Quantitative Forschungspraxis Hausarbeit
Krispin Krüger, Lars Kurt
2022-06-23
1. Packages einlesen
1.1 Daten einlesen
Wir schauen uns für unsere Arbeit verschiedene Datensätze an, da wir jedoch unser Forschungsinteressse auf Deutschland legen, werden wir hauptsächlich mit dem ALLBUS 2018 und dem ESS der 9 Runde arbeiten, welche wir durch Makrodaten anderer Datensätze ergänzen werden
#Einlesen vom Albus Datensatz
Albus <- read.spss("./Data/Allbus-2018.sav", use.value.labels = FALSE, to.data.frame = TRUE, reencode = TRUE)## re-encoding from UTF-8#Variablen anzeigen
#View(Albus)
#names(Albus)
nrow(Albus) #--> 3477 Befrage## [1] 3477ncol(Albus) #--> 708 Variablen ## [1] 708#Einlesen vom ESS-Datensatz
ess <- read.spss("./Data/ESS9e02.sav", use.value.labels = FALSE, to.data.frame = TRUE, reencode = TRUE)## re-encoding from UTF-8#Variablen anzeigen
#View(ess)
#names(ess)
nrow(ess) #--> 47086 Befragte ## [1] 47086ncol(ess) #--> 557 Variablen ## [1] 5572. Daten vorbereiten
Wir rekodieren die Variablen aus dem Albus 2018 zu einem multiplikativen Index über die Reihenmittelwerte, um so die Na`s ausschließen zu können. Die Skala von 1, garkein Vertrauen zu 7, sehr großes Vertrauen wird rekodiert auf einen Wertebereich von 0-6, das es einen klaren Nullpunkt gibt, was für eine spätere Mittelwertszentierung einfacher ist.
Zur Erstellung des Indizes gibt es 2 Möglichkeiten:
- Es wird ein index aus allen sinnvollen politischen Vertrauensvariablen gebildet
- Es werden zwei unabhängige Indizes gebildet, einmal einer für die Variablen von repräsentativen und von regulativen Institutionen
–> Es werden nicht alle Vertrauensvariablen des Albus genutzt, sondern nur 11 von 13, da das Vertrauen in die Medien inhaltlich irrelevant ist zur Überprüfung der verschiedenen Formen von political trust.
Skala von 1-7 = Garkein Vertauen (=1) zu Großes Vertrauen (=7)
Repräsentative Institutionen
- pt03 = Vertrauen: Bundestag,
- pt12 = Vertrauen: Bundesregierung,
- pt.15 = Vertrauen: Politische Parteien,
- pt20 = Vertrauen: Europäisches Parlament,
- pt19 = Vertrauen: Kommission der EU
Regulative Institutionen
pt01 = Vertrauen: Gesundheitswesen,
pt02 = Vertrauen: Bundesverfassungsgericht,
pt04 = Vertrauen: Stadt-, Gemeindeverwaltung,
pt08 = Vertrauen: Justiz,
pt11 = Vertrauen: Hochschule, Universitäten,
pt14 = Vertrauen: Polizei,
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$v1_ghw <- car::recode(Albus$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 <- car::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$v3_bt <- car::recode(Albus$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 <- car::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$v5_j <- car::recode(Albus$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 <- car::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$v7_brg <- car::recode(Albus$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 <- car::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$v9_pp <- car::recode(Albus$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 <- car::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$v11_eup <- car::recode(Albus$pt20,
"1=0;
2=1;
3=2;
4=3;
5=4;
6=5;
7=6")
table(Albus$v11_eup)##
## 0 1 2 3 4 5 6
## 328 428 666 908 619 230 412.1 Index Political Trust
Es muss zuerst eine Kontrolle der Na’s durchgeführt werden, um zu überprüfen ob es eine systematische Verzerrung des Indexes gibt.
vars <- c("v3_bt", "v7_brg", "v9_pp", "v11_eup", "v10_euk", "v8_p", "v5_j", "v2_bvg", "v4_sgv", "v1_ghw", "v6_hu")
Albus$missings <- rowSums(is.na(Albus[, vars]))
Albus$rep_index <- rowMeans(Albus[, vars], na.rm = T)
table(Albus$missings) #kleinster gemeinsame Fallzahl ist 2867 ##
## 0 1 2 3 4 5 6 7 8 9
## 2867 270 139 90 39 30 15 14 7 6sum(is.na(Albus[, vars])) #1422 Missings ## [1] 1422#Wie groß ist der Anteil der Missings in den Variablen
(2867 / 1422 ) / 100## [1] 0.02016174#Gewichtung muss noch aktiviert werden für den IndexWir haben über die 11 Variablen insgesamt 1422 Missings, was 2% der Fälle entspricht, welche wir in einem nächsten Schritt imputieren werden mit dem Misc-Verfahren. Zuerst sollte aber überprüft werden ob es eine inhaltlich sinvolle Interpretation und Korrelation der Na’s mit der abhängigen Variable gibt. Falls dies zutrifft, kann es sich um eine systematische Verzerrung handeln.
Albus$rep_int <- rowMeans(Albus[ ,c("v3_bt", "v7_brg", "v9_pp", "v11_eup", "v10_euk")], na.rm = T)
Albus$reg_int <- rowMeans(Albus[ ,c("v8_p", "v5_j", "v2_bvg", "v4_sgv", "v1_ghw", "v6_hu")], na.rm = T)
#Grafische Überprüfung
ggplot(Albus, aes( rep_int)) +
geom_bar(aes(y = ( ..count.. )/sum( ..count.. )),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent) +
scale_x_continuous(breaks = seq(0,6),
labels = c("sehr Unzufrieden",
"1", "2", "3", "4", "5",
"sehr Zufrieden"))+
labs(title = "Vertrauen in repräsentative Instiutionen",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Vertauen in repräsentative Institutionen")+
theme_bw()## Warning: Removed 21 rows containing non-finite values (stat_count).
ggplot(Albus, aes( reg_int))+
geom_bar(aes(y = ( ..count..)/sum( ..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(0,6),
labels = c("sehr Unzufrieden",
"1", "2", "3", "4", "5",
"sehr Zufrieden"))+
labs(title = "Vertrauen in regulative Instiutionen",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Vertauen in regulative Institutionen")+
theme_bw()
Desc(Albus$rep_int, Albus$reg_int)## ------------------------------------------------------------------------------
##
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'456 21 56 74 2.74 2.70
## 99.4% 0.6% 2.1% 2.78
##
## .05 .10 .25 median .75 .90 .95
## 0.60 1.00 2.00 2.80 3.60 4.20 4.60
##
## range sd vcoef mad IQR skew kurt
## 6.00 1.19 0.43 1.19 1.60 -0.26 -0.32
##
## lowest : 0.0 (74), 0.2 (30), 0.33 (5), 0.4 (49), 0.5 (4)
## highest: 5.33, 5.4 (9), 5.5 (4), 5.6 (3), 6.0 (10)
##
## heap(?): remarkable frequency (9.2%) for the mode(s) (= 3)
##
## ' 95%-CI (classic)
shapiro.test(Albus$rep_int) ##
## Shapiro-Wilk normality test
##
## data: Albus$rep_int
## W = 0.9863, p-value < 2.2e-16shapiro.test(Albus$reg_int)##
## Shapiro-Wilk normality test
##
## data: Albus$reg_int
## W = 0.98103, p-value < 2.2e-16#beide shapiro tests zeigen mit hochsignifkanten Ergebniss, dass die Verteilungen der beiden Indizes nicht normalverteilt sind, aber bei der optischen Überprüfung ist offentsichlich, dass es sich um keine starke Schiefe oder Steilheit handelt und man die Variablen weiterverwenden kann.
#Überprüfung der Missings
Albus.NA <- subset(Albus, select = c("v3_bt", "v7_brg", "v9_pp", "v11_eup", "v10_euk", "v8_p", "v5_j", "v2_bvg", "v4_sgv", "v1_ghw", "v6_hu"))
propmiss <- function(dataframe) {
m <- sapply(dataframe, function(x) {
data.frame(
nmiss=sum(is.na(x)),
n=length(x),
propmiss=sum(is.na(x))/length(x)
)
})
d <- data.frame(t(m))
d <- sapply(d, unlist)
d <- as.data.frame(d)
d$variable <- row.names(d)
row.names(d) <- NULL
d <- cbind(d[ncol(d)],d[-ncol(d)])
return(d[order(d$propmiss), ])
}
miss_vars<-propmiss(Albus.NA)
miss_vars_mean<-mean(miss_vars$propmiss)
miss_vars_ges<- miss_vars %>% arrange(desc(propmiss))
plot1<-ggplot(miss_vars_ges,aes(x=reorder(variable,propmiss),y=propmiss*100)) +
geom_point(size=3) +
coord_flip() +
theme_bw() + xlab("") +ylab("NAs pro Variable") +
theme(panel.grid.major.x=element_blank(),
panel.grid.minor.x=element_blank(),
panel.grid.major.y=element_line(colour="grey",linetype="dashed")) +
ggtitle("Prozent an NAs")
plot1
aggr(Albus.NA, numbers=TRUE, prop=TRUE, combined=TRUE, sortVars=FALSE, vscale = 1)## Warning in plot.aggr(res, ...): not enough vertical space to display frequencies
## (too many combinations)
plot <- ggplot(Albus, aes(v4_sgv))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(0,6),
labels = c("Garkein Vertrauen", "2", "3", "Teils Teils", "5", "6", "Großes Vertrauen"))+
labs(caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="regionales Vertrauen")+
theme_bw()
plot## Warning: Removed 57 rows containing non-finite values (stat_count).
Desc(Albus$v4_sgv)## ------------------------------------------------------------------------------
## Albus$v4_sgv (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'420 57 7 80 3.61 3.57
## 98.4% 1.6% 2.3% 3.66
##
## .05 .10 .25 median .75 .90 .95
## 1.00 2.00 3.00 4.00 5.00 5.00 6.00
##
## range sd vcoef mad IQR skew kurt
## 6.00 1.36 0.38 1.48 2.00 -0.44 -0.11
##
##
## value freq perc cumfreq cumperc
## 1 0 80 2.3% 80 2.3%
## 2 1 166 4.9% 246 7.2%
## 3 2 425 12.4% 671 19.6%
## 4 3 803 23.5% 1'474 43.1%
## 5 4 1'015 29.7% 2'489 72.8%
## 6 5 717 21.0% 3'206 93.7%
## 7 6 214 6.3% 3'420 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$v4_sgv)##
## Shapiro-Wilk normality test
##
## data: Albus$v4_sgv
## W = 0.93641, p-value < 2.2e-16plot.1 <- ggplot(Albus, aes(v7_brg))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(0,6),
labels = c("Garkein Vertrauen", "2", "3", "Teils Teils", "5", "6", "Großes Vertrauen"))+
labs( caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="nationales Vertrauen")+
theme_bw()
plot.1## Warning: Removed 43 rows containing non-finite values (stat_count).
Desc(Albus$v7_brg)## ------------------------------------------------------------------------------
## Albus$v7_brg (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'434 43 7 250 2.98 2.93
## 98.8% 1.2% 7.2% 3.03
##
## .05 .10 .25 median .75 .90 .95
## 0.00 1.00 2.00 3.00 4.00 5.00 5.00
##
## range sd vcoef mad IQR skew kurt
## 6.00 1.46 0.49 1.48 2.00 -0.29 -0.45
##
##
## value freq perc cumfreq cumperc
## 1 0 250 7.3% 250 7.3%
## 2 1 324 9.4% 574 16.7%
## 3 2 561 16.3% 1'135 33.1%
## 4 3 974 28.4% 2'109 61.4%
## 5 4 833 24.3% 2'942 85.7%
## 6 5 407 11.9% 3'349 97.5%
## 7 6 85 2.5% 3'434 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$v7_brg)##
## Shapiro-Wilk normality test
##
## data: Albus$v7_brg
## W = 0.94116, p-value < 2.2e-16plot.2 <- ggplot(Albus, aes(v11_eup))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(0,6),
labels = c("Garkein Vertrauen", "2", "3", "Teils Teils", "5", "6", "Großes Vertrauen"))+
labs(caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="supranationales Vertrauen")+
theme_bw()
plot.2## Warning: Removed 257 rows containing non-finite values (stat_count).
Desc(Albus$v11_eup)## ------------------------------------------------------------------------------
## Albus$v11_eup (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'220 257 7 328 2.60 2.55
## 92.6% 7.4% 9.4% 2.64
##
## .05 .10 .25 median .75 .90 .95
## 0.00 0.00 2.00 3.00 4.00 4.00 5.00
##
## range sd vcoef mad IQR skew kurt
## 6.00 1.44 0.56 1.48 2.00 -0.10 -0.61
##
##
## value freq perc cumfreq cumperc
## 1 0 328 10.2% 328 10.2%
## 2 1 428 13.3% 756 23.5%
## 3 2 666 20.7% 1'422 44.2%
## 4 3 908 28.2% 2'330 72.4%
## 5 4 619 19.2% 2'949 91.6%
## 6 5 230 7.1% 3'179 98.7%
## 7 6 41 1.3% 3'220 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$v11_eup)##
## Shapiro-Wilk normality test
##
## data: Albus$v11_eup
## W = 0.94257, p-value < 2.2e-16Vertrauen_hist <- ggarrange(plot, plot.1, plot.2
,labels = c("Vertrauen in Lokale Ebene", "Vertrauen in nationale Ebene", "Vertrauen in supranationale Ebene",
ncol = 5, nrow = 5))## Warning: Removed 57 rows containing non-finite values (stat_count).## Warning: Removed 43 rows containing non-finite values (stat_count).## Warning: Removed 257 rows containing non-finite values (stat_count).Vertrauen_hist
#ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Grafik.png",plot =Vertrauen_hist, width = 25, height = 10 )Deskripitive Statistik
Albus$vertrauen <- c('v4_sgv', 'v7_brg', 'v11_eup')
sumtable(Albus, vars = c('pt04', 'pt12', 'pt20')
,summ = list(
c('notNA(x)', 'mean(x)', 'median(x)', 'sd(x)', 'min(x)', 'max(x)', 'pctile(x)[25]', 'pctile(x)[75]')
),
summ.names = list(
c('N', 'Mean', 'Median', 'Standard Error', 'Minimum', 'Maximum', '1 Quantil', '4 Quantil')
)
,title = "Deskriptive Statistik der hierarischen Vertrauensvariablen"
,labels = c("Vertrauen in lokale Institutionen", "Vertrauen in nationale Institutionen", "Vertrauen in supranationale Institutionen"))#, | Variable | N | Mean | Median | Standard Error | Minimum | Maximum | 1 Quantil | 4 Quantil |
|---|---|---|---|---|---|---|---|---|
| Vertrauen in lokale Institutionen | 3420 | 4.612 | 5 | 1.361 | 1 | 7 | 4 | 6 |
| Vertrauen in nationale Institutionen | 3434 | 3.983 | 4 | 1.461 | 1 | 7 | 3 | 5 |
| Vertrauen in supranationale Institutionen | 3220 | 3.595 | 4 | 1.444 | 1 | 7 | 3 | 5 |
#file = 'Deskriptive Statistik_Vertrauen')2.1.1 Hauptkomponentenanalyse
#Bartlett Test ob es Korrelation (!=0) gibt
cortest.bartlett(Albus.NA)## R was not square, finding R from data## $chisq
## [1] 20805.64
##
## $p.value
## [1] 0
##
## $df
## [1] 55#Kaiser-Meyer-Olkin-Kriterium zur Beurteilung der Eignung der Daten zur Durchführung einer Faktoranalyse
kmo <- KMO(Albus.NA)
kmo## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = Albus.NA)
## Overall MSA = 0.88
## MSA for each item =
## v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw
## 0.90 0.92 0.94 0.79 0.79 0.92 0.92 0.89 0.94 0.96
## v6_hu
## 0.94#geordnete MSAi
kmo$MSAi[order(kmo$MSAi)]## v10_euk v11_eup v2_bvg v3_bt v5_j v7_brg v8_p v6_hu
## 0.7850128 0.7874785 0.8852492 0.9043681 0.9208981 0.9212818 0.9240618 0.9420824
## v4_sgv v9_pp v1_ghw
## 0.9422445 0.9444597 0.9583157Die Korrelationstabelle ist signifkant verschieden von der Identitätsmatrix, d.h ist nach dem Kaiser-Meyer-Olkrin Kriterium .88 die Eignung der Items zum Faktorisieren gegeben. Kein MSAi ist kleiner als .64 und sie steigen bis auf .96. Es müssen keine Items ausgeschlossen werden, da kein Wert unter .50 fällt, was bei MSAi unter .50 empfohlen ist.
