Politikwissenschaft

Panelregression mit R - Teil 1

In diesem Artikel wird erklärt, wie man ein lineares Panelmodell in R schätzen kann. Dazu wird der Datensatz "eidgenössische Abstimmungen auf Gemeindeebene" verwendet, welcher unter Data heruntergeladen werden kann.

Zuerst wird der Datensatz eingelesen und in ein data.table Objekt umgewandelt. Anschliessend werden die Anzahl Abstimmungen jedes Abstimmungstermins eruiert. Nach dem aggregieren wird die neu gewonnene Information wieder in den ursprünglichen Datensatz überführt.

Diskrete Änderung eines Logit rechnen und plotten

In diesem Artikel wird erklärt, wie man in R diskrete Änderungen mit der Bibliothek glm.predict rechnen kann und die Resultate anschliessend graphisch darstellen kann. Das Ganze wird mit einer logistischen Regression als Beispiel gezeigt. Es funktioniert aber ähnlich für anderen Modelle. In diesem Beispiel wird ein kontinuierlicher Plot gezeigt. Für ein Beispiel mit einem diskreten Plot kann der Artikel Count Modelle - diskrete Änderungen darstellen in R konsultiert werden.

lineare Regression: Diagnose in R - Homoskedastizität

Um die Annahme der Homoskedastizität zu prüfen gibt es mehrere Möglichkeiten. In diesem Artikel werden drei Tests vorgestellt. Eine allgemeine theoretische Erklärung der verschiedenen Diagnosemöglichkeiten zeigt der Artikel lineare Regression: Diagnose.

Interaktives Sankey-Diagramm mit R

In R gibt es mehrere Möglichkeiten ein Sankey-Diagramm zu erstellen. Unter anderem mit rCharts und googleVis. In diesem Artikel wird ein Beispiel mit googleVis gezeigt.

Als erstes muss der Datensatz eingelesen werden. Der Datensatz "National- vs. Ständeratswahlen 2015" kann unter Data heruntergeladen werden. Anschliessend kann er mit read.csv eingelesen werden. Nach dem einlesen werden noch die Variablennamen gerändert und bei der Variable sr ein Leerschlag hinzugefügt, damit es zu keiner Schlaufe beim Sankey-Diagramm kommt.

Lineare Regression mit Logratio in R

Bei zusammengesetzten Daten (compositional data) sind die Werte eine Variable abhängig. Um dieses Problem zu lösen, kann eine lineare Regression mit logratio berechnet werden.

lineare Regression mit R

Ein lineares Modell kann in R mit dem Befehl lm() gerechnet werden. Was eine lineare Regression ist, kann im Artikel lineare Regression nachgelesen werden.

In diesem Artikel wird die lineare Regression in R anhand eines Beispiels mit dem Datensatz world_data.csv gezeigt. Der Datensatz kann unter Daten heruntergeladen werden.

Grafiken in R mit ggplot2

ggplot2 ist eine mächtige Bibliothek zum Erstellen von Grafiken in R. Dieser Artikel gibt eine Einführung in ggplot2. Er deckt aber bei weitem nicht alle Möglichkeiten dieser Bibliothek ab. Der Artikel setzt voraus, dass man die wichtigsten Elemente von R schon beherrscht. Wer noch nie mit R gearbeitet hat, kann zuerst den Artikel R Grundlagen lesen.

Aggregieren mit data.table in R

In diesem Artikel wird erklärt, wie man mit Hilfe der Bibliothek data.table schnell und einfach aggregieren kann. Als Beispiel werden Daten der Mondial Datenbank verwendet. Die Daten wurden 1998 generiert.

In einem ersten Schritt werden die Daten aus der MySQL Datenbank dieses Servers heruntergeladen. Eine Erklärung des folgendes Codes würde den Rahmen dieses Artikel sprengen und nichts zum Verstehen von data.table beitragen.

Text → Sätze in R

Dieser Beitrag erklärt, wie man einen Text in seine Sätze aufspalten kann in R. Der hier angegebene Code funktioniert in vielen Fällen recht gut, ist aber bei weitem noch nicht perfekt.

lineare Regression: Diagnose in R - Normalverteilte Fehler

Um die Annahme der normalverteilten Fehler zu prüfen eignen sich Grafiken. In diesem Artikel werden zwei verschiedenen graphische Methoden vorgestellt. Eine allgemeine theoretische Erklärung der verschiedenen Diagnosemöglichkeiten zeigt der Artikel lineare Regression: Diagnose.

