title | author | date | output | ||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Faktorenanalyse-Check 2019 |
Marvin Reis |
20 01 2022 |
|
In diesem Codeblog analysieren wir die Faktorenanalyse des GISD.
library(tidyverse) # Tidyverse Methods
library(bookdown)
library(readxl) # Read Excel
library(pastecs) # descriptive stats
library(knitr)
library(ggplot2)
home <- getwd()
setwd(home)
Impdata.imputed <- readRDS("Outfiles/2022/Impdata_check.rds")
# Variablenliste für die Faktorenanalyse
#print(listofdeterminants)
TS_Arbeitswelt <- Impdata.imputed %>% ungroup() %>% filter(Jahr > 1999) %>%
select(Beschaeftigtenquote,Arbeitslosigkeit,Bruttoverdienst_ln)
TS_Einkommen <- Impdata.imputed %>% select(Einkommensteuer_ln,Haushaltseinkommen_ln,Schuldnerquote)
TS_Bildung <- Impdata.imputed %>% filter(Jahr > 1999) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss_adj,SchulabgaengerohneAbschluss_adj)
TS_Bildung_NUTS2 <- Impdata.imputed %>% filter(Jahr > 1999) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss_adj,BevoelkerungmitakadAbschluss,BevoelkerungohneAbschluss,SchulabgaengerohneAbschluss_adj)
TS_Bildung_o <- Impdata.imputed %>% filter(Jahr > 1999) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss,SchulabgaengerohneAbschluss)
TS_Bildung_4items <- Impdata.imputed %>% filter(Jahr > 1999) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss_adj,SchulabgaengerohneAbschluss_adj, SchulabgaengermitHochschulreife_adj)
TS_Bildung_4items_o <- Impdata.imputed %>% filter(Jahr > 1999) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss,SchulabgaengerohneAbschluss_adj, SchulabgaengermitHochschulreife_adj)
Es werden Hauptkomponentenanalysen für jede der drei Subskalen auf Basis der imputierten Daten geschätzt.
# PCA für die Arbeitsweltdimension
TS_Arbeitswelt.pca <- prcomp(TS_Arbeitswelt, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
# PCA für die Einkommensdimension
TS_Einkommen.pca <- prcomp(TS_Einkommen, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
# PCA für die Bildungsdimension
TS_Bildung.pca <- prcomp(TS_Bildung, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
TS_Bildung_NUTS2.pca <- prcomp(TS_Bildung_NUTS2, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
TS_Bildung_4items.pca <- prcomp(TS_Bildung_4items, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
TS_Bildung_4items_o.pca <- prcomp(TS_Bildung_4items_o, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
par(mfrow=c(1, 3))
plot(TS_Arbeitswelt.pca, main = "Arbeitswelt (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Einkommen.pca, main = "Einkommen (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Bildung.pca, main = "Bildung (Eigenwerte)", ylim=c(0,2.2))
Varianz_tab <- cbind("F_A" = "Faktor1", "Var_A" = round(TS_Arbeitswelt.pca$sdev^2, digits = 3), "Var_E" = round(TS_Einkommen.pca$sdev^2, digits = 3), "Var_B" = round(TS_Bildung.pca$sdev^2, digits = 3))
Varianz_tab <- cbind(as.data.frame(Varianz_tab))
Varianz_tab$F_A <- c("Faktor 1", "Faktor 2", "Faktor 3")
colnames(Varianz_tab) <- c("Faktoren", "Varianz Arbeitswelt", "Varianz Einkommen", "Varianz Bildung")
kable(Varianz_tab, caption = "Varianz der Faktoren (Eigenwerte)")
Table: (#tab:unnamed-chunk-2)Varianz der Faktoren (Eigenwerte)
Faktoren | Varianz Arbeitswelt | Varianz Einkommen | Varianz Bildung |
---|---|---|---|
Faktor 1 | 1.772 | 2.041 | 1.532 |
Faktor 2 | 0.774 | 0.771 | 0.804 |
Faktor 3 | 0.454 | 0.188 | 0.664 |
# Componentoverview
GISD_Komponents <- cbind("Teildimension"="Arbeitswelt","Faktorladung"=round((TS_Arbeitswelt.pca$rotation*sqrt(abs(TS_Arbeitswelt.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Arbeitswelt.pca$rotation, digits = 3))
GISD_Komponents <- rbind(GISD_Komponents,cbind("Teildimension"="Einkommen","Faktorladung"=round((TS_Einkommen.pca$rotation*sqrt(abs(TS_Einkommen.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Einkommen.pca$rotation, digits = 3)))
GISD_Komponents <- rbind(GISD_Komponents,cbind("Teildimension"="Bildung","Faktorladung"=round((TS_Bildung.pca$rotation*sqrt(abs(TS_Bildung.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Bildung.pca$rotation, digits = 3)))
GISD_Komponents <- cbind("Variables"=as.data.frame(rownames(GISD_Komponents)),as.data.frame(GISD_Komponents))
rownames(GISD_Komponents) <- NULL
colnames(GISD_Komponents) <- c("Variable","Dimension","Faktorladung","Component")
GISD_Komponents$prop_dem <- round(as.numeric(GISD_Komponents$Component)^2*100,digits=1)
GISD_Komponents$prop_GISD <- round(as.numeric(GISD_Komponents$prop_dem)/3, digits = 1)
colnames(GISD_Komponents) <- c("Variable","Dimension","Faktorladung","Component", "Anteil Teilscore", "Anteil GISD")
GISD_Komponents$Variable <- c("Beschäftigtenquote", "Arbeitslosigkeit", "Bruttoverdienst (log.)", "Einkommensteuer (log.)", "Haushaltseinkommen (log.)", "Schuldnerquote", "Beschäftigte mit akad. Abschluss (adj.)", "Beschäftigte ohne Abschluss (adj.)", "Schulabgänger ohne Abschluss (adj.)")