#Anzahl der Komponenten
fa.parallel(Albus.NA, fa = "pc")
## Parallel analysis suggests that the number of factors = NA and the number of components = 2Parallel Analyse empfiehlt das die Nummer der Faktoren = NA und die Nummer der Komponenten 2 ist (wie theoretisch angenommen)
#Ansat mit princom
#Anpassung des Index mit Principal component analysis
head(Albus.NA)## v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 1 6 5 4 4 4 6 4 5 5 5 5
## 2 4 5 3 4 4 6 5 5 4 5 6
## 3 3 3 2 2 3 4 3 5 3 4 3
## 4 4 3 3 3 3 5 5 3 4 6 6
## 5 3 3 2 0 0 3 3 5 5 4 3
## 6 3 2 2 3 3 5 4 5 4 4 4describe(Albus.NA)## Albus.NA
##
## 11 Variables 3477 Observations
## --------------------------------------------------------------------------------
## v3_bt
## n missing distinct Info Mean Gmd
## 3386 91 7 0.955 3.058 1.606
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 198 316 570 934 857 398 113
## Proportion 0.058 0.093 0.168 0.276 0.253 0.118 0.033
## --------------------------------------------------------------------------------
## v7_brg
## n missing distinct Info Mean Gmd
## 3434 43 7 0.956 2.983 1.624
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 250 324 561 974 833 407 85
## Proportion 0.073 0.094 0.163 0.284 0.243 0.119 0.025
## --------------------------------------------------------------------------------
## v9_pp
## n missing distinct Info Mean Gmd
## 3381 96 7 0.942 2.463 1.382
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 260 488 868 1090 556 104 15
## Proportion 0.077 0.144 0.257 0.322 0.164 0.031 0.004
## --------------------------------------------------------------------------------
## v11_eup
## n missing distinct Info Mean Gmd
## 3220 257 7 0.958 2.595 1.615
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 328 428 666 908 619 230 41
## Proportion 0.102 0.133 0.207 0.282 0.192 0.071 0.013
## --------------------------------------------------------------------------------
## v10_euk
## n missing distinct Info Mean Gmd
## 3177 300 7 0.954 2.568 1.557
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 305 426 685 938 596 198 29
## Proportion 0.096 0.134 0.216 0.295 0.188 0.062 0.009
## --------------------------------------------------------------------------------
## v8_p
## n missing distinct Info Mean Gmd
## 3463 14 7 0.94 4.053 1.436
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 52 124 248 573 1022 1057 387
## Proportion 0.015 0.036 0.072 0.165 0.295 0.305 0.112
## --------------------------------------------------------------------------------
## v5_j
## n missing distinct Info Mean Gmd
## 3422 55 7 0.959 3.548 1.651
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 129 208 460 743 868 773 241
## Proportion 0.038 0.061 0.134 0.217 0.254 0.226 0.070
## --------------------------------------------------------------------------------
## v2_bvg
## n missing distinct Info Mean Gmd
## 3241 236 7 0.957 4.091 1.632
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 68 121 275 587 720 872 598
## Proportion 0.021 0.037 0.085 0.181 0.222 0.269 0.185
## --------------------------------------------------------------------------------
## v4_sgv
## n missing distinct Info Mean Gmd
## 3420 57 7 0.949 3.612 1.499
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 80 166 425 803 1015 717 214
## Proportion 0.023 0.049 0.124 0.235 0.297 0.210 0.063
## --------------------------------------------------------------------------------
## v1_ghw
## n missing distinct Info Mean Gmd
## 3472 5 7 0.952 3.637 1.545
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 88 173 429 785 1015 712 270
## Proportion 0.025 0.050 0.124 0.226 0.292 0.205 0.078
## --------------------------------------------------------------------------------
## v6_hu
## n missing distinct Info Mean Gmd
## 3209 268 7 0.916 4.136 1.203
##
## lowest : 0 1 2 3 4, highest: 2 3 4 5 6
##
## Value 0 1 2 3 4 5 6
## Frequency 21 63 164 530 1117 1062 252
## Proportion 0.007 0.020 0.051 0.165 0.348 0.331 0.079
## --------------------------------------------------------------------------------#Bartlett Test (= alle Elemente sind 0) sollte signifikant sein
cortest.bartlett(Albus.NA, n = nrow(Albus.NA))## R was not square, finding R from data## $chisq
## [1] 20805.64
##
## $p.value
## [1] 0
##
## $df
## [1] 55#volles Modell soviele Komponenten wie Variablen, die gesamte Varianz soll durch die Komponenten erklärt werden
principal(Albus.NA, rotate = 'none', nfactors = ncol(Albus.NA))## Principal Components Analysis
## Call: principal(r = Albus.NA, nfactors = ncol(Albus.NA), rotate = "none")
## Standardized loadings (pattern matrix) based upon correlation matrix
## PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10 PC11 h2
## v3_bt 0.80 -0.05 -0.18 -0.07 -0.27 0.16 -0.21 -0.16 -0.12 -0.37 0.00 1
## v7_brg 0.81 -0.15 -0.09 -0.04 -0.12 0.01 -0.34 -0.04 -0.28 0.33 0.00 1
## v9_pp 0.75 -0.32 0.01 0.06 -0.04 -0.15 -0.31 0.29 0.36 -0.03 0.01 1
## v11_eup 0.79 -0.46 0.10 -0.02 0.17 0.01 0.28 -0.09 -0.03 0.00 0.20 1
## v10_euk 0.80 -0.46 0.12 0.00 0.17 -0.01 0.23 -0.08 -0.01 0.00 -0.20 1
## v8_p 0.62 0.38 -0.08 0.19 0.16 -0.59 -0.03 -0.21 0.00 -0.04 0.00 1
## v5_j 0.73 0.26 -0.27 -0.02 -0.09 -0.06 0.30 0.43 -0.18 -0.03 0.00 1
## v2_bvg 0.69 0.33 -0.33 -0.29 -0.13 0.19 0.17 -0.19 0.30 0.15 -0.01 1
## v4_sgv 0.55 0.22 0.29 0.65 -0.29 0.21 0.10 -0.04 0.05 0.05 0.00 1
## v1_ghw 0.49 0.30 0.67 -0.44 -0.15 -0.08 0.00 0.04 -0.02 -0.02 0.00 1
## v6_hu 0.57 0.37 0.05 0.05 0.62 0.33 -0.19 0.06 -0.02 -0.03 0.00 1
## u2 com
## v3_bt 1.1e-16 2.3
## v7_brg 3.6e-15 2.2
## v9_pp 2.6e-15 2.8
## v11_eup 1.2e-15 2.3
## v10_euk 2.0e-15 2.2
## v8_p 8.9e-16 3.3
## v5_j 1.9e-15 2.9
## v2_bvg 1.1e-15 3.8
## v4_sgv 7.8e-16 3.5
## v1_ghw -2.2e-16 3.3
## v6_hu 1.0e-15 3.5
##
## PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10 PC11
## SS loadings 5.38 1.14 0.78 0.75 0.70 0.60 0.55 0.39 0.35 0.27 0.08
## Proportion Var 0.49 0.10 0.07 0.07 0.06 0.05 0.05 0.04 0.03 0.02 0.01
## Cumulative Var 0.49 0.59 0.66 0.73 0.80 0.85 0.90 0.94 0.97 0.99 1.00
## Proportion Explained 0.49 0.10 0.07 0.07 0.06 0.05 0.05 0.04 0.03 0.02 0.01
## Cumulative Proportion 0.49 0.59 0.66 0.73 0.80 0.85 0.90 0.94 0.97 0.99 1.00
##
## Mean item complexity = 2.9
## Test of the hypothesis that 11 components are sufficient.
##
## The root mean square of the residuals (RMSR) is 0
## with the empirical chi square 0 with prob < NA
##
## Fit based upon off diagonal values = 1#Wir machen weiter mit 2 Komponenten wie von fa.parallels empfohlen
pc.2 <- principal(Albus.NA, rotate = 'none', nfactors = 2)
#h2 sind communalities
#u2 are residuals
#h2 and u2 sum up to 1
pc.2## Principal Components Analysis
## Call: principal(r = Albus.NA, nfactors = 2, rotate = "none")
## Standardized loadings (pattern matrix) based upon correlation matrix
## PC1 PC2 h2 u2 com
## v3_bt 0.80 -0.05 0.65 0.35 1.0
## v7_brg 0.81 -0.15 0.67 0.33 1.1
## v9_pp 0.75 -0.32 0.66 0.34 1.3
## v11_eup 0.79 -0.46 0.83 0.17 1.6
## v10_euk 0.80 -0.46 0.85 0.15 1.6
## v8_p 0.62 0.38 0.53 0.47 1.6
## v5_j 0.73 0.26 0.61 0.39 1.2
## v2_bvg 0.69 0.33 0.58 0.42 1.4
## v4_sgv 0.55 0.22 0.35 0.65 1.3
## v1_ghw 0.49 0.30 0.33 0.67 1.7
## v6_hu 0.57 0.37 0.46 0.54 1.7
##
## PC1 PC2
## SS loadings 5.38 1.14
## Proportion Var 0.49 0.10
## Cumulative Var 0.49 0.59
## Proportion Explained 0.82 0.18
## Cumulative Proportion 0.82 1.00
##
## Mean item complexity = 1.4
## Test of the hypothesis that 2 components are sufficient.
##
## The root mean square of the residuals (RMSR) is 0.07
## with the empirical chi square 1987.8 with prob < 0
##
## Fit based upon off diagonal values = 0.97#Grafische Darstellung
plot(pc.2)
loadings(pc.2)##
## Loadings:
## PC1 PC2
## v3_bt 0.803
## v7_brg 0.807 -0.148
## v9_pp 0.748 -0.316
## v11_eup 0.789 -0.458
## v10_euk 0.801 -0.461
## v8_p 0.625 0.376
## v5_j 0.733 0.261
## v2_bvg 0.685 0.326
## v4_sgv 0.549 0.224
## v1_ghw 0.489 0.304
## v6_hu 0.567 0.372
##
## PC1 PC2
## SS loadings 5.379 1.144
## Proportion Var 0.489 0.104
## Cumulative Var 0.489 0.593#Ladungen verstehen die Parameterschnitte. Nur Ladungen über dem Schwellenwert werden angezeigt. Standard ist .1, aber ein höherer Schwellenwert würde vlt helfen im besseren Verständnis der Struktur
print(loadings(pc.2), cutoff = .45)##
## Loadings:
## PC1 PC2
## v3_bt 0.803
## v7_brg 0.807
## v9_pp 0.748
## v11_eup 0.789 -0.458
## v10_euk 0.801 -0.461
## v8_p 0.625
## v5_j 0.733
## v2_bvg 0.685
## v4_sgv 0.549
## v1_ghw 0.489
## v6_hu 0.567
##
## PC1 PC2
## SS loadings 5.379 1.144
## Proportion Var 0.489 0.104
## Cumulative Var 0.489 0.593#Hilft eine varimax Rotation?
pc.2.r <- principal(Albus.NA, nfactors = 2, rotate = 'varimax')
print(loadings(pc.2.r), cutoff = .3)##
## Loadings:
## RC1 RC2
## v3_bt 0.626 0.506
## v7_brg 0.692 0.440
## v9_pp 0.764
## v11_eup 0.890
## v10_euk 0.901
## v8_p 0.700
## v5_j 0.360 0.690
## v2_bvg 0.705
## v4_sgv 0.538
## v1_ghw 0.555
## v6_hu 0.658
##
## RC1 RC2
## SS loadings 3.420 3.104
## Proportion Var 0.311 0.282
## Cumulative Var 0.311 0.593#noch besser
print.psych(pc.2.r, cut = 0.3, sort = T)## Principal Components Analysis
## Call: principal(r = Albus.NA, nfactors = 2, rotate = "varimax")
## Standardized loadings (pattern matrix) based upon correlation matrix
## item RC1 RC2 h2 u2 com
## v10_euk 5 0.90 0.85 0.15 1.1
## v11_eup 4 0.89 0.83 0.17 1.1
## v9_pp 3 0.76 0.66 0.34 1.3
## v7_brg 2 0.69 0.44 0.67 0.33 1.7
## v3_bt 1 0.63 0.51 0.65 0.35 1.9
## v2_bvg 8 0.70 0.58 0.42 1.3
## v8_p 6 0.70 0.53 0.47 1.2
## v5_j 7 0.36 0.69 0.61 0.39 1.5
## v6_hu 11 0.66 0.46 0.54 1.1
## v1_ghw 10 0.56 0.33 0.67 1.1
## v4_sgv 9 0.54 0.35 0.65 1.4
##
## RC1 RC2
## SS loadings 3.42 3.10
## Proportion Var 0.31 0.28
## Cumulative Var 0.31 0.59
## Proportion Explained 0.52 0.48
## Cumulative Proportion 0.52 1.00
##
## Mean item complexity = 1.3
## Test of the hypothesis that 2 components are sufficient.
##
## The root mean square of the residuals (RMSR) is 0.07
## with the empirical chi square 1987.8 with prob < 0
##
## Fit based upon off diagonal values = 0.97#Kurzer Überblick über die Faktorscores
head(round(pc.2$scores, 2))## PC1 PC2
## 1 1.54 0.01
## 2 1.33 0.60
## 3 -0.17 -0.12
## 4 0.72 0.90
## 5 -0.64 1.34
## 6 0.17 0.52#Komponentenwerte sind unterschiedlich zu den gedrehten Komponenten
head(round(pc.2.r$scores, 2))## RC1 RC2
## 1 1.12 1.06
## 2 0.57 1.34
## 3 -0.04 -0.21
## 4 -0.08 1.15
## 5 -1.38 0.55
## 6 -0.23 0.50#Komponenten speichern in einem Dataframe für weitere Arbeit
dd <- cbind(Albus.NA, pc.2.r$scores)
head(dd)## v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 1 6 5 4 4 4 6 4 5 5 5 5
## 2 4 5 3 4 4 6 5 5 4 5 6
## 3 3 3 2 2 3 4 3 5 3 4 3
## 4 4 3 3 3 3 5 5 3 4 6 6
## 5 3 3 2 0 0 3 3 5 5 4 3
## 6 3 2 2 3 3 5 4 5 4 4 4
## RC1 RC2
## 1 1.11990086 1.0575962
## 2 0.57039635 1.3444150
## 3 -0.04334655 -0.2104886
## 4 -0.08079139 1.1519938
## 5 -1.37579487 0.5481219
## 6 -0.22706242 0.4965725#Visualisierung
plot(pc.2)
plot(pc.2.r)
#fa.diagram() wobei die Parameter geteilt werden anhand ihrer Scores, Parameter unter der inkludierung von Cross-ladungen
fa.diagram(pc.2, simple = T, cut = .2, digits = 2)
fa.diagram(pc.2.r, simple = T, cut = .2, digits = 2)
#Imputation
imp <- mice(Albus.NA)##
## iter imp variable
## 1 1 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 1 2 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 1 3 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 1 4 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 1 5 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 2 1 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 2 2 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 2 3 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 2 4 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 2 5 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 3 1 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 3 2 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 3 3 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 3 4 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 3 5 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 4 1 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 4 2 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 4 3 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 4 4 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 4 5 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 5 1 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 5 2 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 5 3 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 5 4 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_hu
## 5 5 v3_bt v7_brg v9_pp v11_eup v10_euk v8_p v5_j v2_bvg v4_sgv v1_ghw v6_husum(is.na(imp))## [1] 1which(is.na(imp))## seed
## 15#händische Imputation 2.2 Regional Identity
Variable dg10 in welchem Bundesland haben sie ihre Jugend verbracht oder pn12 für die Verbundenheit mit der Gemeinde
prop.table(table(Albus$dg10))##
## 1 2 3 4 5 6
## 0.084268047 0.116767328 0.012366983 0.006039689 0.013229796 0.060396894
## 7 8 9 10 11 12
## 0.082542422 0.140350877 0.039401783 0.006614898 0.020707506 0.018406672
## 13 14 15 16 17 18
## 0.052919183 0.044578660 0.092896175 0.054932413 0.054644809 0.014667817
## 19
## 0.084268047ggplot(Albus, aes(dg10))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,19),
labels = c("BAWU", "BAYERN", "Berlin-West", "BREMEN", "HAMBURG", "HESSEN", "NIEDERSACHSEN", "NRW", "RPF", "SAARLAND", "SH", "Berlin-Ost", "BRANDENBURG", "MP", "S", "SA", "THÜRINGEN", "frühere dt. Ostgebiete", "Sonstiges Land"))+
labs(title = "Wo haben sie ihre Jugend verbracht",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Bundesland")+
theme_bw()
prop.table(table(Albus$reg_id_dummy))## numeric(0)RI <- ggplot(Albus, aes(pn12))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,4),
labels = c("Stark verbunden", "Ziemlich verbunden", "Wenig verbunden", "Gar nicht verbunden"))+
labs(caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="regionale Verbundenheit")+
theme_bw()
RI## Warning: Removed 17 rows containing non-finite values (stat_count).