Einführung in R Markdown

R Markdown ist eine Sprache mit der PDF-, Word- und HTML-Dateien erstellt werden können. Um R Markdown verwenden zu können muss R und R Studio installiert sein. In R Grundlagen wird die Installation erklärt. Standardmässig können HTML-Dateien erstellt werden. Um Word-Datei erstellen zu können, muss Word oder ein ähnliches Programm installiert sein. Am häufigsten wird jedoch ein PDF-Datei erstellt, da das Layout dieser Dateien am schönsten ist.

Multikollinearität

Dieser Artikel erklärt, wie die Regression auf Multikollinearität geprüft werden kann. Eine allgemeine theoretische Erklärung der verschiedenen Diagnosemöglichkeiten zeigt der Artikel lineare Regression: Diagnose.

Als ersten wird der Datensatz World UNDP Data 2014 eingelesen, welcher unter Data heruntergeladen werden kann. Der Datensatz erhält unter anderem Daten zum Bruttonationaleinkommen pro Kopf (gnipc) und Human Development Index (hdi) für jedes Land.

Ordinal Logit in R

Eine ordinale logistische Regression kann in R mit der Funktion polr() aus der Bibliothek MASS gerechnet werden. Doch bevor ein Modell gerechnet werden kann, müssen die Daten vorbereitet werden. Zuerst wird der Datensatz eingelesen und anschliessend die abhängige Variable recodiert. Der London Data Datensatz kann unter Data heruntergeladen werden.

lineare Regression: Diagnose in R - Linearität

In diesem Artikel wird erklärt, wie die Linearität der Parameter in R überprüft werden kann. Ein theoretischen Überblick wird im Artikel lineare Regression: Diagnose gegeben.

R Grundlagen

R ist eine Software zur statistischen Datenverarbeitung und Visualisierung. Im Gegensatz zu anderen Statistikprogrammen wie Stata oder SPSS ist R kostenlos und open source. R kann von cran.rstudio.com heruntergeladen werden. Zusätzlich gibt es eine benutzerfreundlichere Version R Studio, welche von www.rstudio.com/products/rstudio/download heruntergeladen werden kann.

Einführung in R - Videos

Diese drei Videos geben eine Einführung in R GNU. Die Videos sind auf English.

Interaktive Karte mit googleVis in R

In diesem Artikel wird erklärt, wie man eine interaktive Karte in R erstellen kann mit Hilfe der Bibliothek googleVis. Als Beispiel wird eine Karte erstellt der Schweiz und darauf die Abstimmungsergebnisse der Initiative Grüne Wirtschaft dargestellt. Dazu kann der Datensatz zur Grünen Wirtschaft unter Data verwendet werden.

Lineare Multilevel Regression in R - Teil 2

Dieser Artikel ist eine Forsetzung des Artikels Lineare Multilevel Regression in R - Teil 1. Darin wurden die Daten vorbereitet und gezeigt, wie ein Anova Modell gerechnet und daraus die Intraclass Korrelation berechnet werden kann.

Im diesem Artikel wird darauf aufgebaut und gezeigt, wie man fixed und random Effekte spezifizieren kann.

Logistische Regression in R

Eine logistische Regression kann in R mit der Funktion glm() gerechnet werden. Wichtig dabei ist, dass als Familie binomial angegeben wird. Doch vor dem rechnen einen Regression muss zuerst der Datensatz eingelesen werden und rekodiert werde.

Count Modelle - diskrete Änderungen darstellen in R

In diesem Artikel wird erklärt, wie man diskrete Änderungen (discrete changes) für Count Modelle (Poisson, Quasi Poisson Negativ Binomial) berechnet und diese anschliessend darstellen kann.

Im Artikel Poisson, Qusi Poisson oder Negativ Binomial? wird erklärt, wie man die drei Modelle schätzt und anschliessend entscheiden kann, welchem dieser drei Modelle den Vorzug gegeben werden soll. Dieser Artikel baut auf diesem auf und verwendet deshalb das Quasi Poisson Modell.