kable(GISD_Komponents, caption = "Faktorladungen und Anteile an den Teilscores sowie am Index")
Table: (#tab:unnamed-chunk-3)Faktorladungen und Anteile an den Teilscores sowie am Index
Variable | Dimension | Faktorladung | Component | Anteil Teilscore | Anteil GISD |
---|---|---|---|---|---|
Beschäftigtenquote | Arbeitswelt | 0.64 | 0.481 | 23.1 | 7.7 |
Arbeitslosigkeit | Arbeitswelt | -0.841 | -0.632 | 39.9 | 13.3 |
Bruttoverdienst (log.) | Arbeitswelt | 0.81 | 0.608 | 37.0 | 12.3 |
Einkommensteuer (log.) | Einkommen | -0.91 | -0.637 | 40.6 | 13.5 |
Haushaltseinkommen (log.) | Einkommen | -0.919 | -0.643 | 41.3 | 13.8 |
Schuldnerquote | Einkommen | 0.607 | 0.425 | 18.1 | 6.0 |
Beschäftigte mit akad. Abschluss (adj.) | Bildung | 0.74 | 0.598 | 35.8 | 11.9 |
Beschäftigte ohne Abschluss (adj.) | Bildung | -0.755 | -0.61 | 37.2 | 12.4 |
Schulabgänger ohne Abschluss (adj.) | Bildung | -0.643 | -0.52 | 27.0 | 9.0 |
par(mfrow=c(1, 3))
plot(TS_Arbeitswelt.pca, main = "Arbeitswelt (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Einkommen.pca, main = "Einkommen (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Bildung_NUTS2.pca, main = "Bildung (Eigenwerte)", ylim=c(0,2.2))
Varianz_NUTS2_tab <- cbind("F_A" = "Faktor1", "Var_A" = round(TS_Arbeitswelt.pca$sdev^2, digits = 3), "Var_E" = round(TS_Einkommen.pca$sdev^2, digits = 3), "Var_B" = round(TS_Bildung_NUTS2.pca$sdev^2, digits = 3))
Varianz_NUTS2_tab[4,2] = NA
Varianz_NUTS2_tab[4,3] = NA
Varianz_NUTS2_tab[5,2] = NA
Varianz_NUTS2_tab[5,3] = NA
Varianz_NUTS2_tab <- cbind(as.data.frame(Varianz_NUTS2_tab))
Varianz_NUTS2_tab$F_A <- c("Faktor 1", "Faktor 2", "Faktor 3", "Faktor 4", "Faktor 5")
colnames(Varianz_NUTS2_tab) <- c("Faktoren", "Varianz Arbeitswelt", "Varianz Einkommen", "Varianz Bildung")
kable(Varianz_NUTS2_tab, caption = "Varianz der Faktoren (Eigenwerte)")
Table: (#tab:unnamed-chunk-5)Varianz der Faktoren (Eigenwerte)
Faktoren | Varianz Arbeitswelt | Varianz Einkommen | Varianz Bildung |
---|---|---|---|
Faktor 1 | 1.772 | 2.041 | 2.21 |
Faktor 2 | 0.774 | 0.771 | 1.155 |
Faktor 3 | 0.454 | 0.188 | 0.826 |
Faktor 4 | NA | NA | 0.55 |
Faktor 5 | NA | NA | 0.26 |
# Componentoverview
GISD_Komponents <- cbind("Teildimension"="Arbeitswelt","Faktorladung"=round((TS_Arbeitswelt.pca$rotation*sqrt(abs(TS_Arbeitswelt.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Arbeitswelt.pca$rotation, digits = 3))
GISD_Komponents <- rbind(GISD_Komponents,cbind("Teildimension"="Einkommen","Faktorladung"=round((TS_Einkommen.pca$rotation*sqrt(abs(TS_Einkommen.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Einkommen.pca$rotation, digits = 3)))
GISD_Komponents <- rbind(GISD_Komponents,cbind("Teildimension"="Bildung","Faktorladung"=round((TS_Bildung_NUTS2.pca$rotation*sqrt(abs(TS_Bildung_NUTS2.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Bildung_NUTS2.pca$rotation, digits = 3)))
GISD_Komponents <- cbind("Variables"=as.data.frame(rownames(GISD_Komponents)),as.data.frame(GISD_Komponents))
rownames(GISD_Komponents) <- NULL
colnames(GISD_Komponents) <- c("Variable","Dimension","Faktorladung","Component")
GISD_Komponents$prop_dem <- round(as.numeric(GISD_Komponents$Component)^2*100,digits=1)
GISD_Komponents$prop_GISD <- round(as.numeric(GISD_Komponents$prop_dem)/3, digits = 1)
colnames(GISD_Komponents) <- c("Variable","Dimension","Faktorladung","Component", "Anteil Teilscore", "Anteil GISD")
GISD_Komponents$Variable <- c("Beschäftigtenquote", "Arbeitslosigkeit", "Bruttoverdienst (log.)", "Einkommensteuer (log.)", "Haushaltseinkommen (log.)", "Schuldnerquote", "Beschäftigte mit akad. Abschluss", "Beschäftigte ohne Abschluss (adj.)", "Bevölkerung mit akad. Abschluss (adj.)", "Bevölkerung ohne Abschluss", "Schulabgänger ohne Abschluss (adj.)")
