-
Notifications
You must be signed in to change notification settings - Fork 0
/
awcj projekt.R
1200 lines (1019 loc) · 50.5 KB
/
awcj projekt.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
library(readxl)
library(ggplot2)
library(tidyverse)
library(tidyr)
library(wesanderson)
library(reshape2)
library(corrplot)
library(dplyr)
library(car)
library("VIM")
library(rcompanion)
library(ggthemes)
## WCZYTANIE PLIKU ####
dane <- read_excel("C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/Politycy BAZA AWCJ 2024.xlsx")
#dane <- read_excel("Politycy BAZA AWCJ 2024.xlsx")
summary(dane)
# można zaobserwować, że skala niektórych odpowiedzi zaczyna się od 0 a według instrukcji powinna od 1
# zamiana 0 na 1
dane[dane == 0 ] <- 1
summary(dane)
# PODSTAWOWE STATYSTYKI ####
### BRAKI DANYCH ####
colSums(is.na(dane))
# nie ma braków danych, każdy udzielił wszystkich odpowiedzi
### PŁEĆ ####
# zamiana zmiennej płeć z ilościowej na factor, skala dychotomiczna
dane$Płeć <- factor(dane$Płeć, levels = c(1,2), labels = c("Kobieta", "Mężczyzna"))
# podobna liczba kobiet i mężczyzn
round(summary(dane$Płeć) / nrow(dane) * 100, 2)
podsumowanie_płeć <- dane %>%
group_by(Płeć) %>%
summarise(liczba = n())
ggplot(podsumowanie_płeć, aes(x="", y=liczba, fill = Płeć)) +
geom_bar(stat="identity", width=1, color="white") +
coord_polar("y", start = 0) +
theme_void() +
labs(title = "Procentowy rozkład płci respondentów") +
scale_fill_manual(values = c("Mężczyzna" = "lightblue2", "Kobieta" = "pink1")) +
geom_text(aes(label = liczba/nrow(dane) * 100), position = position_stack(vjust = 0.5), color = "white")
### WYKSZTAŁCENIE ####
# zamiana wykształcenia na factor, skala porządkowa
dane$Wykształcenie <- factor(dane$Wykształcenie, labels = c("Podstawowe", "Zawodowe", "Średnie", "Wyższe"))
round(summary(dane$Wykształcenie) / nrow(dane) * 100, 2)
# mało osób z wykształceniem podstawowym i zawodowym, te 2 grupy stanowią niecałe 10% badanych
# ciężko będzie wnioskować coś dla wykształcenia
ggplot(dane , aes(x=Wykształcenie, fill=Wykształcenie)) +
geom_bar() +
labs(title = 'Rozkład wykształcenia') +
theme(legend.position="none") +
scale_fill_brewer(palette="YlGnBu")
### WIEK ####
# statystyki
summary(dane$Wiek)
ggplot(dane, aes(x=Wiek)) +
labs(title='Histogram wieku respondentów' ,x = 'Wiek') +
geom_histogram(color="white", fill="skyblue2")
ggplot(dane , aes(x=factor(Wiek), fill=factor(Wiek))) +
geom_bar() +
theme(legend.position="none")
# najwięcej osób w wieku 23 lat - prawdopodobnie przez to, że każdy miał zbadać siebie
# i część osób zbadało znajomych w tym samym wieku
sum(dane$Wiek == 23) #37 takich odpowiedzi
sum(dane$Wiek == 23) / nrow(dane) * 100 #ponad 10% respondetów w tym wieku
# piramidu wieku
# Stworzenie dwóch ramki danych dla każdej płci
mezczyzni <- dane[dane$Płeć == "Mężczyzna", ]
kobiety <- dane[dane$Płeć == "Kobieta", ]
# Stworzenie tabeli przestawnej dla mężczyzn
pivot_mezczyzni <- table(cut(mezczyzni$Wiek, breaks = seq(10, 90, by = 5)))
# Stworzenie tabeli przestawnej dla kobiet
pivot_kobiety <- table(cut(kobiety$Wiek, breaks = seq(10, 90, by = 5)))
# Utworzenie nowego ramki danych dla wykresu mężczyzn
df_mezczyzni <- data.frame(Przedzial = names(pivot_mezczyzni), Liczba_osob = as.numeric(pivot_mezczyzni))
