeric(薪資),
年度 = as.numeric(年度))
#年度 學歷薪資 vs GDP
ggplot(mdta, aes(x = as.numeric(年度) , y = 薪資, col = 學歷))+
geom_point(alpha = 0.5)+
geom_line(size = 0.5)+
geom_text(aes(label =薪資, vjust = -.4), size=4)+
scale_x_continuous(breaks=seq(1,6, by = 1),labels=c('2000','2006','2010','2014','2015','2016'))+
scale_y_continuous(limits = c(19000,63000))+
labs(x = "年", y = "薪資")+
theme_bw()
#
# model data
dta <- read.csv("data0505.csv", header = T)
options(digits = 3)
dta <- dta %>% mutate( Gender = relevel(Gender, ref = "女"),
Sector = relevel(Sector, ref = "私立"),
Field = relevel(Field, ref = "大眾傳播學群"),
EduLv = factor(EduLv, levels=c("博士","碩士","普通大學","科技大學",
"技術學院","五專","三專",
"二專","高中","高職","國中")),
EduLv = relevel(EduLv, ref = "技術學院"),
Region = factor(Region, levels =c("宜花東離島","北北基","桃竹苗",
"中彰投","雲嘉南","高屏澎")),
Age = as.numeric(Age),
J_year = as.numeric(J_year),
JobZone = as.numeric(JobZone),
EduZone = as.numeric(EduZone),
JobZone_D = as.numeric(EduZone-JobZone),
Salary = as.numeric(Salary),
SubEduOver = relevel(SubEduOver, ref="符合工作要求"),
Core = recode_factor(as.factor(JobCor), "1" = "無關聯",
"2" = "部分關聯",
"3" = "核心關聯"),
SubEduOver = factor(SubEduOver,levels =c("符合工作要求","高於工作要求","低於工作要求")))
# data construction
glimpse(dta)