kable(GISD_Komponents, caption = "Faktorladungen und Anteile an den Teilscores sowie am Index")
Table: (#tab:unnamed-chunk-6)Faktorladungen und Anteile an den Teilscores sowie am Index
Variable | Dimension | Faktorladung | Component | Anteil Teilscore | Anteil GISD |
---|---|---|---|---|---|
Beschäftigtenquote | Arbeitswelt | 0.64 | 0.481 | 23.1 | 7.7 |
Arbeitslosigkeit | Arbeitswelt | -0.841 | -0.632 | 39.9 | 13.3 |
Bruttoverdienst (log.) | Arbeitswelt | 0.81 | 0.608 | 37.0 | 12.3 |
Einkommensteuer (log.) | Einkommen | -0.91 | -0.637 | 40.6 | 13.5 |
Haushaltseinkommen (log.) | Einkommen | -0.919 | -0.643 | 41.3 | 13.8 |
Schuldnerquote | Einkommen | 0.607 | 0.425 | 18.1 | 6.0 |
Beschäftigte mit akad. Abschluss | Bildung | 0.778 | 0.523 | 27.4 | 9.1 |
Beschäftigte ohne Abschluss (adj.) | Bildung | -0.59 | -0.397 | 15.8 | 5.3 |
Bevölkerung mit akad. Abschluss (adj.) | Bildung | 0.817 | 0.549 | 30.1 | 10.0 |
Bevölkerung ohne Abschluss | Bildung | -0.703 | -0.473 | 22.4 | 7.5 |
Schulabgänger ohne Abschluss (adj.) | Bildung | -0.307 | -0.207 | 4.3 | 1.4 |
Gepoolte Querschnitte mit 4 Bildungsitems und Beschäftigte ohne Abschluss nicht adjustiert.
par(mfrow=c(1, 3))
plot(TS_Arbeitswelt.pca, main = "Arbeitswelt (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Einkommen.pca, main = "Einkommen (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Bildung_4items_o.pca, main = "Bildung (Eigenwerte)", ylim=c(0,2.2))
Varianz_B4_tab <- cbind("F_A" = "Faktor1", "Var_A" = round(TS_Arbeitswelt.pca$sdev^2, digits = 3), "Var_E" = round(TS_Einkommen.pca$sdev^2, digits = 3), "Var_B" = round(TS_Bildung_4items_o.pca$sdev^2, digits = 3))
Varianz_B4_tab[4,2] = NA
Varianz_B4_tab[4,3] = NA
Varianz_B4_tab <- cbind(as.data.frame(Varianz_B4_tab))
Varianz_B4_tab$F_A <- c("Faktor 1", "Faktor 2", "Faktor 3", "Faktor 4")
colnames(Varianz_B4_tab) <- c("Faktoren", "Varianz Arbeitswelt", "Varianz Einkommen", "Varianz Bildung")
kable(Varianz_B4_tab, caption = "Varianz der Faktoren (Eigenwerte)")
Table: (#tab:unnamed-chunk-8)Varianz der Faktoren (Eigenwerte)
Faktoren | Varianz Arbeitswelt | Varianz Einkommen | Varianz Bildung |
---|---|---|---|
Faktor 1 | 1.772 | 2.041 | 1.986 |
Faktor 2 | 0.774 | 0.771 | 1.104 |
Faktor 3 | 0.454 | 0.188 | 0.5 |
Faktor 4 | NA | NA | 0.41 |
# Componentoverview
GISD_Komponents_4 <- cbind("Teildimension"="Arbeitswelt","Faktorladung"=round((TS_Arbeitswelt.pca$rotation*sqrt(abs(TS_Arbeitswelt.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Arbeitswelt.pca$rotation, digits = 3))
GISD_Komponents_4 <- rbind(GISD_Komponents_4,cbind("Teildimension"="Einkommen","Faktorladung"=round((TS_Einkommen.pca$rotation*sqrt(abs(TS_Einkommen.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Einkommen.pca$rotation, digits = 3)))
GISD_Komponents_4 <- rbind(GISD_Komponents_4,cbind("Teildimension"="Bildung","Faktorladung"=round((TS_Bildung_4items_o.pca$rotation[1:4,1]*sqrt(abs(TS_Bildung_4items_o.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Bildung_4items_o.pca$rotation[1:4,1], digits = 3)))
GISD_Komponents_4 <- cbind("Variables"=as.data.frame(rownames(GISD_Komponents_4)),as.data.frame(GISD_Komponents_4))
rownames(GISD_Komponents_4) <- NULL
colnames(GISD_Komponents_4) <- c("Variable","Dimension","Faktorladung","Component")
GISD_Komponents_4$prop_dem <- round(as.numeric(GISD_Komponents_4$Component)^2*100,digits=1)
GISD_Komponents_4$prop_GISD <- round(as.numeric(GISD_Komponents_4$prop_dem)/3, digits = 1)
colnames(GISD_Komponents_4) <- c("Variable","Dimension","Faktorladung","Component", "Anteil Teilscore", "Anteil GISD")
GISD_Komponents_4$Variable <- c("Beschäftigtenquote", "Arbeitslosigkeit", "Bruttoverdienst (log.)", "Einkommensteuer (log.)", "Haushaltseinkommen (log.)", "Schuldnerquote", "Beschäftigte mit akad. Abschluss (adj.)", "Beschäftigte ohne Abschluss", "Schulabgänger ohne Abschluss (adj.)", "Schulabgänger mit Hochschulreife (adj.)")
kable(GISD_Komponents_4, caption = "Faktorladungen und Anteile an den Teilscores sowie am Index")
Table: (#tab:unnamed-chunk-9)Faktorladungen und Anteile an den Teilscores sowie am Index
Variable | Dimension | Faktorladung | Component | Anteil Teilscore | Anteil GISD |
---|---|---|---|---|---|
Beschäftigtenquote | Arbeitswelt | 0.64 | 0.481 | 23.1 | 7.7 |
Arbeitslosigkeit | Arbeitswelt | -0.841 | -0.632 | 39.9 | 13.3 |
Bruttoverdienst (log.) | Arbeitswelt | 0.81 | 0.608 | 37.0 | 12.3 |
Einkommensteuer (log.) | Einkommen | -0.91 | -0.637 | 40.6 | 13.5 |
Haushaltseinkommen (log.) | Einkommen | -0.919 | -0.643 | 41.3 | 13.8 |
Schuldnerquote | Einkommen | 0.607 | 0.425 | 18.1 | 6.0 |
Beschäftigte mit akad. Abschluss (adj.) | Bildung | 0.84 | 0.596 | 35.5 | 11.8 |
Beschäftigte ohne Abschluss | Bildung | -0.696 | -0.494 | 24.4 | 8.1 |
Schulabgänger ohne Abschluss (adj.) | Bildung | -0.245 | -0.174 | 3.0 | 1.0 |
Schulabgänger mit Hochschulreife (adj.) | Bildung | 0.858 | 0.609 | 37.1 | 12.4 |
Gepoolte Querschnitte mit 4 Bildungsitems und Beschäftigte ohne Abschluss adjustiert.