# Utworzenie nowego ramki danych dla wykresu kobiet
df_kobiety <- data.frame(Przedzial = names(pivot_kobiety), Liczba_osob = as.numeric(pivot_kobiety))
# Dodanie kolumny z płcią do obu ramion danych
df_kobiety$Płeć <- "Kobieta"
df_mezczyzni$Płeć <- "Mężczyzna"
# Scalanie ramion danych w jedną ramkę danych
df_piramida <- rbind(df_kobiety, df_mezczyzni)
df_piramida %>% mutate(
Liczba_osob = ifelse(Płeć=="Mężczyzna", Liczba_osob*(-1),
Liczba_osob*1))%>%
ggplot(aes(x = Przedzial, y = Liczba_osob, fill=Płeć)) +
geom_bar(stat = "identity") +
coord_flip() +
scale_y_continuous(labels = abs) +
labs(x = "Grupa wiekowa", y = "Liczebność grupy",
title = "Piramida wieku ankietowanych", fill = "Płeć") +
scale_fill_brewer(palette="Pastel1")
#geom_text(data = df_piramida, aes(x = Przedzial, y = Liczba_osob, label = Liczba_osob), vjust = ifelse(df_piramida$Płeć == "Mężczyzna", 1.5, -0.5))
### GRUPY WIEKOWE ####
# grupy wiekowe: <=30, 31-49, 50-60, >60
dane$Wiek_1 <- recode(dane$Wiek, "14:23 ='<24'; 24:29 = '24-29'; 30:49= '30-49' ; 50:59='50-59' ;else = '60-88'")
table(dane$Wiek_1)
table(factor(dane$Wiek_1, levels = c("<24","24-29","30-49","50-59","60-88")))
# nie da się uzsykać lepiej zbilansowanych grup przy 5 grupach, ponieważ występuje 37 osób w wieku 23lat
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Wiek_1))) +
geom_bar() +
labs(title='Rozkład grup wiekowych', x = "Grupa wiekowa",
y = "Liczebność") +
theme(legend.position="none") +
scale_fill_brewer(palette="YlGnBu")
dane$Wiek_1 <- factor(dane$Wiek_1)
# rozkład płci w poszczególnych grupach wiekowych
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Płeć)))+
geom_bar(position = "fill") +
labs(title='Rozkład płci w grupach wiekowych', fill = 'Płeć',
x = 'Grupy wiekowe', y ='Procentowy udział') +
scale_fill_brewer(palette="Pastel1")
# procentowo
table(dane$Płeć , dane$Wiek_1) / rowSums(table(dane$Płeć, dane$Wiek_1)) * 100
table(dane$Wiek_1 , dane$Płeć) / rowSums(table(dane$Wiek_1 , dane$Płeć) ) * 100
# wykształcenie
# rozkład płci w poszczególnych grupach wiekowych
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Wykształcenie)))+
geom_bar(position = "fill") +
labs(title='Rozkład wykształcenia w grupach wiekowych', fill = 'Wykształcenie',
x = 'Grupy wiekowe', y ='Procentowy udział') +
scale_fill_brewer(palette="Pastel1")
# procentowo
table(dane$Wykształcenie , dane$Wiek_1) / rowSums(table(dane$Wykształcenie, dane$Wiek_1)) * 100
table(dane$Wiek_1 , dane$Wykształcenie) / rowSums(table(dane$Wiek_1 , dane$Wykształcenie) ) * 100
# wykształcenie
# rozkład wykształcenia według płci
ggplot(dane , aes(x=factor(Płeć), fill=factor(Wykształcenie)))+
geom_bar(position = "fill") +
labs(title='Rozkład wykształcenia według płci', fill = 'Wykształcenie',
x = 'Płeć', y ='Procentowy udział') +
scale_fill_brewer(palette="Pastel1")
# procentowo
table(dane$Wykształcenie , dane$Płeć) / rowSums(table(dane$Wykształcenie, dane$Płeć)) * 100
table(dane$Płeć , dane$Wykształcenie) / rowSums(table(dane$Płeć , dane$Wykształcenie) ) * 100
## NAJLEPSZE I NAJGORSZE CECHY DANYCH POLITYKÓW ####
# BOSAK
colMeans(dane[,1:15])
max(colMeans(dane[,1:15])) #Patriotyczny
min(colMeans(dane[,1:15])) #Tolerancyjny
round(mean(colMeans(dane[,1:15])),3) #49,731
# CZARZASTY
colMeans(dane[,16:30])
max(colMeans(dane[,16:30])) #Tolerancyjny
