Gruppenaufgabe 1
Krispin Krüger, Lazar Panić, Diellza Lokaj
2022-05-23
1. Packages einlesen
1.1 Datensatz einlesen
mit setwd() und getwd() kann das Verzeichnis verändert werden
mit foreign kann über read.spss der Datensatz eingelesen werden
mit subset bildet sich ein neuer Datensatz der nur die Fälle drinne hat die auf der Ländervariable DE beinhalten
2. Politisches Wissen - Unabhänige Variable
Politisches Wissen wird über zwei verschiedene Skalen gemessen (pol. Wissen 1 und 2), welche auf dem Albus Wissensquiz basieren. Bei diesem gibt es immer mehrere Antwortmöglichkeiten, wovon jedoch nur eine Richtig ist. Daher müssen alle Variabeln auf 0:1 kodiert werden, wobei die richtige Antwort den Wert 1 zugewiesen bekommt und die Falschen den Wert 0.
Variablen: pk01 - pk21
Albus$pw1 <- recode(Albus$pk01,
"5=1;
2=0;
3=0;
4=0;
1=0;
6=0") #Heiko Maas ist in der SPD also ist Antwort 5 richtig
Albus$pw2 <- recode(Albus$pk02,
"4=1;
1=0;
2=0;
3=0;
5=0;
6=0") #Christian Lindner ist in der FDP also ist Antwort 4 richtig
Albus$pw3 <- recode(Albus$pk03,
"1=1;
2=0;
3=0;
4=0;
5=0;
6=0") #Altmaier ist in der CDU also ist Antwort 1 richtig
Albus$pw4 <- recode(Albus$pk04,
"2=1;
1=0;
3=0;
4=0;
5=0;
6=0") #Göring-Eckhardt ist bei den Grünen also ist Antwort 2 richtig
Albus$pw5 <- recode(Albus$pk05,
"1=1;
2=0;
3=0;
4=0;
5=0;
6=0") #Merkel ist in der CDU also ist Antwort 1 richtig
Albus$pw6 <- recode(Albus$pk06,
"6=1;
1=0;
2=0;
3=0;
4=0;
5=0") #Weidel ist in der AFD also ist Antwort 6 richtig
Albus$pw7 <- recode(Albus$pk07,
"1=1;
2=0;
3=0;
4=0;
5=0;
6=0") #von der Leyen ist in der CDU also ist Antwort 1 richtig
Albus$pw8 <- recode(Albus$pk08,
"3=1;
1=0;
2=0;
4=0;
5=0;
6=0" ) #Bartsch ist in der Linken also ist Antwort 3 richtig
Albus$pw9 <- recode(Albus$pk09,
"5=1;
1=0;
2=0;
3=0;
4=0;
6=0") #Nahles ist in der SPD also ist Antwort 5 richtig
Albus$pw10 <- recode(Albus$pk10,
"3=1;
1=0;
2=0;
4=0" ) #Juncker ist Kommissionspräsident also ist Antwort 3 richtig
Albus$pw11 <- recode(Albus$pk11,
"3=1;
1=0;
2=0;
4=0" ) #Bundestag wöhlt Kanzler also ist Antwort 3 richtig
Albus$pw12 <- recode(Albus$pk12,
"4=1;
1=0;
2=0;
3=0") #4 ist die richtige Antwort
Albus$pw13 <- recode(Albus$pk13,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw14 <- recode(Albus$pk14,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort
Albus$pw15 <- recode(Albus$pk15,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw16 <- recode(Albus$pk16,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw17 <- recode(Albus$pk17,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw18 <- recode(Albus$pk18,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort
Albus$pw19 <- recode(Albus$pk19,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort
Albus$pw20 <- recode(Albus$pk20,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw21 <- recode(Albus$pk21,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort 2.1 Index bilden
Wir bilden einen Index über die Reihenmittelwerte, um die Na’s auschließen zu können. Dieser Index aus den Dummyvariablen bildet dann das politische Wissen der einzelnen Befragten ab.
trust.var <- c("pw1","pw2","pw3","pw4","pw5","pw6","pw7","pw8","pw9","pw10","pw11","pw12","pw13","pw14","pw15","pw16","pw17","pw18","pw19", "pw20", "pw21")
Albus$p_w <- rowMeans(Albus[, trust.var], na.rm = T) #Index zur Messung des politischen Wissens
Desc(Albus$p_w)## ------------------------------------------------------------------------------
## Albus$p_w (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'410 67 119 15 0.7527935 0.7467615
## 98.1% 1.9% 0.4% 0.7588254
##
## .05 .10 .25 median .75 .90 .95
## 0.4186404 0.5000000 0.6500000 0.7857143 0.8888889 0.9502381 1.0000000
##
## range sd vcoef mad IQR skew kurt
## 1.0000000 0.1796529 0.2386484 0.1694400 0.2388889 -0.9466880 1.1282282
##
## lowest : 0.0 (15), 0.0588235, 0.0952381, 0.1111111, 0.1428571
## highest: 0.9444444 (46), 0.9473684 (46), 0.95 (58), 0.952381 (44), 1.0 (297)
##
## heap(?): remarkable frequency (8.7%) for the mode(s) (= 1)
##
## ' 95%-CI (classic)
Wir haben in unseren Index ein n von 3.477 wovon 2% Na’s sind. der Durchschnitt beträgt 0.76 was bei einer Range von 0-1 für ein hohes politisches Wissen der Befragten spricht. Da der Median mit 0.8 rechts vom Mean liegt können wir von einer Linksschiefe ausgehen bei einer skewness von -1.
3. Politisches Vertrauen - Abhängige Variable
3.1 Vertrauensvariablen
- Skala von 1-7 = Garkein Vertauen (=1) zu Großes Vertrauen (=7)
- pt01 = Vertrauen: Gesundheitswesen,
- pt02 = Vertrauen: Bundesverfassungsgericht,
- pt03 = Vertrauen: Bundestag,
- pt04 = Vertrauen: Stadt-, Gemeindeverwaltung,
- pt08 = Vertrauen: Justiz,
- pt11 = Vertrauen: Hochschule, Universitäten,
- pt12 = Vertrauen: Bundesregierung,
- pt14 = Vertrauen: Polizei,
- pt.15 = Vertrauen: Politische Parteien,
- pt19 = Vertrauen: Kommission der EU,
- pt20 = Vertrauen: Europäisches Parlament
attributes(Albus$pt01)## $value.labels
## GROSSES VERTRAUEN .. .. ..
## "7" "6" "5" "4"
## .. .. GAR KEIN VERTRAUEN
## "3" "2" "1"attributes(Albus$pt02)## $value.labels
## GROSSES VERTRAUEN .. .. ..
## "7" "6" "5" "4"
## .. .. GAR KEIN VERTRAUEN
## "3" "2" "1"table(Albus$pt01)##
## 1 2 3 4 5 6 7
## 88 173 429 785 1015 712 270#Rekodierung Skala von 0-6 wie im Text 0 = Garkein Vertrauen, 6 = Großes Vertrauen
#Gesundheitswesen
Albus$v1_ghw <- recode(Albus$pt01,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v1_ghw)##
## 0 1 2 3 4 5 6
## 88 173 429 785 1015 712 270#Bundesverfassungsgericht
Albus$v2_bvg <- recode(Albus$pt02,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v2_bvg)##
## 0 1 2 3 4 5 6
## 68 121 275 587 720 872 598#Bundestag
Albus$v3_bt <- recode(Albus$pt03,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v3_bt) ##
## 0 1 2 3 4 5 6
## 198 316 570 934 857 398 113#Stadt-, Gemeindeverwaltung
Albus$v4_sgv <- recode(Albus$pt04,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v4_sgv)##
## 0 1 2 3 4 5 6
## 80 166 425 803 1015 717 214#Justiz
Albus$v5_j <- recode(Albus$pt08,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v5_j)##
## 0 1 2 3 4 5 6
## 129 208 460 743 868 773 241#Hochschule, Universitäten
Albus$v6_hu <- recode(Albus$pt11,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v6_hu)##
## 0 1 2 3 4 5 6
## 21 63 164 530 1117 1062 252#Bundesregierung
Albus$v7_brg <- recode(Albus$pt12,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v7_brg)##
## 0 1 2 3 4 5 6
## 250 324 561 974 833 407 85#Polizei
Albus$v8_p <- recode(Albus$pt14,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6" )
table(Albus$v8_p)##
## 0 1 2 3 4 5 6
## 52 124 248 573 1022 1057 387#politische Parteien
Albus$v9_pp <- recode(Albus$pt15,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v9_pp)##
## 0 1 2 3 4 5 6
## 260 488 868 1090 556 104 15#Kommission der EU
Albus$v10_euk <- recode(Albus$pt19,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v10_euk)##
## 0 1 2 3 4 5 6
## 305 426 685 938 596 198 29#Europäisches Parlament
Albus$v11_eup <- recode(Albus$pt20,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v11_eup)##
## 0 1 2 3 4 5 6
## 328 428 666 908 619 230 413.2 Means ermitteln
Alle Variablen die politisches Vertrauen messen sind in einem D[0, 6] rekodiert. Zu allen Vertrauensvariablen wird der Mean ermittelt und in v1-v11 neu gespeichert.