## Observations: 1,571
## Variables: 26
## $ SID <fctr> A1, A10, A100, A102, A103, A104, A105, A106, A107...
## $ Gender <fctr> 女, 女, 女, 女, 男, 女, 女, 女, 女, 女, 女, 男, 男, 男, 女, 男, 男...
## $ Sector <fctr> 國立（公立）, 國立（公立）, 私立, 國立（公立）, 國立（公立）, 國立（公立）, 國立（公立...
## $ EduLv <fctr> 碩士, 碩士, 普通大學, 普通大學, 高職, 普通大學, 普通大學, 普通大學, 普通大學, 普...
## $ SubEduOver <fctr> 符合工作要求, 高於工作要求, 符合工作要求, 符合工作要求, 符合工作要求, 符合工作要求, 符...
## $ Require <fctr> 碩士, 高中/高職, 普通大學, 普通大學, 高中/高職, 普通大學, 普通大學, 普通大學, 普...
## $ Field <fctr> 教育學群, 資訊學群, 外語學群, 教育學群, 工程學群, 文史哲學群, 文史哲學群, 大眾傳播學...
## $ City <fctr> 臺南市, 高雄市, 苗栗縣, 新北市, 高雄市, 南投縣, 嘉義市, 臺北市, 臺北市, 南投縣,...
## $ Category <fctr> 受雇於公營機關, 受雇於公營機關, 受雇於公營機關, 受雇於公營機關, 受雇者於私營企業, 受雇於...
## $ Staff <fctr> 10-29人, 50-99人, 50-99人, 10-29人, 2-9人, 100-199人, 1...
## $ Hours <int> 48, 40, 70, 50, 57, 51, 64, 50, 50, 47, 50, 60, 45...
## $ J_year <dbl> 2, 8, 4, 1, 21, 1, 6, 0, 1, 1, 17, 7, 3, 23, 1, 2,...
## $ J_total <dbl> 2, 8, 4, 1, 30, 1, 6, 0, 2, 2, 28, 7, 30, 26, 1, 1...
## $ income <fctr> 2萬以下, 2-3萬以下, 3-4萬以下, 4-5萬以下, 3-4萬以下, 4-5萬以下, 2萬以...
## $ SubMismatch <int> 4, 2, 3, 4, 5, 4, 5, 4, 3, 3, 4, 4, 4, 4, 5, 5, 3,...
## $ JobSat <int> 6, 4, 3, 5, 5, 6, 7, 5, 3, 6, 3, 5, 4, 7, 3, 4, 4,...
## $ EduZone <dbl> 5, 5, 4, 4, 2, 4, 4, 4, 4, 4, 5, 5, 3, 5, 4, 4, 4,...
## $ Region <fctr> 雲嘉南, 高屏澎, 桃竹苗, 北北基, 高屏澎, 中彰投, 雲嘉南, 北北基, 北北基, 中彰投,...
## $ Salary <dbl> 20000, 25000, 35000, 45000, 35000, 45000, 20000, 3...
## $ Age <dbl> 26, 34, 30, 25, 62, 25, 21, 24, 25, 26, 57, 35, 54...
## $ JobZone <dbl> 4, 3, 4, 4, 3, 4, 4, 4, 4, 4, 4, 4, 4, 5, 4, 4, 3,...
## $ JobCor <int> 3, 1, 2, 3, 1, 2, 1, 3, 1, 1, 1, 3, 1, 1, 3, 1, 3,...
## $ Core <fctr> 核心關聯, 無關聯, 部分關聯, 核心關聯, 無關聯, 部分關聯, 無關聯, 核心關聯, 無關聯,...
## $ ObjOver <fctr> over, over, adequate, adequate, under, adequate, ...
## $ X <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA...
## $ JobZone_D <dbl> 1, 2, 0, 0, -1, 0, 0, 0, 0, 0, 1, 1, -1, 0, 0, 0, ...
# check and pick out
lapply(dta[,c("Sector", "Field", "City", "Region","EduLv", "SubEduOver", "ObjOver")], levels)