min(colMeans(dane[,16:30])) #Atrakcyjny
round(mean(colMeans(dane[,16:30])),3) #44,248
# DUDA
colMeans(dane[,31:45])
max(colMeans(dane[,31:45])) #Patriotyczny
min(colMeans(dane[,31:45])) #Bezinteresowny
round(mean(colMeans(dane[,31:45])),3) #41,294
#HOŁOWNIA - wysokie wyniki
colMeans(dane[,46:60])
max(colMeans(dane[,46:60])) #Medialny
min(colMeans(dane[,46:60])) #Bezinteresowny
round(mean(colMeans(dane[,46:60])),3) #61,136
#KACZYŃSKI
colMeans(dane[,61:75])
max(colMeans(dane[,61:75])) #Wpływowy
min(colMeans(dane[,61:75])) #Atrakcyjny
round(mean(colMeans(dane[,61:75])),3) #30,904
#KOSINIAK - KAMYSZ
colMeans(dane[,76:90])
max(colMeans(dane[,76:90])) #Kulturalny
min(colMeans(dane[,76:90])) #Bezinteresowny
round(mean(colMeans(dane[,76:90])),3) #50,937
#TRZASKOWSKI
colMeans(dane[,91:105])
max(colMeans(dane[,91:105])) #Medialny
min(colMeans(dane[,91:105])) #Bezinteresowny
round(mean(colMeans(dane[,91:105])),3) #60,734
#TUSK
colMeans(dane[,106:120])
max(colMeans(dane[,106:120])) #Wpływowy
min(colMeans(dane[,106:120])) #Bezinteresowny
round(mean(colMeans(dane[,106:120])),3) #57,258
#IDEALNY
colMeans(dane[,121:135])
max(colMeans(dane[,121:135])) #Wiarygodny
min(colMeans(dane[,121:135])) #Atrakcyjny
round(mean(colMeans(dane[,121:135])),3) #86,068
## NAJLEPSZE I NAJGORSZE CECHY DANYCH POLITYKÓW - WYKRES####
naj_cechy <- read_excel("C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/najlepsze_najgorsze_cechy.xlsx")
naj_cechy <- as.data.frame(naj_cechy)
naj_cechy <- naj_cechy[order(naj_cechy$`Średnia ocena`, decreasing = FALSE),]
# Ustawienie kolejności zgodnie z danymi
naj_cechy$Polityk <- factor(naj_cechy$Polityk, levels = unique(naj_cechy$Polityk))
naj_cechy <- naj_cechy %>%
mutate(`Średnia ocena` = ifelse(Cecha == "najsłabsza", `Średnia ocena` * (-1), `Średnia ocena`))
# Wykres
ggplot(naj_cechy, aes(x = Polityk, y = `Średnia ocena`, fill = Cecha)) +
geom_bar(stat = "identity") +
geom_text(aes(label = opis), position = position_stack(vjust = 0.5), size = 3, col = 'white') + # Dodanie etykiet na słupkach
coord_flip() +
scale_y_continuous(labels = abs, limits = c(-100, 100)) + # Ustawienie symetrycznych limitów
#geom_hline(yintercept = 0, linetype = "dashed", color = "black") + # Dodanie poziomej linii w miejscu zera
labs(x = "Polityk", y = "Średnia ocena",
title = "Najsłabsze i najlepsze cechy polityków", fill = "Cecha", font="Times New Roman") +
scale_fill_brewer(palette = "Pastel2")
# Wczytanie danych
naj_cechy <- read_excel("C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/najlepsze_najgorsze_cechy.xlsx")
naj_cechy <- as.data.frame(naj_cechy)
# Uporządkowanie danych malejąco według najsilniejszej cechy
naj_cechy <- naj_cechy %>%
mutate(`Średnia ocena` = ifelse(Cecha == "najsłabsza", `Średnia ocena` * (-1), `Średnia ocena`))
# Znalezienie najsilniejszych cech dla każdego polityka
naj_silniejsze_cechy <- naj_cechy %>%
group_by(Polityk) %>%
summarise(Naj_silniejsza_cecha = max(`Średnia ocena`)) %>%
arrange(Naj_silniejsza_cecha) # Sortowanie rosnąco (najmocniejsze cechy na dole wykresu)
# Ustawienie kolejności polityków zgodnie z najsilniejszymi cechami
naj_cechy$Polityk <- factor(naj_cechy$Polityk, levels = naj_silniejsze_cechy$Polityk)
# Wykres
ggplot(naj_cechy, aes(x = Polityk, y = `Średnia ocena`, fill = Cecha)) +
geom_bar(stat = "identity") +
