vis-gapminder

vis

yacsda

ggquick

gapminder

string

Published

September 12, 2023

Aufgabe

In dieser Fallstudie (YACSDA: Yet another Case Study on Data Analysis) untersuchen wir den Datensatz gapminder.

Sie können den Datensatz so beziehen:

#install.packages("gapminder")
library(gapminder)
data("gapminder")
d <- gapminder

Oder so:

d <- read.csv("https://vincentarelbundock.github.io/Rdatasets/csv/gapminder/gapminder.csv")

Ein Codebook finden Sie hier.

Die Forschungsfrage lautet:

Was ist der Einfluss des Kontinents und des Bruttosozialprodukts auf die Lebenswartung?

Abhängige Variable (metrisch), y: Lebenserwartung
Unabhängige Variable 1 (nominal), x1: Kontinent
Unabhängige Variable 2 (metrisch), x2: Bruttosozialprodukt

Visualisieren Sie dazu folgende Aspekte der Forschungsfrage!

Aufgaben

Visualisieren Sie die Verteilung von y auf zwei verschiedene Arten.
Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu.
Visualisieren Sie die Verteilung von x1 und x2.
Visualisieren Sie die Verteilung von y bedingt auf x1.
Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu.
Visualisieren Sie den Zusammenhang von y und x2.
Verbessern Sie das letzte Diagramm, so dass es übersichtlicher wird.
Fügen Sie dem letzten Diagramm relevante Kennzahlen hinzu.
Fügen Sie dem Diagramm zum Zusammenhang von y und x2 eine Regressionsgerade hinzu.
Ersetzen Sie die Regressionsgerade durch eine LOESS-Gerade.
Gruppieren Sie das letzte Diagramm nach x1.
Dichotomisieren Sie y und zählen Sie die Häufigkeiten. Achtung: Dichotomisieren wird von einigen Statistikern mit Exkommunikation bestraft. Proceed at your own risk.
Gruppieren Sie das letzte Diagramm nach den Stufen von x1.
Variieren Sie das letzte Diagramm so, dass Anteile (relative Häufigkeiten) statt absoluter Häufigkeiten gezeigt werden.

Hinweise:

Orientieren Sie sich im Übrigen an den allgemeinen Hinweisen des Datenwerks.

Lösung

Pakete starten

library(tidyverse) 
library(easystats)
library(ggpubr)
library(ggstatsplot)

Los geht’s

Umbenennen

Zur einfacheren Verarbeitung nenne ich die Variablen um:

d <-
  d |> 
  rename(y = lifeExp, x1 = continent, x2 = gdpPercap)

Visualisieren Sie die Verteilung von `y` auf zwei verschiedene Arten.

Das R-Paket ggpubr erstellt schöne Diagramme (basierend auf ggplot) auf einfache Art. Nehmen wir ein Dichtediagramm; die Variable y soll auf der X-Achse stehen:

ggdensity(d, x = "y")

Beachten Sie, dass die Variable in Anführungsstriche gesetzt werden muss: x = "y".

Oder ein Histogramm:

gghistogram(d, x = "y")

Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu.

Um Diagramme mit Statistiken anzureichen, bietet sich das Paket ggstatsplot an:

gghistostats(d, x = y)

Beachten Sie, dass die Variable nicht in Anführungsstriche gesetzt werden darf: x = y.

Visualisieren Sie die Verteilung von `x1` und `x2`.

`x1`

d_counted <- 
  d |> 
  count(x1)

ggbarplot(data = d_counted, y = "n", x = "x1", label = TRUE)

`x2`

gghistostats(d, x = x2)

Visualisieren Sie die Verteilung von `y` bedingt auf `x1`

gghistogram(d, x = "y", fill = "x1")

Oder so:

gghistogram(d, x = "y", facet.by = "x1")

Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu

grouped_gghistostats(d, x = y, grouping.var = x1)

Visualisieren Sie den Zusammenhang von `y` und `x2`

ggscatter(d, x = "x2", y = "y")