par(mfrow=c(1, 3))
plot(TS_Arbeitswelt.pca, main = "Arbeitswelt (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Einkommen.pca, main = "Einkommen (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Bildung_4items.pca, main = "Bildung (Eigenwerte)", ylim=c(0,2.2))
Varianz_B4_tab <- cbind("F_A" = "Faktor1", "Var_A" = round(TS_Arbeitswelt.pca$sdev^2, digits = 3), "Var_E" = round(TS_Einkommen.pca$sdev^2, digits = 3), "Var_B" = round(TS_Bildung_4items.pca$sdev^2, digits = 3))
Varianz_B4_tab[4,2] = NA
Varianz_B4_tab[4,3] = NA
Varianz_B4_tab <- cbind(as.data.frame(Varianz_B4_tab))
Varianz_B4_tab$F_A <- c("Faktor 1", "Faktor 2", "Faktor 3", "Faktor 4")
colnames(Varianz_B4_tab) <- c("Faktoren", "Varianz Arbeitswelt", "Varianz Einkommen", "Varianz Bildung")
kable(Varianz_B4_tab, caption = "Varianz der Faktoren (Eigenwerte)")
Table: (#tab:unnamed-chunk-11)Varianz der Faktoren (Eigenwerte)
Faktoren | Varianz Arbeitswelt | Varianz Einkommen | Varianz Bildung |
---|---|---|---|
Faktor 1 | 1.772 | 2.041 | 1.913 |
Faktor 2 | 0.774 | 0.771 | 0.934 |
Faktor 3 | 0.454 | 0.188 | 0.754 |
Faktor 4 | NA | NA | 0.399 |
# Componentoverview
GISD_Komponents_4 <- cbind("Teildimension"="Arbeitswelt","Faktorladung"=round((TS_Arbeitswelt.pca$rotation*sqrt(abs(TS_Arbeitswelt.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Arbeitswelt.pca$rotation, digits = 3))
GISD_Komponents_4 <- rbind(GISD_Komponents_4,cbind("Teildimension"="Einkommen","Faktorladung"=round((TS_Einkommen.pca$rotation*sqrt(abs(TS_Einkommen.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Einkommen.pca$rotation, digits = 3)))
GISD_Komponents_4 <- rbind(GISD_Komponents_4,cbind("Teildimension"="Bildung","Faktorladung"=round((TS_Bildung_4items.pca$rotation[1:4,1]*sqrt(abs(TS_Bildung_4items.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Bildung_4items.pca$rotation[1:4,1], digits = 3)))
GISD_Komponents_4 <- cbind("Variables"=as.data.frame(rownames(GISD_Komponents_4)),as.data.frame(GISD_Komponents_4))
rownames(GISD_Komponents_4) <- NULL
colnames(GISD_Komponents_4) <- c("Variable","Dimension","Faktorladung","Component")
GISD_Komponents_4$prop_dem <- round(as.numeric(GISD_Komponents_4$Component)^2*100,digits=1)
GISD_Komponents_4$prop_GISD <- round(as.numeric(GISD_Komponents_4$prop_dem)/3, digits = 1)
colnames(GISD_Komponents_4) <- c("Variable","Dimension","Faktorladung","Component", "Anteil Teilscore", "Anteil GISD")
GISD_Komponents_4$Variable <- c("Beschäftigtenquote", "Arbeitslosigkeit", "Bruttoverdienst (log.)", "Einkommensteuer (log.)", "Haushaltseinkommen (log.)", "Schuldnerquote", "Beschäftigte mit akad. Abschluss (adj.)", "Beschäftigte ohne Abschluss (adj.)", "Schulabgänger ohne Abschluss (adj.)", "Schulabgänger mit Hochschulreife (adj.)")
kable(GISD_Komponents_4, caption = "Faktorladungen und Anteile an den Teilscores sowie am Index")
Table: (#tab:unnamed-chunk-12)Faktorladungen und Anteile an den Teilscores sowie am Index
Variable | Dimension | Faktorladung | Component | Anteil Teilscore | Anteil GISD |
---|---|---|---|---|---|
Beschäftigtenquote | Arbeitswelt | 0.64 | 0.481 | 23.1 | 7.7 |
Arbeitslosigkeit | Arbeitswelt | -0.841 | -0.632 | 39.9 | 13.3 |
Bruttoverdienst (log.) | Arbeitswelt | 0.81 | 0.608 | 37.0 | 12.3 |
Einkommensteuer (log.) | Einkommen | -0.91 | -0.637 | 40.6 | 13.5 |
Haushaltseinkommen (log.) | Einkommen | -0.919 | -0.643 | 41.3 | 13.8 |
Schuldnerquote | Einkommen | 0.607 | 0.425 | 18.1 | 6.0 |
Beschäftigte mit akad. Abschluss (adj.) | Bildung | 0.836 | 0.604 | 36.5 | 12.2 |
Beschäftigte ohne Abschluss (adj.) | Bildung | -0.613 | -0.443 | 19.6 | 6.5 |
Schulabgänger ohne Abschluss (adj.) | Bildung | -0.502 | -0.363 | 13.2 | 4.4 |
Schulabgänger mit Hochschulreife (adj.) | Bildung | 0.766 | 0.554 | 30.7 | 10.2 |
Es werden Hauptkomponentenanalysen für jede der drei Subskalen auf Basis der imputierten Daten geschätzt, hier nur mit den Daten von 2019.