v1 <- mean(Albus$v1_ghw, na.rm = T)
v2 <- mean(Albus$v2_bvg, na.rm = T)
v3 <- mean(Albus$v3_bt, na.rm = T)
v4 <- mean(Albus$v4_sgv, na.rm = T)
v5 <- mean(Albus$v5_j, na.rm = T)
v6 <- mean(Albus$v6_hu, na.rm = T)
v7 <- mean(Albus$v7_brg, na.rm = T)
v8 <- mean(Albus$v8_p, na.rm = T)
v9 <- mean(Albus$v9_pp, na.rm = T)
v10 <- mean(Albus$v10_euk, na.rm = T)
v11 <- mean(Albus$v11_eup, na.rm = T)
#Dataframe aus den Mittelwerten
ver_mean <- c(v1,v2,v3,v4,v5,v6,v7,v8,v9,v10,v11)
ver_skala <- c("Gesundheitswesen", "Bundesverfassungsgericht", "Bundestag", "Stadt-,Gemeindeverwaltung", "Jusitz", "Hochschule/Universitäten", "Bundesregierung", "Polizei", "Politische Parteien", "Kommission der EU", "Europäisches Parlament")
df_means <- data.frame(ver_mean, ver_skala)
newdata <- df_means[order(-ver_mean),]
Desc(newdata)## ------------------------------------------------------------------------------
## Describe newdata (data.frame):
##
## data frame: 11 obs. of 2 variables
## 11 complete cases (100.0%)
##
## Nr ColName Class NAs Levels
## 1 ver_mean numeric .
## 2 ver_skala character .
##
##
## ------------------------------------------------------------------------------
## 1 - ver_mean (numeric)
##
## length n NAs unique 0s mean meanCI'
## 11 11 0 = n 0 3.340291 2.913435
## 100.0% 0.0% 0.0% 3.767147
##
## .05 .10 .25 median .75 .90 .95
## 2.515504 2.567831 2.789216 3.547633 3.844538 4.091330 4.113443
##
## range sd vcoef mad IQR skew kurt
## 1.672380 0.635382 0.190218 0.806085 1.055322 -0.097338 -1.734093
##
##
## level freq perc cumfreq cumperc
## 1 2.46317657497782 1 9.1% 1 9.1%
## 2 2.56783128737803 1 9.1% 2 18.2%
## 3 2.59503105590062 1 9.1% 3 27.3%
## 4 2.9834012813046 1 9.1% 4 36.4%
## 5 3.05788541051388 1 9.1% 5 45.5%
## 6 3.54763296317943 1 9.1% 6 54.5%
## 7 3.61228070175439 1 9.1% 7 63.6%
## 8 3.63652073732719 1 9.1% 8 72.7%
## 9 4.05255558764077 1 9.1% 9 81.8%
## 10 4.09132983647023 1 9.1% 10 90.9%
## 11 4.13555624805235 1 9.1% 11 100.0%
##
## ' 95%-CI (classic)
## ------------------------------------------------------------------------------
## 2 - ver_skala (character)
##
## length n NAs unique levels dupes
## 11 11 0 11 11 n
## 100.0% 0.0%
##
## level freq perc cumfreq cumperc
## 1 Bundesregierung 1 9.1% 1 9.1%
## 2 Bundestag 1 9.1% 2 18.2%
## 3 Bundesverfassungsgericht 1 9.1% 3 27.3%
## 4 Europäisches Parlament 1 9.1% 4 36.4%
## 5 Gesundheitswesen 1 9.1% 5 45.5%
## 6 Hochschule/Universitäten 1 9.1% 6 54.5%
## 7 Jusitz 1 9.1% 7 63.6%
## 8 Kommission der EU 1 9.1% 8 72.7%
## 9 Politische Parteien 1 9.1% 9 81.8%
## 10 Polizei 1 9.1% 10 90.9%
## 11 Stadt-,Gemeindeverwaltung 1 9.1% 11 100.0%
#View(newdata)
#Diagramm der durchschnittlichen Vertrauenswerten für alle Institutionen
library(ggplot2)
library(forcats)
Grafik <-newdata %>%
mutate(ver_skala = fct_reorder(ver_skala, ver_mean)) %>%
ggplot(aes(x= ver_mean, y = ver_skala)) +
geom_point(size = 2, show.legend = T)+
xlab("Durchschnittliches Vertrauen")+
ylab("Politische Instiutionen")+
ggtitle("Durchschnittliches Vertrauen in verschiedene politische Institutionen")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Grafik.png",plot =Grafik, width = 8, height = 7 )
Grafik
3.3 Erstellung der Indizes
Es werden zwei Indizes erstellt, als abhängige Variable im Regressionsmodell dienen. Die Unterscheidung der Vertrauensvariablen wird vorgenommen nach der Logik der repräsenativen Institutionen und der regulativen Institutionen. Es werden nicht alle 13 Vertrauensvariablen des Albus genutzt, sondern nur 11, da das Vertrauen in Medien inhaltich irrelavant ist für, die Aufteilung in die beiden Gruppen wird es vernachlässigt.
Faktor1: Repräsentative Institutionen - Bundestag (= v3_bt) - Bundesregierung (= v7_brg) - politische Parteien (= v9_pp) - EU-Parlament (= v11_eup) - EU-Kommission (= v10_euk)
Faktor2: Regulative Institution - Polizei (= v8_p) - Justiz (= v5_j) - Bundesverfassungsgericht (= v2_bvg) - Stadtverwaltung (= v4_sgv) - Gesundheitswesen (= v1_ghw) - Hochschulen (= v6_hu)
Albus$Faktor1 <- rowMeans(Albus[,c("v3_bt", "v7_brg", "v9_pp", "v11_eup", "v10_euk")], na.rm = T)
Albus$Faktor2 <- rowMeans(Albus[,c("v8_p", "v5_j", "v2_bvg", "v4_sgv", "v1_ghw", "v6_hu")], na.rm = T)
#Begründung warun die Nas entfernt werden können muss noch geschrieben werden (Seite 140 im Text)4. Kontrollvariablen rekodieren
Die Kontrollvariablen werden zur einheitlichen Interpretation in einem Wertebereich von 0-1 oder als Dummy-Variable kodiert.
#Politisches Interesse mit Skala von 1-5
Albus$pol_i <- Albus$pa02a / 6
Desc(Albus$pol_i)## ------------------------------------------------------------------------------
## Albus$pol_i (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'475 2 5 0 0.4492566 0.4440695
## 99.9% 0.1% 0.0% 0.4544437
##
## .05 .10 .25 median .75 .90 .95
## 0.1666667 0.1666667 0.3333333 0.5000000 0.5000000 0.6666667 0.6666667
##
## range sd vcoef mad IQR skew kurt
## 0.6666667 0.1559570 0.3471447 0.2471000 0.1666667 0.0654915 -0.0553349
##
##
## level freq perc cumfreq cumperc
## 1 0.166666666666667 385 11.1% 385 11.1%
## 2 0.333333333333333 943 27.1% 1'328 38.2%
## 3 0.5 1'605 46.2% 2'933 84.4%
## 4 0.666666666666667 429 12.3% 3'362 96.7%
## 5 0.833333333333333 113 3.3% 3'475 100.0%
##
## ' 95%-CI (classic)
#Parteiidentifikation wird in Dummy-Variable rekodiert CDU und SPD = 1 (da sie die Regierungsparteien bilden) die restlichen Parteien sind die Referenzkategorie
Albus$part_ind <- recode(Albus$pa04,
"1=1;
2=1;
3=0;
4=0;
6=0;
42=0;
90=0")
table(Albus$part_ind, Albus$pa04)##
## 1 2 3 4 6 42 90
## 0 0 0 88 263 173 111 16
## 1 747 513 0 0 0 0 0#Narichtenkonsum öffentlichen Fehrnsehns hat eine Skala von 0-8 wobei 0 niedrig ist und 8 hoch und sollen auch auf 0-1 kodiert werden
Albus$kons_oeTV <- Albus$lm20 / 9
Desc(Albus$kons_oeTV)## ------------------------------------------------------------------------------
## Albus$kons_oeTV (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'747 730 9 8 0.5473648 0.5379852
## 79.0% 21.0% 0.2% 0.5567444
##
## .05 .10 .25 median .75 .90 .95
## 0.1111111 0.1111111 0.3333333 0.6666667 0.7777778 0.7777778 0.7777778
##
## range sd vcoef mad IQR skew kurt
## 0.7777778 0.2507111 0.4580329 0.1647333 0.4444444 -0.5752429 -1.1512728
##
##
## level freq perc cumfreq cumperc
## 1 0 8 0.3% 8 0.3%
## 2 0.0555555555555556 99 3.6% 107 3.9%
## 3 0.111111111111111 174 6.3% 281 10.2%
## 4 0.222222222222222 278 10.1% 559 20.3%
## 5 0.333333333333333 295 10.7% 854 31.1%
## 6 0.444444444444444 232 8.4% 1'086 39.5%
## 7 0.555555555555556 255 9.3% 1'341 48.8%
## 8 0.666666666666667 177 6.4% 1'518 55.3%
## 9 0.777777777777778 1'229 44.7% 2'747 100.0%
##
## ' 95%-CI (classic)
#Narichtenkonsum privaten Fehrnsehns hat eine Skala von 0-8 wobei 0 niedrig ist und 8 hoch und soll auch auf 0-1 kodiert werden