## $Sector
## [1] "私立" "國外學校" "國立（公立）"
##
## $Field
## [1] "大眾傳播學群" "工程學群" "文史哲學群" "外語學群"
## [5] "生命科學學群" "生物資源學群" "地球與環境學群" "法政學群"
## [9] "社會與心理學群" "建築與設計學群" "財經學群" "教育學群"
## [13] "資訊學群" "遊憩與運動學群" "管理學群" "數理化學群"
## [17] "醫藥衛生學群" "藝術學群"
##
## $City
## [1] "宜蘭縣" "花蓮縣" "金門縣" "南投縣" "屏東縣" "苗栗縣" "桃園市"
## [8] "高雄市" "基隆市" "雲林縣" "新北市" "新竹市" "新竹縣" "嘉義市"
## [15] "嘉義縣" "彰化縣" "臺中市" "臺北市" "臺東縣" "臺南市" "澎湖縣"
##
## $Region
## [1] "宜花東離島" "北北基" "桃竹苗" "中彰投" "雲嘉南"
## [6] "高屏澎"
##
## $EduLv
## [1] "技術學院" "博士" "碩士" "普通大學" "科技大學" "五專"
## [7] "三專" "二專" "高中" "高職" "國中"
##
## $SubEduOver
## [1] "符合工作要求" "高於工作要求" "低於工作要求"
##
## $ObjOver
## [1] "adequate" "over" "under"
# pick out
names(dta)
## [1] "SID" "Gender" "Sector" "EduLv" "SubEduOver"
## [6] "Require" "Field" "City" "Category" "Staff"
## [11] "Hours" "J_year" "J_total" "income" "SubMismatch"
## [16] "JobSat" "EduZone" "Region" "Salary" "Age"
## [21] "JobZone" "JobCor" "Core" "ObjOver" "X"
## [26] "JobZone_D"
po <- dplyr::select(dta, -City, -income, -JobSat, -X)%>%
filter(Age <= 65 & Age >= 20 & Category != "自營者" )
p<- filter(po, Age <= 40)
p <- p[p$EduLv %in% c("博士","碩士", "普通大學", "科技大學", "技術學院"),]
p <- p %>% mutate( EduLv = factor(EduLv, levels=c("博士","碩士","普通大學","科技大學",
"技術學院")),
EduLv = relevel(EduLv, ref = "技術學院"),
Category = factor(Category,levels=c("受雇者於私營企業","受雇於公營機關")))
# Fit the null model
null <- lm(Salary ~1, data= p)
# 最終模型設定
# 薪資對性別 / 公私立.教育程度.學群
a2 <- update(null,~.+Gender+Sector+ EduLv+ Field)
summary(a2)
##
## Call:
## lm(formula = Salary ~ Gender + Sector + EduLv + Field, data = p)
##
## Residuals:
## Min 1Q Median 3Q Max
## -43136 -10413 -2259 5813 237764
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30928.0 4558.8 6.78 1.8e-11 ***
## Gender男 6492.6 1276.1 5.09 4.1e-07 ***
## Sector國外學校 9498.6 4767.1 1.99 0.04652 *
## Sector國立（公立） 3592.6 1306.3 2.75 0.00604 **
## EduLv博士 23012.9 9514.4 2.42 0.01571 *
## EduLv碩士 14522.3 3592.3 4.04 5.6e-05 ***
## EduLv普通大學 2015.2 3500.7 0.58 0.56494
## EduLv科技大學 -3962.4 3585.3 -1.11 0.26928
## Field工程學群 12600.3 3457.1 3.64 0.00028 ***
## Field文史哲學群 -1491.4 3789.0 -0.39 0.69393
## Field外語學群 3414.7 3865.7 0.88 0.37722
## Field生命科學學群 240.0 4615.3 0.05 0.95854
## Field生物資源學群 -547.3 5240.0 -0.10 0.91683
## Field地球與環境學群 740.7 5320.5 0.14 0.88930
## Field法政學群 1532.0 3968.8 0.39 0.69955
## Field社會與心理學群 -81.9 3499.3 -0.02 0.98134
## Field建築與設計學群 6700.7 4205.9 1.59 0.11136
## Field財經學群 4779.5 3614.7 1.32 