Desc(Albus$pn12)## ------------------------------------------------------------------------------
## Albus$pn12 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'460 17 4 0 2.11 2.08
## 99.5% 0.5% 0.0% 2.13
##
## .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
## 3.00 0.81 0.38 1.48 1.00 0.24 -0.58
##
##
## value freq perc cumfreq cumperc
## 1 1 827 23.9% 827 23.9%
## 2 2 1'567 45.3% 2'394 69.2%
## 3 3 933 27.0% 3'327 96.2%
## 4 4 133 3.8% 3'460 100.0%
##
## ' 95%-CI (classic)#Dummy 1 für Regional Identity
Albus$pn12_r <- car::recode(Albus$pn12,
"3:4 = 3")
Albus$reg_dummy_jn <- car::recode(Albus$pn12,
"1:3 = 1;
4 = 0; else = NA")
pn12_f <- as.factor(Albus$pn12_r)
Albus$reg_id_dummy <- relevel(pn12_f, ref = 3)
Albus$reg_id_dummy_2 <- relevel(pn12_f, ref = 2)
table(pn12_f, Albus$reg_id_dummy)##
## pn12_f 3 1 2
## 1 0 827 0
## 2 0 0 1567
## 3 1066 0 0table(pn12_f, Albus$reg_id_dummy_2)##
## pn12_f 2 1 3
## 1 0 827 0
## 2 1567 0 0
## 3 0 0 1066#wenig verbunden ist Referenz und Stark und mäßig werden überprüft
#Dummy2 Regional Identity Ja/Nein
Albus$pn12_jn <- car::recode(Albus$pn12,
"1:3 = 1;
4 = 0; else = NA")
pn12_jn <- as.factor(Albus$pn12_jn)
Desc(Albus$pn12)## ------------------------------------------------------------------------------
## Albus$pn12 (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'460 17 4 0 2.11 2.08
## 99.5% 0.5% 0.0% 2.13
##
## .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
## 3.00 0.81 0.38 1.48 1.00 0.24 -0.58
##
##
## value freq perc cumfreq cumperc
## 1 1 827 23.9% 827 23.9%
## 2 2 1'567 45.3% 2'394 69.2%
## 3 3 933 27.0% 3'327 96.2%
## 4 4 133 3.8% 3'460 100.0%
##
## ' 95%-CI (classic)
2.2.1 Deskriptive Beschreibung
Wir schauen uns einmal die Regional Identity an für ausgewählte Bundesländer (= Bayern, BaWü und NRW als Bevölkerungsreichste Bundesländer). Diese haben wir ausgewählt für den ersten Überblick, da es sich um die größten Bundesländer handelt und um zwei Bundesländer mit den meisten Gemeinden (= da wir regional identity messen auf Kommunalebene sollte hier der Vergleich sicherlich interessant sein)
Ländercodes der Bundesländer:
Thüringen = “160”
Sachsen-Anhalt = “150”
Sachsen = “140”
MeckPom = “130”
Brandenburg = “120”
Saarland = “100”
Bayern = “90”
BaWü = “80”
Rheinland Pfalz = “70”
Hessen = “60”
NRW = “50”
Bremen = “40”
Niedersachsen = “30”
Hamburg = “20”
Schleswig-Holstein = “10”
#Bayern
table(Albus$land == 90)##
## FALSE TRUE
## 2993 484table(Albus$reg_id_dummy[Albus$land == 90])##
## 3 1 2
## 138 120 223#NRW
table(Albus$land == 50)##
## FALSE TRUE
## 2906 571table(Albus$reg_id_dummy[Albus$land == 50])##
## 3 1 2
## 216 111 242#BaWü
table(Albus$land == 80)##
## FALSE TRUE
## 3130 347table(Albus$reg_id_dummy[Albus$land == 80])##
## 3 1 2
## 106 86 153#Betrachtung der RI auf Makro-Ebene im Vergleich zwischen den Bundesländern
RI1 <- ggplot(Albus[Albus$land == 80,], aes(pn12))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent) +
scale_x_continuous(breaks = seq(1,4),
labels = c("Gar nicht verbunden", "wenig verbunden", "ziemlich verbunden", "Stark verbunden"))+
labs(caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="regionale Verbundenheit")+
theme_bw()
RI2 <- ggplot(Albus[Albus$land == 90,], aes(pn12))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,4),
labels = c("Gar nicht verbunden", "wenig verbunden", "ziemlich verbunden", "Stark verbunden"))+
labs(caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="regionale Verbundenheit")+
theme_bw()
RI3 <- ggplot(Albus[Albus$land == 50,], aes(pn12))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,4),
labels = c("Gar nicht verbunden", "wenig verbunden", "ziemlich verbunden", "Stark verbunden"))+
labs(caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="regionale Verbundenheit")+
theme_bw()
Regional_Identity <- ggarrange(RI, RI1, RI2, RI3
,labels = c("Regional Identity National", "Regional Identity BaWü", "Regional Identity Bayern", "Regional Identity NRW")
,ncol = 5, nrow = 5)## Warning: Removed 17 rows containing non-finite values (stat_count).## Warning: Removed 2 rows containing non-finite values (stat_count).## Warning: Removed 3 rows containing non-finite values (stat_count).## Warning: Removed 2 rows containing non-finite values (stat_count).Regional_Identity
#ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Grafik.png",plot =Regional_Identity, width = 45, height = 25)2.3 Direkte Demokratie auf zweiter Ebene
#df <- merge(df, bevoelkerung, by = "Kennzahl")
#per Hand
#recode der Variablen um Berlin Ost und West zu integrieren
Albus$Bundesländer <- car::recode(Albus$land,
"10 = 10;
20 = 20;
30 = 30;
40 = 40;
50 = 50;
60 = 60;
70 = 70;
80 = 80;
90 = 90;
100 = 100;
111 = 111;
112 = 111;
120 = 120;
130 = 130;
140 = 140;
150 = 150;
160 = 160" )
#Bundesländer den Abkürzungen zuweisen
#Albus$Bundesländer_1[Albus$Bundesländer == "10"] <- "SH"
#Albus$Bundesländer_1[Albus$Bundesländer == "20"] <- "HH"
#Albus$Bundesländer_1[Albus$Bundesländer == "30"] <- "NI"
#Albus$Bundesländer_1[Albus$Bundesländer == "40"] <- "HB"
#Albus$Bundesländer_1[Albus$Bundesländer == "50"] <- "NRW"
#Albus$Bundesländer_1[Albus$Bundesländer == "60"] <- "HE"
#Albus$Bundesländer_1[Albus$Bundesländer == "70"] <- "RP"
#Albus$Bundesländer_1[Albus$Bundesländer == "80"] <- "BW"
#Albus$Bundesländer_1[Albus$Bundesländer == "90"] <- "BY"
#Albus$Bundesländer_1[Albus$Bundesländer == "100"] <- "SL"
#Albus$Bundesländer_1[Albus$Bundesländer == "111"] <- "BE"
#Albus$Bundesländer_1[Albus$Bundesländer == "120"] <- "BB"
#Albus$Bundesländer_1[Albus$Bundesländer == "130"] <- "MV"
#Albus$Bundesländer_1[Albus$Bundesländer == "140"] <- "SN"
#Albus$Bundesländer_1[Albus$Bundesländer == "150"] <- "ST"
#Albus$Bundesländer_1[Albus$Bundesländer == "160"] <- "TH"
Albus$land_fac <- car::recode(Albus$land,
"10 = 'Schleswig-Holstein';
20 = 'Hamburg';
30 = 'Niedersachsen';
40 ='Bremen';
50 = 'Nordrhein-Westfalen';
60 = 'Hessen';
70 = 'Rheinland-Pfalz';
80 = 'Baden-Württemberg';
90 = 'Bayern';
100 = 'Saarland';
c(111,112) = 'Berlin';
120 = 'Brandenburg';
130 = 'Mecklenburg-Vorpommern';
140 = 'Sachsen';
150 = 'Sachsen-Anhalt';
160 = 'Thüringen'",
as.factor = TRUE)
#Bundesländern Wert mittlerer Zeitabstand zuweisen von MehrDemokratie e.V.
Albus$ddmz[Albus$land_fac == "Hamburg"] <- 1
Albus$ddmz[Albus$land_fac == "Berlin"] <- 10
Albus$ddmz[Albus$land_fac == "Bremen"] <- 3
Albus$ddmz[Albus$land_fac == "Nordrhein-Westfalen"] <- 13
Albus$ddmz[Albus$land_fac == "Bayern"] <- 18
Albus$ddmz[Albus$land_fac == "Hessen"] <- 26
Albus$ddmz[Albus$land_fac == "Sachsen-Anhalt"] <- 76
Albus$ddmz[Albus$land_fac == "Sachsen"] <- 60
Albus$ddmz[Albus$land_fac == "Brandenburg"] <- 58
Albus$ddmz[Albus$land_fac == "Niedersachsen"] <- 52
Albus$ddmz[Albus$land_fac == "Schleswig-Holstein"] <- 67
Albus$ddmz[Albus$land_fac == "Baden-Württemberg"] <- 24
Albus$ddmz[Albus$land_fac == "Saarland"] <- 290
Albus$ddmz[Albus$land_fac == "Thüringen"] <- 86
Albus$ddmz[Albus$land_fac == "Mecklenburg-Vorpommern"] <- 135
Albus$ddmz[Albus$land_fac == "Rheinland-Pfalz"] <- 176
Desc(Albus$ddmz)## ------------------------------------------------------------------------------
## Albus$ddmz (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'477 0 16 0 48.72 47.16
## 100.0% 0.0% 0.0% 50.28
##
## .05 .10 .25 median .75 .90 .95
## 10.00 13.00 18.00 26.00 60.00 86.00 176.00
##
## range sd vcoef mad IQR skew kurt
## 289.00 46.88 0.96 23.72 42.00 1.99 4.73
##
## lowest : 1.0 (61), 3.0 (24), 10.0 (147), 13.0 (571), 18.0 (484)
## highest: 76.0 (164), 86.0 (177), 135.0 (142), 176.0 (183), 290.0 (21)
##
## heap(?): remarkable frequency (16.4%) for the mode(s) (= 13)
##
## ' 95%-CI (classic)
2.4 Kontrollvariablen
Die theoretisch sinnvollen Kontrollvariablen wären:
politisches Interesse (pa02a) / politisches Wissen | erledigt
Soziodemographische Faktoren | erledigt
sozioökonomische Faktoren | erledigt
Größe der Gemeinde| erledigt
wohnt man in der Gemeinde in der man sozialisiert wurde (= Möglicher Interaktionseffekt)
dg10 in welchem Bundesland lebten sie in ihrer Jugend
Ist man an seinem Wohnort geblieben
#Politisches Interesse
attributes(Albus$pa02a)## $value.labels
## UEBERHAUPT NICHT WENIG MITTEL STARK
## "5" "4" "3" "2"
## SEHR STARK
## "1"Albus$pol_intr <- (Albus$pa02a -5) * -1
table(Albus$pol_intr)##
## 0 1 2 3 4
## 113 429 1605 943 385Desc(Albus$pol_intr)## ------------------------------------------------------------------------------
## Albus$pol_intr (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'475 2 5 113 2.30 2.27
## 99.9% 0.1% 3.2% 2.34
##
## .05 .10 .25 median .75 .90 .95
## 1.00 1.00 2.00 2.00 3.00 4.00 4.00
##
## range sd vcoef mad IQR skew kurt
## 4.00 0.94 0.41 1.48 1.00 -0.07 -0.06
##
##
## value freq perc cumfreq cumperc
## 1 0 113 3.3% 113 3.3%
## 2 1 429 12.3% 542 15.6%
## 3 2 1'605 46.2% 2'147 61.8%
## 4 3 943 27.1% 3'090 88.9%
## 5 4 385 11.1% 3'475 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$pa02a)##
## Shapiro-Wilk normality test
##
## data: Albus$pa02a
## W = 0.88946, p-value < 2.2e-16PolI <- ggplot(Albus, aes(pol_intr))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(0,4),
labels = c("Überhaupt nicht", "Wenig", "Mittel", "Stark", "Sehr Stark"))+
labs(title = "Politisches Interesse in DE",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Politisches Interesse")+
theme_bw()
PolI## Warning: Removed 2 rows containing non-finite values (stat_count).
#ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Grafik.png",plot =PolI, width = 15, height = 10 )sumtable(Albus, vars = c('pol_intr', 'p_w')
,summ = list(
c('notNA(x)', 'mean(x)', 'median(x)', 'sd(x)', 'min(x)', 'max(x)', 'pctile(x)[25]', 'pctile(x)[75]')
),
summ.names = list(
c('N', 'Mean', 'Median', 'Standard Error', 'Minimum', 'Maximum', '1 Quantil', '4 Quantil')
)
,title = "Deskriptive Statistik des politischen Interesses und Wissens"
,labels = c("Politisches Interesse", "Politisches Wissen"))#, | Variable | N | Mean | Median | Standard Error | Minimum | Maximum | 1 Quantil | 4 Quantil |
|---|---|---|---|---|---|---|---|---|
| Politisches Interesse | 3475 | 2.304 | 2 | 0.936 | 0 | 4 | 2 | 3 |
| Politisches Wissen |
#file = 'Politisches Interesse')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$pw1 <- car::recode(Albus$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$pw2 <- car::recode(Albus$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$pw3 <- car::recode(Albus$pk03,
"1=1;
2=0;
3=0;
4=0;
5=0;
6=0") #Altmaier ist in der CDU also ist Antwort 1 richtig
Albus$pw4 <- car::recode(Albus$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$pw5 <- car::recode(Albus$pk05,
"1=1;
2=0;
3=0;
4=0;
5=0;
6=0") #Merkel ist in der CDU also ist Antwort 1 richtig
Albus$pw6 <- car::recode(Albus$pk06,
"6=1;
1=0;
2=0;
3=0;
4=0;
5=0") #Weidel ist in der AFD also ist Antwort 6 richtig
Albus$pw7 <- car::recode(Albus$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$pw8 <- car::recode(Albus$pk08,
"3=1;
1=0;
2=0;
4=0;
5=0;
6=0" ) #Bartsch ist in der Linken also ist Antwort 3 richtig
Albus$pw9 <- car::recode(Albus$pk09,
"5=1;
1=0;
2=0;
3=0;
4=0;
6=0") #Nahles ist in der SPD also ist Antwort 5 richtig
Albus$pw10 <- car::recode(Albus$pk10,
"3=1;
1=0;
2=0;
4=0" ) #Juncker ist Kommissionspräsident also ist Antwort 3 richtig
Albus$pw11 <- car::recode(Albus$pk11,
"3=1;
1=0;
2=0;
4=0" ) #Bundestag wöhlt Kanzler also ist Antwort 3 richtig
Albus$pw12 <- car::recode(Albus$pk12,
"4=1;
1=0;
2=0;
3=0") #4 ist die richtige Antwort
Albus$pw13 <- car::recode(Albus$pk13,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw14 <- car::recode(Albus$pk14,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort
Albus$pw15 <- car::recode(Albus$pk15,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw16 <- car::recode(Albus$pk16,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw17 <- car::recode(Albus$pk17,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw18 <- car::recode(Albus$pk18,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort
Albus$pw19 <- car::recode(Albus$pk19,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort
Albus$pw20 <- car::recode(Albus$pk20,
"2=1;
1=0;
3=0;
4=0") #2 ist die richtige Antwort
Albus$pw21 <- car::recode(Albus$pk21,
"3=1;
1=0;
2=0;
4=0") #3 ist die richtige Antwort 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$p_w (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'410 67 119 15 0.7527935 0.7467615
## 98.1% 1.9% 0.4% 0.7588254
##
## .05 .10 .25 median .75 .90 .95
## 0.4186404 0.5000000 0.6500000 0.7857143 0.8888889 0.9502381 1.0000000
##
## range sd vcoef mad IQR skew kurt
## 1.0000000 0.1796529 0.2386484 0.1694400 0.2388889 -0.9466880 1.1282282
##
## lowest : 0.0 (15), 0.0588235, 0.0952381, 0.1111111, 0.1428571
## highest: 0.9444444 (46), 0.9473684 (46), 0.95 (58), 0.952381 (44), 1.0 (297)
##
## heap(?): remarkable frequency (8.7%) for the mode(s) (= 1)
##
## ' 95%-CI (classic)
Wir haben in unseren Index ein n von 3.477 wovon 2% Na’s sind. der Durchschnitt beträgt 0.76 was bei einer Range von 0-1 für ein hohes politisches Wissen der Befragten spricht. Da der Median mit 0.8 rechts vom Mean liegt können wir von einer Linksschiefe ausgehen bei einer skewness von -1.
polW <- ggplot(Albus, aes(p_w))+
geom_bar(aes(y = (..count..)/sum(..count..)),
fill = "lightblue", color = "blue")+
scale_y_continuous(labels = scales::percent)+
scale_x_continuous(breaks = seq(1,2),
labels = c("Sehr viel Wissen", "kein Wissen"))+
labs(title = "Politisches Wissen Skala 2 Verteilung",
caption = "Data: ALLBUS (2018)",
y = "Häufigkeit in Prozent",
x ="Politisches Wissen Skala 2")+
theme_bw()
polW## Warning: Removed 67 rows containing non-finite values (stat_count).