Albus$kons_pTV <- Albus$lm22 / 9
Desc(Albus$kons_pTV)## ------------------------------------------------------------------------------
## Albus$kons_pTV (numeric)
##
## length n NAs unique 0s mean'
## 3'477 1'576 1'901 9 6 0.41553864
## 45.3% 54.7% 0.2%
##
## .05 .10 .25 median .75 .90
## 0.05555556 0.05555556 0.22222222 0.33333333 0.66666667 0.77777778
##
## range sd vcoef mad IQR skew
## 0.77777778 0.26041823 0.62670041 0.32946667 0.44444444 0.15370973
##
## meanCI
## 0.40267170
## 0.42840557
##
## .95
## 0.77777778
##
## kurt
## -1.38275404
##
##
## level freq perc cumfreq cumperc
## 1 0 6 0.4% 6 0.4%
## 2 0.0555555555555556 174 11.0% 180 11.4%
## 3 0.111111111111111 171 10.9% 351 22.3%
## 4 0.222222222222222 231 14.7% 582 36.9%
## 5 0.333333333333333 236 15.0% 818 51.9%
## 6 0.444444444444444 147 9.3% 965 61.2%
## 7 0.555555555555556 164 10.4% 1'129 71.6%
## 8 0.666666666666667 71 4.5% 1'200 76.1%
## 9 0.777777777777778 376 23.9% 1'576 100.0%
##
## ' 95%-CI (classic)
#Häufigkeit Konsum von Tageszeitung pro Woche hat eine Skala von 0-8 wobei 0 niedrig ist und 8 hoch und soll auch auf 0-1 kodiert werden
Albus$kons_z <- Albus$lm14 / 9
Desc(Albus$kons_z)## ------------------------------------------------------------------------------
## Albus$kons_z (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'476 1 9 1'200 0.3355070 0.3247093
## 100.0% 0.0% 34.5% 0.3463046
##
## .05 .10 .25 median .75 .90 .95
## 0.0000000 0.0000000 0.0000000 0.2222222 0.6666667 0.7777778 0.7777778
##
## range sd vcoef mad IQR skew kurt
## 0.7777778 0.3246903 0.9677604 0.3294667 0.6666667 0.1958769 -1.7685684
##
##
## level freq perc cumfreq cumperc
## 1 0 1'200 34.5% 1'200 34.5%
## 2 0.0555555555555556 258 7.4% 1'458 41.9%
## 3 0.111111111111111 185 5.3% 1'643 47.3%
## 4 0.222222222222222 185 5.3% 1'828 52.6%
## 5 0.333333333333333 117 3.4% 1'945 56.0%
## 6 0.444444444444444 65 1.9% 2'010 57.8%
## 7 0.555555555555556 122 3.5% 2'132 61.3%
## 8 0.666666666666667 817 23.5% 2'949 84.8%
## 9 0.777777777777778 527 15.2% 3'476 100.0%
##
## ' 95%-CI (classic)
#Häufigkeit Internet für Politikinfo hat eine Skala von 1-5 wobei 1 hoch ist und 5 niedrig (muss gedreht werden) und soll auch auf 0-1 kodiert werden
attributes(Albus$lm24)## $value.labels
## NIE SELTENER EINMAL JEDEN MONAT EINMAL JEDE WOCHE
## "5" "4" "3" "2"
## TAEGLICH
## "1"Desc(Albus$lm24)## ------------------------------------------------------------------------------
## Albus$lm24 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'099 1'378 5 0 1.67 1.64
## 60.4% 39.6% 0.0% 1.71
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 1.00 1.00 2.00 3.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.90 0.54 0.00 1.00 1.42 1.47
##
##
## level freq perc cumfreq cumperc
## 1 1 1'121 53.4% 1'121 53.4%
## 2 2 705 33.6% 1'826 87.0%
## 3 3 118 5.6% 1'944 92.6%
## 4 4 145 6.9% 2'089 99.5%
## 5 5 10 0.5% 2'099 100.0%
##
## ' 95%-CI (classic)
#Skala muss gedreht werden damit 1 niedrig und 5 hoch ist und die Richtung der Skala gleich ist wie die anderen
Albus$lm24_gedreht <- (Albus$lm24 - 5) * -1
Desc(Albus$lm24_gedreht)## ------------------------------------------------------------------------------
## Albus$lm24_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'099 1'378 5 10 3.33 3.29
## 60.4% 39.6% 0.3% 3.36
##
## .05 .10 .25 median .75 .90 .95
## 1.00 2.00 3.00 4.00 4.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.90 0.27 0.00 1.00 -1.42 1.47
##
##
## level freq perc cumfreq cumperc
## 1 0 10 0.5% 10 0.5%
## 2 1 145 6.9% 155 7.4%
## 3 2 118 5.6% 273 13.0%
## 4 3 705 33.6% 978 46.6%
## 5 4 1'121 53.4% 2'099 100.0%
##
## ' 95%-CI (classic)
Albus$kons_i <- Albus$lm24_gedreht / 5
Desc(Albus$kons_i)## ------------------------------------------------------------------------------
## Albus$kons_i (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'099 1'378 5 10 0.67 0.66
## 60.4% 39.6% 0.3% 0.67
##
## .05 .10 .25 median .75 .90 .95
## 0.20 0.40 0.60 0.80 0.80 0.80 0.80
##
## range sd vcoef mad IQR skew kurt
## 0.80 0.18 0.27 0.00 0.20 -1.42 1.47
##
##
## level freq perc cumfreq cumperc
## 1 0 10 0.5% 10 0.5%
## 2 0.2 145 6.9% 155 7.4%
## 3 0.4 118 5.6% 273 13.0%
## 4 0.6 705 33.6% 978 46.6%
## 5 0.8 1'121 53.4% 2'099 100.0%
##
## ' 95%-CI (classic)
#Vertrauen in Mitmenschen mit ordinaler Skala 1-4 d.h Kodierung als Dummy-Variable wobei das Nichttrauen (2-4) die Referenzkategorie ist
Albus$soz_ver <- recode(Albus$st01,
"1=1;
2=0;
3=0;
4=0")
table(Albus$soz_ver, Albus$st01)##
## 1 2 3 4
## 0 0 1203 1398 14
## 1 855 0 0 0#Alter
Desc(Albus$age)## ------------------------------------------------------------------------------
## Albus$age (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'472 5 77 0 51.68 51.09
## 99.9% 0.1% 0.0% 52.26
##
## .05 .10 .25 median .75 .90 .95
## 23.00 27.00 37.00 53.00 65.00 76.00 80.00
##
## range sd vcoef mad IQR skew kurt
## 77.00 17.64 0.34 20.76 28.00 -0.01 -0.87
##
## lowest : 18.0 (26), 19.0 (37), 20.0 (34), 21.0 (34), 22.0 (33)
## highest: 90.0 (4), 91.0, 92.0 (7), 94.0 (2), 95.0
##
## ' 95%-CI (classic)
#Bildung Skala 1-7 wobei die Bildungsjahre das relevante sind also müssen die Abschlüsse erst rekodiert werden bevor sie in eine Jahresskala umgewandelt werden können
Albus$bildung <- recode(Albus$educ,
"1= 8;
2=9;
3=10;
4=12;
5=12;
6 = NA;
7 = NA")
Desc(Albus$bildung)## ------------------------------------------------------------------------------
## Albus$bildung (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'432 45 4 0 10.54 10.49
## 98.7% 1.3% 0.0% 10.58
##
## .05 .10 .25 median .75 .90 .95
## 9.00 9.00 9.00 10.00 12.00 12.00 12.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 1.27 0.12 1.48 3.00 0.05 -1.54
##
##
## level freq perc cumfreq cumperc
## 1 8 50 1.5% 50 1.5%
## 2 9 810 23.6% 860 25.1%
## 3 10 1'195 34.8% 2'055 59.9%
## 4 12 1'377 40.1% 3'432 100.0%
##
## ' 95%-CI (classic)
#Geschlecht als Dummyvariable mit Weiblich als Referenzkategorie 1 = Männlich, 2 = Weiblich
Albus$geschlecht <- recode(Albus$sex,
"1=1;
2=0")
table(Albus$geschlecht, Albus$sex)##
## 1 2
## 0 0 1704
## 1 1773 04.1 Rekodierung Zufriedenheitsvariablen
Hierfür wird die wirtschaftliche Zufriedenheit für die Interaktionsmodelle genutzt, mit der Demokratiezufriedenheit, Responsitivitätsbewertung und der Regierungszufriedenheit. Diese Variablen werden auch zur Vergleichbarkeit auf eine Range von 0-1 rekodiert.