# Variablenliste für die Faktorenanalyse mit Einschränkung 2017
TS_Arbeitswelt_19 <- Impdata.imputed %>% filter(Jahr == 2019) %>% ungroup() %>% select(Beschaeftigtenquote,Arbeitslosigkeit,Bruttoverdienst_ln)
TS_Einkommen_19 <- Impdata.imputed %>% filter(Jahr == 2019) %>% select(Einkommensteuer_ln,Haushaltseinkommen_ln,Schuldnerquote)
TS_Bildung_19 <- Impdata.imputed %>% filter(Jahr == 2019) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss_adj,SchulabgaengerohneAbschluss_adj)
TS_Bildung_4items_19 <- Impdata.imputed %>% filter(Jahr == 2019) %>% select(BeschaeftigtemitakadAbschluss_adj,BeschaeftigteohneAbschluss_adj,SchulabgaengerohneAbschluss_adj, SchulabgaengermitHochschulreife_adj)
#PCA Arbeitswelt 2019
TS_Arbeitswelt_19.pca <- prcomp(TS_Arbeitswelt_19, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
#PCA Einkommen 2019
TS_Einkommen_19.pca <- prcomp(TS_Einkommen_19, center = TRUE, scale. = TRUE, retx=TRUE, rank. = 1)
#PCA Bildung 2019
TS_Bildung_19.pca <- prcomp(TS_Bildung_19, center = TRUE, scale. = TRUE, retx=TRUE, rank. =1 )
#PCA Bildung 4 Items 2019
TS_Bildung_4items_19.pca <- prcomp(TS_Bildung_4items_19, center = TRUE, scale. = TRUE, retx=TRUE, rank. =1 )
par(mfrow=c(1, 3))
plot(TS_Arbeitswelt_19.pca, main = "Arbeitswelt (Eigenwerte)", ylim=c(0,2))
plot(TS_Einkommen_19.pca, main = "Einkommen (Eigenwerte)", ylim=c(0,2))
plot(TS_Bildung_19.pca, main = "Bildung (Eigenwerte)", ylim=c(0,2))
Varianz19_tab <- cbind("F_A" = "Faktor1", "Var_A" = round(TS_Arbeitswelt_19.pca$sdev^2, digits = 3), "Var_E" = round(TS_Einkommen_19.pca$sdev^2, digits = 3), "Var_B" = round(TS_Bildung_19.pca$sdev^2, digits = 3))
Varianz19_tab <- cbind(as.data.frame(Varianz19_tab))
Varianz19_tab$F_A <- c("Faktor 1", "Faktor 2", "Faktor 3")
colnames(Varianz19_tab) <- c("Faktoren", "Varianz Arbeitswelt", "Varianz Einkommen", "Varianz Bildung")
kable(Varianz19_tab, caption = "Varianz der Faktoren (Eigenwerte) für 2017")
Table: (#tab:unnamed-chunk-14)Varianz der Faktoren (Eigenwerte) für 2017
Faktoren | Varianz Arbeitswelt | Varianz Einkommen | Varianz Bildung |
---|---|---|---|
Faktor 1 | 1.382 | 2.165 | 1.444 |
Faktor 2 | 0.94 | 0.619 | 0.863 |
Faktor 3 | 0.678 | 0.217 | 0.693 |
# Componentoverview 2017
GISD_Komponents_19 <- cbind("Teildimension"="Arbeitswelt","Faktorladung"=round((TS_Arbeitswelt_19.pca$rotation*sqrt(abs(TS_Arbeitswelt_19.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Arbeitswelt_19.pca$rotation, digits = 3))
GISD_Komponents_19 <- rbind(GISD_Komponents_19,cbind("Teildimension"="Einkommen","Faktorladung"=round((TS_Einkommen_19.pca$rotation*sqrt(abs(TS_Einkommen_19.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Einkommen_19.pca$rotation, digits = 3)))
GISD_Komponents_19 <- rbind(GISD_Komponents_19,cbind("Teildimension"="Bildung","Faktorladung"=round((TS_Bildung_19.pca$rotation*sqrt(abs(TS_Bildung_19.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Bildung_19.pca$rotation, digits = 3)))
GISD_Komponents_19 <- cbind("Variables"=as.data.frame(rownames(GISD_Komponents_19)),as.data.frame(GISD_Komponents_19))
rownames(GISD_Komponents_19) <- NULL
colnames(GISD_Komponents_19) <- c("Variable","Dimension","Faktorladung","Component")
GISD_Komponents_19$prop_dem <- round(as.numeric(GISD_Komponents_19$Component)^2*100,digits=1)
GISD_Komponents_19$prop_GISD <- round(as.numeric(GISD_Komponents_19$prop_dem)/3, digits = 1)
colnames(GISD_Komponents_19) <- c("Variable","Dimension","Faktorladung","Coponent", "Anteil Dimension", "Anteil GISD")
GISD_Komponents_19$Variable <- c("Beschäftigtenquote", "Arbeitslosigkeit", "Bruttoverdienst (log.)", "Einkommensteuer (log.)", "Haushaltseinkommen (log.)", "Schuldnerquote", "Beschäftigte mit akad. Abschluss (adj.)", "Beschäftigte ohne Abschluss (adj.)", "Schulabgänger ohne Abschluss (adj.)")
kable(GISD_Komponents_19, caption = "Komponenten und Anteile der Dimensionen für 2019")
Table: (#tab:unnamed-chunk-15)Komponenten und Anteile der Dimensionen für 2019
Variable | Dimension | Faktorladung | Coponent | Anteil Dimension | Anteil GISD |
---|---|---|---|---|---|
Beschäftigtenquote | Arbeitswelt | 0.449 | 0.382 | 14.6 | 4.9 |
Arbeitslosigkeit | Arbeitswelt | -0.75 | -0.638 | 40.7 | 13.6 |
Bruttoverdienst (log.) | Arbeitswelt | 0.786 | 0.668 | 44.6 | 14.9 |
Einkommensteuer (log.) | Einkommen | 0.898 | 0.61 | 37.2 | 12.4 |
Haushaltseinkommen (log.) | Einkommen | 0.908 | 0.617 | 38.1 | 12.7 |
Schuldnerquote | Einkommen | -0.731 | -0.497 | 24.7 | 8.2 |
Beschäftigte mit akad. Abschluss (adj.) | Bildung | -0.722 | -0.601 | 36.1 | 12.0 |
Beschäftigte ohne Abschluss (adj.) | Bildung | 0.591 | 0.492 | 24.2 | 8.1 |
Schulabgänger ohne Abschluss (adj.) | Bildung | 0.757 | 0.63 | 39.7 | 13.2 |
Gepoolte Querschnitte mit 4 Bildungsitems und Beschäftigte ohne Abschluss adjustiert nur für 2019.