Desc(Albus$p_w)## ------------------------------------------------------------------------------
## Albus$p_w (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'410 67 119 15 0.7527935 0.7467615
## 98.1% 1.9% 0.4% 0.7588254
##
## .05 .10 .25 median .75 .90 .95
## 0.4186404 0.5000000 0.6500000 0.7857143 0.8888889 0.9502381 1.0000000
##
## range sd vcoef mad IQR skew kurt
## 1.0000000 0.1796529 0.2386484 0.1694400 0.2388889 -0.9466880 1.1282282
##
## lowest : 0.0 (15), 0.0588235, 0.0952381, 0.1111111, 0.1428571
## highest: 0.9444444 (46), 0.9473684 (46), 0.95 (58), 0.952381 (44), 1.0 (297)
##
## heap(?): remarkable frequency (8.7%) for the mode(s) (= 1)
##
## ' 95%-CI (classic)
shapiro.test(Albus$p_w)##
## Shapiro-Wilk normality test
##
## data: Albus$p_w
## W = 0.94014, p-value < 2.2e-16#ggsave("/Users/krispinkruger/Krüger/MDAR mit R Remer/Gruppenaufgabe/Grafik.png",plot =polW, width = 10, height = 10 )Geschlecht
attributes(Albus$sex) #1 ist Mann und 2 ist Frau ## $value.labels
## FRAU MANN
## "2" "1"Albus$geschlecht <- car::recode(Albus$sex,
"1 = 0;
2 = 1; else = NA") #0 ist Mann und Referenz 1 ist Frau Alter
Desc(Albus$age) #Variable = age## ------------------------------------------------------------------------------
## Albus$age (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'472 5 77 0 51.68 51.09
## 99.9% 0.1% 0.0% 52.26
##
## .05 .10 .25 median .75 .90 .95
## 23.00 27.00 37.00 53.00 65.00 76.00 80.00
##
## range sd vcoef mad IQR skew kurt
## 77.00 17.64 0.34 20.76 28.00 -0.01 -0.87
##
## lowest : 18.0 (26), 19.0 (37), 20.0 (34), 21.0 (34), 22.0 (33)
## highest: 90.0 (4), 91.0, 92.0 (7), 94.0 (2), 95.0
##
## ' 95%-CI (classic)#Variable wird Mittelwertszentriert um es für den Haupteffekt interpretierbar zu machen
center_scale <- function(x) {
scale(x, scale = FALSE)
}#Funktion wird geschrieben
Albus$Alter_zentriert <- center_scale(Albus$age)
table(Albus$Alter_zentriert)##
## -33.6771313364055 -32.6771313364055 -31.6771313364055 -30.6771313364055
## 26 37 34 34
## -29.6771313364055 -28.6771313364055 -27.6771313364055 -26.6771313364055
## 33 33 31 46
## -25.6771313364055 -24.6771313364055 -23.6771313364055 -22.6771313364055
## 43 51 52 55
## -21.6771313364055 -20.6771313364055 -19.6771313364055 -18.6771313364055
## 39 54 50 49
## -17.6771313364055 -16.6771313364055 -15.6771313364055 -14.6771313364055
## 51 64 58 54
## -13.6771313364055 -12.6771313364055 -11.6771313364055 -10.6771313364055
## 51 41 51 41
## -9.67713133640553 -8.67713133640553 -7.67713133640553 -6.67713133640553
## 43 52 56 52
## -5.67713133640553 -4.67713133640553 -3.67713133640553 -2.67713133640553
## 48 50 74 65
## -1.67713133640553 -0.67713133640553 0.32286866359447 1.32286866359447
## 65 79 72 69
## 2.32286866359447 3.32286866359447 4.32286866359447 5.32286866359447
## 78 84 74 68
## 6.32286866359447 7.32286866359447 8.32286866359447 9.32286866359447
## 76 62 74 62
## 10.3228686635945 11.3228686635945 12.3228686635945 13.3228686635945
## 60 53 60 62
## 14.3228686635945 15.3228686635945 16.3228686635945 17.3228686635945
## 66 78 70 56
## 18.3228686635945 19.3228686635945 20.3228686635945 21.3228686635945
## 46 39 26 47
## 22.3228686635945 23.3228686635945 24.3228686635945 25.3228686635945
## 38 39 42 40
## 26.3228686635945 27.3228686635945 28.3228686635945 29.3228686635945
## 43 33 39 22
## 30.3228686635945 31.3228686635945 32.3228686635945 33.3228686635945
## 27 18 17 16
## 34.3228686635945 35.3228686635945 36.3228686635945 37.3228686635945
## 5 11 14 9
## 38.3228686635945 39.3228686635945 40.3228686635945 42.3228686635945
## 4 1 7 2
## 43.3228686635945
## 1Desc(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
Die Skala geht von 0 niedrigster Abschluss zu 3 höchster Bildungsabschluss
1 = Kein Abschluss; 2 = Hauptschule; 3 = Realschule; 4 = Fachhochschule, Abitur
attributes(Albus$educ)## $value.labels
## NOCH SCHUELER ANDERER ABSCHLUSS HOCHSCHULREIFE FACHHOCHSCHULREIFE
## "7" "6" "5" "4"
## MITTLERE REIFE VOLKS-,HAUPTSCHULE OHNE ABSCHLUSS
## "3" "2" "1"Albus$bildung <- car::recode(Albus$educ,
"1 = 1;
2 = 2;
3 = 3;
4:5 = 4; else = NA")
#Dummy-Variable Bildung Realschulabschluss ist Referenzkategorie
bildung <- as.factor(Albus$bildung)
Albus$bildungDummy <- relevel(bildung, ref = 1)Migrationshintergrund
attributes(Albus$german) #Deutsche Staatsbürgerschaft ist irrelvant also wird deutsche Staatsbürgerschaft als Referenzkategorie gewählt ## $value.labels
## NEIN JA,NEBEN ZWEITER JA
## "3" "2" "1"Albus$migration <- car::recode(Albus$german,
"1 = 0;
2:3 = 1; else = NA")
table(Albus$migration)##
## 0 1
## 3218 256Einkommen
Desc(Albus$di01a) #einkommen wird Mittelwertszentriert, da sie kontinuierlich ist ## ------------------------------------------------------------------------------
## Albus$di01a (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'647 830 339 0 1'788.59 1'739.82
## 76.1% 23.9% 0.0% 1'837.35
##
## .05 .10 .25 median .75 .90 .95
## 414.60 570.60 990.00 1'500.00 2'300.00 3'200.00 4'000.00
##
## range sd vcoef mad IQR skew kurt
## 17'975.00 1'279.41 0.72 889.56 1'310.00 3.09 22.74
##
## lowest : 25.0, 50.0 (3), 60.0, 62.0, 85.0
## highest: 9'500.0, 10'000.0 (2), 12'000.0, 15'000.0 (2), 18'000.0
##
## heap(?): remarkable frequency (5.9%) for the mode(s) (= 2000)
##
## ' 95%-CI (classic)Albus$Einkommen_zentriert <- center_scale(Albus$di01a)
table(Albus$Einkommen_zentriert)##
## -1763.58632414054 -1738.58632414054 -1728.58632414054 -1726.58632414054
## 1 3 1 1
## -1703.58632414054 -1698.58632414054 -1690.58632414054 -1688.58632414054
## 1 2 1 3
## -1680.58632414054 -1661.58632414054 -1638.58632414054 -1628.58632414054
## 1 1 4 1
## -1608.58632414054 -1605.58632414054 -1594.58632414054 -1588.58632414054
## 1 1 1 10
## -1586.58632414054 -1568.58632414054 -1558.58632414054 -1548.58632414054
## 1 1 1 3
## -1543.58632414054 -1538.58632414054 -1528.58632414054 -1523.58632414054
## 1 5 1 1
## -1499.58632414054 -1498.58632414054 -1488.58632414054 -1478.58632414054
## 1 2 16 1
## -1468.58632414054 -1458.58632414054 -1455.58632414054 -1453.58632414054
## 2 1 1 1
## -1452.58632414054 -1448.58632414054 -1438.58632414054 -1431.58632414054
## 1 1 11 1
## -1428.58632414054 -1427.58632414054 -1424.58632414054 -1423.58632414054
## 2 1 2 1
## -1418.58632414054 -1414.58632414054 -1409.58632414054 -1408.58632414054
## 2 2 1 7
## -1398.58632414054 -1392.58632414054 -1388.58632414054 -1382.58632414054
## 1 1 23 1
## -1379.58632414054 -1374.58632414054 -1372.58632414054 -1368.58632414054
## 2 1 6 4
## -1367.58632414054 -1363.58632414054 -1360.58632414054 -1359.58632414054
## 1 1 1 1
## -1358.58632414054 -1355.58632414054 -1348.58632414054 -1338.58632414054
## 4 1 1 49
## -1335.58632414054 -1332.58632414054 -1329.58632414054 -1323.58632414054
## 1 1 1 1
## -1318.58632414054 -1308.58632414054 -1305.58632414054 -1304.58632414054
## 2 2 1 1
## -1300.58632414054 -1289.58632414054 -1288.58632414054 -1287.58632414054
## 1 1 32 1
## -1280.58632414054 -1268.58632414054 -1258.58632414054 -1253.58632414054
## 1 1 3 2
## -1248.58632414054 -1243.58632414054 -1238.58632414054 -1233.58632414054
## 3 1 4 1
## -1228.58632414054 -1224.58632414054 -1213.58632414054 -1211.58632414054
## 1 1 1 1
## -1209.58632414054 -1208.58632414054 -1198.58632414054 -1188.58632414054
## 1 9 1 39
## -1183.58632414054 -1171.58632414054 -1168.58632414054 -1163.58632414054
## 1 1 2 1
## -1159.58632414054 -1158.58632414054 -1148.58632414054 -1138.58632414054
## 1 4 2 14
## -1122.58632414054 -1118.58632414054 -1111.58632414054 -1108.58632414054
## 1 1 1 2
## -1098.58632414054 -1096.58632414054 -1088.58632414054 -1073.58632414054
## 4 1 42 1
## -1071.58632414054 -1068.58632414054 -1063.58632414054 -1060.58632414054
## 1 1 1 1
## -1058.58632414054 -1053.58632414054 -1048.58632414054 -1042.58632414054
## 3 1 5 1
## -1038.58632414054 -1032.58632414054 -1028.58632414054 -1023.58632414054
## 22 1 2 1
## -1018.58632414054 -1008.58632414054 -998.586324140536 -993.586324140536
## 1 4 1 1
## -988.586324140536 -979.586324140536 -976.586324140536 -971.586324140536
## 83 1 1 1
## -968.586324140536 -963.586324140536 -958.586324140536 -948.586324140536
## 3 1 2 3
## -940.586324140536 -938.586324140536 -935.586324140536 -934.586324140536
## 1 18 1 1
## -928.586324140536 -918.586324140536 -917.586324140536 -913.586324140536
## 1 4 1 3
## -908.586324140536 -898.586324140536 -896.586324140536 -888.586324140536
## 2 3 1 41
## -885.586324140536 -878.586324140536 -868.586324140536 -865.586324140536
## 1 2 3 1
## -863.586324140536 -861.586324140536 -860.586324140536 -859.586324140536
## 1 1 1 1
## -858.586324140536 -853.586324140536 -841.586324140536 -838.586324140536
## 1 1 1 16
## -833.586324140536 -828.586324140536 -825.586324140536 -819.586324140536
## 1 2 1 1
## -818.586324140536 -810.586324140536 -808.586324140536 -803.586324140536
## 1 1 6 1
## -798.586324140536 -792.586324140536 -788.586324140536 -778.586324140536
## 4 1 91 2
## -770.586324140536 -768.586324140536 -765.586324140536 -763.586324140536
## 1 1 1 1
## -758.586324140536 -748.586324140536 -741.586324140536 -738.586324140536
## 1 1 1 13
## -737.586324140536 -735.586324140536 -726.586324140536 -713.586324140536
## 1 1 1 1
## -708.586324140536 -688.586324140536 -668.586324140536 -667.586324140536
## 1 67 3 1
## -663.586324140536 -662.586324140536 -644.586324140536 -638.586324140536
## 3 1 1 8
## -618.586324140536 -608.586324140536 -596.586324140536 -588.586324140536
## 1 1 1 133
## -585.586324140536 -577.586324140536 -566.586324140536 -563.586324140536
## 1 1 1 1
## -558.586324140536 -550.586324140536 -543.586324140536 -542.586324140536
## 1 1 1 1
## -541.586324140536 -538.586324140536 -528.586324140536 -518.586324140536
## 1 13 1 1
## -508.586324140536 -505.586324140536 -488.586324140536 -448.586324140536
## 3 1 85 1
## -446.586324140536 -438.586324140536 -432.586324140536 -428.586324140536
## 1 13 1 2
## -413.586324140536 -411.586324140536 -408.586324140536 -407.586324140536
## 1 1 3 1
## -388.586324140536 -381.586324140536 -368.586324140536 -348.586324140536
## 68 1 3 1
## -338.586324140536 -318.586324140536 -308.586324140536 -299.586324140536
## 9 1 1 1
## -298.586324140536 -288.586324140536 -281.586324140536 -260.586324140536
## 1 140 1 1
## -238.586324140536 -218.586324140536 -208.586324140536 -188.586324140536
## 4 1 1 78
## -168.586324140536 -138.586324140536 -128.586324140536 -118.586324140536
## 1 5 2 1
## -113.586324140536 -98.5863241405364 -88.5863241405364 -58.5863241405364
## 1 1 62 1
## -44.5863241405364 -38.5863241405364 -28.5863241405364 -8.58632414053636
## 1 3 1 2
## -0.586324140536362 6.41367585946364 11.4136758594636 31.4136758594636
## 1 1 96 1
## 61.4136758594636 71.4136758594636 111.413675859464 122.413675859464
## 5 3 49 1
## 128.413675859464 137.413675859464 155.413675859464 161.413675859464
## 1 1 1 2
## 171.413675859464 179.413675859464 181.413675859464 186.413675859464
## 1 1 1 2
## 191.413675859464 211.413675859464 239.413675859464 261.413675859464
## 2 156 1 2
## 281.413675859464 284.413675859464 311.413675859464 361.413675859464
## 1 1 44 1
## 411.413675859464 451.413675859464 461.413675859464 481.413675859464
## 61 1 3 1
## 484.413675859464 511.413675859464 561.413675859464 564.413675859464
## 1 43 4 1
## 566.413675859464 591.413675859464 601.413675859464 611.413675859464
## 1 1 1 41
## 632.413675859464 706.413675859464 711.413675859464 761.413675859464
## 1 1 91 1
## 811.413675859464 845.413675859464 861.413675859464 891.413675859464
## 29 1 1 1
## 911.413675859464 961.413675859464 991.413675859464 1011.41367585946
## 24 1 1 34
## 1061.41367585946 1101.41367585946 1111.41367585946 1161.41367585946
## 1 1 13 3
## 1211.41367585946 1311.41367585946 1411.41367585946 1417.41367585946
## 94 11 18 1
## 1431.41367585946 1471.41367585946 1511.41367585946 1611.41367585946
## 1 1 15 11
## 1661.41367585946 1711.41367585946 1811.41367585946 1831.41367585946
## 1 41 9 1
## 1911.41367585946 2011.41367585946 2061.41367585946 2111.41367585946
## 6 8 1 4
## 2211.41367585946 2248.41367585946 2311.41367585946 2371.41367585946
## 40 1 4 1
## 2411.41367585946 2511.41367585946 2711.41367585946 2811.41367585946
## 5 4 17 1
## 2911.41367585946 2961.41367585946 3110.41367585946 3211.41367585946
## 1 1 1 35
## 3311.41367585946 3361.41367585946 3611.41367585946 3711.41367585946
## 1 1 1 7
## 3759.41367585946 3811.41367585946 3911.41367585946 4011.41367585946
## 1 1 2 1
## 4211.41367585946 4711.41367585946 5211.41367585946 5711.41367585946
## 8 4 2 2
## 6211.41367585946 7211.41367585946 7711.41367585946 8211.41367585946
## 4 1 1 2
## 10211.4136758595 13211.4136758595 16211.4136758595
## 1 2 1Desc(Albus$di01a)## ------------------------------------------------------------------------------
## Albus$di01a (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 2'647 830 339 0 1'788.59 1'739.82
## 76.1% 23.9% 0.0% 1'837.35
##
## .05 .10 .25 median .75 .90 .95
## 414.60 570.60 990.00 1'500.00 2'300.00 3'200.00 4'000.00
##
## range sd vcoef mad IQR skew kurt
## 17'975.00 1'279.41 0.72 889.56 1'310.00 3.09 22.74
##
## lowest : 25.0, 50.0 (3), 60.0, 62.0, 85.0
## highest: 9'500.0, 10'000.0 (2), 12'000.0, 15'000.0 (2), 18'000.0
##
## heap(?): remarkable frequency (5.9%) for the mode(s) (= 2000)
##
## ' 95%-CI (classic)
Größe der Gemeinde
1 = bis 2k Einwohner
2 = 2k bis 5k Einwohner
3 = 5k bis 20k
4 = 20k bis 50k
5 = 50k bis 100k
6 = 100k bis 500k
7 = 500k und mehr
Desc(Albus$gkpol)## ------------------------------------------------------------------------------
## Albus$gkpol (numeric)
##
## length n NAs unique 0s mean meanCI'
## 3'477 3'404 73 7 0 3.98 3.91
## 97.9% 2.1% 0.0% 4.04
##
## .05 .10 .25 median .75 .90 .95
## 1.00 2.00 3.00 4.00 6.00 7.00 7.00
##
## range sd vcoef mad IQR skew kurt
## 6.00 1.85 0.47 1.48 3.00 0.29 -1.04
##
##
## value freq perc cumfreq cumperc
## 1 1 275 8.1% 275 8.1%
## 2 2 432 12.7% 707 20.8%
## 3 3 989 29.1% 1'696 49.8%
## 4 4 552 16.2% 2'248 66.0%
## 5 5 219 6.4% 2'467 72.5%
## 6 6 432 12.7% 2'899 85.2%
## 7 7 505 14.8% 3'404 100.0%
##
## ' 95%-CI (classic)
shapiro.test(Albus$gkpol)##
## Shapiro-Wilk normality test
##
## data: Albus$gkpol
## W = 0.90931, p-value < 2.2e-16table(Albus$gkpol)##
## 1 2 3 4 5 6 7
## 275 432 989 552 219 432 505Albus$Gemeindegröße_1 <- car::recode(Albus$gkpol,
"1:2 = 1;
3 = 2;
4:5 = 3;
6:7 = 4; else = NA")
gk <- as.factor(Albus$Gemeindegröße_1)
Albus$Gemeindegröße <- relevel(gk, ref = 4)2.5 Deskriptive Beschreibung Kontrollvariablen
sumtable(Albus, vars = c('pol_intr', 'p_w', 'geschlecht', 'age', 'bildung', 'migration', 'di01a', 'gkpol'),
summ = list( c('notNA(x)', 'mean(x)', 'median(x)', 'sd(x)', 'min(x)', 'max(x)', 'pctile(x)[25]', 'pctile(x)[75]')
),
summ.names = list(
c('N', 'Mean', 'Median', 'Standard Error', 'Minimum', 'Maximum', '1 Quantil', '4 Quantil')
)
, title = "Deskripitive Statistik der Kontrollvariablen"
, labels = c("Politisches Interesse", "Politisches Wissen", "Geschlecht", "Alter", "Bildungsgrad", "Migrationsstatus", "Einkommen", "Gemeindegröße"),
file = 'Deskriptive Statistik Kontrollvariablen')| Variable | N | Mean | Median | Standard Error | Minimum | Maximum | 1 Quantil | 4 Quantil |
|---|---|---|---|---|---|---|---|---|
| Politisches Interesse | 3475 | 2.304 | 2 | 0.936 | 0 | 4 | 2 | 3 |
| Politisches Wissen | 3410 | 0.753 | 0.786 | 0.18 | 0 | 1 | 0.65 | 0.889 |
| Geschlecht | 3477 | 0.49 | 0 | 0.5 | 0 | 1 | 0 | 1 |
| Alter | 3472 | 51.677 | 53 | 17.642 | 18 | 95 | 37 | 65 |
| Bildungsgrad | 3432 | 3.136 | 3 | 0.823 | 1 | 4 | 2 | 4 |
| Migrationsstatus | 3474 | 0.074 | 0 | 0.261 | 0 | 1 | 0 | 0 |
| Einkommen | 2647 | 1788.586 | 1500 | 1279.41 | 25 | 18000 | 990 | 2300 |
| Gemeindegröße | 3404 | 3.976 | 4 | 1.853 | 1 | 7 | 3 | 6 |
3. Mehrebenanalyse
Martin Elff Simulationsstudie zur Begründung von Ebenen 2 und Hinz 2009 Text
Missings kontrollierern
variablen <- c("pt04", "pt12", "pt20")
Albus$missings <- rowSums(is.na(Albus[, variablen]))
table(Albus$missings)##
## 0 1 2 3
## 3187 231 51 83.1 Regressionen berechnen
Multivariate Analyse
#REgressionen für normale Dummy RI
fit <- lm(pt04 ~ reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
di01a +
Gemeindegröße, data = Albus)
summary(fit)##
## Call:
## lm(formula = pt04 ~ reg_id_dummy + pol_intr + p_w + geschlecht +
## Alter_zentriert + bildungDummy + di01a + Gemeindegröße,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.1511 -0.7963 0.1487 0.9785 3.0456
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.503e+00 2.604e-01 17.290 < 2e-16 ***