#Wirtschaftslage in BRD heute mit einer Skala von 1-5 wobei 1 sehr gut ist und 5 sehr schlecht
attributes(Albus$ep01)## $value.labels
## SEHR SCHLECHT SCHLECHT TEILS TEILS GUT SEHR GUT
## "5" "4" "3" "2" "1"Desc(Albus$ep01)## ------------------------------------------------------------------------------
## Albus$ep01 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'468 9 5 0 2.18 2.16
## 99.7% 0.3% 0.0% 2.21
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 2.00 2.00 3.00 3.00 3.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.79 0.36 0.00 1.00 0.49 0.44
##
##
## level freq perc cumfreq cumperc
## 1 1 608 17.5% 608 17.5%
## 2 2 1'804 52.0% 2'412 69.6%
## 3 3 893 25.7% 3'305 95.3%
## 4 4 139 4.0% 3'444 99.3%
## 5 5 24 0.7% 3'468 100.0%
##
## ' 95%-CI (classic)
#Skala wird gedreht, dass 1 sehr schlecht bedeutet und 5 sehr gut
Albus$ep01_gedreht <- (Albus$ep01 - 5) *-1
Desc(Albus$ep01_gedreht)## ------------------------------------------------------------------------------
## Albus$ep01_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'468 9 5 24 2.82 2.79
## 99.7% 0.3% 0.7% 2.84
##
## .05 .10 .25 median .75 .90 .95
## 2.00 2.00 2.00 3.00 3.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.79 0.28 0.00 1.00 -0.49 0.44
##
##
## level freq perc cumfreq cumperc
## 1 0 24 0.7% 24 0.7%
## 2 1 139 4.0% 163 4.7%
## 3 2 893 25.7% 1'056 30.4%
## 4 3 1'804 52.0% 2'860 82.5%
## 5 4 608 17.5% 3'468 100.0%
##
## ' 95%-CI (classic)
Albus$zuf_w_h <- Albus$ep01_gedreht / 5
Desc(Albus$zuf_w_h)## ------------------------------------------------------------------------------
## Albus$zuf_w_h (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'468 9 5 24 0.56 0.56
## 99.7% 0.3% 0.7% 0.57
##
## .05 .10 .25 median .75 .90 .95
## 0.40 0.40 0.40 0.60 0.60 0.80 0.80
##
## range sd vcoef mad IQR skew kurt
## 0.80 0.16 0.28 0.00 0.20 -0.49 0.44
##
##
## level freq perc cumfreq cumperc
## 1 0 24 0.7% 24 0.7%
## 2 0.2 139 4.0% 163 4.7%
## 3 0.4 893 25.7% 1'056 30.4%
## 4 0.6 1'804 52.0% 2'860 82.5%
## 5 0.8 608 17.5% 3'468 100.0%
##
## ' 95%-CI (classic)
#Wirtschaftslage BRD in 1 Jahr mit einer Skala von 1-5 wobei 1 sehr gut und 5 sehr schlecht bedeutet
attributes(Albus$ep04)## $value.labels
## WESENTL.SCHLECHTER ETWAS SCHLECHTER GLEICHBLEIBEND ETWAS BESSER
## "5" "4" "3" "2"
## WESENTLICH BESSER
## "1"Desc(Albus$ep04)## ------------------------------------------------------------------------------
## Albus$ep04 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'434 43 5 0 3.17 3.14
## 98.8% 1.2% 0.0% 3.19
##
## .05 .10 .25 median .75 .90 .95
## 2.00 2.00 3.00 3.00 4.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.65 0.21 0.00 1.00 0.13 0.66
##
##
## level freq perc cumfreq cumperc
## 1 1 19 0.6% 19 0.6%
## 2 2 367 10.7% 386 11.2%
## 3 3 2'140 62.3% 2'526 73.6%
## 4 4 839 24.4% 3'365 98.0%
## 5 5 69 2.0% 3'434 100.0%
##
## ' 95%-CI (classic)
#Skala wird gedreht, dass 1 sehr schlecht und 5 sehr gut bedeutet und die Richtung der Skala stimmt das hohe Werte gut sind
Albus$ep04_gedreht <- (Albus$ep04 - 5) *-1
Desc(Albus$ep04_gedreht)## ------------------------------------------------------------------------------
## Albus$ep04_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'434 43 5 69 1.83 1.81
## 98.8% 1.2% 2.0% 1.86
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 1.00 2.00 2.00 3.00 3.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.65 0.36 0.00 1.00 -0.13 0.66
##
##
## level freq perc cumfreq cumperc
## 1 0 69 2.0% 69 2.0%
## 2 1 839 24.4% 908 26.4%
## 3 2 2'140 62.3% 3'048 88.8%
## 4 3 367 10.7% 3'415 99.4%
## 5 4 19 0.6% 3'434 100.0%
##
## ' 95%-CI (classic)
Albus$zuf_w_1J <- Albus$ep04_gedreht / 5
Desc(Albus$zuf_w_1J)## ------------------------------------------------------------------------------
## Albus$zuf_w_1J (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'434 43 5 69 0.37 0.36
## 98.8% 1.2% 2.0% 0.37
##
## .05 .10 .25 median .75 .90 .95
## 0.20 0.20 0.20 0.40 0.40 0.60 0.60
##
## range sd vcoef mad IQR skew kurt
## 0.80 0.13 0.36 0.00 0.20 -0.13 0.66
##
##
## level freq perc cumfreq cumperc
## 1 0 69 2.0% 69 2.0%
## 2 0.2 839 24.4% 908 26.4%
## 3 0.4 2'140 62.3% 3'048 88.8%
## 4 0.6 367 10.7% 3'415 99.4%
## 5 0.8 19 0.6% 3'434 100.0%
##
## ' 95%-CI (classic)
#Zufriedenheit mit Demokratie in BRD mit einer Skala von 1-6 wobei 1 sehr gut bedeutet und 6 sehr schlecht
attributes(Albus$ps03)## $value.labels
## SEHR UNZUFRIEDEN ZIEMLICH UNZUFRIEDEN ETWAS UNZUFRIEDEN
## "6" "5" "4"
## ETWAS ZUFRIEDEN ZIEMLICH ZUFRIEDEN SEHR ZUFRIEDEN
## "3" "2" "1"Desc(Albus$ps03)## ------------------------------------------------------------------------------
## Albus$ps03 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'458 19 6 0 2.72 2.68
## 99.5% 0.5% 0.0% 2.75
##
## .05 .10 .25 median .75 .90 .95
## 1.00 2.00 2.00 2.00 3.00 4.00 5.00
##
## range sd vcoef mad IQR skew kurt
## 5.00 1.11 0.41 1.48 1.00 0.87 0.40
##
##
## level freq perc cumfreq cumperc
## 1 1 269 7.8% 269 7.8%
## 2 2 1'542 44.6% 1'811 52.4%
## 3 3 908 26.3% 2'719 78.6%
## 4 4 453 13.1% 3'172 91.7%
## 5 5 215 6.2% 3'387 97.9%
## 6 6 71 2.1% 3'458 100.0%
##
## ' 95%-CI (classic)
#Skala wird gedreht, damit 1 sehr schlecht und 6 sehr gut bedeutet und die Richtung der Skala stimmt das hohe Werte gut sind
Albus$ps03_gedreht <- (Albus$ps03 - 6) *-1
Desc(Albus$ps03_gedreht)## ------------------------------------------------------------------------------
## Albus$ps03_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'458 19 6 71 3.28 3.25
## 99.5% 0.5% 2.0% 3.32
##
## .05 .10 .25 median .75 .90 .95
## 1.00 2.00 3.00 4.00 4.00 4.00 5.00
##
## range sd vcoef mad IQR skew kurt
## 5.00 1.11 0.34 1.48 1.00 -0.87 0.40
##
##
## level freq perc cumfreq cumperc
## 1 0 71 2.1% 71 2.1%
## 2 1 215 6.2% 286 8.3%
## 3 2 453 13.1% 739 21.4%
## 4 3 908 26.3% 1'647 47.6%
## 5 4 1'542 44.6% 3'189 92.2%
## 6 5 269 7.8% 3'458 100.0%
##
## ' 95%-CI (classic)
Albus$dem_zuf <- Albus$ps03_gedreht /6
Desc(Albus$reg_zuf)## ------------------------------------------------------------------------------
## Albus$reg_zuf (NULL)
##
## class is NULL, so there's nothing else to describe#Zufriedenheit mit Leistung der Bundesregierung mit einer Skala von 1-6 wobei 1 sehr gut bedeutet und 6 sehr schlecht
attributes(Albus$ps01)## $value.labels
## SEHR UNZUFRIEDEN ZIEML. UNZUFRIEDEN ETWAS UNZUFRIEDEN ETWAS ZUFRIEDEN
## "6" "5" "4" "3"
## ZIEML. ZUFRIEDEN SEHR ZUFRIEDEN
## "2" "1"Desc(Albus$ps01)## ------------------------------------------------------------------------------
## Albus$ps01 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'426 51 6 0 3.55 3.51
## 98.5% 1.5% 0.0% 3.59
##
## .05 .10 .25 median .75 .90 .95
## 2.00 2.00 3.00 3.00 4.00 5.00 6.00
##
## range sd vcoef mad IQR skew kurt
## 5.00 1.20 0.34 1.48 1.00 0.32 -0.61
##
##
## level freq perc cumfreq cumperc
## 1 1 50 1.5% 50 1.5%
## 2 2 649 18.9% 699 20.4%
## 3 3 1'118 32.6% 1'817 53.0%
## 4 4 843 24.6% 2'660 77.6%
## 5 5 519 15.1% 3'179 92.8%
## 6 6 247 7.2% 3'426 100.0%
##
## ' 95%-CI (classic)
#Skala wird gedreht. damit 1 sehr schlecht und 6 sehr gut bedeutet und die Richtung der Skala stimmt das hohe Werte gut sind
Albus$ps01_gedreht <- (Albus$ps01 - 6) *-1
Desc(Albus$ps01_gedreht)## ------------------------------------------------------------------------------