Verbessern Sie das letzte Diagramm, so dass es übersichtlicher wird

Es gibt mehrere Wege, das Diagramm übersichtlicher zu machen. Logarithmieren ist ein Weg.

d |> 
  mutate(x2 = log(x2)) |> 
  ggscatter(x = "x2", y = "y")

Synonym könnten wir schreiben:

d_logged <- 
  d |> 
  mutate(x2 = log(x2))
  

ggscatter(d_logged, x = "x2", y = "y")

Fügen Sie dem letzten Diagramm relevante Kennzahlen hinzu

ggscatterstats(d_logged, x = "x2", y = "y")

Fügen Sie dem Diagramm zum Zusammenhang von `y` und `x2` eine Regressionsgerade hinzu

ggscatter(d_logged, x = "x2", y = "y", add = "reg.line", 
             add.params = list(color = "blue"))

Ersetzen Sie die Regressionsgerade durch eine LOESS-Gerade

ggscatter(d_logged, x = "x2", y = "y", add = "loess", 
             add.params = list(color = "blue"))

Gruppieren Sie das letzte Diagramm nach `x1`

ggscatter(d_logged, x = "x2", y = "y", add = "loess", 
             add.params = list(color = "blue"),
          facet.by = "x1")

Dichotomisieren Sie `y` und zählen Sie die Häufigkeiten

Nehmen wir einen Mediansplit, um zu dichotomisieren.

d <-
  d |> 
  mutate(y_dicho = ifelse(y > median(y), "high", "low"))

d |> 
  count(y_dicho) |> 
  ggbarplot(x = "y_dicho", y = "n")

Gleich viele! Das sollte nicht verwundern.

Gruppieren Sie das letzte Diagramm nach den Stufen von `x1`

d_count <- 
d |> 
  count(y_dicho, x1) 

d_count

y_dicho	x1	n
high	Africa	64
high	Americas	211
high	Asia	207
high	Europe	346
high	Oceania	24
low	Africa	560
low	Americas	89
low	Asia	189
low	Europe	14

ggbarplot(d_count, x = "y_dicho", y = "n", facet.by = "x1")

Variieren Sie das letzte Diagramm so, dass Anteile (relative Häufigkeiten) statt absoluter Häufigkeiten gezeigt werden

d_count <-
  d_count |> 
  mutate(prop = n / sum(n)) |> 
  mutate(prop = round(prop, 2))

d_count

y_dicho	x1	n	prop
high	Africa	64	0.04
high	Americas	211	0.12
high	Asia	207	0.12
high	Europe	346	0.20
high	Oceania	24	0.01
low	Africa	560	0.33
low	Americas	89	0.05
low	Asia	189	0.11
low	Europe	14	0.01

Check:

d_count |> 
  summarise(sum(prop))

sum(prop)
0.99

Gut! Die Anteile summieren sich zu ca. 1 (100 Prozent).

ggbarplot(d_count, x = "y_dicho", y = "prop", facet.by = "x1", label = TRUE)

Man beachten, dass sich die Anteile auf das “Gesamt-N” beziehen.

Vielleicht möchten wir die Anteile lieber pro Stufe von x1 beziehen. Dazu gruppieren wir nach (und pro Stufe von) x1.

d_count <-
  d_count |> 
  group_by(x1) |> 
  mutate(prop = n / sum(n)) |> 
  mutate(prop = round(prop, 2))

d_count

y_dicho	x1	n	prop
high	Africa	64	0.10
high	Americas	211	0.70
high	Asia	207	0.52
high	Europe	346	0.96
high	Oceania	24	1.00
low	Africa	560	0.90
low	Americas	89	0.30
low	Asia	189	0.48
low	Europe	14	0.04

ggbarplot(d_count, x = "y_dicho", y = "prop", facet.by = "x1", label = TRUE)