0.18631
## Field教育學群 2957.0 3675.1 0.80 0.42119
## Field資訊學群 7586.6 3626.7 2.09 0.03664 *
## Field遊憩與運動學群 1678.8 4883.0 0.34 0.73105
## Field管理學群 -1853.8 3507.0 -0.53 0.59717
## Field數理化學群 5671.7 4038.7 1.40 0.16045
## Field醫藥衛生學群 10851.3 3665.8 2.96 0.00313 **
## Field藝術學群 -5917.2 4716.1 -1.25 0.20981
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 19800 on 1318 degrees of freedom
## Multiple R-squared: 0.231, Adjusted R-squared: 0.217
## F-statistic: 16.5 on 24 and 1318 DF, p-value: <2e-16
# 薪資對性別 / 公私立.教育程度.學群 / 總年資.工時
a3 <- update(null,~.+Gender+Sector+ EduLv+ Field +J_total+ Hours)
summary(a3)
##
## Call:
## lm(formula = Salary ~ Gender + Sector + EduLv + Field + J_total +
## Hours, data = p)
##
## Residuals:
## Min 1Q Median 3Q Max
## -42197 -10051 -1733 6178 228906
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13930.9 5178.4 2.69 0.00723 **
## Gender男 6189.8 1241.0 4.99 6.9e-07 ***
## Sector國外學校 9839.6 4635.0 2.12 0.03395 *
## Sector國立（公立） 4422.2 1275.0 3.47 0.00054 ***
## EduLv博士 22094.8 9252.7 2.39 0.01708 *
## EduLv碩士 15183.0 3498.4 4.34 1.5e-05 ***
## EduLv普通大學 4311.1 3418.2 1.26 0.20745
## EduLv科技大學 -2976.4 3488.7 -0.85 0.39373
## Field工程學群 12072.2 3365.5 3.59 0.00035 ***
## Field文史哲學群 -3706.2 3691.8 -1.00 0.31560
## Field外語學群 2264.1 3759.9 0.60 0.54716
## Field生命科學學群 447.9 4487.1 0.10 0.92050
## Field生物資源學群 568.0 5095.1 0.11 0.91124
## Field地球與環境學群 -1570.0 5181.1 -0.30 0.76193
## Field法政學群 686.2 3859.4 0.18 0.85890
## Field社會與心理學群 -650.7 3402.2 -0.19 0.84836
## Field建築與設計學群 5219.0 4094.3 1.27 0.20264
## Field財經學群 3454.0 3516.8 0.98 0.32621
## Field教育學群 686.2 3581.5 0.19 0.84809
## Field資訊學群 7473.2 3525.4 2.12 0.03421 *
## Field遊憩與運動學群 2073.3 4747.1 0.44 0.66237
## Field管理學群 -2286.0 3409.9 -0.67 0.50272
## Field數理化學群 4491.3 3928.1 1.14 0.25310
## Field醫藥衛生學群 10270.2 3567.4 2.88 0.00406 **
## Field藝術學群 -6912.2 4585.8 -1.51 0.13197
## J_total 1062.3 130.8 8.12 1.1e-15 ***
## Hours 221.8 56.3 3.94 8.5e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 19200 on 1316 degrees of freedom
## Multiple R-squared: 0.274, Adjusted R-squared: 0.26
## F-statistic: 19.1 on 26 and 1316 DF, p-value: <2e-16
# 薪資對性別 / 公私立.教育程度.學群 / 年資.工時 / 自評過量.自評關聯
a42 <- update(null,~.+Gender+Sector+ EduLv+ Field +J_total+ Hours+ SubEduOver+SubMismatch)