par(mfrow=c(1, 3))
plot(TS_Arbeitswelt_19.pca, main = "Arbeitswelt (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Einkommen_19.pca, main = "Einkommen (Eigenwerte)", ylim=c(0,2.2))
plot(TS_Bildung_4items_19.pca, main = "Bildung (Eigenwerte)", ylim=c(0,2.2))
Varianz_B4_tab <- cbind("F_A" = "Faktor1", "Var_A" = round(TS_Arbeitswelt_19.pca$sdev^2, digits = 3), "Var_E" = round(TS_Einkommen_19.pca$sdev^2, digits = 3), "Var_B" = round(TS_Bildung_4items_19.pca$sdev^2, digits = 3))
Varianz_B4_tab[4,2] = NA
Varianz_B4_tab[4,3] = NA
Varianz_B4_tab <- cbind(as.data.frame(Varianz_B4_tab))
Varianz_B4_tab$F_A <- c("Faktor 1", "Faktor 2", "Faktor 3", "Faktor 4")
colnames(Varianz_B4_tab) <- c("Faktoren", "Varianz Arbeitswelt", "Varianz Einkommen", "Varianz Bildung")
kable(Varianz_B4_tab, caption = "Varianz der Faktoren (Eigenwerte)")
Table: (#tab:unnamed-chunk-17)Varianz der Faktoren (Eigenwerte)
Faktoren | Varianz Arbeitswelt | Varianz Einkommen | Varianz Bildung |
---|---|---|---|
Faktor 1 | 1.382 | 2.165 | 1.466 |
Faktor 2 | 0.94 | 0.619 | 1.289 |
Faktor 3 | 0.678 | 0.217 | 0.784 |
Faktor 4 | NA | NA | 0.461 |
# Componentoverview
GISD_Komponents_4 <- cbind("Teildimension"="Arbeitswelt","Faktorladung"=round((TS_Arbeitswelt_19.pca$rotation*sqrt(abs(TS_Arbeitswelt_19.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Arbeitswelt_19.pca$rotation, digits = 3))
GISD_Komponents_4 <- rbind(GISD_Komponents_4,cbind("Teildimension"="Einkommen","Faktorladung"=round((TS_Einkommen_19.pca$rotation*sqrt(abs(TS_Einkommen_19.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Einkommen_19.pca$rotation, digits = 3)))
GISD_Komponents_4 <- rbind(GISD_Komponents_4,cbind("Teildimension"="Bildung","Faktorladung"=round((TS_Bildung_4items_19.pca$rotation[1:4,1]*sqrt(abs(TS_Bildung_4items_19.pca$sdev[1]^2))), digits = 3),"Component"=round(TS_Bildung_4items_19.pca$rotation[1:4,1], digits = 3)))
GISD_Komponents_4 <- cbind("Variables"=as.data.frame(rownames(GISD_Komponents_4)),as.data.frame(GISD_Komponents_4))
rownames(GISD_Komponents_4) <- NULL
colnames(GISD_Komponents_4) <- c("Variable","Dimension","Faktorladung","Component")
GISD_Komponents_4$prop_dem <- round(as.numeric(GISD_Komponents_4$Component)^2*100,digits=1)
GISD_Komponents_4$prop_GISD <- round(as.numeric(GISD_Komponents_4$prop_dem)/3, digits = 1)
colnames(GISD_Komponents_4) <- c("Variable","Dimension","Faktorladung","Component", "Anteil Teilscore", "Anteil GISD")
GISD_Komponents_4$Variable <- c("Beschäftigtenquote", "Arbeitslosigkeit", "Bruttoverdienst (log.)", "Einkommensteuer (log.)", "Haushaltseinkommen (log.)", "Schuldnerquote", "Beschäftigte mit akad. Abschluss (adj.)", "Beschäftigte ohne Abschluss (adj.)", "Schulabgänger ohne Abschluss (adj.)", "Schulabgänger mit Hochschulreife (adj.)")