Categories:

vis
yacsda
ggquick
gapminder
string

--- exname: vis-gapminder expoints: 1 extype: string exsolution: NA categories: - vis - yacsda - ggquick - gapminder - string date: '2023-09-12' slug: vis-gapminder title: vis-gapminder --- ```{r global-knitr-options, include=FALSE, message=FALSE} knitr::opts_chunk$set(fig.pos = 'H', fig.asp = 0.618, fig.width = 4, fig.cap = "", fig.path = "", out.width = "100%", echo = TRUE, message = FALSE, fig.show = "hold") ``` # Aufgabe In dieser Fallstudie (YACSDA: Yet another Case Study on Data Analysis) untersuchen wir den Datensatz `gapminder`. Sie können den Datensatz so beziehen: ```{r} #install.packages("gapminder") library(gapminder) data("gapminder") d <- gapminder ``` Oder so: ```{r eval=FALSE} d <- read.csv("https://vincentarelbundock.github.io/Rdatasets/csv/gapminder/gapminder.csv") ``` Ein Codebook finden Sie [hier](https://vincentarelbundock.github.io/Rdatasets/doc/gapminder/gapminder.html). Die Forschungsfrage lautet: Was ist der Einfluss des Kontinents und des Bruttosozialprodukts auf die Lebenswartung? - Abhängige Variable (metrisch), `y`: Lebenserwartung - Unabhängige Variable 1 (nominal), `x1`: Kontinent - Unabhängige Variable 2 (metrisch), `x2`: Bruttosozialprodukt Visualisieren Sie dazu folgende Aspekte der Forschungsfrage! # Aufgaben 1. Visualisieren Sie die Verteilung von `y` auf zwei verschiedene Arten. 2. Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu. 2. Visualisieren Sie die Verteilung von `x1` und `x2`. 3. Visualisieren Sie die Verteilung von `y` bedingt auf `x1`. 4. Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu. 5. Visualisieren Sie den Zusammenhang von `y` und `x2`. 6. Verbessern Sie das letzte Diagramm, so dass es übersichtlicher wird. 6. Fügen Sie dem letzten Diagramm relevante Kennzahlen hinzu. 7. Fügen Sie dem Diagramm zum Zusammenhang von `y` und `x2` eine Regressionsgerade hinzu. 8. Ersetzen Sie die Regressionsgerade durch eine LOESS-Gerade. 9. Gruppieren Sie das letzte Diagramm nach `x1`. 10. Dichotomisieren Sie `y` und zählen Sie die Häufigkeiten. *Achtung*: Dichotomisieren wird von einigen Statistikern mit Exkommunikation bestraft. Proceed at your own risk. 11. Gruppieren Sie das letzte Diagramm nach den Stufen von `x1`. 12. Variieren Sie das letzte Diagramm so, dass Anteile (relative Häufigkeiten) statt absoluter Häufigkeiten gezeigt werden. Hinweise: - Orientieren Sie sich im Übrigen an den [allgemeinen Hinweisen des Datenwerks](https://datenwerk.netlify.app/hinweise). # Lösung # Pakete starten ```{r echo = TRUE} library(tidyverse) library(easystats) library(ggpubr) library(ggstatsplot) ``` # Los geht's ## Umbenennen Zur einfacheren Verarbeitung nenne ich die Variablen um: ```{r} d <- d |> rename(y = lifeExp, x1 = continent, x2 = gdpPercap) ``` ## Visualisieren Sie die Verteilung von `y` auf zwei verschiedene Arten. Das R-Paket `ggpubr` erstellt schöne Diagramme (basierend auf `ggplot`) auf einfache Art. Nehmen wir ein Dichtediagramm; die Variable `y` soll auf der X-Achse stehen: ```{r} ggdensity(d, x = "y") ``` Beachten Sie, dass die Variable in Anführungsstriche gesetzt werden muss: `x = "y"`. Oder ein Histogramm: ```{r} gghistogram(d, x = "y") ``` ## Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu. Um