## reg_id_dummy1 5.362e-01 7.278e-02 7.368 2.35e-13 ***
## reg_id_dummy2 3.729e-01 6.174e-02 6.041 1.76e-09 ***
## pol_intr 3.401e-02 3.160e-02 1.076 0.28201
## p_w 8.339e-02 1.580e-01 0.528 0.59764
## geschlecht 1.178e-01 5.686e-02 2.071 0.03844 *
## Alter_zentriert -8.333e-03 1.727e-03 -4.827 1.47e-06 ***
## bildungDummy2 -5.733e-01 2.387e-01 -2.402 0.01639 *
## bildungDummy3 -6.549e-01 2.380e-01 -2.751 0.00598 **
## bildungDummy4 -6.049e-01 2.410e-01 -2.510 0.01213 *
## di01a 4.313e-05 2.275e-05 1.896 0.05813 .
## Gemeindegröße1 2.149e-01 7.721e-02 2.783 0.00542 **
## Gemeindegröße2 4.374e-01 7.049e-02 6.206 6.35e-10 ***
## Gemeindegröße3 -1.395e-02 7.517e-02 -0.186 0.85277
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.307 on 2503 degrees of freedom
## (960 observations deleted due to missingness)
## Multiple R-squared: 0.05204, Adjusted R-squared: 0.04712
## F-statistic: 10.57 on 13 and 2503 DF, p-value: < 2.2e-16fit.1 <- lm(pt19 ~ reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
di01a +
Gemeindegröße, data = Albus)
summary(fit.1)##
## Call:
## lm(formula = pt19 ~ reg_id_dummy + pol_intr + p_w + geschlecht +
## Alter_zentriert + bildungDummy + di01a + Gemeindegröße,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.3855 -0.9044 0.0971 0.9601 3.9070
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.637e+00 2.949e-01 12.336 < 2e-16 ***
## reg_id_dummy1 1.831e-01 7.617e-02 2.403 0.016324 *
## reg_id_dummy2 2.767e-01 6.444e-02 4.295 1.82e-05 ***
## pol_intr 4.495e-02 3.358e-02 1.339 0.180850
## p_w -3.449e-01 1.684e-01 -2.048 0.040698 *
## geschlecht 3.387e-01 5.937e-02 5.705 1.31e-08 ***
## Alter_zentriert -6.160e-03 1.835e-03 -3.357 0.000801 ***
## bildungDummy2 -3.597e-01 2.728e-01 -1.318 0.187495
## bildungDummy3 -2.807e-01 2.720e-01 -1.032 0.302176
## bildungDummy4 -9.708e-03 2.751e-01 -0.035 0.971851
## di01a 5.286e-05 2.335e-05 2.264 0.023671 *
## Gemeindegröße1 -3.373e-01 8.102e-02 -4.164 3.24e-05 ***
## Gemeindegröße2 -3.590e-02 7.365e-02 -0.487 0.626044
## Gemeindegröße3 -2.853e-01 7.866e-02 -3.627 0.000293 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.326 on 2350 degrees of freedom
## (1113 observations deleted due to missingness)
## Multiple R-squared: 0.0655, Adjusted R-squared: 0.06033
## F-statistic: 12.67 on 13 and 2350 DF, p-value: < 2.2e-16fit.2 <- lm(pt20 ~ reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
di01a +
Gemeindegröße, data = Albus)
summary(fit.2)##
## Call:
## lm(formula = pt20 ~ reg_id_dummy + pol_intr + p_w + geschlecht +
## Alter_zentriert + bildungDummy + di01a + Gemeindegröße,
## data = Albus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.4128 -0.9678 0.1044 0.9755 3.9410
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.373e+00 3.022e-01 11.163 < 2e-16 ***
## reg_id_dummy1 2.087e-01 7.881e-02 2.648 0.008143 **
## reg_id_dummy2 2.387e-01 6.675e-02 3.576 0.000355 ***
## pol_intr 5.000e-02 3.469e-02 1.441 0.149652
## p_w -1.726e-01 1.743e-01 -0.990 0.322183
## geschlecht 3.524e-01 6.150e-02 5.731 1.13e-08 ***
## Alter_zentriert -6.374e-03 1.891e-03 -3.370 0.000763 ***
## bildungDummy2 -1.680e-01 2.789e-01 -0.602 0.546982
## bildungDummy3 -1.077e-01 2.782e-01 -0.387 0.698576
## bildungDummy4 1.697e-01 2.814e-01 0.603 0.546429
## di01a 5.143e-05 2.427e-05 2.119 0.034172 *
## Gemeindegröße1 -3.534e-01 8.396e-02 -4.209 2.66e-05 ***
## Gemeindegröße2 -6.920e-02 7.623e-02 -0.908 0.364124
## Gemeindegröße3 -3.098e-01 8.130e-02 -3.811 0.000142 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.382 on 2385 degrees of freedom
## (1078 observations deleted due to missingness)
## Multiple R-squared: 0.06042, Adjusted R-squared: 0.0553
## F-statistic: 11.8 on 13 and 2385 DF, p-value: < 2.2e-16plot_models(fit, fit.1, fit.2)
tab_model(fit, fit.1, fit.2)| pt04 | pt19 | pt20 | |||||||
|---|---|---|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | p | Estimates | CI | p | Estimates | CI | p |
| (Intercept) | 4.50 | 3.99 – 5.01 | <0.001 | 3.64 | 3.06 – 4.22 | <0.001 | 3.37 | 2.78 – 3.97 | <0.001 |
| reg id dummy [1] | 0.54 | 0.39 – 0.68 | <0.001 | 0.18 | 0.03 – 0.33 | 0.016 | 0.21 | 0.05 – 0.36 | 0.008 |
| reg id dummy [2] | 0.37 | 0.25 – 0.49 | <0.001 | 0.28 | 0.15 – 0.40 | <0.001 | 0.24 | 0.11 – 0.37 | <0.001 |
| pol intr | 0.03 | -0.03 – 0.10 | 0.282 | 0.04 | -0.02 – 0.11 | 0.181 | 0.05 | -0.02 – 0.12 | 0.150 |
| p w | 0.08 | -0.23 – 0.39 | 0.598 | -0.34 | -0.68 – -0.01 | 0.041 | -0.17 | -0.51 – 0.17 | 0.322 |
| geschlecht | 0.12 | 0.01 – 0.23 | 0.038 | 0.34 | 0.22 – 0.46 | <0.001 | 0.35 | 0.23 – 0.47 | <0.001 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | <0.001 | -0.01 | -0.01 – -0.00 | 0.001 | -0.01 | -0.01 – -0.00 | 0.001 |
| bildungDummy [2] | -0.57 | -1.04 – -0.11 | 0.016 | -0.36 | -0.89 – 0.18 | 0.187 | -0.17 | -0.71 – 0.38 | 0.547 |
| bildungDummy [3] | -0.65 | -1.12 – -0.19 | 0.006 | -0.28 | -0.81 – 0.25 | 0.302 | -0.11 | -0.65 – 0.44 | 0.699 |
| bildungDummy [4] | -0.60 | -1.08 – -0.13 | 0.012 | -0.01 | -0.55 – 0.53 | 0.972 | 0.17 | -0.38 – 0.72 | 0.546 |
| di01a | 0.00 | -0.00 – 0.00 | 0.058 | 0.00 | 0.00 – 0.00 | 0.024 | 0.00 | 0.00 – 0.00 | 0.034 |
| Gemeindegröße [1] | 0.21 | 0.06 – 0.37 | 0.005 | -0.34 | -0.50 – -0.18 | <0.001 | -0.35 | -0.52 – -0.19 | <0.001 |
| Gemeindegröße [2] | 0.44 | 0.30 – 0.58 | <0.001 | -0.04 | -0.18 – 0.11 | 0.626 | -0.07 | -0.22 – 0.08 | 0.364 |
| Gemeindegröße [3] | -0.01 | -0.16 – 0.13 | 0.853 | -0.29 | -0.44 – -0.13 | <0.001 | -0.31 | -0.47 – -0.15 | <0.001 |
| Observations | 2517 | 2364 | 2399 | ||||||
| R2 / R2 adjusted | 0.052 / 0.047 | 0.065 / 0.060 | 0.060 / 0.055 | ||||||
tab_model(fit, fit.1, fit.2,
show.se = T,
title = "Regressionsmodell hierarchischer Effekt des Regional Identity auf das Vertrauen",
pred.labels = c("Intercept", "grosse Regionale Verbundenheit", "mittlere Regionale Verbundenheit", "Politisches Interesse", "Politisches Wissen", "Geschlecht (Mann ist Referenz)", "Alter (Mittelwertszentriert)", "Hauptschulabschluss","Realschulabschluss","Abitur", "Einkommen", "Landgemeinde (Großstadt ist Referenz)", "Kleinstadt (Großstadt ist Referenz)", "Mittelstadt (Großstadt ist Refernz)"),
dv.labels = c("Vertrauen auf lokale Ebene", "Vertrauen in nationale Institutionen", "Vertrauen auf europäischer Ebene")
,show.stat = T,
show.fstat = T,
show.obs = T,
p.style = "stars")#,| Vertrauen auf lokale Ebene | Vertrauen in nationale Institutionen | Vertrauen auf europäischer Ebene | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Predictors | Estimates | std. Error | CI | Statistic | Estimates | std. Error | CI | Statistic | Estimates | std. Error | CI | Statistic |
| Intercept | 4.50 *** | 0.26 | 3.99 – 5.01 | 17.29 | 3.64 *** | 0.29 | 3.06 – 4.22 | 12.34 | 3.37 *** | 0.30 | 2.78 – 3.97 | 11.16 |
| grosse Regionale Verbundenheit | 0.54 *** | 0.07 | 0.39 – 0.68 | 7.37 | 0.18 * | 0.08 | 0.03 – 0.33 | 2.40 | 0.21 ** | 0.08 | 0.05 – 0.36 | 2.65 |
| mittlere Regionale Verbundenheit | 0.37 *** | 0.06 | 0.25 – 0.49 | 6.04 | 0.28 *** | 0.06 | 0.15 – 0.40 | 4.29 | 0.24 *** | 0.07 | 0.11 – 0.37 | 3.58 |
| Politisches Interesse | 0.03 | 0.03 | -0.03 – 0.10 | 1.08 | 0.04 | 0.03 | -0.02 – 0.11 | 1.34 | 0.05 | 0.03 | -0.02 – 0.12 | 1.44 |
| Politisches Wissen | 0.08 | 0.16 | -0.23 – 0.39 | 0.53 | -0.34 * | 0.17 | -0.68 – -0.01 | -2.05 | -0.17 | 0.17 | -0.51 – 0.17 | -0.99 |
| Geschlecht (Mann ist Referenz) | 0.12 * | 0.06 | 0.01 – 0.23 | 2.07 | 0.34 *** | 0.06 | 0.22 – 0.46 | 5.70 | 0.35 *** | 0.06 | 0.23 – 0.47 | 5.73 |
| Alter (Mittelwertszentriert) | -0.01 *** | 0.00 | -0.01 – -0.00 | -4.83 | -0.01 *** | 0.00 | -0.01 – -0.00 | -3.36 | -0.01 *** | 0.00 | -0.01 – -0.00 | -3.37 |
| Hauptschulabschluss | -0.57 * | 0.24 | -1.04 – -0.11 | -2.40 | -0.36 | 0.27 | -0.89 – 0.18 | -1.32 | -0.17 | 0.28 | -0.71 – 0.38 | -0.60 |
| Realschulabschluss | -0.65 ** | 0.24 | -1.12 – -0.19 | -2.75 | -0.28 | 0.27 | -0.81 – 0.25 | -1.03 | -0.11 | 0.28 | -0.65 – 0.44 | -0.39 |
| Abitur | -0.60 * | 0.24 | -1.08 – -0.13 | -2.51 | -0.01 | 0.28 | -0.55 – 0.53 | -0.04 | 0.17 | 0.28 | -0.38 – 0.72 | 0.60 |
| Einkommen | 0.00 | 0.00 | -0.00 – 0.00 | 1.90 | 0.00 * | 0.00 | 0.00 – 0.00 | 2.26 | 0.00 * | 0.00 | 0.00 – 0.00 | 2.12 |
| Landgemeinde (Großstadt ist Referenz) | 0.21 ** | 0.08 | 0.06 – 0.37 | 2.78 | -0.34 *** | 0.08 | -0.50 – -0.18 | -4.16 | -0.35 *** | 0.08 | -0.52 – -0.19 | -4.21 |
| Kleinstadt (Großstadt ist Referenz) | 0.44 *** | 0.07 | 0.30 – 0.58 | 6.21 | -0.04 | 0.07 | -0.18 – 0.11 | -0.49 | -0.07 | 0.08 | -0.22 – 0.08 | -0.91 |
| Mittelstadt (Großstadt ist Refernz) | -0.01 | 0.08 | -0.16 – 0.13 | -0.19 | -0.29 *** | 0.08 | -0.44 – -0.13 | -3.63 | -0.31 *** | 0.08 | -0.47 – -0.15 | -3.81 |
| Observations | 2517 | 2364 | 2399 | |||||||||
| R2 / R2 adjusted | 0.052 / 0.047 | 0.065 / 0.060 | 0.060 / 0.055 | |||||||||
|
||||||||||||
#file = "Multivariate_Analyse.html")
#Fallzahl muss noch angegleicht werden, damit die Modelle vergleichbar sind und eine Aonvaüberprüfung durchgeführt werden kann kleinster gemeinsamer Nenner sind 3406 Fälle Modelle müssen darauf angepasst werden 3.1.1 Nullmodell
#Nullmodell für Vertrauen in Lokalverwaltung
Nullmodell <- lmer(pt04 ~ 1 + (1|land_fac), data = Albus[Albus$missings == 0,])
summary(Nullmodell)## Linear mixed model fit by REML ['lmerMod']
## Formula: pt04 ~ 1 + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 10945.4
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.8721 -0.6242 0.1220 0.8588 2.2107
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.07823 0.2797
## Residual 1.79604 1.3402
## Number of obs: 3187, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 4.54408 0.07705 58.98sum(is.na(Albus$pt04))## [1] 57tab_model(Nullmodell)| pt04 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 4.54 | 4.39 – 4.70 | <0.001 |
| Random Effects | |||
| σ2 | 1.80 | ||
| τ00 land_fac | 0.08 | ||
| ICC | 0.04 | ||
| N land_fac | 16 | ||
| Observations | 3187 | ||
| Marginal R2 / Conditional R2 | 0.000 / 0.042 | ||
performance::icc(Nullmodell)## # Intraclass Correlation Coefficient
##
## Adjusted ICC: 0.042
## Unadjusted ICC: 0.042#Nullmodell für Vertrauen in Nationale Regierung
Nullmodell.1 <- lmer(pt12 ~ 1 + (1 | land_fac), data = Albus[Albus$missings == 0,])
summary(Nullmodell.1)## Linear mixed model fit by REML ['lmerMod']
## Formula: pt12 ~ 1 + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 11436.9
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.23764 -0.69974 0.03193 0.67973 2.30865
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.0394 0.1985
## Residual 2.1020 1.4498
## Number of obs: 3187, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.98528 0.05936 67.14tab_model(Nullmodell.1)| pt12 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.99 | 3.87 – 4.10 | <0.001 |
| Random Effects | |||
| σ2 | 2.10 | ||
| τ00 land_fac | 0.04 | ||
| ICC | 0.02 | ||
| N land_fac | 16 | ||
| Observations | 3187 | ||
| Marginal R2 / Conditional R2 | 0.000 / 0.018 | ||
performance::icc(Nullmodell.1)## # Intraclass Correlation Coefficient
##
## Adjusted ICC: 0.018
## Unadjusted ICC: 0.018#Nullmodell für europäische Regierung
Nullmodell.2 <- lmer(pt20 ~ 1 + (1 | land_fac), data = Albus[Albus$missings == 0,])
summary(Nullmodell.2)## Linear mixed model fit by REML ['lmerMod']
## Formula: pt20 ~ 1 + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 11347.9
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -1.9821 -0.5831 0.1993 0.8159 2.6555
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.04042 0.2011
## Residual 2.04373 1.4296
## Number of obs: 3187, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.57573 0.05973 59.87tab_model(Nullmodell.2)| pt20 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.58 | 3.46 – 3.69 | <0.001 |
| Random Effects | |||
| σ2 | 2.04 | ||
| τ00 land_fac | 0.04 | ||
| ICC | 0.02 | ||
| N land_fac | 16 | ||
| Observations | 3187 | ||
| Marginal R2 / Conditional R2 | 0.000 / 0.019 | ||
performance::icc(Nullmodell.2)## # Intraclass Correlation Coefficient
##
## Adjusted ICC: 0.019
## Unadjusted ICC: 0.019tab_model(Nullmodell, Nullmodell.1, Nullmodell.2,
show.aic = T,
show.dev = T,
p.style = "stars",
title = "Nullmodell des Hierarchischen Effekts vom Vertrauen",
dv.labels = c("Vertrauen auf lokale Ebene", "Vertrauen nationale Institutionen","Vertrauen Kommision der EU"))#,| Vertrauen auf lokale Ebene | Vertrauen nationale Institutionen | Vertrauen Kommision der EU | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| (Intercept) | 4.54 *** | 4.39 – 4.70 | 3.99 *** | 3.87 – 4.10 | 3.58 *** | 3.46 – 3.69 |
| Random Effects | ||||||
| σ2 | 1.80 | 2.10 | 2.04 | |||
| τ00 | 0.08 land_fac | 0.04 land_fac | 0.04 land_fac | |||
| ICC | 0.04 | 0.02 | 0.02 | |||
| N | 16 land_fac | 16 land_fac | 16 land_fac | |||
| Observations | 3187 | 3187 | 3187 | |||
| Marginal R2 / Conditional R2 | 0.000 / 0.042 | 0.000 / 0.018 | 0.000 / 0.019 | |||
| Deviance | 10942.074 | 11433.126 | 11344.093 | |||
| AIC | 10951.363 | 11442.937 | 11353.891 | |||
|
||||||
# file = "Nullmodell.html")BLUE-Annahmen prüfen
#model_dashboard(fit)
#model_dashboard(Nullmodell.1)
#model_dashboard(Nullmodell.2)3.1.2 Regression mit Individualdaten
Modell nur mit Individualdaten:
politisches Interesse : pol_intr 5 Ausprägungen von überhaupt nicht zu sehr stark
politisches Wissen: p_w 0-1 kein Wissen bis sehr viel Wissen
Geschlecht (geschlecht) 0 ist Mann und 1 ist Frau
Alter (age bzw. Alter_zentriert) Alter wurde mittelwertzentriert