kable(GISD_Komponents_4, caption = "Faktorladungen und Anteile an den Teilscores sowie am Index für 2019")
Table: (#tab:unnamed-chunk-18)Faktorladungen und Anteile an den Teilscores sowie am Index für 2019
Variable | Dimension | Faktorladung | Component | Anteil Teilscore | Anteil GISD |
---|---|---|---|---|---|
Beschäftigtenquote | Arbeitswelt | 0.449 | 0.382 | 14.6 | 4.9 |
Arbeitslosigkeit | Arbeitswelt | -0.75 | -0.638 | 40.7 | 13.6 |
Bruttoverdienst (log.) | Arbeitswelt | 0.786 | 0.668 | 44.6 | 14.9 |
Einkommensteuer (log.) | Einkommen | 0.898 | 0.61 | 37.2 | 12.4 |
Haushaltseinkommen (log.) | Einkommen | 0.908 | 0.617 | 38.1 | 12.7 |
Schuldnerquote | Einkommen | -0.731 | -0.497 | 24.7 | 8.2 |
Beschäftigte mit akad. Abschluss (adj.) | Bildung | -0.844 | -0.697 | 48.6 | 16.2 |
Beschäftigte ohne Abschluss (adj.) | Bildung | 0.434 | 0.358 | 12.8 | 4.3 |
Schulabgänger ohne Abschluss (adj.) | Bildung | 0.663 | 0.548 | 30.0 | 10.0 |
Schulabgänger mit Hochschulreife (adj.) | Bildung | -0.354 | -0.292 | 8.5 | 2.8 |
Resultdataset <- Impdata.imputed
Resultdataset$TS_Arbeitswelt_19 <- as.numeric(predict(TS_Arbeitswelt_19.pca, newdata = Resultdataset))
Resultdataset$TS_Einkommen_19 <- as.numeric(predict(TS_Einkommen_19.pca , newdata = Resultdataset))
Resultdataset$TS_Bildung_19 <- as.numeric(predict(TS_Bildung_19.pca, newdata = Resultdataset))
Resultdataset$TS_Arbeitswelt <- as.numeric(predict(TS_Arbeitswelt.pca, newdata = Resultdataset))
Resultdataset$TS_Einkommen <- as.numeric(predict(TS_Einkommen.pca , newdata = Resultdataset))
Resultdataset$TS_Bildung <- as.numeric(predict(TS_Bildung.pca , newdata = Resultdataset))
Resultdataset$TS_Bildung_4items <- as.numeric(predict(TS_Bildung_4items.pca, newdata = Resultdataset))
d_TS_Arbeitswelt <- density(Resultdataset$TS_Arbeitswelt)
d_TS_Einkommen <- density(Resultdataset$TS_Einkommen)
d_TS_Bildung <- density(Resultdataset$TS_Bildung)
par(mfrow=c(2, 2))
plot(d_TS_Arbeitswelt, main = "Density Arbeitswelt")
plot(d_TS_Einkommen, main = "Density Einkommen")
plot(d_TS_Bildung, main = "Density Bildung")
# Korrelationen überprüfen
cor_tab <- Resultdataset %>% select(Arbeitslosigkeit,TS_Arbeitswelt,TS_Einkommen,TS_Bildung) %>% cor( use="pairwise.complete.obs")
cor_tab <- cbind(as.data.frame(cor_tab))
colnames(cor_tab) <- c("Arbeitslosigkeit", "Faktor Arbeitswelt", "Faktor Einkommen", "Faktor Bildung")
rownames(cor_tab) <- c("Arbeitslosigkeit", "Faktor Arbeitswelt", "Faktor Einkommen", "Faktor Bildung")
kable(cor_tab, caption = "Korrelation von Arbeitslosigkeit und Faktoren")
Table: (#tab:unnamed-chunk-21)Korrelation von Arbeitslosigkeit und Faktoren
Arbeitslosigkeit | Faktor Arbeitswelt | Faktor Einkommen | Faktor Bildung | |
---|---|---|---|---|
Arbeitslosigkeit | 1.0000000 | -0.8432757 | 0.8347485 | -0.3667822 |
Faktor Arbeitswelt | -0.8432757 | 1.0000000 | -0.8616827 | 0.4815159 |
Faktor Einkommen | 0.8347485 | -0.8616827 | 1.0000000 | -0.5280411 |
Faktor Bildung | -0.3667822 | 0.4815159 | -0.5280411 | 1.0000000 |
if (cor(Resultdataset$Arbeitslosigkeit, Resultdataset$TS_Bildung,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Bildung <- Resultdataset$TS_Bildung*-1
}
if (cor(Resultdataset$Arbeitslosigkeit, Resultdataset$TS_Arbeitswelt,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Arbeitswelt <- Resultdataset$TS_Arbeitswelt*-1
}
if (cor(Resultdataset$Arbeitslosigkeit, Resultdataset$TS_Einkommen,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Einkommen <- Resultdataset$TS_Einkommen*-1
}
# Korrelationen erneut überprüfen
cor_tab_pol <- Resultdataset %>% select(Arbeitslosigkeit,TS_Arbeitswelt,TS_Einkommen,TS_Bildung) %>% cor( use="pairwise.complete.obs")
cor_tab_pol <- cbind(as.data.frame(cor_tab_pol))
colnames(cor_tab_pol) <- c("Arbeitslosigkeit", "Faktor Arbeitswelt", "Faktor Einkommen", "Faktor Bildung")
rownames(cor_tab_pol) <- c("Arbeitslosigkeit", "Faktor Arbeitswelt", "Faktor Einkommen", "Faktor Bildung")
kable(cor_tab_pol, caption = "Korrelation von Arbeitslosigkeit und Faktoren (gepoolt)")
Table: (#tab:unnamed-chunk-22)Korrelation von Arbeitslosigkeit und Faktoren (gepoolt)
Arbeitslosigkeit | Faktor Arbeitswelt | Faktor Einkommen | Faktor Bildung | |
---|---|---|---|---|
Arbeitslosigkeit | 1.0000000 | 0.8432757 | 0.8347485 | 0.3667822 |
Faktor Arbeitswelt | 0.8432757 | 1.0000000 | 0.8616827 | 0.4815159 |
Faktor Einkommen | 0.8347485 | 0.8616827 | 1.0000000 | 0.5280411 |
Faktor Bildung | 0.3667822 | 0.4815159 | 0.5280411 | 1.0000000 |
# Normalization
Resultdataset$TS_Arbeitswelt <- (Resultdataset$TS_Arbeitswelt -min(Resultdataset$TS_Arbeitswelt ))/(max(Resultdataset$TS_Arbeitswelt )-min(Resultdataset$TS_Arbeitswelt ))
Resultdataset$TS_Einkommen <- (Resultdataset$TS_Einkommen -min(Resultdataset$TS_Einkommen ))/(max(Resultdataset$TS_Einkommen )-min(Resultdataset$TS_Einkommen ))
Resultdataset$TS_Bildung <- (Resultdataset$TS_Bildung -min(Resultdataset$TS_Bildung ))/(max(Resultdataset$TS_Bildung )-min(Resultdataset$TS_Bildung ))
# GISD
Resultdataset$GISD_Score <- Resultdataset$TS_Arbeitswelt+Resultdataset$TS_Einkommen+Resultdataset$TS_Bildung
Resultdataset <- Resultdataset %>% group_by(Jahr)
for (i in 1998:2019) {
Resultdataset <- Resultdataset %>% mutate(GISD_Score = ifelse(Jahr == i, (GISD_Score -min(GISD_Score))/(max(GISD_Score )-min(GISD_Score)), GISD_Score))
}
Resultdataset <- Resultdataset %>% ungroup()
Die Normalization wird innerhalb der Jahre des GISD gepoolt. Das heißt in jedem Jahr gibt es den Minimalwert 0 und den Maximalwert 1.