geom_text(aes(label = opis), position = position_stack(vjust = 0.5), size = 3, col = 'white') + # Dodanie etykiet na słupkach
coord_flip() +
scale_y_continuous(labels = abs, limits = c(-100, 100)) + # Ustawienie symetrycznych limitów
labs(x = "Polityk", y = "Średnia ocena",
title = "Najsłabsze i najlepsze cechy polityków", fill = "Cecha", font="Times New Roman") +
scale_fill_brewer(palette = "Pastel2")
## ŚREDNIE WYNIKI POLITYKÓW ####
sr_wyniki <- data.frame(round(colMeans(dane[,1:135]),3))
sr_wyniki <- cbind(newColName = rownames(sr_wyniki), sr_wyniki)
library("writexl")
#write_xlsx(sr_wyniki, "C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/sr_wyniki.xlsx")
sr_wyniki <- matrix(sr_wyniki$round.colMeans.dane...1.135....3., nrow = 15, ncol = 9)
sr_wyniki <- as.data.frame(sr_wyniki)
colnames(sr_wyniki) <- c('Bosak','Czarzasty','Duda','Hołownia','Kaczyński',
'Kosiniak-Kamysz', 'Trzaskowski', 'Tusk', 'Idealny')
row.names(sr_wyniki) <- c('Uczciwy','Kulturalny','Tolerancyjny', 'Medialny',
'Bezinteresowny', 'Patriotyczny', 'Wiarygodny', 'Charyzmatyczny',
'Konsekwentny', 'Atrakcyjny', 'Rozsądny', 'Odpowiedzialny',
'Wpływowy', 'Komunikatywny','Elokwentny')
#write_xlsx(sr_wyniki, "C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/sr_wyniki.xlsx")
##### JAK DALEKO DO IDEAŁU ####
# Odjęcie wektora sr idealnego od pozostalych politykow
wektor_idealny <- sr_wyniki$Idealny
ile_do_idealnego <- sweep(sr_wyniki, MARGIN = 1, STATS = wektor_idealny, FUN = "-")
ile_do_idealnego$Idealny <- sr_wyniki$Idealny
#write_xlsx(ile_do_idealnego, "C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/ile_do_ideału.xlsx")
summary(ile_do_idealnego)
roznice_do_sr <- colMeans(abs(ile_do_idealnego[1:8]))
roznice_do_sr <- as.data.frame(roznice_do_sr)
library(tibble)
roznice_do_sr <- roznice_do_sr %>% rownames_to_column(var = "Polityk")
ggplot(roznice_do_sr, aes(x = Polityk, y = roznice_do_sr, group = 1)) +
geom_point(color = "turquoise") +
geom_line(color = "turquoise") +
labs(x = "Polityk", y = "Średnia róznica",
title = "Średnia różnica między średnimi wynikami polityków a średnią dla idealnego")
roznice_do_sr$Polityk <- factor(roznice_do_sr$Polityk, levels = roznice_do_sr$Polityk[order(roznice_do_sr$roznice_do_sr)])
ggplot(roznice_do_sr, aes(x = Polityk, y = roznice_do_sr, group = 1, fill = roznice_do_sr)) +
geom_bar(stat = "identity") +
labs(x = "Polityk", y = "Średnia róznica",
title = "Średnia różnica między średnimi wynikami polityków a średnią dla idealnego",
fill = "Średnia różnica") +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
## NAJLEPSZY POLITYK W DANEJ CESZE ####
wykresy <- list()
for(x in 1:15){
y <- seq(x,120+x,15)
colMeans(dane[,y])
srednie_df <- data.frame(Kolumny = names(colMeans(dane[,y])), Srednie = colMeans(dane[,y]))
# Konwersja nazw kolumn na czynniki z odpowiednią kolejnością
srednie_df$Kolumny <- factor(srednie_df$Kolumny, levels = srednie_df$Kolumny[order(srednie_df$Srednie)])
# Tworzenie wykresu słupkowego za pomocą ggplot2 z odpowiednią kolejnością kolumn
wykresy[[x]] <- ggplot(srednie_df, aes(x = Kolumny, y = Srednie)) +
geom_bar(stat = "identity", fill = "skyblue") +
labs(x = "Polityk", y = "Średnia", title = "Średnia wartość dla każdego polityka") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_brewer(palette="Pastel1")