Bildung (bildung) 0 bis 3 kein Abschluss bis Abitur
Migrationshintergrund (migration) 0 ist Deutsch und Referenz 1 ist 2 Staats-, oder keine -,bürgerschaft
Einkommen (dia10a bzw. Einkommen_zentriert) Einkommen wurde Mittelwertszentriert
#Fixed Slope Ebene 1
#Daten ohne NA
#Albus.NA <- Albus[, c("pol_intr", "p_w", "geschlecht", "Alter_zentriert", "bildungDummy", "migration", "Einkommen_zentriert")]
Albus.NA <- na.omit(Albus.NA)
#Vertrauen in Lokalverwaltung
m01 <- lmer(pt04 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +(1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m01)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt04 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8078.7
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -3.1127 -0.6150 0.0812 0.7329 2.4391
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.04522 0.2126
## Residual 1.68506 1.2981
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 4.297e+00 2.952e-01 14.557
## reg_id_dummy1 5.049e-01 7.513e-02 6.721
## reg_id_dummy2 3.496e-01 6.338e-02 5.516
## pol_intr 2.677e-02 3.291e-02 0.814
## p_w 9.019e-02 1.655e-01 0.545
## geschlecht 1.037e-01 5.824e-02 1.781
## Alter_zentriert -7.014e-03 1.807e-03 -3.881
## bildungDummy2 -2.791e-01 2.677e-01 -1.043
## bildungDummy3 -3.063e-01 2.672e-01 -1.146
## bildungDummy4 -2.743e-01 2.698e-01 -1.016
## Einkommen_zentriert 2.993e-05 2.320e-05 1.290
## Gemeindegröße1 1.428e-01 8.956e-02 1.594
## Gemeindegröße2 3.671e-01 7.850e-02 4.676
## Gemeindegröße3 -4.260e-02 8.133e-02 -0.524##
## Correlation matrix not shown by default, as p = 14 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m01)| pt04 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 4.30 | 3.72 – 4.88 | <0.001 |
| reg id dummy [1] | 0.50 | 0.36 – 0.65 | <0.001 |
| reg id dummy [2] | 0.35 | 0.23 – 0.47 | <0.001 |
| pol intr | 0.03 | -0.04 – 0.09 | 0.416 |
| p w | 0.09 | -0.23 – 0.41 | 0.586 |
| geschlecht | 0.10 | -0.01 – 0.22 | 0.075 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | <0.001 |
| bildungDummy [2] | -0.28 | -0.80 – 0.25 | 0.297 |
| bildungDummy [3] | -0.31 | -0.83 – 0.22 | 0.252 |
| bildungDummy [4] | -0.27 | -0.80 – 0.25 | 0.310 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.197 |
| Gemeindegröße [1] | 0.14 | -0.03 – 0.32 | 0.111 |
| Gemeindegröße [2] | 0.37 | 0.21 – 0.52 | <0.001 |
| Gemeindegröße [3] | -0.04 | -0.20 – 0.12 | 0.600 |
| Random Effects | |||
| σ2 | 1.69 | ||
| τ00 land_fac | 0.05 | ||
| ICC | 0.03 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.041 / 0.066 | ||
#Vertrauen in nationale Regierung
m01.1 <- lmer(pt12 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +(1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m01.1)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt12 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8376.4
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.84845 -0.60782 0.08617 0.72285 2.57560
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.01674 0.1294
## Residual 1.91884 1.3852
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.269e+00 3.106e-01 10.526
## reg_id_dummy1 3.319e-01 7.990e-02 4.155
## reg_id_dummy2 3.697e-01 6.753e-02 5.475
## pol_intr 6.052e-02 3.506e-02 1.726
## p_w -2.910e-01 1.762e-01 -1.652
## geschlecht 2.064e-01 6.207e-02 3.325
## Alter_zentriert 4.099e-03 1.922e-03 2.132
## bildungDummy2 3.207e-01 2.855e-01 1.123
## bildungDummy3 3.249e-01 2.848e-01 1.141
## bildungDummy4 8.037e-01 2.877e-01 2.793
## Einkommen_zentriert 7.909e-05 2.463e-05 3.211
## Gemeindegröße1 -1.719e-01 9.188e-02 -1.871
## Gemeindegröße2 -2.998e-02 8.131e-02 -0.369
## Gemeindegröße3 -8.068e-02 8.491e-02 -0.950##
## Correlation matrix not shown by default, as p = 14 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m01.1)| pt12 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.27 | 2.66 – 3.88 | <0.001 |
| reg id dummy [1] | 0.33 | 0.18 – 0.49 | <0.001 |
| reg id dummy [2] | 0.37 | 0.24 – 0.50 | <0.001 |
| pol intr | 0.06 | -0.01 – 0.13 | 0.084 |
| p w | -0.29 | -0.64 – 0.05 | 0.099 |
| geschlecht | 0.21 | 0.08 – 0.33 | 0.001 |
| Alter zentriert | 0.00 | 0.00 – 0.01 | 0.033 |
| bildungDummy [2] | 0.32 | -0.24 – 0.88 | 0.261 |
| bildungDummy [3] | 0.32 | -0.23 – 0.88 | 0.254 |
| bildungDummy [4] | 0.80 | 0.24 – 1.37 | 0.005 |
| Einkommen zentriert | 0.00 | 0.00 – 0.00 | 0.001 |
| Gemeindegröße [1] | -0.17 | -0.35 – 0.01 | 0.061 |
| Gemeindegröße [2] | -0.03 | -0.19 – 0.13 | 0.712 |
| Gemeindegröße [3] | -0.08 | -0.25 – 0.09 | 0.342 |
| Random Effects | |||
| σ2 | 1.92 | ||
| τ00 land_fac | 0.02 | ||
| ICC | 0.01 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.064 / 0.072 | ||
#Vertrauen in europäische Regierung
m01.2 <- lmer(pt20 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +(1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m01.2)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt20 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8330.3
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.6290 -0.7009 0.0615 0.7013 2.9738
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.02764 0.1663
## Residual 1.87853 1.3706
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.331e+00 3.089e-01 10.783
## reg_id_dummy1 2.326e-01 7.918e-02 2.937
## reg_id_dummy2 2.530e-01 6.687e-02 3.784
## pol_intr 5.977e-02 3.472e-02 1.722
## p_w -1.549e-01 1.745e-01 -0.888
## geschlecht 3.444e-01 6.145e-02 5.605
## Alter_zentriert -6.176e-03 1.905e-03 -3.241
## bildungDummy2 -1.292e-01 2.825e-01 -0.457
## bildungDummy3 -1.777e-02 2.820e-01 -0.063
## bildungDummy4 2.274e-01 2.848e-01 0.798
## Einkommen_zentriert 4.089e-05 2.443e-05 1.674
## Gemeindegröße1 -2.826e-01 9.267e-02 -3.050
## Gemeindegröße2 -4.243e-02 8.160e-02 -0.520
## Gemeindegröße3 -3.353e-01 8.488e-02 -3.950##
## Correlation matrix not shown by default, as p = 14 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m01.2)| pt20 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.33 | 2.73 – 3.94 | <0.001 |
| reg id dummy [1] | 0.23 | 0.08 – 0.39 | 0.003 |
| reg id dummy [2] | 0.25 | 0.12 – 0.38 | <0.001 |
| pol intr | 0.06 | -0.01 – 0.13 | 0.085 |
| p w | -0.15 | -0.50 – 0.19 | 0.375 |
| geschlecht | 0.34 | 0.22 – 0.46 | <0.001 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | 0.001 |
| bildungDummy [2] | -0.13 | -0.68 – 0.42 | 0.647 |
| bildungDummy [3] | -0.02 | -0.57 – 0.54 | 0.950 |
| bildungDummy [4] | 0.23 | -0.33 – 0.79 | 0.425 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.094 |
| Gemeindegröße [1] | -0.28 | -0.46 – -0.10 | 0.002 |
| Gemeindegröße [2] | -0.04 | -0.20 – 0.12 | 0.603 |
| Gemeindegröße [3] | -0.34 | -0.50 – -0.17 | <0.001 |
| Random Effects | |||
| σ2 | 1.88 | ||
| τ00 land_fac | 0.03 | ||
| ICC | 0.01 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.058 / 0.072 | ||
#Grafische Darstellung
tab_model(m01, m01.1, m01.2,
show.aic = T,
show.dev = T,
p.style = "stars",
title = "MLM des Hierarchischen Effekts vom Vertrauen",
dv.labels = c("Vertrauen auf lokale Ebene", "Vertrauen nationale Institutionen","Vertrauen Kommision der EU"),
pred.labels = c("Intercept","Starke regionale Verbundenheit", "Mittlere regionale Verbundenheit", "politisches Interesse", "politisches Wissen", "Geschlecht (Mann ist Referenzkategorie)","Alter (Mittelwertszentriert)", "Hauptschulabschluss","Realschulabschluss","Abitur", "Einkommen (Mittelwertszentriert)", "Landgemeinde (Großstadt ist Referenz)", "Kleinstadt (Großstadt ist Referenz)", "Mittelstadt (Großstadt ist Refernz)"))#,| Vertrauen auf lokale Ebene | Vertrauen nationale Institutionen | Vertrauen Kommision der EU | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| Intercept | 4.30 *** | 3.72 – 4.88 | 3.27 *** | 2.66 – 3.88 | 3.33 *** | 2.73 – 3.94 |
| Starke regionale Verbundenheit | 0.50 *** | 0.36 – 0.65 | 0.33 *** | 0.18 – 0.49 | 0.23 ** | 0.08 – 0.39 |
| Mittlere regionale Verbundenheit | 0.35 *** | 0.23 – 0.47 | 0.37 *** | 0.24 – 0.50 | 0.25 *** | 0.12 – 0.38 |
| politisches Interesse | 0.03 | -0.04 – 0.09 | 0.06 | -0.01 – 0.13 | 0.06 | -0.01 – 0.13 |
| politisches Wissen | 0.09 | -0.23 – 0.41 | -0.29 | -0.64 – 0.05 | -0.15 | -0.50 – 0.19 |
| Geschlecht (Mann ist Referenzkategorie) | 0.10 | -0.01 – 0.22 | 0.21 *** | 0.08 – 0.33 | 0.34 *** | 0.22 – 0.46 |
| Alter (Mittelwertszentriert) | -0.01 *** | -0.01 – -0.00 | 0.00 * | 0.00 – 0.01 | -0.01 ** | -0.01 – -0.00 |
| Hauptschulabschluss | -0.28 | -0.80 – 0.25 | 0.32 | -0.24 – 0.88 | -0.13 | -0.68 – 0.42 |
| Realschulabschluss | -0.31 | -0.83 – 0.22 | 0.32 | -0.23 – 0.88 | -0.02 | -0.57 – 0.54 |
| Abitur | -0.27 | -0.80 – 0.25 | 0.80 ** | 0.24 – 1.37 | 0.23 | -0.33 – 0.79 |
| Einkommen (Mittelwertszentriert) | 0.00 | -0.00 – 0.00 | 0.00 ** | 0.00 – 0.00 | 0.00 | -0.00 – 0.00 |
| Landgemeinde (Großstadt ist Referenz) | 0.14 | -0.03 – 0.32 | -0.17 | -0.35 – 0.01 | -0.28 ** | -0.46 – -0.10 |
| Kleinstadt (Großstadt ist Referenz) | 0.37 *** | 0.21 – 0.52 | -0.03 | -0.19 – 0.13 | -0.04 | -0.20 – 0.12 |
| Mittelstadt (Großstadt ist Refernz) | -0.04 | -0.20 – 0.12 | -0.08 | -0.25 – 0.09 | -0.34 *** | -0.50 – -0.17 |
| Random Effects | ||||||
| σ2 | 1.69 | 1.92 | 1.88 | |||
| τ00 | 0.05 land_fac | 0.02 land_fac | 0.03 land_fac | |||
| ICC | 0.03 | 0.01 | 0.01 | |||
| N | 16 land_fac | 16 land_fac | 16 land_fac | |||
| Observations | 2381 | 2381 | 2381 | |||
| Marginal R2 / Conditional R2 | 0.041 / 0.066 | 0.064 / 0.072 | 0.058 / 0.072 | |||
| Deviance | 8008.061 | 8306.646 | 8260.611 | |||
| AIC | 8110.709 | 8408.434 | 8362.271 | |||
|
||||||
#file = "Individualebene.html")#fixed slope Ebene 1, RI als kategoriale Dummy
#Vertrauen in Lokalverwaltung
m02 <- lmer(pt04 ~ 1 +
reg_dummy_jn +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +(1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m02)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt04 ~ 1 + reg_dummy_jn + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8096
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -3.0039 -0.6096 0.1168 0.7415 2.6677
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.04336 0.2082
## Residual 1.70086 1.3042
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.766e+00 3.225e-01 11.677
## reg_dummy_jn 7.499e-01 1.428e-01 5.251
## pol_intr 3.972e-02 3.295e-02 1.205
## p_w 7.740e-02 1.662e-01 0.466
## geschlecht 9.994e-02 5.844e-02 1.710
## Alter_zentriert -5.811e-03 1.803e-03 -3.224
## bildungDummy2 -1.806e-01 2.684e-01 -0.673
## bildungDummy3 -2.095e-01 2.679e-01 -0.782
## bildungDummy4 -1.848e-01 2.706e-01 -0.683
## Einkommen_zentriert 2.791e-05 2.331e-05 1.198
## Gemeindegröße1 1.318e-01 8.979e-02 1.468
## Gemeindegröße2 3.457e-01 7.871e-02 4.392
## Gemeindegröße3 -7.899e-02 8.155e-02 -0.969##
## Correlation matrix not shown by default, as p = 13 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m02)| pt04 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.77 | 3.13 – 4.40 | <0.001 |
| reg dummy jn | 0.75 | 0.47 – 1.03 | <0.001 |
| pol intr | 0.04 | -0.02 – 0.10 | 0.228 |
| p w | 0.08 | -0.25 – 0.40 | 0.641 |
| geschlecht | 0.10 | -0.01 – 0.21 | 0.087 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | 0.001 |
| bildungDummy [2] | -0.18 | -0.71 – 0.35 | 0.501 |
| bildungDummy [3] | -0.21 | -0.73 – 0.32 | 0.434 |
| bildungDummy [4] | -0.18 | -0.72 – 0.35 | 0.495 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.231 |
| Gemeindegröße [1] | 0.13 | -0.04 – 0.31 | 0.142 |
| Gemeindegröße [2] | 0.35 | 0.19 – 0.50 | <0.001 |
| Gemeindegröße [3] | -0.08 | -0.24 – 0.08 | 0.333 |
| Random Effects | |||
| σ2 | 1.70 | ||
| τ00 land_fac | 0.04 | ||
| ICC | 0.02 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.032 / 0.056 | ||
#Vertrauen in nationale Regierung
m02.1 <- lmer(pt12 ~ 1 +
reg_dummy_jn +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +(1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m02.1)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt12 ~ 1 + reg_dummy_jn + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8385.5
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.7770 -0.6179 0.1049 0.7227 2.6542
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.01433 0.1197
## Residual 1.93044 1.3894
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 2.811e+00 3.394e-01 8.281
## reg_dummy_jn 6.423e-01 1.520e-01 4.227
## pol_intr 7.247e-02 3.505e-02 2.068
## p_w -2.870e-01 1.766e-01 -1.625
## geschlecht 2.110e-01 6.217e-02 3.393
## Alter_zentriert 4.830e-03 1.913e-03 2.525
## bildungDummy2 3.913e-01 2.858e-01 1.369
## bildungDummy3 3.953e-01 2.851e-01 1.387
## bildungDummy4 8.706e-01 2.881e-01 3.022
## Einkommen_zentriert 7.719e-05 2.470e-05 3.125
## Gemeindegröße1 -1.756e-01 9.157e-02 -1.917
## Gemeindegröße2 -4.706e-02 8.112e-02 -0.580
## Gemeindegröße3 -1.068e-01 8.479e-02 -1.260##
## Correlation matrix not shown by default, as p = 13 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m02.1)| pt12 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 2.81 | 2.15 – 3.48 | <0.001 |
| reg dummy jn | 0.64 | 0.34 – 0.94 | <0.001 |
| pol intr | 0.07 | 0.00 – 0.14 | 0.039 |
| p w | -0.29 | -0.63 – 0.06 | 0.104 |
| geschlecht | 0.21 | 0.09 – 0.33 | 0.001 |
| Alter zentriert | 0.00 | 0.00 – 0.01 | 0.012 |
| bildungDummy [2] | 0.39 | -0.17 – 0.95 | 0.171 |
| bildungDummy [3] | 0.40 | -0.16 – 0.95 | 0.166 |
| bildungDummy [4] | 0.87 | 0.31 – 1.44 | 0.003 |
| Einkommen zentriert | 0.00 | 0.00 – 0.00 | 0.002 |
| Gemeindegröße [1] | -0.18 | -0.36 – 0.00 | 0.055 |