Diagramme mit Statistiken anzureichen, bietet sich das Paket `ggstatsplot` an: ```{r} gghistostats(d, x = y) ``` Beachten Sie, dass die Variable *nicht* in Anführungsstriche gesetzt werden darf: `x = y`. ## Visualisieren Sie die Verteilung von `x1` und `x2`. ### `x1` ```{r} d_counted <- d |> count(x1) ``` ```{r} ggbarplot(data = d_counted, y = "n", x = "x1", label = TRUE) ``` ### `x2` ```{r} gghistostats(d, x = x2) ``` ## Visualisieren Sie die Verteilung von `y` bedingt auf `x1` ```{r} gghistogram(d, x = "y", fill = "x1") ``` Oder so: ```{r} gghistogram(d, x = "y", facet.by = "x1") ``` ## Fügen Sie relevante Kennzahlen zur letzten Visualisierung hinzu ```{r} grouped_gghistostats(d, x = y, grouping.var = x1) ``` ## Visualisieren Sie den Zusammenhang von `y` und `x2` ```{r} ggscatter(d, x = "x2", y = "y") ``` ## Verbessern Sie das letzte Diagramm, so dass es übersichtlicher wird Es gibt mehrere Wege, das Diagramm übersichtlicher zu machen. Logarithmieren ist ein Weg. ```{r} d |> mutate(x2 = log(x2)) |> ggscatter(x = "x2", y = "y") ``` Synonym könnten wir schreiben: ```{r} d_logged <- d |> mutate(x2 = log(x2)) ggscatter(d_logged, x = "x2", y = "y") ``` ## Fügen Sie dem letzten Diagramm relevante Kennzahlen hinzu ```{r ggscatter1, eval = FALSE} ggscatterstats(d_logged, x = "x2", y = "y") ``` ## Fügen Sie dem Diagramm zum Zusammenhang von `y` und `x2` eine Regressionsgerade hinzu ```{r ggscatter2} ggscatter(d_logged, x = "x2", y = "y", add = "reg.line", add.params = list(color = "blue")) ``` ## Ersetzen Sie die Regressionsgerade durch eine LOESS-Gerade ```{r} ggscatter(d_logged, x = "x2", y = "y", add = "loess", add.params = list(color = "blue")) ``` ## Gruppieren Sie das letzte Diagramm nach `x1` ```{r} ggscatter(d_logged, x = "x2", y = "y", add = "loess", add.params = list(color = "blue"), facet.by = "x1") ``` ## Dichotomisieren Sie `y` und zählen Sie die Häufigkeiten Nehmen wir einen Mediansplit, um zu dichotomisieren. ```{r} d <- d |> mutate(y_dicho = ifelse(y > median(y), "high", "low")) ``` ```{r} d |> count(y_dicho) |> ggbarplot(x = "y_dicho", y = "n") ``` Gleich viele! Das sollte nicht verwundern. ## Gruppieren Sie das letzte Diagramm nach den Stufen von `x1` ```{r} d_count <- d |> count(y_dicho, x1) d_count ``` ```{r} ggbarplot(d_count, x = "y_dicho", y = "n", facet.by = "x1") ``` ## Variieren Sie das letzte Diagramm so, dass Anteile (relative Häufigkeiten) statt absoluter Häufigkeiten gezeigt werden ```{r} d_count <- d_count |> mutate(prop = n / sum(n)) |> mutate(prop = round(prop, 2)) d_count ``` Check: ```{r} d_count |> summarise(sum(prop)) ``` Gut! Die Anteile summieren sich zu ca. 1 (100 Prozent). ```{r} ggbarplot(d_count, x = "y_dicho", y = "prop", facet.by = "x1", label = TRUE) ``` Man beachten, dass sich die Anteile auf das "Gesamt-N" beziehen. Vielleicht möchten wir die Anteile lieber pro Stufe von `x1` beziehen. Dazu gruppieren wir nach (und pro Stufe von) `x1`. ```{r} d_count <- d_count |> group_by(x1) |> mutate(prop = n / sum(n)) |> mutate(prop = round(prop, 2)) d_count ``` ```{r} ggbarplot(d_count, x = "y_dicho", y = "prop", facet.by = "x1", label = TRUE) ``` --- Categories: - vis - yacsda - ggquick - gapminder - string