## Albus$ps01_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'426 51 6 247 2.45 2.41
## 98.5% 1.5% 7.1% 2.49
##
## .05 .10 .25 median .75 .90 .95
## -0.00 1.00 2.00 3.00 3.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 5.00 1.20 0.49 1.48 1.00 -0.32 -0.61
##
##
## level freq perc cumfreq cumperc
## 1 0 247 7.2% 247 7.2%
## 2 1 519 15.1% 766 22.4%
## 3 2 843 24.6% 1'609 47.0%
## 4 3 1'118 32.6% 2'727 79.6%
## 5 4 649 18.9% 3'376 98.5%
## 6 5 50 1.5% 3'426 100.0%
##
## ' 95%-CI (classic)
Albus$reg_leistung <- Albus$ps01_gedreht / 6
Desc(Albus$reg_leistung)## ------------------------------------------------------------------------------
## Albus$reg_leistung (numeric)
##
## length n NAs unique 0s mean'
## 3'477 3'426 51 6 247 0.4088831
## 98.5% 1.5% 7.1%
##
## .05 .10 .25 median .75 .90
## -0.0000000 0.1666667 0.3333333 0.5000000 0.5000000 0.6666667
##
## range sd vcoef mad IQR skew
## 0.8333333 0.2007090 0.4908713 0.2471000 0.1666667 -0.3190117
##
## meanCI
## 0.4021599
## 0.4156062
##
## .95
## 0.6666667
##
## kurt
## -0.6107515
##
##
## level freq perc cumfreq cumperc
## 1 0 247 7.2% 247 7.2%
## 2 0.166666666666667 519 15.1% 766 22.4%
## 3 0.333333333333333 843 24.6% 1'609 47.0%
## 4 0.5 1'118 32.6% 2'727 79.6%
## 5 0.666666666666667 649 18.9% 3'376 98.5%
## 6 0.833333333333333 50 1.5% 3'426 100.0%
##
## ' 95%-CI (classic)
#Wahrgenommene Repräsentation durch die Politik: Politiker kümmern sich um mich mit einer Skala von 1-4 also nur Ordinal und darf eigentlich nicht als Teilmetrische Variable behandelt werden
attributes(Albus$pe01)## $value.labels
## STIMME GAR NICHT ZU STIMME EHER NICHT ZU STIMME EHER ZU
## "4" "3" "2"
## STIMME VOLL ZU
## "1"Desc(Albus$pe01)## ------------------------------------------------------------------------------
## Albus$pe01 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'411 66 4 0 2.04 2.01
## 98.1% 1.9% 0.0% 2.07
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 1.00 2.00 3.00 3.00 3.00
##
## range sd vcoef mad IQR skew kurt
## 3.00 0.84 0.41 1.48 2.00 0.25 -0.85
##
##
## level freq perc cumfreq cumperc
## 1 1 1'018 29.8% 1'018 29.8%
## 2 2 1'344 39.4% 2'362 69.2%
## 3 3 938 27.5% 3'300 96.7%
## 4 4 111 3.3% 3'411 100.0%
##
## ' 95%-CI (classic)
#Skala wird gedreht damit 1 sehr schlecht und 4 sehr gut bedeutet und die Richtung der Skala stimmt das hohe Werte gut sind
Albus$pe01_gedreht <- (Albus$pe01 - 4) *-1
Desc(Albus$pe01_gedreht)## ------------------------------------------------------------------------------
## Albus$pe01_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'411 66 4 111 1.96 1.93
## 98.1% 1.9% 3.2% 1.99
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 1.00 2.00 3.00 3.00 3.00
##
## range sd vcoef mad IQR skew kurt
## 3.00 0.84 0.43 1.48 2.00 -0.25 -0.85
##
##
## level freq perc cumfreq cumperc
## 1 0 111 3.3% 111 3.3%
## 2 1 938 27.5% 1'049 30.8%
## 3 2 1'344 39.4% 2'393 70.2%
## 4 3 1'018 29.8% 3'411 100.0%
##
## ' 95%-CI (classic)
Albus$resp_1 <- Albus$pe01_gedreht / 4
Desc(Albus$resp_1)## ------------------------------------------------------------------------------
## Albus$resp_1 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'411 66 4 111 0.49 0.48
## 98.1% 1.9% 3.2% 0.50
##
## .05 .10 .25 median .75 .90 .95
## 0.25 0.25 0.25 0.50 0.75 0.75 0.75
##
## range sd vcoef mad IQR skew kurt
## 0.75 0.21 0.43 0.37 0.50 -0.25 -0.85
##
##
## level freq perc cumfreq cumperc
## 1 0 111 3.3% 111 3.3%
## 2 0.25 938 27.5% 1'049 30.8%
## 3 0.5 1'344 39.4% 2'393 70.2%
## 4 0.75 1'018 29.8% 3'411 100.0%
##
## ' 95%-CI (classic)
#Wahrgenommene Repräsentation durch die Politik: Politiker vertreten Interessen der Bevölkerung mit einer Skala von 1-4
attributes(Albus$pe05)## $value.labels
## STIMME GAR NICHT ZU STIMME EHER NICHT ZU STIMME EHER ZU
## "4" "3" "2"
## STIMME VOLL ZU
## "1"Desc(Albus$pe05)## ------------------------------------------------------------------------------
## Albus$pe05 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'408 69 4 0 2.58 2.56
## 98.0% 2.0% 0.0% 2.61
##
## .05 .10 .25 median .75 .90 .95
## 2.00 2.00 2.00 3.00 3.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 3.00 0.76 0.29 1.48 1.00 0.17 -0.45
##
##
## level freq perc cumfreq cumperc
## 1 1 170 5.0% 170 5.0%
## 2 2 1'473 43.2% 1'643 48.2%
## 3 3 1'370 40.2% 3'013 88.4%
## 4 4 395 11.6% 3'408 100.0%
##
## ' 95%-CI (classic)
#Skala wird gedreht damit 1 sehr schlecht und 4 sehr gut bedeutet und die Richtung der Skala stimmt das hohe Werte gut sind
Albus$pe05_gedreht <- (Albus$pe05 -4) *-1
Desc(Albus$pe05_gedreht)## ------------------------------------------------------------------------------
## Albus$pe05_gedreht (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'408 69 4 395 1.42 1.39
## 98.0% 2.0% 11.4% 1.44
##
## .05 .10 .25 median .75 .90 .95
## -0.00 -0.00 1.00 1.00 2.00 2.00 2.00
##
## range sd vcoef mad IQR skew kurt
## 3.00 0.76 0.54 1.48 1.00 -0.17 -0.45
##
##
## level freq perc cumfreq cumperc
## 1 0 395 11.6% 395 11.6%
## 2 1 1'370 40.2% 1'765 51.8%
## 3 2 1'473 43.2% 3'238 95.0%
## 4 3 170 5.0% 3'408 100.0%
##
## ' 95%-CI (classic)
Albus$resp_2 <- Albus$pe05_gedreht /4
Desc(Albus$resp_2)## ------------------------------------------------------------------------------
## Albus$resp_2 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'408 69 4 395 0.35 0.35
## 98.0% 2.0% 11.4% 0.36
##
## .05 .10 .25 median .75 .90 .95
## -0.00 -0.00 0.25 0.25 0.50 0.50 0.50
##
## range sd vcoef mad IQR skew kurt
## 0.75 0.19 0.54 0.37 0.25 -0.17 -0.45
##
##
## level freq perc cumfreq cumperc
## 1 0 395 11.6% 395 11.6%
## 2 0.25 1'370 40.2% 1'765 51.8%
## 3 0.5 1'473 43.2% 3'238 95.0%
## 4 0.75 170 5.0% 3'408 100.0%
##
## ' 95%-CI (classic)
#Addition der beiden Skalen zur allgemeinen Responsitivität
Albus$resp <- Albus$resp_1 + Albus$resp_2
Desc(Albus$resp)## ------------------------------------------------------------------------------
## Albus$resp (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'368 109 7 21 0.84 0.83
## 96.9% 3.1% 0.6% 0.85
##
## .05 .10 .25 median .75 .90 .95
## 0.50 0.50 0.75 0.75 1.00 1.00 1.25
##
## range sd vcoef mad IQR skew kurt
## 1.50 0.21 0.25 0.37 0.25 -0.19 1.39
##
##
## level freq perc cumfreq cumperc
## 1 0 21 0.6% 21 0.6%
## 2 0.25 33 1.0% 54 1.6%
## 3 0.5 306 9.1% 360 10.7%
## 4 0.75 1'605 47.7% 1'965 58.3%
## 5 1 1'153 34.2% 3'118 92.6%
## 6 1.25 226 6.7% 3'344 99.3%
## 7 1.5 24 0.7% 3'368 100.0%
##
## ' 95%-CI (classic)
Die Variabeln für die Zufriedenheit zur Kontrolle der Interaktionseffekte sind alle rekodiert auf einen Wertebereich von 0-1 und es kann die Analyse durchgeführt werden. Zuerst sollen die strukturierenden Effekte kontrolliert werden.
5. Direkter Effekt politischen Wissens
Zur Überprüfung werden die 2 Hypothesen gestellt: - Je größer das politische Wissen, desto größer ist das Vertrauen in die Politik. - Je größer das politische Wissen. desto geringer ist das Vertrauen in die Politik. Es findet eine Aufteilung statt in die beiden Faktoren, repräsentative und regulative Repräsentation statt. Als unabhängige Variabeln dienen das politische Wissen und performenzbasierte Bewertungen sowie alle Kontrollvariablen. Es handelt sich also um ein X-zentriertes Design, da das Interesse auf dem Einfluss politischen Wissens liegt und nicht auf der bestmöglichen Erklärung politischen Vertrauens. Es kommt erst zu einer Bivariaten Betrachtung des Effekts und dann zu einer multivariaten Analyse.