summary(a42)
##
## Call:
## lm(formula = Salary ~ Gender + Sector + EduLv + Field + J_total +
## Hours + SubEduOver + SubMismatch, data = p)
##
## Residuals:
## Min 1Q Median 3Q Max
## -44066 -10027 -1662 6144 222306
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11099.0 5257.2 2.11 0.03495 *
## Gender男 6977.7 1212.7 5.75 1.1e-08 ***
## Sector國外學校 13865.8 4536.8 3.06 0.00229 **
## Sector國立（公立） 4088.7 1247.0 3.28 0.00107 **
## EduLv博士 18499.9 9037.9 2.05 0.04086 *
## EduLv碩士 14258.0 3427.5 4.16 3.4e-05 ***
## EduLv普通大學 3816.2 3328.0 1.15 0.25171
## EduLv科技大學 -3435.1 3398.3 -1.01 0.31228
## Field工程學群 11763.3 3287.5 3.58 0.00036 ***
## Field文史哲學群 -3596.7 3600.7 -1.00 0.31803
## Field外語學群 2339.5 3663.0 0.64 0.52314
## Field生命科學學群 2897.6 4383.5 0.66 0.50871
## Field生物資源學群 1380.9 4975.4 0.28 0.78140
## Field地球與環境學群 -906.5 5061.2 -0.18 0.85788
## Field法政學群 1462.0 3763.6 0.39 0.69775
## Field社會與心理學群 -2051.2 3318.5 -0.62 0.53662
## Field建築與設計學群 5661.2 3989.3 1.42 0.15611
## Field財經學群 2479.6 3425.6 0.72 0.46930
## Field教育學群 -1177.9 3504.3 -0.34 0.73683
## Field資訊學群 7131.0 3444.9 2.07 0.03864 *
## Field遊憩與運動學群 1131.5 4633.5 0.24 0.80712
## Field管理學群 -1378.1 3327.6 -0.41 0.67883
## Field數理化學群 4267.0 3830.9 1.11 0.26555
## Field醫藥衛生學群 9049.4 3486.8 2.60 0.00956 **
## Field藝術學群 -6521.4 4469.6 -1.46 0.14479
## J_total 1066.8 128.0 8.34 < 2e-16 ***
## Hours 243.3 54.9 4.43 1.0e-05 ***
## SubEduOver高於工作要求 -7781.9 1372.4 -5.67 1.8e-08 ***
## SubEduOver低於工作要求 -7421.3 1761.1 -4.21 2.7e-05 ***
## SubMismatch 1582.4 466.0 3.40 0.00070 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18700 on 1313 degrees of freedom
## Multiple R-squared: 0.314, Adjusted R-squared: 0.299
## F-statistic: 20.7 on 29 and 1313 DF, p-value: <2e-16
# 薪資對性別 / 公私立.教育程度.學群 / 年資.工時 / 客評過量.客評關聯
a52 <- update(null,~.+Gender+Sector+ EduLv+ Field +J_total+ Hours+ ObjOver+ Core)
summary(a52)
##
## Call:
## lm(formula = Salary ~ Gender + Sector + EduLv + Field + J_total +
## Hours + ObjOver + Core, data = p)
##
## Residuals:
## Min 1Q Median 3Q Max
## -46227 -9947 -1726 6485 231551
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 15922.6 5197.2 3.06 0.00223 **