| Gemeindegröße [2] | -0.05 | -0.21 – 0.11 | 0.562 |
| Gemeindegröße [3] | -0.11 | -0.27 – 0.06 | 0.208 |
| Random Effects | |||
| σ2 | 1.93 | ||
| τ00 land_fac | 0.01 | ||
| ICC | 0.01 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.059 / 0.066 | ||
#Vertrauen in europäische Regierung
m02.2 <- lmer(pt20 ~ 1 +
reg_dummy_jn +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +(1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m02.2)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt20 ~ 1 + reg_dummy_jn + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8331.5
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.57544 -0.69538 0.07313 0.70750 3.02978
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.02534 0.1592
## Residual 1.88342 1.3724
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.007e+00 3.368e-01 8.927
## reg_dummy_jn 4.522e-01 1.502e-01 3.011
## pol_intr 6.786e-02 3.465e-02 1.958
## p_w -1.535e-01 1.747e-01 -0.879
## geschlecht 3.474e-01 6.145e-02 5.653
## Alter_zentriert -5.671e-03 1.893e-03 -2.995
## bildungDummy2 -7.993e-02 2.824e-01 -0.283
## bildungDummy3 3.071e-02 2.817e-01 0.109
## bildungDummy4 2.736e-01 2.847e-01 0.961
## Einkommen_zentriert 3.968e-05 2.446e-05 1.622
## Gemeindegröße1 -2.850e-01 9.245e-02 -3.083
## Gemeindegröße2 -5.154e-02 8.144e-02 -0.633
## Gemeindegröße3 -3.511e-01 8.474e-02 -4.143##
## Correlation matrix not shown by default, as p = 13 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m02.2)| pt20 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.01 | 2.35 – 3.67 | <0.001 |
| reg dummy jn | 0.45 | 0.16 – 0.75 | 0.003 |
| pol intr | 0.07 | -0.00 – 0.14 | 0.050 |
| p w | -0.15 | -0.50 – 0.19 | 0.380 |
| geschlecht | 0.35 | 0.23 – 0.47 | <0.001 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | 0.003 |
| bildungDummy [2] | -0.08 | -0.63 – 0.47 | 0.777 |
| bildungDummy [3] | 0.03 | -0.52 – 0.58 | 0.913 |
| bildungDummy [4] | 0.27 | -0.28 – 0.83 | 0.337 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.105 |
| Gemeindegröße [1] | -0.28 | -0.47 – -0.10 | 0.002 |
| Gemeindegröße [2] | -0.05 | -0.21 – 0.11 | 0.527 |
| Gemeindegröße [3] | -0.35 | -0.52 – -0.18 | <0.001 |
| Random Effects | |||
| σ2 | 1.88 | ||
| τ00 land_fac | 0.03 | ||
| ICC | 0.01 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.056 / 0.068 | ||
#Grafische Darstellung
tab_model(m02, m02.1, m02.2,
show.aic = T,
show.dev = T,
p.style = "stars",
title = "MLM des Hierarchischen Effekts vom Vertrauen",
dv.labels = c("Vertrauen auf lokale Ebene", "Vertrauen nationale Institutionen","Vertrauen Kommision der EU"),
pred.labels = c("Intercept","regionale Verbundenheit","politisches Interesse", "politisches Wissen", "Geschlecht (Mann ist Referenzkategorie)","Alter (Mittelwertszentriert)", "Hauptschulabschluss","Realschulabschluss","Abitur", "Einkommen (Mittelwertszentriert)", "Landgemeinde (Großstadt ist Referenz)", "Kleinstadt (Großstadt ist Referenz)", "Mittelstadt (Großstadt ist Refernz)"))#,| Vertrauen auf lokale Ebene | Vertrauen nationale Institutionen | Vertrauen Kommision der EU | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| Intercept | 3.77 *** | 3.13 – 4.40 | 2.81 *** | 2.15 – 3.48 | 3.01 *** | 2.35 – 3.67 |
| regionale Verbundenheit | 0.75 *** | 0.47 – 1.03 | 0.64 *** | 0.34 – 0.94 | 0.45 ** | 0.16 – 0.75 |
| politisches Interesse | 0.04 | -0.02 – 0.10 | 0.07 * | 0.00 – 0.14 | 0.07 | -0.00 – 0.14 |
| politisches Wissen | 0.08 | -0.25 – 0.40 | -0.29 | -0.63 – 0.06 | -0.15 | -0.50 – 0.19 |
| Geschlecht (Mann ist Referenzkategorie) | 0.10 | -0.01 – 0.21 | 0.21 *** | 0.09 – 0.33 | 0.35 *** | 0.23 – 0.47 |
| Alter (Mittelwertszentriert) | -0.01 ** | -0.01 – -0.00 | 0.00 * | 0.00 – 0.01 | -0.01 ** | -0.01 – -0.00 |
| Hauptschulabschluss | -0.18 | -0.71 – 0.35 | 0.39 | -0.17 – 0.95 | -0.08 | -0.63 – 0.47 |
| Realschulabschluss | -0.21 | -0.73 – 0.32 | 0.40 | -0.16 – 0.95 | 0.03 | -0.52 – 0.58 |
| Abitur | -0.18 | -0.72 – 0.35 | 0.87 ** | 0.31 – 1.44 | 0.27 | -0.28 – 0.83 |
| Einkommen (Mittelwertszentriert) | 0.00 | -0.00 – 0.00 | 0.00 ** | 0.00 – 0.00 | 0.00 | -0.00 – 0.00 |
| Landgemeinde (Großstadt ist Referenz) | 0.13 | -0.04 – 0.31 | -0.18 | -0.36 – 0.00 | -0.28 ** | -0.47 – -0.10 |
| Kleinstadt (Großstadt ist Referenz) | 0.35 *** | 0.19 – 0.50 | -0.05 | -0.21 – 0.11 | -0.05 | -0.21 – 0.11 |
| Mittelstadt (Großstadt ist Refernz) | -0.08 | -0.24 – 0.08 | -0.11 | -0.27 – 0.06 | -0.35 *** | -0.52 – -0.18 |
| Random Effects | ||||||
| σ2 | 1.70 | 1.93 | 1.88 | |||
| τ00 | 0.04 land_fac | 0.01 land_fac | 0.03 land_fac | |||
| ICC | 0.02 | 0.01 | 0.01 | |||
| N | 16 land_fac | 16 land_fac | 16 land_fac | |||
| Observations | 2381 | 2381 | 2381 | |||
| Marginal R2 / Conditional R2 | 0.032 / 0.056 | 0.059 / 0.066 | 0.056 / 0.068 | |||
| Deviance | 8030.723 | 8320.788 | 8266.975 | |||
| AIC | 8126.008 | 8415.453 | 8361.494 | |||
|
||||||
#file = "Individualebene_kategorial.html")3.1.3 Regression mit Aggregatsebene
#Fixed Slope Ebene 1 + 2
#Vertrauen in Lokalverwaltung
m03 <- lmer(pt04 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +
ddmz + (1 | land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m03)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt04 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + ddmz +
## (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8089.3
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -3.1152 -0.6174 0.0771 0.7316 2.4366
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.0547 0.2339
## Residual 1.6837 1.2976
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 4.357e+00 3.025e-01 14.400
## reg_id_dummy1 5.062e-01 7.514e-02 6.736
## reg_id_dummy2 3.511e-01 6.338e-02 5.540
## pol_intr 2.641e-02 3.290e-02 0.803
## p_w 1.003e-01 1.657e-01 0.605
## geschlecht 1.028e-01 5.823e-02 1.766
## Alter_zentriert -6.968e-03 1.808e-03 -3.855
## bildungDummy2 -2.830e-01 2.676e-01 -1.057
## bildungDummy3 -3.070e-01 2.671e-01 -1.149
## bildungDummy4 -2.755e-01 2.698e-01 -1.021
## Einkommen_zentriert 2.907e-05 2.320e-05 1.253
## Gemeindegröße1 1.589e-01 9.172e-02 1.732
## Gemeindegröße2 3.714e-01 7.911e-02 4.695
## Gemeindegröße3 -3.238e-02 8.233e-02 -0.393
## ddmz -1.290e-03 1.254e-03 -1.029##
## Correlation matrix not shown by default, as p = 15 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m03)| pt04 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 4.36 | 3.76 – 4.95 | <0.001 |
| reg id dummy [1] | 0.51 | 0.36 – 0.65 | <0.001 |
| reg id dummy [2] | 0.35 | 0.23 – 0.48 | <0.001 |
| pol intr | 0.03 | -0.04 – 0.09 | 0.422 |
| p w | 0.10 | -0.22 – 0.43 | 0.545 |
| geschlecht | 0.10 | -0.01 – 0.22 | 0.077 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | <0.001 |
| bildungDummy [2] | -0.28 | -0.81 – 0.24 | 0.290 |
| bildungDummy [3] | -0.31 | -0.83 – 0.22 | 0.251 |
| bildungDummy [4] | -0.28 | -0.80 – 0.25 | 0.307 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.210 |
| Gemeindegröße [1] | 0.16 | -0.02 – 0.34 | 0.083 |
| Gemeindegröße [2] | 0.37 | 0.22 – 0.53 | <0.001 |
| Gemeindegröße [3] | -0.03 | -0.19 – 0.13 | 0.694 |
| ddmz | -0.00 | -0.00 – 0.00 | 0.304 |
| Random Effects | |||
| σ2 | 1.68 | ||
| τ00 land_fac | 0.05 | ||
| ICC | 0.03 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.041 / 0.072 | ||
#Vertrauen in nationale Regierung
m03.1 <- lmer(pt12 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +
ddmz + (1 | land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m03.1)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt12 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + ddmz +
## (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8388.3
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.86048 -0.60875 0.08384 0.72286 2.57664
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.01836 0.1355
## Residual 1.91896 1.3853
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.285e+00 3.134e-01 10.481
## reg_id_dummy1 3.329e-01 7.994e-02 4.165
## reg_id_dummy2 3.707e-01 6.757e-02 5.486
## pol_intr 6.052e-02 3.507e-02 1.726
## p_w -2.856e-01 1.766e-01 -1.618
## geschlecht 2.062e-01 6.208e-02 3.322
## Alter_zentriert 4.121e-03 1.923e-03 2.143
## bildungDummy2 3.176e-01 2.856e-01 1.112
## bildungDummy3 3.238e-01 2.849e-01 1.136
## bildungDummy4 8.019e-01 2.878e-01 2.786
## Einkommen_zentriert 7.876e-05 2.464e-05 3.196
## Gemeindegröße1 -1.577e-01 9.584e-02 -1.646
## Gemeindegröße2 -2.421e-02 8.194e-02 -0.295
## Gemeindegröße3 -7.347e-02 8.603e-02 -0.854
## ddmz -4.416e-04 9.804e-04 -0.450##
## Correlation matrix not shown by default, as p = 15 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m03.1)| pt12 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.28 | 2.67 – 3.90 | <0.001 |
| reg id dummy [1] | 0.33 | 0.18 – 0.49 | <0.001 |
| reg id dummy [2] | 0.37 | 0.24 – 0.50 | <0.001 |
| pol intr | 0.06 | -0.01 – 0.13 | 0.085 |
| p w | -0.29 | -0.63 – 0.06 | 0.106 |
| geschlecht | 0.21 | 0.08 – 0.33 | 0.001 |
| Alter zentriert | 0.00 | 0.00 – 0.01 | 0.032 |
| bildungDummy [2] | 0.32 | -0.24 – 0.88 | 0.266 |
| bildungDummy [3] | 0.32 | -0.23 – 0.88 | 0.256 |
| bildungDummy [4] | 0.80 | 0.24 – 1.37 | 0.005 |
| Einkommen zentriert | 0.00 | 0.00 – 0.00 | 0.001 |
| Gemeindegröße [1] | -0.16 | -0.35 – 0.03 | 0.100 |
| Gemeindegröße [2] | -0.02 | -0.18 – 0.14 | 0.768 |
| Gemeindegröße [3] | -0.07 | -0.24 – 0.10 | 0.393 |
| ddmz | -0.00 | -0.00 – 0.00 | 0.652 |
| Random Effects | |||
| σ2 | 1.92 | ||
| τ00 land_fac | 0.02 | ||
| ICC | 0.01 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.064 / 0.073 | ||
#Vetrauen in europäische Regierung
m03.2 <- lmer(pt20 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +
ddmz + (1 | land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m03.2)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt20 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + ddmz +
## (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8341.9
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.63138 -0.69993 0.06178 0.70167 2.97624
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.0307 0.1752
## Residual 1.8785 1.3706
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.307e+00 3.131e-01 10.562
## reg_id_dummy1 2.325e-01 7.922e-02 2.935
## reg_id_dummy2 2.530e-01 6.690e-02 3.782
## pol_intr 5.974e-02 3.472e-02 1.721
## p_w -1.592e-01 1.749e-01 -0.910
## geschlecht 3.441e-01 6.146e-02 5.599
## Alter_zentriert -6.170e-03 1.906e-03 -3.237
## bildungDummy2 -1.263e-01 2.826e-01 -0.447
## bildungDummy3 -1.395e-02 2.820e-01 -0.049
## bildungDummy4 2.306e-01 2.848e-01 0.810
## Einkommen_zentriert 4.068e-05 2.444e-05 1.664
## Gemeindegröße1 -2.919e-01 9.580e-02 -3.047
## Gemeindegröße2 -4.607e-02 8.221e-02 -0.560
## Gemeindegröße3 -3.419e-01 8.597e-02 -3.977
## ddmz 4.966e-04 1.099e-03 0.452##
## Correlation matrix not shown by default, as p = 15 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m03.2)| pt20 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.31 | 2.69 – 3.92 | <0.001 |
| reg id dummy [1] | 0.23 | 0.08 – 0.39 | 0.003 |
| reg id dummy [2] | 0.25 | 0.12 – 0.38 | <0.001 |
| pol intr | 0.06 | -0.01 – 0.13 | 0.085 |
| p w | -0.16 | -0.50 – 0.18 | 0.363 |
| geschlecht | 0.34 | 0.22 – 0.46 | <0.001 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | 0.001 |
| bildungDummy [2] | -0.13 | -0.68 – 0.43 | 0.655 |
| bildungDummy [3] | -0.01 | -0.57 – 0.54 | 0.961 |
| bildungDummy [4] | 0.23 | -0.33 – 0.79 | 0.418 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.096 |
| Gemeindegröße [1] | -0.29 | -0.48 – -0.10 | 0.002 |
| Gemeindegröße [2] | -0.05 | -0.21 – 0.12 | 0.575 |
| Gemeindegröße [3] | -0.34 | -0.51 – -0.17 | <0.001 |
| ddmz | 0.00 | -0.00 – 0.00 | 0.651 |
| Random Effects | |||
| σ2 | 1.88 | ||
| τ00 land_fac | 0.03 | ||
| ICC | 0.02 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.058 / 0.073 | ||
#Grafische Darstellung
tab_model(m03, m03.1, m03.2,
show.aic = T,
show.dev = T,
p.style = "stars",
title = "MLM des Hierarchischen Effekts vom Vertrauen",
dv.labels = c("Vertrauen auf lokale Ebene", "Vertrauen nationale Institutionen","Vertrauen Kommision der EU"),
pred.labels = c("Intercept","Starke regionale Verbundenheit", "Mittlere regionale Verbundenheit", "politisches Interesse", "politisches Wissen", "Geschlecht (Mann ist Referenzkategorie)","Alter (Mittelwertszentriert)", "Hauptschulabschluss","Realschulabschluss","Abitur","Einkommen (Mittelwertszentriert)", "Landgemeinde (Großstadt ist Referenz)", "Kleinstadt (Großstadt ist Referenz)", "Mittelstadt (Großstadt ist Refernz)", "Mittlere Jahresabstände direktdemokratischer Verfahren"))#,| Vertrauen auf lokale Ebene | Vertrauen nationale Institutionen | Vertrauen Kommision der EU | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| Intercept | 4.36 *** | 3.76 – 4.95 | 3.28 *** | 2.67 – 3.90 | 3.31 *** | 2.69 – 3.92 |
| Starke regionale Verbundenheit | 0.51 *** | 0.36 – 0.65 | 0.33 *** | 0.18 – 0.49 | 0.23 ** | 0.08 – 0.39 |
| Mittlere regionale Verbundenheit | 0.35 *** | 0.23 – 0.48 | 0.37 *** | 0.24 – 0.50 | 0.25 *** | 0.12 – 0.38 |
| politisches Interesse | 0.03 | -0.04 – 0.09 | 0.06 | -0.01 – 0.13 | 0.06 | -0.01 – 0.13 |
| politisches Wissen | 0.10 | -0.22 – 0.43 | -0.29 | -0.63 – 0.06 | -0.16 | -0.50 – 0.18 |
| Geschlecht (Mann ist Referenzkategorie) | 0.10 | -0.01 – 0.22 | 0.21 *** | 0.08 – 0.33 | 0.34 *** | 0.22 – 0.46 |
| Alter (Mittelwertszentriert) | -0.01 *** | -0.01 – -0.00 | 0.00 * | 0.00 – 0.01 | -0.01 ** | -0.01 – -0.00 |