5.1 Direkter Effekt politischen Wissens auf repräsentative Institutionen
#Überprüfung der Hypothese 1 und der Gegenhypothese beim Faktor 1 repräsentativer Institutionen
#Variablen imputieren
Vars_mis <- c("p_w_imp" , "zuf_w_h_imp" ,"zuf_w_1J_imp" ,"dem_zuf_imp" , "reg_leistung_imp" ,"resp_imp" , "pol_i_imp" , "part_ind_imp" , "kons_oeTV_imp" , "kons_pTV_imp" , "kons_z_imp" , "kons_i_imp" , "soz_ver_imp" , "geschlecht_imp" , "age" , "bildung")
#Albus$missings <- rowSums(is.na(Albus[,Vars_mis]))
#table(Albus$missings)
#missing values Daten sollten imputiert werden mit Mean, um den reihenweisen Auschluss auszugleichen
Albus$p_w_imp <- with(Albus, impute(p_w, mean))
Albus$p_w_imp1 <- with(Albus, impute(p_w, min))
Albus$zuf_w_h_imp <- with(Albus, impute(zuf_w_h, mean))
Albus$zuf_w_1J_imp <- with(Albus, impute(zuf_w_1J, mean))
Albus$dem_zuf_imp <- with(Albus, impute(dem_zuf, mean))
Albus$reg_leistung_imp <- with(Albus, impute(reg_leistung, mean))
Albus$resp_imp <- with(Albus, impute(resp, mean))
Albus$pol_i_imp <- with(Albus, impute(pol_i, mean))
Albus$kons_oeTV_imp <- with(Albus, impute(kons_oeTV, mean))
Albus$kons_pTV_imp <- with(Albus, impute(kons_pTV, mean))
Albus$kons_z_imp <- with(Albus, impute(kons_z, mean))
Albus$kons_i_imp <- with(Albus, impute(kons_i, mean))
Albus$Faktor1_imp <- with(Albus, impute(Faktor1, mean))
Albus$Faktor2_imp <- with(Albus, impute(Faktor2, mean))
Albus$part_ind_imp <- with(Albus, impute(part_ind, min))
Albus$soz_ver_imp <- with(Albus, impute(soz_ver, min))
Albus$geschlecht_imp <- with(Albus, impute(geschlecht, min))
Model1_rep_biv <- lm(Faktor1 ~ p_w_imp1, data = Albus)
summary(Model1_rep_biv)##
## Call:
## lm(formula = Faktor1 ~ p_w_imp1, data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.8167 -0.7489 0.0845 0.8646 3.2937
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.84425 0.07634 37.258 <2e-16 ***
## p_w_imp1 -0.13790 0.09946 -1.387 0.166
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.187 on 3454 degrees of freedom
## (21 observations deleted due to missingness)
## Multiple R-squared: 0.0005563, Adjusted R-squared: 0.0002669
## F-statistic: 1.923 on 1 and 3454 DF, p-value: 0.1657Model1_rep <- lm(Faktor1 ~ p_w_imp1 + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung, data = Albus)
summary(Model1_rep)##
## Call:
## lm(formula = Faktor1 ~ p_w_imp1 + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung, data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.7227 -0.5922 0.0224 0.6162 5.0174
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.499224 0.235507 2.120 0.034097 *
## p_w_imp1 -0.280566 0.084149 -3.334 0.000865 ***
## zuf_w_h_imp 0.461001 0.115410 3.994 6.62e-05 ***
## zuf_w_1J_imp 0.673293 0.128378 5.245 1.66e-07 ***
## dem_zuf_imp 1.501891 0.109634 13.699 < 2e-16 ***
## reg_leistung_imp 2.057450 0.099784 20.619 < 2e-16 ***
## resp_imp 0.068094 0.076173 0.894 0.371423
## pol_i_imp -0.372324 0.119322 -3.120 0.001822 **
## part_ind_imp 0.217248 0.035021 6.203 6.20e-10 ***
## kons_oeTV_imp 0.068927 0.080758 0.854 0.393441
## kons_pTV_imp -0.152874 0.091738 -1.666 0.095723 .
## kons_z_imp -0.027272 0.054118 -0.504 0.614347
## kons_i_imp -0.139706 0.116993 -1.194 0.232508
## soz_ver_imp 0.182056 0.038230 4.762 2.00e-06 ***
## geschlecht_imp -0.163284 0.033032 -4.943 8.06e-07 ***
## age -0.003148 0.001149 -2.741 0.006160 **
## bildung 0.060696 0.014567 4.167 3.17e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9193 on 3390 degrees of freedom
## (70 observations deleted due to missingness)
## Multiple R-squared: 0.4012, Adjusted R-squared: 0.3984
## F-statistic: 142 on 16 and 3390 DF, p-value: < 2.2e-16Regression.1 <- plot_models(Model1_rep_biv, Model1_rep, colors = c("black", "Blue"), show.values = T, show.p = T, show.intercept = F, show.legend = F,axis.title = c("",""),title = "Direkter Effekt politischen Wissens auf Vertrauen in repräsentative Institutionen",
axis.labels = c("Bildungsjahre", "Alter", "Geschlecht: weiblich (0/1)", "Soz. Vertrauen (0/1)", "Narichten: Internet (0-1)", "Narichten: Zeitung (0-1)", "Narichten: priv. TV (0-1)", "Narichten: öff. TV (0-1)", "Parteiidentifikation: Regierung (0/1)", "Politisches Interesse (0-1)", "Responsitivitäsbewertung (0-1)", "Zuf. Regierung (0-1)", "Zuf. Demokratie (0-1)", "Zufr. Wirtschaft BRD, Zukunft (0-1)", "Zufr. Wirtschaft BRD (0-1)", "Politisches Wissen (0-1)"), grid = F, vline.color = "red", ci.lvl = 0.95)
Regression.1
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Regression.1.png",plot =Regression.1, width = 7, height = 7 )5.2 Direkter Effekt politischen Wissens auf regulative Institutionen
Model2_reg_biv <- lm(Faktor2 ~ p_w_imp, data = Albus)
summary(Model2_reg_biv)##
## Call:
## lm(formula = Faktor2 ~ p_w_imp, data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.9249 -0.5685 0.1091 0.6502 2.3127
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.56845 0.07039 50.697 < 2e-16 ***
## p_w_imp 0.35642 0.09100 3.917 9.15e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9545 on 3475 degrees of freedom
## Multiple R-squared: 0.004395, Adjusted R-squared: 0.004109
## F-statistic: 15.34 on 1 and 3475 DF, p-value: 9.146e-05Model2_reg <- lm(Faktor2 ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung, data = Albus)
summary(Model2_reg)##
## Call:
## lm(formula = Faktor2 ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung, data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0756 -0.4826 0.0497 0.5388 2.5150
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.001499 0.207726 9.635 < 2e-16 ***
## p_w_imp 0.081812 0.084200 0.972 0.331295
## zuf_w_h_imp 0.721772 0.101871 7.085 1.68e-12 ***
## zuf_w_1J_imp 0.389956 0.113144 3.447 0.000575 ***
## dem_zuf_imp 1.362290 0.096785 14.075 < 2e-16 ***
## reg_leistung_imp 0.784445 0.087896 8.925 < 2e-16 ***
## resp_imp 0.057689 0.067181 0.859 0.390565
## pol_i_imp -0.247746 0.104330 -2.375 0.017621 *
## part_ind_imp 0.114077 0.030886 3.693 0.000225 ***
## kons_oeTV_imp 0.114035 0.071109 1.604 0.108883
## kons_pTV_imp -0.082287 0.080915 -1.017 0.309246
## kons_z_imp 0.018225 0.047740 0.382 0.702670
## kons_i_imp -0.002487 0.102864 -0.024 0.980710
## soz_ver_imp 0.203957 0.033668 6.058 1.53e-09 ***
## geschlecht_imp 0.006989 0.029120 0.240 0.810348
## age -0.005913 0.001013 -5.840 5.73e-09 ***
## bildung 0.037746 0.012812 2.946 0.003239 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8124 on 3410 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.2856, Adjusted R-squared: 0.2822
## F-statistic: 85.19 on 16 and 3410 DF, p-value: < 2.2e-16Regression.2 <- plot_models(Model2_reg_biv, Model2_reg,colors = c("black", "Blue"), show.values = T, show.p = T, show.intercept = F, show.legend = F, axis.title = c("", ""),title = "Direkter Effekt politischen Wissens auf Vertrauen in regulativen Institutionen",
axis.labels = c("Bildungsjahre", "Alter", "Geschlecht: weiblich (0/1)", "Soz. Vertrauen (0/1)", "Narichten: Internet (0-1)", "Narichten: Zeitung (0-1)", "Narichten: priv. TV (0-1)", "Narichten: öff. TV (0-1)", "Parteiidentifikation: Regierung (0/1)", "Politisches Interesse (0-1)", "Responsitivitäsbewertung (0-1)", "Zuf. Regierung (0-1)", "Zuf. Demokratie (0-1)", "Zufr. Wirtschaft BRD, Zukunft (0-1)", "Zufr. Wirtschaft BRD (0-1)", "Politisches Wissen (0-1)"), grid = F, vline.color = "red", ci.lvl = 0.95 )
Regression.2
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Regression.2.png",plot =Regression.2, width = 7, height = 7 )5.3 Moderierender Effekt politischen Wissens
Für die Hypothese, dass sich der direkte Effekt politischen Wissens auf das politische Vertrauen geschwächt wird, unter der Berücksichtigung relevanter Leistungsbewertungen, kommt es zu einer Ergänzung der Regressionsmodelle um 5 Interaktionsterme. - Wirtschaftliche Zufriedenheit in der BRD - Wirtschaftslage in der BRD in 1 Jahr - Zufriedenheit mit Demokratie in BRD - Zufriedenheit mit Leistung der Regierung - Responsitivitätsbewertung (Wahrgenommene Repräsentation durch Politiker und abstrakter die Repräsentation der Bevölkerung wird zusammengefügt)
5.3.1 Moderierende Effekte politischen Wissens auf repräsentative Institutionen
#Moderierende Effekte in repräsentativen Institutionen
fit.int_rep <- lm(Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:zuf_w_h_imp, data = Albus)
summary(fit.int_rep)##
## Call:
## lm(formula = Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:zuf_w_h_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.7350 -0.5918 0.0251 0.6119 4.9797
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.729105 0.318106 2.292 0.02197 *