## Gender男 5963.6 1229.2 4.85 1.4e-06 ***
## Sector國外學校 9159.8 4580.2 2.00 0.04572 *
## Sector國立（公立） 4324.9 1262.7 3.43 0.00063 ***
## EduLv博士 20827.1 9145.2 2.28 0.02292 *
## EduLv碩士 15521.3 3476.1 4.47 8.7e-06 ***
## EduLv普通大學 3157.1 3386.4 0.93 0.35136
## EduLv科技大學 -4071.9 3449.3 -1.18 0.23801
## Field工程學群 12327.2 3345.0 3.69 0.00024 ***
## Field文史哲學群 -4704.0 3676.6 -1.28 0.20096
## Field外語學群 2000.1 3753.8 0.53 0.59425
## Field生命科學學群 1448.5 4453.1 0.33 0.74502
## Field生物資源學群 1674.1 5054.3 0.33 0.74053
## Field地球與環境學群 -2724.3 5150.7 -0.53 0.59694
## Field法政學群 1103.1 3861.9 0.29 0.77520
## Field社會與心理學群 -2596.0 3423.9 -0.76 0.44847
## Field建築與設計學群 4417.8 4051.8 1.09 0.27577
## Field財經學群 3699.1 3492.5 1.06 0.28972
## Field教育學群 -491.2 3563.6 -0.14 0.89039
## Field資訊學群 6545.6 3500.0 1.87 0.06168 .
## Field遊憩與運動學群 3199.1 4702.1 0.68 0.49640
## Field管理學群 -1921.0 3406.0 -0.56 0.57285
## Field數理化學群 4413.0 3886.2 1.14 0.25635
## Field醫藥衛生學群 8534.6 3613.7 2.36 0.01834 *
## Field藝術學群 -7535.1 4533.0 -1.66 0.09669 .
## J_total 1076.0 130.0 8.28 3.0e-16 ***
## Hours 214.3 55.6 3.85 0.00012 ***
## ObjOverover -3459.5 1320.6 -2.62 0.00890 **
## ObjOverunder 7064.9 2872.9 2.46 0.01406 *
## Core部分關聯 5600.9 1636.7 3.42 0.00064 ***
## Core核心關聯 2761.5 1356.3 2.04 0.04194 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 19000 on 1312 degrees of freedom
## Multiple R-squared: 0.295, Adjusted R-squared: 0.279
## F-statistic: 18.3 on 30 and 1312 DF, p-value: <2e-16
# 薪資對性別 / 公私立.教育程度.學群 / 年資.工時 / 自評過量.客評關聯
a6 <- update(null,~.+Gender+Sector+ EduLv+ Field +J_total+ Hours+ SubEduOver+ Core)
summary(a6)
##
## Call:
## lm(formula = Salary ~ Gender + Sector + EduLv + Field + J_total +
## Hours + SubEduOver + Core, data = p)
##
## Residuals:
## Min 1Q Median 3Q Max
## -48434 -9862 -1803 6214 226660
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 15293.4 5063.9 3.02 0.00258 **
## Gender男 6782.4 1211.9 5.60 2.7e-08 ***
## Sector國外學校 13093.9 4537.1 2.89 0.00397 **
## Sector國立（公立） 4107.8 1247.4 3.29 0.00102 **
## EduLv博士 19420.7 9024.0 2.15 0.03157 *
## EduLv碩士 14803.1 3415.7 4.33 1.6e-05 ***
## EduLv普通大學 3830.1 3329.2 1.15 0.25017
## EduLv科技大學 -3293.0 3397.6 -0.97 0.33262
## Field工程學群 11734.5 3290.9 3.57 0.00038 ***
## Field文史哲學群 -4293.0 3627.1 -1.18 0.23679
## Field外語學群 1785.4 3691.1 0.48 0.62868
## Field生命科學學群 2523.1 4383.0 0.58 0.56495
## Field生物資源學群 331.4 4963.9 0.07 0.94678
## Field地球與環境學群 -1736.8 5092.9 -0.34 0.73315
## Field法政學群 1489.5 3764.4 0.40 0.69240
## Field社會與心理學群 -1924.2 3317.6 -0.58 0.56202
## Field建築與設計學群 5091.3 3996.9 1.27 0.20296
## Field財經學群 2390.1 3429.5 0.70 0.48598
## Field教育學群 -1491.9 3517.5 -0.42 0.67154
## Field資訊學群 6308.1 3456.3 1.83 0.06821 .
## Field遊憩與運動學群 1696.2 4638.1 0.37 0.71463
## Field管理學群 -1798.0 3343.5 -0.54 0.59083
## Field數理化學群 4700.5 3832.7 1.23 0.22026
## Field醫藥衛生學群 8746.1 3499.7 2.50 0.01257 *
## Field藝術學群 -7074.2 4473.6 -1.58 0.11405
## J_total 1057.4 128.2 8.25 3.8e-16 ***
## Hours 238.4 54.9 4.34 1.5e-05 ***
## SubEduOver高於工作要求 -8439.2 1324.8 -6.37 2.6e-10 ***
## SubEduOver低於工作要求 -8310.6 1731.7 -4.80 1.8e-06 ***
## Core部分關聯 4832.8 1616.3 2.99 0.00284 **
## Core核心關聯 3087.6 1293.4 2.39 0.01712 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18700 on 1312 degrees of freedom
## Multiple R-squared: 0.314, Adjusted R-squared: 0.298
## F-statistic: 20 on 30 and 1312 DF, p-value: <2e-16
# coefplot
# model 1
# coef
dt <- data.table::setDT(as.data.frame(summary(a2)$coefficients[, 1:2]),T)