Multinomiale Logistische Regression in R

Eine multinomiale Regression kann in R mit der Funktion mutinom() aus der Bibliothek nnet geschätzt werden. Doch bevor ein Modell geschätzt werden kann, müssen die Daten vorbereitet werden und eine Referenzkategorie definiert werden. Es soll überprüft werden, ob die Anzahl Autos einen Indikator ist, welche Ethnie eine Person hat. Der London Data Datensatz kann unter Data heruntergeladen werden.

Panelregression mit R - Teil 3

Dieser Artikel ist eine Fortsetzung von Teil 1 und Teil 2. Hier wird erklärt, wie mit R Heteroskedastizität bei Panelmodellen identifiziert werden können und wie bei Heteroskedastizität robuste Standardfehler berechnet werden können. Anschliessend werden weitere Tests vorgestellt ohne jedoch auf die Lösung dieser Probleme einzugehen.

Simulation in R für eine logistische Regression

In diesem Artikel wird gezeigt, wie man in R simulieren kann, ohne die Bibliothek glm.predict zu verwenden. Der Artikel geht davon aus, dass man schon weiss, was eine logistische Regression ist. Die Simulation ist eine Möglichkeit, um von vorausgesagten Wahrscheinlichkeiten und diskreten Änderungen Konfidenzintervalle zu berechnen. Die Simulation beruht darauf, dass die Fehler asymtotisch normalverteilt sind. Asymptotisch bedeutet, dass es unendlich viele Fälle gibt. In der Realität ist dies natürlich nie der Fall. Bei steigender Fallzahl gleichen sich die Fehler jedoch der Normalverteilung an, weshalb die Simulation bei einer hohen Fallzahl verwendet werden kann.

Lagemasse und Streuung in R

Mit R können mit mehr oder weniger Aufwand die verschiedenen Lagemasse und Streuungen berechnet werden. Einige der Funktionen sind standardmässig verfügbar. Für andere müssen Bibliotheken geladen werden. Und für ein paar wenige muss selber ein Funktion in R geschrieben werden.

Panelregression mit R - Teil 2

Dieser Artikel baut auf dem ersten Teil auf. Dort wird gezeigt, wie die vier verschiedenen lineare Panelmodelle geschätzt werden können. In diesem Artikel werden Tests vorgestellt, mit denen man herausfinden kann, welches Modell besser ist.

Als erstes wird der fixed effects (Within) mit dem OLS-Modell (Pooling) verglichen. Dazu kann die Funktion pFtest verwendet werden. Die Funktion testet auf individuelle oder Zeit Effekte.

Wordcloud in R

Um eine Wordcloud zu erstellen, wird zuerst ein Text benötigt, von dem die Wordcloud erstellt werden soll. In diesem Beispiel wird dazu der Bericht des Bundesrates zur Modernisierung des Familienrechts verwendet.

Mithilfe von Word 2016 kann das PDF in ein Word Dokument verwandelt werden. Anschliessend kann der Text in einen Editor kopiert und als Text-Datei gespeichert werden. Zum Schluss werden § und Umbrüche entfernt, bevor der Text in R eingelesen wird.

Lineare Multilevel Regression in R - Teil 1

In diesem Artikel wird erklärt, wie man ein lineares Mehrebenenmodell in R rechnen kann. Dazu wird der Datensatz "eidgenössische Abstimmungen auf Gemeindeebene" verwendet, welcher unter Data heruntergeladen werden kann.

Zuerst wird der Datensatz eingelesen und in ein data.table Objekt umgewandelt. Anschliessend werden die Anzahl Abstimmungen jedes Abstimmungstermins eruiert. Nach dem aggregieren wird die neu gewonnene Information wieder in den ursprünglichen Datensatz überführt.

Poisson, Quasi Poisson oder Negativ Binomial?

Dieser Artikel zeigt, wie man in R herausfinden kann, ob ein Poisson, Quasi Poisson oder Negativ Binomial Modell das geeignetste ist.

Zuerst werden die Daten aus der Bibliothek COUNT und anschliessend recodiert.