## p_w_imp -0.566702 0.309181 -1.833 0.06690 .
## zuf_w_h_imp -0.118825 0.425395 -0.279 0.78001
## zuf_w_1J_imp 0.683227 0.128119 5.333 1.03e-07 ***
## dem_zuf_imp 1.488454 0.109496 13.594 < 2e-16 ***
## reg_leistung_imp 2.060431 0.099444 20.720 < 2e-16 ***
## resp_imp 0.071627 0.076004 0.942 0.34605
## pol_i_imp -0.326562 0.118261 -2.761 0.00579 **
## part_ind_imp 0.215585 0.034944 6.169 7.66e-10 ***
## kons_oeTV_imp 0.056723 0.080452 0.705 0.48082
## kons_pTV_imp -0.148263 0.091554 -1.619 0.10545
## kons_z_imp -0.032856 0.054010 -0.608 0.54301
## kons_i_imp -0.132633 0.116376 -1.140 0.25450
## soz_ver_imp 0.178482 0.038089 4.686 2.90e-06 ***
## geschlecht_imp -0.164889 0.032948 -5.004 5.89e-07 ***
## age -0.003249 0.001146 -2.836 0.00459 **
## bildung 0.058624 0.014500 4.043 5.40e-05 ***
## p_w_imp:zuf_w_h_imp 0.757031 0.551560 1.373 0.16999
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9191 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.3982, Adjusted R-squared: 0.3952
## F-statistic: 132.7 on 17 and 3409 DF, p-value: < 2.2e-16moderation.1 <- plot_model(fit.int_rep, type = "int", grid = F, mdrt.values = "meansd", axis.title = c("Politisches Wissen","Wirtschaftliche Zufriedenheit"), show.legend = F, title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.1.png", plot = moderation.1, width = 7, height = 7)
moderation.1
fit.int_rep1 <- lm(Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:zuf_w_1J_imp, data = Albus)
summary(fit.int_rep1)##
## Call:
## lm(formula = Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:zuf_w_1J_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6898 -0.5970 0.0233 0.6122 5.0128
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.656775 0.292126 2.248 0.024623 *
## p_w_imp -0.469641 0.257985 -1.820 0.068782 .
## zuf_w_h_imp 0.446870 0.115290 3.876 0.000108 ***
## zuf_w_1J_imp 0.063521 0.495511 0.128 0.898004
## dem_zuf_imp 1.490989 0.109517 13.614 < 2e-16 ***
## reg_leistung_imp 2.059091 0.099463 20.702 < 2e-16 ***
## resp_imp 0.071299 0.076007 0.938 0.348283
## pol_i_imp -0.336768 0.118036 -2.853 0.004356 **
## part_ind_imp 0.216781 0.034949 6.203 6.21e-10 ***
## kons_oeTV_imp 0.056394 0.080453 0.701 0.483382
## kons_pTV_imp -0.150178 0.091545 -1.640 0.100998
## kons_z_imp -0.033006 0.054012 -0.611 0.541191
## kons_i_imp -0.135605 0.116385 -1.165 0.244046
## soz_ver_imp 0.178248 0.038092 4.679 2.99e-06 ***
## geschlecht_imp -0.164298 0.032946 -4.987 6.44e-07 ***
## age -0.003216 0.001146 -2.806 0.005037 **
## bildung 0.059258 0.014495 4.088 4.45e-05 ***
## p_w_imp:zuf_w_1J_imp 0.834147 0.652162 1.279 0.200967
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9191 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.3981, Adjusted R-squared: 0.3951
## F-statistic: 132.6 on 17 and 3409 DF, p-value: < 2.2e-16moderation.2 <- plot_model(fit.int_rep1, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Wirtschaftliche Zufriedenheit (Zukunft)"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.2.png", plot = moderation.2, width = 7, height = 7)
moderation.2
fit.int_rep2<- lm(Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:dem_zuf_imp, data = Albus)
summary(fit.int_rep2)##
## Call:
## lm(formula = Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:dem_zuf_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.5760 -0.5882 0.0232 0.6116 4.9311
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.874365 0.293611 2.978 0.002922 **
## p_w_imp -0.771627 0.261926 -2.946 0.003241 **
## zuf_w_h_imp 0.447772 0.115192 3.887 0.000103 ***
## zuf_w_1J_imp 0.689710 0.128044 5.386 7.67e-08 ***
## dem_zuf_imp 0.607962 0.369613 1.645 0.100090
## reg_leistung_imp 2.067789 0.099408 20.801 < 2e-16 ***
## resp_imp 0.075201 0.075970 0.990 0.322300
## pol_i_imp -0.325045 0.118048 -2.753 0.005928 **
## part_ind_imp 0.213260 0.034938 6.104 1.15e-09 ***
## kons_oeTV_imp 0.054474 0.080398 0.678 0.498105
## kons_pTV_imp -0.147556 0.091490 -1.613 0.106881
## kons_z_imp -0.033963 0.053978 -0.629 0.529259
## kons_i_imp -0.128664 0.116317 -1.106 0.268742
## soz_ver_imp 0.178057 0.038066 4.678 3.01e-06 ***
## geschlecht_imp -0.164851 0.032925 -5.007 5.81e-07 ***
## age -0.003155 0.001145 -2.754 0.005911 **
## bildung 0.058628 0.014487 4.047 5.30e-05 ***
## p_w_imp:dem_zuf_imp 1.162360 0.466008 2.494 0.012668 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9185 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.3989, Adjusted R-squared: 0.3959
## F-statistic: 133.1 on 17 and 3409 DF, p-value: < 2.2e-16moderation.3 <- plot_model(fit.int_rep2, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Demokratiezufriedenheit"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.3.png", plot = moderation.3, width = 7, height = 7)
moderation.3
fit.int_rep3 <- lm(Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:reg_leistung_imp, data = Albus)
summary(fit.int_rep3)##
## Call:
## lm(formula = Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:reg_leistung_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6332 -0.5955 0.0216 0.6121 4.9946
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.577740 0.271920 2.125 0.033686 *
## p_w_imp -0.357474 0.209090 -1.710 0.087419 .
## zuf_w_h_imp 0.442925 0.115264 3.843 0.000124 ***
## zuf_w_1J_imp 0.678609 0.128047 5.300 1.23e-07 ***
## dem_zuf_imp 1.490125 0.109519 13.606 < 2e-16 ***
## reg_leistung_imp 1.711211 0.349769 4.892 1.04e-06 ***
## resp_imp 0.071475 0.076013 0.940 0.347127
## pol_i_imp -0.336772 0.118045 -2.853 0.004358 **
## part_ind_imp 0.214980 0.034961 6.149 8.69e-10 ***
## kons_oeTV_imp 0.057347 0.080475 0.713 0.476142
## kons_pTV_imp -0.150769 0.091554 -1.647 0.099695 .
## kons_z_imp -0.032491 0.054017 -0.601 0.547548
## kons_i_imp -0.131224 0.116413 -1.127 0.259724
## soz_ver_imp 0.179003 0.038095 4.699 2.72e-06 ***
## geschlecht_imp -0.164049 0.032948 -4.979 6.71e-07 ***
## age -0.003228 0.001146 -2.818 0.004867 **
## bildung 0.059153 0.014496 4.081 4.60e-05 ***
## p_w_imp:reg_leistung_imp 0.466054 0.446013 1.045 0.296128
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9192 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.398, Adjusted R-squared: 0.395
## F-statistic: 132.6 on 17 and 3409 DF, p-value: < 2.2e-16moderation.4 <- plot_model(fit.int_rep3, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Regierungszufriedenheit"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.4.png", plot = moderation.4, width = 7, height = 7)
moderation.4
fit.int_rep4 <-lm(Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:resp_imp, data = Albus)
summary(fit.int_rep4)##
## Call:
## lm(formula = Faktor1_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:resp_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6760 -0.5956 0.0216 0.6139 5.0047
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.713134 0.336983 2.116 0.034398 *