rn <- dt$rn # save the levels from rownames
dt <- dt %>% mutate( rn = factor(rn, levels = rn)) # appoint the levels to data
# plot
ggplot(dt, aes(rn, Estimate)) +
geom_hline(yintercept=0, lty=2, lwd=1, colour="grey50") +
geom_errorbar(aes(ymin=Estimate-1.96*`Std. Error`,
ymax=Estimate+1.96*`Std. Error`),
lwd=1, colour="#99CCCC", width=0) +
geom_errorbar(aes(ymin=Estimate-`Std. Error`,
ymax=Estimate+`Std. Error`),
lwd=1.5, colour="steelblue", width=0) +
geom_point(size=3, pch=16) +
# set digtal and vertical adjust the text
geom_text(aes(label = round(dt$Estimate, 2)),size=3.5, vjust = -.5)+
labs(x = "係數", y = "變項")+
coord_flip()+
theme_bw()
#
# model 2
# coef
dt <- data.table::setDT(as.data.frame(summary(a3)$coefficients[, 1:2]), keep.rownames = T)
rn <- dt$rn # save the levels from rownames
dt <- dt %>% mutate( rn = factor(rn, levels = rn)) # appoint the levels to data
# plot
ggplot(dt, aes(rn, Estimate)) +
geom_hline(yintercept=0, lty=2, lwd=1, colour="grey50") +
geom_errorbar(aes(ymin=Estimate-1.96*`Std. Error`,
ymax=Estimate+1.96*`Std. Error`),
lwd=1, colour="#99CCCC", width=0) +
geom_errorbar(aes(ymin=Estimate-`Std. Error`,
ymax=Estimate+`Std. Error`),
lwd=1.5, colour="steelblue", width=0) +
geom_point(size=3, pch=16) +
# set digtal and vertical adjust the text
geom_text(aes(label = round(dt$Estimate, 2)),size=3.5, vjust = -.5)+
labs(x = "係數", y = "變項")+
coord_flip()+
theme_bw()
#
# model 3a
# coef
dt <- data.table::setDT(as.data.frame(summary(a42)$coefficients[, 1:2]), keep.rownames = T)
rn <- dt$rn # save the levels from rownames
dt <- dt %>% mutate( rn = c("截距",
"男",
"國外學校",
"國立（公立）",
"博士",
"碩士",
"普通大學",
"科技大學",
"工程學群",
"文史哲學群",
"外語學群",
"生命科學學群",
"生物資源學群",
"地球與環境學群",
"法政學群",
"社會與心理學群",
"建築與設計學群",
"財經學群",
"教育學群",
"資訊學群",
"遊憩與運動學群",
"管理學群",
"數理化學群",
"醫藥衛生學群",
"藝術學群",
"總年資",
"每週工時",
"高於工作要求",
"低於工作要求",
"學非所用程度")) # appoint the levels to data
# plot
ggplot(dt, aes(reorder(rn, Estimate), Estimate)) +
geom_hline(yintercept=0, lty=2, lwd=1, colour="grey50") +
geom_errorbar(aes(ymin=Estimate-1.96*`Std. Error`,
ymax=Estimate+1.96*`Std. Error`),
lwd=1, colour="#99CCCC", width=0) +
geom_errorbar(aes(ymin=Estimate-`Std. Error`,
ymax=Estimate+`Std. Error`),
lwd=1.5, colour="steelblue", width=0) +
geom_point(size=3, pch=16) +
# set digtal and vertical adjust the text
geom_text(aes(label = round(dt$Estimate, 2)),size=3.5, vjust = -.5)+
labs(x = "係數", y = "變項")+
coord_flip()+
theme_bw()
#
# model 3b
# coef
dt <- data.table::setDT(as.data.frame(summary(a52)$coefficients[, 1:2]), keep.rownames = T)
rn <- dt$rn # save the levels from rownames
dt <- dt %>% mutate( rn = c("截距",
"男",
"國外學校",
"國立（公立）",
"博士",
"碩士",
"普通大學",
"科技大學",
"工程學群",
"文史哲學群",
"外語學群",
"生命科學學群",
"生物資源學群",
"地球與環境學群",
"法政學群",
"社會與心理學群",
"建築與設計學群",
"財經學群",
"教育學群",
"資訊學群",
"遊憩與運動學群",
"管理學群",
"數理化學群",
"醫藥衛生學群",
"藝術學群",
"總年資",
"每週工時",
"高於工作要求",
"低於工作要求",
"學用部份關聯",
"學用核心關聯")) # appoint the levels to data
# plot
ggplot(dt, aes(reorder(rn, Estimate), Estimate)) +
geom_hline(yintercept=0, lty=2, lwd=1, colour="grey50") +
geom_errorbar(aes(ymin=Estimate-1.96*`Std. Error`,
ymax=Estimate+1.96*`Std. Error`),
lwd=1, colour="#99CCCC", width=0) +
geom_errorbar(aes(ymin=Estimate-`Std. Error`,
ymax=Estimate+`Std. Error`),
lwd=1.5, colour="steelblue", width=0) +
geom_point(size=3, pch=16) +
# set digtal and vertical adjust the text
geom_text(aes(label = round(dt$Estimate, 2)),size=3.5, vjust = -.5)+
labs(x = "係數", y = "變項")+
coord_flip()+
theme_bw()