d_TS_Arbeitswelt_norm <- density(Resultdataset$TS_Arbeitswelt)
d_TS_Einkommen_norm <- density(Resultdataset$TS_Einkommen)
d_TS_Bildung_norm <- density(Resultdataset$TS_Bildung)
d_GISD_Score_norm <- density(Resultdataset$GISD_Score)
par(mfrow=c(2, 2))
plot(d_TS_Arbeitswelt_norm, main = "Density Arbeitswelt")
plot(d_TS_Einkommen_norm, main = "Density Einkommen")
plot(d_TS_Bildung_norm, main = "Density Bildung")
plot(d_GISD_Score_norm, main = "Density GISD Score")
if (cor(Resultdataset$TS_Bildung_19, Resultdataset$TS_Bildung_19,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Bildung_19 <- Resultdataset$TS_Bildung_19*-1
}
if (cor(Resultdataset$TS_Arbeitswelt_19, Resultdataset$TS_Arbeitswelt_19,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Arbeitswelt_19 <- Resultdataset$TS_Arbeitswelt_19*-1
}
if (cor(Resultdataset$TS_Einkommen_19, Resultdataset$TS_Einkommen_19,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Einkommen_19 <- Resultdataset$TS_Einkommen_19*-1
}
#Normalization
Resultdataset$TS_Arbeitswelt_19 <- (Resultdataset$TS_Arbeitswelt_19 -min(Resultdataset$TS_Arbeitswelt_19 ))/(max(Resultdataset$TS_Arbeitswelt_19 )-min(Resultdataset$TS_Arbeitswelt_19 ))
Resultdataset$TS_Einkommen_19 <- (Resultdataset$TS_Einkommen_19 -min(Resultdataset$TS_Einkommen_19 ))/(max(Resultdataset$TS_Einkommen_19 )-min(Resultdataset$TS_Einkommen_19 ))
Resultdataset$TS_Bildung_19 <- (Resultdataset$TS_Bildung_19 -min(Resultdataset$TS_Bildung_19 ))/(max(Resultdataset$TS_Bildung_19 )-min(Resultdataset$TS_Bildung_19 ))
# GISD
Resultdataset$GISD_Score_19 <- Resultdataset$TS_Arbeitswelt_19+Resultdataset$TS_Einkommen_19+Resultdataset$TS_Bildung_19
Resultdataset <- Resultdataset %>% group_by(Jahr)
for (i in 1998:2019) {
Resultdataset <- Resultdataset %>% mutate(GISD_Score_19 = ifelse(Jahr == i, (GISD_Score_19 -min(GISD_Score_19))/(max(GISD_Score_19 )-min(GISD_Score_19)), GISD_Score_19))
}
Resultdataset <- Resultdataset %>% ungroup()
if (cor(Resultdataset$TS_Bildung_4items, Resultdataset$TS_Bildung_4items,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Bildung_4items <- Resultdataset$TS_Bildung_4items*-1
}
if (cor(Resultdataset$TS_Arbeitswelt, Resultdataset$TS_Arbeitswelt,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Arbeitswelt <- Resultdataset$TS_Arbeitswelt*-1
}
if (cor(Resultdataset$TS_Einkommen, Resultdataset$TS_Einkommen,use="pairwise.complete.obs")<0) {
Resultdataset$TS_Einkommen <- Resultdataset$TS_Einkommen*-1
}
#Normalization
Resultdataset$TS_Arbeitswelt <- (Resultdataset$TS_Arbeitswelt -min(Resultdataset$TS_Arbeitswelt ))/(max(Resultdataset$TS_Arbeitswelt )-min(Resultdataset$TS_Arbeitswelt ))
Resultdataset$TS_Einkommen <- (Resultdataset$TS_Einkommen -min(Resultdataset$TS_Einkommen ))/(max(Resultdataset$TS_Einkommen )-min(Resultdataset$TS_Einkommen ))
Resultdataset$TS_Bildung_4items <- (Resultdataset$TS_Bildung_4items -min(Resultdataset$TS_Bildung_4items ))/(max(Resultdataset$TS_Bildung_4items )-min(Resultdataset$TS_Bildung_4items ))
# GISD
Resultdataset$GISD_Score_B4 <- Resultdataset$TS_Arbeitswelt+Resultdataset$TS_Einkommen+Resultdataset$TS_Bildung_4items
Resultdataset <- Resultdataset %>% group_by(Jahr)
for (i in 1998:2019) {
Resultdataset <- Resultdataset %>% mutate(GISD_Score_B4 = ifelse(Jahr == i, (GISD_Score_B4 -min(GISD_Score_B4))/(max(GISD_Score_B4 )-min(GISD_Score_B4)), GISD_Score_B4))
}
Resultdataset <- Resultdataset %>% ungroup()
cor_tab_GISDscore <- Resultdataset %>% select(GISD_Score, GISD_Score_B4, GISD_Score_19) %>% cor( use="pairwise.complete.obs")
cor_tab_GISDscore <- cbind(as.data.frame(cor_tab_GISDscore))
colnames(cor_tab_GISDscore) <- c("GISD-Score", "GISD-Score (Bildung 4 Items)", "GISD-Score 2019")
kable(cor_tab_GISDscore, caption = "Korrelation der verschiedenen GISD-Scores")
Table: (#tab:unnamed-chunk-24)Korrelation der verschiedenen GISD-Scores
GISD-Score | GISD-Score (Bildung 4 Items) | GISD-Score 2019 | |
---|---|---|---|
GISD_Score | 1.0000000 | 0.7816221 | -0.7370184 |
GISD_Score_B4 | 0.7816221 | 1.0000000 | -0.9676915 |
GISD_Score_19 | -0.7370184 | -0.9676915 | 1.0000000 |
#write_rds(Resultdataset, paste0("Outfiles/Resultdata_FaktorCheck.rds"))