## p_w_imp -0.538031 0.339120 -1.587 0.112708
## zuf_w_h_imp 0.442792 0.115260 3.842 0.000124 ***
## zuf_w_1J_imp 0.675645 0.128014 5.278 1.39e-07 ***
## dem_zuf_imp 1.492084 0.109548 13.620 < 2e-16 ***
## reg_leistung_imp 2.060044 0.099457 20.713 < 2e-16 ***
## resp_imp -0.260879 0.298348 -0.874 0.381955
## pol_i_imp -0.337650 0.118044 -2.860 0.004257 **
## part_ind_imp 0.214785 0.034962 6.143 9.01e-10 ***
## kons_oeTV_imp 0.056114 0.080456 0.697 0.485569
## kons_pTV_imp -0.152012 0.091562 -1.660 0.096963 .
## kons_z_imp -0.033349 0.054017 -0.617 0.537027
## kons_i_imp -0.135205 0.116389 -1.162 0.245450
## soz_ver_imp 0.178684 0.038092 4.691 2.83e-06 ***
## geschlecht_imp -0.164693 0.032950 -4.998 6.08e-07 ***
## age -0.003240 0.001146 -2.828 0.004710 **
## bildung 0.059358 0.014496 4.095 4.33e-05 ***
## p_w_imp:resp_imp 0.448596 0.389292 1.152 0.249263
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9192 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.3981, Adjusted R-squared: 0.3951
## F-statistic: 132.6 on 17 and 3409 DF, p-value: < 2.2e-16moderation.5 <- plot_model(fit.int_rep4, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Responsivitätsbewertung"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.5.png", plot = moderation.5, width = 7, height = 7)
moderation.5
5.3.2 Moderierende Effekte politischen Wissens auf regulative Institutionen
#Moderierende Effekte in regulativen Institutionen
fit.int_reg <- lm(Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:zuf_w_h_imp, data = Albus)
summary(fit.int_reg)##
## Call:
## lm(formula = Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:zuf_w_h_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0834 -0.4834 0.0511 0.5357 2.5148
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.337226 0.281090 8.315 < 2e-16 ***
## p_w_imp -0.378800 0.273204 -1.387 0.165682
## zuf_w_h_imp 0.080537 0.375894 0.214 0.830361
## zuf_w_1J_imp 0.398441 0.113210 3.519 0.000438 ***
## dem_zuf_imp 1.362176 0.096755 14.079 < 2e-16 ***
## reg_leistung_imp 0.783098 0.087872 8.912 < 2e-16 ***
## resp_imp 0.057749 0.067160 0.860 0.389920
## pol_i_imp -0.236216 0.104500 -2.260 0.023856 *
## part_ind_imp 0.113578 0.030878 3.678 0.000238 ***
## kons_oeTV_imp 0.115334 0.071091 1.622 0.104820
## kons_pTV_imp -0.079971 0.080901 -0.989 0.322974
## kons_z_imp 0.018082 0.047725 0.379 0.704801
## kons_i_imp -0.001127 0.102834 -0.011 0.991253
## soz_ver_imp 0.203816 0.033657 6.056 1.55e-09 ***
## geschlecht_imp 0.006173 0.029114 0.212 0.832094
## age -0.005928 0.001012 -5.856 5.19e-09 ***
## bildung 0.037094 0.012813 2.895 0.003815 **
## p_w_imp:zuf_w_h_imp 0.863718 0.487379 1.772 0.076456 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8122 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.2862, Adjusted R-squared: 0.2827
## F-statistic: 80.41 on 17 and 3409 DF, p-value: < 2.2e-16moderation.6 <- plot_model(fit.int_reg, type = "int", grid = F, mdrt.values = "meansd", axis.title = c("Politisches Wissen","Wirtschaftliche Zufriedenheit"), show.legend = F, title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.6.png", plot = moderation.6, width = 7, height = 7)
moderation.6
fit.int_reg1 <- lm(Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:zuf_w_1J_imp, data = Albus)
summary(fit.int_reg1)##
## Call:
## lm(formula = Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:zuf_w_1J_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0796 -0.4830 0.0501 0.5427 2.5176
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.251994 0.258142 8.724 < 2e-16 ***
## p_w_imp -0.264317 0.227973 -1.159 0.246364
## zuf_w_h_imp 0.725911 0.101878 7.125 1.26e-12 ***
## zuf_w_1J_imp -0.301126 0.437866 -0.688 0.491681
## dem_zuf_imp 1.365038 0.096776 14.105 < 2e-16 ***
## reg_leistung_imp 0.781601 0.087892 8.893 < 2e-16 ***
## resp_imp 0.057378 0.067165 0.854 0.393005
## pol_i_imp -0.247859 0.104304 -2.376 0.017541 *
## part_ind_imp 0.114933 0.030883 3.722 0.000201 ***
## kons_oeTV_imp 0.114949 0.071094 1.617 0.106002
## kons_pTV_imp -0.082157 0.080896 -1.016 0.309893
## kons_z_imp 0.017915 0.047729 0.375 0.707428
## kons_i_imp -0.004496 0.102846 -0.044 0.965130
## soz_ver_imp 0.203553 0.033660 6.047 1.63e-09 ***
## geschlecht_imp 0.006850 0.029113 0.235 0.813999
## age -0.005890 0.001012 -5.817 6.53e-09 ***
## bildung 0.037818 0.012809 2.952 0.003174 **
## p_w_imp:zuf_w_1J_imp 0.941520 0.576294 1.634 0.102403
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8122 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.2861, Adjusted R-squared: 0.2826
## F-statistic: 80.37 on 17 and 3409 DF, p-value: < 2.2e-16moderation.7 <- plot_model(fit.int_reg1, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Wirtschaftliche Zufriedenheit (Zukunft)"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.7.png", plot = moderation.7, width = 7, height = 7)
moderation.7
fit.int_reg2<- lm(Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:dem_zuf_imp, data = Albus)
summary(fit.int_reg2)##
## Call:
## lm(formula = Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:dem_zuf_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0823 -0.4868 0.0512 0.5389 2.5397
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.371210 0.259516 9.137 < 2e-16 ***
## p_w_imp -0.430162 0.231510 -1.858 0.063245 .
## zuf_w_h_imp 0.725615 0.101815 7.127 1.25e-12 ***
## zuf_w_1J_imp 0.401665 0.113175 3.549 0.000392 ***
## dem_zuf_imp 0.621557 0.326692 1.903 0.057179 .
## reg_leistung_imp 0.789642 0.087864 8.987 < 2e-16 ***
## resp_imp 0.060740 0.067148 0.905 0.365756
## pol_i_imp -0.237970 0.104340 -2.281 0.022627 *
## part_ind_imp 0.111753 0.030881 3.619 0.000300 ***
## kons_oeTV_imp 0.113100 0.071062 1.592 0.111573
## kons_pTV_imp -0.079985 0.080866 -0.989 0.322685
## kons_z_imp 0.017188 0.047710 0.360 0.718668
## kons_i_imp 0.001854 0.102810 0.018 0.985614
## soz_ver_imp 0.203496 0.033645 6.048 1.62e-09 ***
## geschlecht_imp 0.006420 0.029101 0.221 0.825406
## age -0.005845 0.001012 -5.773 8.46e-09 ***
## bildung 0.037269 0.012805 2.911 0.003631 **
## p_w_imp:dem_zuf_imp 0.977749 0.411893 2.374 0.017662 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8119 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.2867, Adjusted R-squared: 0.2832
## F-statistic: 80.62 on 17 and 3409 DF, p-value: < 2.2e-16moderation.8 <- plot_model(fit.int_reg2, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Demokratiezufriedenheit"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.8.png", plot = moderation.8, width = 7, height = 7)
moderation.8
fit.int_reg3 <- lm(Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:reg_leistung_imp, data = Albus)
summary(fit.int_reg3)##
## Call:
## lm(formula = Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:reg_leistung_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0838 -0.4883 0.0527 0.5427 2.5263
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.1863001 0.2402792 9.099 < 2e-16 ***
## p_w_imp -0.1697180 0.1847602 -0.919 0.358378
## zuf_w_h_imp 0.7214121 0.1018517 7.083 1.71e-12 ***
## zuf_w_1J_imp 0.3936024 0.1131474 3.479 0.000510 ***
## dem_zuf_imp 1.3643218 0.0967754 14.098 < 2e-16 ***
## reg_leistung_imp 0.3312763 0.3090693 1.072 0.283863
## resp_imp 0.0575614 0.0671678 0.857 0.391517
## pol_i_imp -0.2478812 0.1043091 -2.376 0.017537 *
## part_ind_imp 0.1127286 0.0308929 3.649 0.000267 ***
## kons_oeTV_imp 0.1163140 0.0711109 1.636 0.102001
## kons_pTV_imp -0.0829027 0.0809004 -1.025 0.305554
## kons_z_imp 0.0185351 0.0477313 0.388 0.697803
## kons_i_imp 0.0008755 0.1028669 0.009 0.993210
## soz_ver_imp 0.2044700 0.0336626 6.074 1.38e-09 ***
## geschlecht_imp 0.0071509 0.0291144 0.246 0.805995
## age -0.0059030 0.0010125 -5.830 6.05e-09 ***
## bildung 0.0376917 0.0128094 2.943 0.003278 **
## p_w_imp:reg_leistung_imp 0.6027426 0.3941139 1.529 0.126268
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8123 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.2861, Adjusted R-squared: 0.2825
## F-statistic: 80.35 on 17 and 3409 DF, p-value: < 2.2e-16moderation.9 <- plot_model(fit.int_reg3, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Regierungszufriedenheit"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.9.png", plot = moderation.9, width = 7, height = 7)
moderation.9
fit.int_reg4 <-lm(Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp + dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp + kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp + soz_ver_imp + geschlecht_imp + age + bildung+ p_w_imp:resp_imp, data = Albus)
summary(fit.int_reg4)##
## Call:
## lm(formula = Faktor2_imp ~ p_w_imp + zuf_w_h_imp + zuf_w_1J_imp +
## dem_zuf_imp + reg_leistung_imp + resp_imp + pol_i_imp + part_ind_imp +
## kons_oeTV_imp + kons_pTV_imp + kons_z_imp + kons_i_imp +
## soz_ver_imp + geschlecht_imp + age + bildung + p_w_imp:resp_imp,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0742 -0.4818 0.0503 0.5379 2.5137
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.890925 0.297872 6.348 2.47e-10 ***
## p_w_imp 0.230833 0.299761 0.770 0.441320
## zuf_w_h_imp 0.721936 0.101883 7.086 1.67e-12 ***
## zuf_w_1J_imp 0.390014 0.113157 3.447 0.000574 ***
## dem_zuf_imp 1.360888 0.096834 14.054 < 2e-16 ***
## reg_leistung_imp 0.785068 0.087914 8.930 < 2e-16 ***
## resp_imp 0.189786 0.263721 0.720 0.471792
## pol_i_imp -0.247356 0.104343 -2.371 0.017815 *
## part_ind_imp 0.114569 0.030904 3.707 0.000213 ***
## kons_oeTV_imp 0.113824 0.071118 1.600 0.109581
## kons_pTV_imp -0.081604 0.080935 -1.008 0.313394
## kons_z_imp 0.018470 0.047748 0.387 0.698903
## kons_i_imp -0.001939 0.102880 -0.019 0.984967
## soz_ver_imp 0.203926 0.033671 6.056 1.54e-09 ***
## geschlecht_imp 0.007195 0.029126 0.247 0.804907
## age -0.005912 0.001013 -5.837 5.80e-09 ***
## bildung 0.037681 0.012814 2.941 0.003298 **
## p_w_imp:resp_imp -0.178245 0.344109 -0.518 0.604498
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8125 on 3409 degrees of freedom
## (50 observations deleted due to missingness)
## Multiple R-squared: 0.2856, Adjusted R-squared: 0.2821
## F-statistic: 80.17 on 17 and 3409 DF, p-value: < 2.2e-16moderation.10 <- plot_model(fit.int_reg4, type = "int", grid = F, mdrt.values = "meansd", show.legend = F, axis.title = c("Politisches Wissen", "Responsivitätsbewertung"), title = "")
ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/moderation.10.png", plot = moderation.10, width = 7, height = 7)
moderation.10