| Hauptschulabschluss | -0.28 | -0.81 – 0.24 | 0.32 | -0.24 – 0.88 | -0.13 | -0.68 – 0.43 |
| Realschulabschluss | -0.31 | -0.83 – 0.22 | 0.32 | -0.23 – 0.88 | -0.01 | -0.57 – 0.54 |
| Abitur | -0.28 | -0.80 – 0.25 | 0.80 ** | 0.24 – 1.37 | 0.23 | -0.33 – 0.79 |
| Einkommen (Mittelwertszentriert) | 0.00 | -0.00 – 0.00 | 0.00 ** | 0.00 – 0.00 | 0.00 | -0.00 – 0.00 |
| Landgemeinde (Großstadt ist Referenz) | 0.16 | -0.02 – 0.34 | -0.16 | -0.35 – 0.03 | -0.29 ** | -0.48 – -0.10 |
| Kleinstadt (Großstadt ist Referenz) | 0.37 *** | 0.22 – 0.53 | -0.02 | -0.18 – 0.14 | -0.05 | -0.21 – 0.12 |
| Mittelstadt (Großstadt ist Refernz) | -0.03 | -0.19 – 0.13 | -0.07 | -0.24 – 0.10 | -0.34 *** | -0.51 – -0.17 |
| Mittlere Jahresabstände direktdemokratischer Verfahren | -0.00 | -0.00 – 0.00 | -0.00 | -0.00 – 0.00 | 0.00 | -0.00 – 0.00 |
| Random Effects | ||||||
| σ2 | 1.68 | 1.92 | 1.88 | |||
| τ00 | 0.05 land_fac | 0.02 land_fac | 0.03 land_fac | |||
| ICC | 0.03 | 0.01 | 0.02 | |||
| N | 16 land_fac | 16 land_fac | 16 land_fac | |||
| Observations | 2381 | 2381 | 2381 | |||
| Marginal R2 / Conditional R2 | 0.041 / 0.072 | 0.064 / 0.073 | 0.058 / 0.073 | |||
| Deviance | 8007.273 | 8306.526 | 8260.527 | |||
| AIC | 8123.286 | 8422.265 | 8375.893 | |||
|
||||||
#file = "Ebene1+2.html")
anova(m01.2, m02.2)## refitting model(s) with ML (instead of REML)## Data: Albus[Albus$missings == 0, ]
## Models:
## m02.2: pt20 ~ 1 + reg_dummy_jn + pol_intr + p_w + geschlecht + Alter_zentriert + bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## m01.2: pt20 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert + bildungDummy + Einkommen_zentriert + Gemeindegröße + (1 | land_fac)
## npar AIC BIC logLik deviance Chisq Df Pr(>Chisq)
## m02.2 15 8296.9 8383.6 -4133.5 8266.9
## m01.2 16 8292.6 8385.0 -4130.3 8260.6 6.3639 1 0.01165 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 13.1.4 Regression mit random slopes
#Random Slopes und Interaktionseffekt
#Vertrauen in Lokalverwaltung
m04 <- lmer(pt04 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +
ddmz + reg_id_dummy:ddmz + (1 | land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m04)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt04 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + ddmz +
## reg_id_dummy:ddmz + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8109
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -3.13796 -0.61260 0.08167 0.72986 2.42397
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.05309 0.2304
## Residual 1.68331 1.2974
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 4.374e+00 3.088e-01 14.166
## reg_id_dummy1 5.503e-01 1.083e-01 5.080
## reg_id_dummy2 2.801e-01 9.180e-02 3.051
## pol_intr 2.578e-02 3.290e-02 0.784
## p_w 9.764e-02 1.661e-01 0.588
## geschlecht 1.004e-01 5.825e-02 1.724
## Alter_zentriert -6.940e-03 1.807e-03 -3.840
## bildungDummy2 -2.804e-01 2.677e-01 -1.047
## bildungDummy3 -3.056e-01 2.672e-01 -1.144
## bildungDummy4 -2.688e-01 2.699e-01 -0.996
## Einkommen_zentriert 2.935e-05 2.320e-05 1.265
## Gemeindegröße1 1.659e-01 9.181e-02 1.807
## Gemeindegröße2 3.759e-01 7.909e-02 4.752
## Gemeindegröße3 -2.747e-02 8.238e-02 -0.333
## ddmz -1.788e-03 1.639e-03 -1.091
## reg_id_dummy1:ddmz -8.310e-04 1.697e-03 -0.490
## reg_id_dummy2:ddmz 1.513e-03 1.478e-03 1.024##
## Correlation matrix not shown by default, as p = 17 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m04)| pt04 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 4.37 | 3.77 – 4.98 | <0.001 |
| reg id dummy [1] | 0.55 | 0.34 – 0.76 | <0.001 |
| reg id dummy [2] | 0.28 | 0.10 – 0.46 | 0.002 |
| pol intr | 0.03 | -0.04 – 0.09 | 0.433 |
| p w | 0.10 | -0.23 – 0.42 | 0.557 |
| geschlecht | 0.10 | -0.01 – 0.21 | 0.085 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | <0.001 |
| bildungDummy [2] | -0.28 | -0.81 – 0.24 | 0.295 |
| bildungDummy [3] | -0.31 | -0.83 – 0.22 | 0.253 |
| bildungDummy [4] | -0.27 | -0.80 – 0.26 | 0.319 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.206 |
| Gemeindegröße [1] | 0.17 | -0.01 – 0.35 | 0.071 |
| Gemeindegröße [2] | 0.38 | 0.22 – 0.53 | <0.001 |
| Gemeindegröße [3] | -0.03 | -0.19 – 0.13 | 0.739 |
| ddmz | -0.00 | -0.01 – 0.00 | 0.275 |
| reg id dummy [1] * ddmz | -0.00 | -0.00 – 0.00 | 0.624 |
| reg id dummy [2] * ddmz | 0.00 | -0.00 – 0.00 | 0.306 |
| Random Effects | |||
| σ2 | 1.68 | ||
| τ00 land_fac | 0.05 | ||
| ICC | 0.03 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.043 / 0.072 | ||
#Vertrauen in nationale Regierung
m04.1 <- lmer(pt12 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +
ddmz + reg_id_dummy:ddmz + (1 | land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m04.1)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt12 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + ddmz +
## reg_id_dummy:ddmz + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8408
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.81866 -0.61568 0.07621 0.71815 2.57935
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.01783 0.1335
## Residual 1.91870 1.3852
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.296e+00 3.204e-01 10.286
## reg_id_dummy1 3.865e-01 1.152e-01 3.356
## reg_id_dummy2 3.053e-01 9.787e-02 3.119
## pol_intr 5.984e-02 3.507e-02 1.706
## p_w -2.860e-01 1.770e-01 -1.615
## geschlecht 2.035e-01 6.210e-02 3.277
## Alter_zentriert 4.149e-03 1.923e-03 2.157
## bildungDummy2 3.213e-01 2.857e-01 1.125
## bildungDummy3 3.264e-01 2.850e-01 1.145
## bildungDummy4 8.099e-01 2.879e-01 2.813
## Einkommen_zentriert 7.896e-05 2.464e-05 3.205
## Gemeindegröße1 -1.503e-01 9.597e-02 -1.566
## Gemeindegröße2 -2.042e-02 8.192e-02 -0.249
## Gemeindegröße3 -6.812e-02 8.612e-02 -0.791
## ddmz -8.372e-04 1.477e-03 -0.567
## reg_id_dummy1:ddmz -1.037e-03 1.801e-03 -0.576
## reg_id_dummy2:ddmz 1.385e-03 1.575e-03 0.879##
## Correlation matrix not shown by default, as p = 17 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m04.1)| pt12 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.30 | 2.67 – 3.92 | <0.001 |
| reg id dummy [1] | 0.39 | 0.16 – 0.61 | 0.001 |
| reg id dummy [2] | 0.31 | 0.11 – 0.50 | 0.002 |
| pol intr | 0.06 | -0.01 – 0.13 | 0.088 |
| p w | -0.29 | -0.63 – 0.06 | 0.106 |
| geschlecht | 0.20 | 0.08 – 0.33 | 0.001 |
| Alter zentriert | 0.00 | 0.00 – 0.01 | 0.031 |
| bildungDummy [2] | 0.32 | -0.24 – 0.88 | 0.261 |
| bildungDummy [3] | 0.33 | -0.23 – 0.89 | 0.252 |
| bildungDummy [4] | 0.81 | 0.25 – 1.37 | 0.005 |
| Einkommen zentriert | 0.00 | 0.00 – 0.00 | 0.001 |
| Gemeindegröße [1] | -0.15 | -0.34 – 0.04 | 0.118 |
| Gemeindegröße [2] | -0.02 | -0.18 – 0.14 | 0.803 |
| Gemeindegröße [3] | -0.07 | -0.24 – 0.10 | 0.429 |
| ddmz | -0.00 | -0.00 – 0.00 | 0.571 |
| reg id dummy [1] * ddmz | -0.00 | -0.00 – 0.00 | 0.565 |
| reg id dummy [2] * ddmz | 0.00 | -0.00 – 0.00 | 0.379 |
| Random Effects | |||
| σ2 | 1.92 | ||
| τ00 land_fac | 0.02 | ||
| ICC | 0.01 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.065 / 0.074 | ||
#Vertrauen in europäische Regierung
m04.2 <- lmer(pt20 ~ 1 +
reg_id_dummy +
pol_intr +
p_w +
geschlecht +
Alter_zentriert +
bildungDummy +
Einkommen_zentriert +
Gemeindegröße +
ddmz + reg_id_dummy:ddmz + (1| land_fac), data = Albus[Albus$missings == 0,])## Warning: Some predictor variables are on very different scales: consider
## rescalingsummary(m04.2)## Linear mixed model fit by REML ['lmerMod']
## Formula:
## pt20 ~ 1 + reg_id_dummy + pol_intr + p_w + geschlecht + Alter_zentriert +
## bildungDummy + Einkommen_zentriert + Gemeindegröße + ddmz +
## reg_id_dummy:ddmz + (1 | land_fac)
## Data: Albus[Albus$missings == 0, ]
##
## REML criterion at convergence: 8362.9
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.63306 -0.68695 0.06024 0.70466 2.97453
##
## Random effects:
## Groups Name Variance Std.Dev.
## land_fac (Intercept) 0.03074 0.1753
## Residual 1.87898 1.3708
## Number of obs: 2381, groups: land_fac, 16
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 3.371e+00 3.202e-01 10.529
## reg_id_dummy1 1.378e-01 1.142e-01 1.207
## reg_id_dummy2 2.169e-01 9.692e-02 2.238
## pol_intr 5.969e-02 3.473e-02 1.719
## p_w -1.720e-01 1.754e-01 -0.981
## geschlecht 3.460e-01 6.150e-02 5.626
## Alter_zentriert -6.180e-03 1.906e-03 -3.241
## bildungDummy2 -1.357e-01 2.828e-01 -0.480
## bildungDummy3 -2.316e-02 2.822e-01 -0.082
## bildungDummy4 2.197e-01 2.850e-01 0.771
## Einkommen_zentriert 4.059e-05 2.444e-05 1.661
## Gemeindegröße1 -2.976e-01 9.598e-02 -3.101
## Gemeindegröße2 -4.718e-02 8.227e-02 -0.573
## Gemeindegröße3 -3.469e-01 8.610e-02 -4.029
## ddmz -4.747e-04 1.563e-03 -0.304
## reg_id_dummy1:ddmz 2.050e-03 1.787e-03 1.147
## reg_id_dummy2:ddmz 8.579e-04 1.560e-03 0.550##
## Correlation matrix not shown by default, as p = 17 > 12.
## Use print(x, correlation=TRUE) or
## vcov(x) if you need it## fit warnings:
## Some predictor variables are on very different scales: consider rescalingtab_model(m04.2)| pt20 | |||
|---|---|---|---|
| Predictors | Estimates | CI | p |
| (Intercept) | 3.37 | 2.74 – 4.00 | <0.001 |
| reg id dummy [1] | 0.14 | -0.09 – 0.36 | 0.228 |
| reg id dummy [2] | 0.22 | 0.03 – 0.41 | 0.025 |
| pol intr | 0.06 | -0.01 – 0.13 | 0.086 |
| p w | -0.17 | -0.52 – 0.17 | 0.327 |
| geschlecht | 0.35 | 0.23 – 0.47 | <0.001 |
| Alter zentriert | -0.01 | -0.01 – -0.00 | 0.001 |
| bildungDummy [2] | -0.14 | -0.69 – 0.42 | 0.631 |
| bildungDummy [3] | -0.02 | -0.58 – 0.53 | 0.935 |
| bildungDummy [4] | 0.22 | -0.34 – 0.78 | 0.441 |
| Einkommen zentriert | 0.00 | -0.00 – 0.00 | 0.097 |
| Gemeindegröße [1] | -0.30 | -0.49 – -0.11 | 0.002 |
| Gemeindegröße [2] | -0.05 | -0.21 – 0.11 | 0.566 |
| Gemeindegröße [3] | -0.35 | -0.52 – -0.18 | <0.001 |
| ddmz | -0.00 | -0.00 – 0.00 | 0.761 |
| reg id dummy [1] * ddmz | 0.00 | -0.00 – 0.01 | 0.252 |
| reg id dummy [2] * ddmz | 0.00 | -0.00 – 0.00 | 0.582 |
| Random Effects | |||
| σ2 | 1.88 | ||
| τ00 land_fac | 0.03 | ||
| ICC | 0.02 | ||
| N land_fac | 16 | ||
| Observations | 2381 | ||
| Marginal R2 / Conditional R2 | 0.058 / 0.073 | ||
#Grafische Darstellung
tab_model(m04, m04.1, m04.2,
show.aic = T,
show.dev = T,
p.style = "stars",
title = "MLM des Hierarchischen Effekts vom Vertrauen",
dv.labels = c("Vertrauen auf lokale Ebene", "Vertrauen nationale Institutionen","Vertrauen Kommision der EU"),
pred.labels = c("Intercept","Starke regionale Verbundenheit", "Mittlere regionale Verbundenheit", "politisches Interesse", "politisches Wissen", "Geschlecht (Mann ist Referenz)","Alter (Mittelwertszentriert)", "Hauptschulabschluss","Realschulabschluss","Abitur", "Einkommen", "Landgemeinde (Großstadt ist Referenz)", "Kleinstadt (Großstadt ist Referenz)", "Mittelstadt (Großstadt ist Refernz)", "Mittlere Jahresabstände direktdemokratischer Verfahren", "Interaktionseffekt direkte Demokratie und RI starke Verbundenheit", "Interaktionseffekt direkte Demokratie und RI mittlere Verbundenheit"))#,| Vertrauen auf lokale Ebene | Vertrauen nationale Institutionen | Vertrauen Kommision der EU | ||||
|---|---|---|---|---|---|---|
| Predictors | Estimates | CI | Estimates | CI | Estimates | CI |
| Intercept | 4.37 *** | 3.77 – 4.98 | 3.30 *** | 2.67 – 3.92 | 3.37 *** | 2.74 – 4.00 |
| Starke regionale Verbundenheit | 0.55 *** | 0.34 – 0.76 | 0.39 *** | 0.16 – 0.61 | 0.14 | -0.09 – 0.36 |
| Mittlere regionale Verbundenheit | 0.28 ** | 0.10 – 0.46 | 0.31 ** | 0.11 – 0.50 | 0.22 * | 0.03 – 0.41 |
| politisches Interesse | 0.03 | -0.04 – 0.09 | 0.06 | -0.01 – 0.13 | 0.06 | -0.01 – 0.13 |
| politisches Wissen | 0.10 | -0.23 – 0.42 | -0.29 | -0.63 – 0.06 | -0.17 | -0.52 – 0.17 |
| Geschlecht (Mann ist Referenz) | 0.10 | -0.01 – 0.21 | 0.20 ** | 0.08 – 0.33 | 0.35 *** | 0.23 – 0.47 |
| Alter (Mittelwertszentriert) | -0.01 *** | -0.01 – -0.00 | 0.00 * | 0.00 – 0.01 | -0.01 ** | -0.01 – -0.00 |
| Hauptschulabschluss | -0.28 | -0.81 – 0.24 | 0.32 | -0.24 – 0.88 | -0.14 | -0.69 – 0.42 |
| Realschulabschluss | -0.31 | -0.83 – 0.22 | 0.33 | -0.23 – 0.89 | -0.02 | -0.58 – 0.53 |
| Abitur | -0.27 | -0.80 – 0.26 | 0.81 ** | 0.25 – 1.37 | 0.22 | -0.34 – 0.78 |
| Einkommen | 0.00 | -0.00 – 0.00 | 0.00 ** | 0.00 – 0.00 | 0.00 | -0.00 – 0.00 |
| Landgemeinde (Großstadt ist Referenz) | 0.17 | -0.01 – 0.35 | -0.15 | -0.34 – 0.04 | -0.30 ** | -0.49 – -0.11 |
| Kleinstadt (Großstadt ist Referenz) | 0.38 *** | 0.22 – 0.53 | -0.02 | -0.18 – 0.14 | -0.05 | -0.21 – 0.11 |
| Mittelstadt (Großstadt ist Refernz) | -0.03 | -0.19 – 0.13 | -0.07 | -0.24 – 0.10 | -0.35 *** | -0.52 – -0.18 |
| Mittlere Jahresabstände direktdemokratischer Verfahren | -0.00 | -0.01 – 0.00 | -0.00 | -0.00 – 0.00 | -0.00 | -0.00 – 0.00 |
| Interaktionseffekt direkte Demokratie und RI starke Verbundenheit | -0.00 | -0.00 – 0.00 | -0.00 | -0.00 – 0.00 | 0.00 | -0.00 – 0.01 |
| Interaktionseffekt direkte Demokratie und RI mittlere Verbundenheit | 0.00 | -0.00 – 0.00 | 0.00 | -0.00 – 0.00 | 0.00 | -0.00 – 0.00 |
| Random Effects | ||||||
| σ2 | 1.68 | 1.92 | 1.88 | |||
| τ00 | 0.05 land_fac | 0.02 land_fac | 0.03 land_fac | |||
| ICC | 0.03 | 0.01 | 0.02 | |||
| N | 16 land_fac | 16 land_fac | 16 land_fac | |||
| Observations | 2381 | 2381 | 2381 | |||
| Marginal R2 / Conditional R2 | 0.043 / 0.072 | 0.065 / 0.074 | 0.058 / 0.073 | |||
| Deviance | 8004.426 | 8303.957 | 8259.186 | |||
| AIC | 8147.019 | 8446.018 | 8400.866 | |||
|
||||||
#file = "Ebene1+2_Interaktionseffekt.html")