}
for (i in 1:length(wykresy)) {
print(wykresy[[i]])
}
# Trzaskowski jest bardziej atrakcyjny niż idelany polityk
# Hołownia bardziej medialny niż idealny polityk
## 3 NAJWAŻNIEJSZE CECHY POLITYKA ####
politycy <- c('Bosak','Czarzasty','Duda','Hołownia','Kaczyński',
'Kosiniak-Kamysz', 'Trzaskowski', 'Tusk', 'Idealny')
# wiarygodność
y <- seq(7,120+7,15)
colMeans(dane[,y])
srednie_df <- data.frame(Kolumny = politycy, Srednie = colMeans(dane[,y]))
# Konwersja nazw kolumn na czynniki z odpowiednią kolejnością
srednie_df$Kolumny <- factor(srednie_df$Kolumny, levels = srednie_df$Kolumny[order(srednie_df$Srednie)])
# Tworzenie wykresu słupkowego za pomocą ggplot2 z odpowiednią kolejnością kolumn
ggplot(srednie_df, aes(x = Kolumny, y = Srednie, fill = Srednie)) +
geom_bar(stat = "identity") +
labs(x = "Polityk", y = "Średnia", title = "Średnia wartość wiarygodności dla każdego polityka") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
colMeans(dane[,y])
mean(c(dane$Bosak_Wiarygodny, dane$Czarzasty_Wiarygodny,dane$Duda_Wiarygodny,
dane$Hołownia_Wiarygodny, dane$Kaczyński_Wiarygodny, dane$Kosiniak_Kamysz_Wiarygodny,
dane$Trzaskowski_Wiarygodny, dane$Tusk_Wiarygodny))
sd(c(dane$Bosak_Wiarygodny, dane$Czarzasty_Wiarygodny,dane$Duda_Wiarygodny,
dane$Hołownia_Wiarygodny, dane$Kaczyński_Wiarygodny, dane$Kosiniak_Kamysz_Wiarygodny,
dane$Trzaskowski_Wiarygodny, dane$Tusk_Wiarygodny))
sd(c(dane$Bosak_Wiarygodny, dane$Czarzasty_Wiarygodny,dane$Duda_Wiarygodny,
dane$Hołownia_Wiarygodny, dane$Kaczyński_Wiarygodny, dane$Kosiniak_Kamysz_Wiarygodny,
dane$Trzaskowski_Wiarygodny, dane$Tusk_Wiarygodny)) /
mean(c(dane$Bosak_Wiarygodny, dane$Czarzasty_Wiarygodny,dane$Duda_Wiarygodny,
dane$Hołownia_Wiarygodny, dane$Kaczyński_Wiarygodny, dane$Kosiniak_Kamysz_Wiarygodny,
dane$Trzaskowski_Wiarygodny, dane$Tusk_Wiarygodny))
# boxplot
melted_data_wiarygodny <- melt(dane[, y], id.vars = NULL)
ggplot(melted_data_wiarygodny, aes(x = variable, y = value)) +
geom_boxplot(color="cornflowerblue") +
labs(x = "Polityk", y = "Wartość", title = "Wiarygodność polityków") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
summary(dane$Idealny_Wiarygodny)
#odpowiedzialność
y <- seq(12,120+12,15)
colMeans(dane[,y])
srednie_df <- data.frame(Kolumny = politycy, Srednie = colMeans(dane[,y]))
# Konwersja nazw kolumn na czynniki z odpowiednią kolejnością
srednie_df$Kolumny <- factor(srednie_df$Kolumny, levels = srednie_df$Kolumny[order(srednie_df$Srednie)])
# Tworzenie wykresu słupkowego za pomocą ggplot2 z odpowiednią kolejnością kolumn
ggplot(srednie_df, aes(x = Kolumny, y = Srednie, fill = Srednie)) +
geom_bar(stat = "identity") +
labs(x = "Polityk", y = "Średnia", title = "Średnia wartość odpowiedzialności dla każdego polityka") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
mean(c(dane$Bosak_Odpowiedzialny, dane$Czarzasty_Odpowiedzialny,dane$Duda_Odpowiedzialny,
dane$Hołownia_Odpowiedzialny, dane$Kaczyński_Odpowiedzialny, dane$Kosiniak_Kamysz_Odpowiedzialny,
dane$Trzaskowski_Odpowiedzialny, dane$Tusk_Odpowiedzialny))
sd(c(dane$Bosak_Odpowiedzialny, dane$Czarzasty_Odpowiedzialny,dane$Duda_Odpowiedzialny,
dane$Hołownia_Odpowiedzialny, dane$Kaczyński_Odpowiedzialny, dane$Kosiniak_Kamysz_Odpowiedzialny,
dane$Trzaskowski_Odpowiedzialny, dane$Tusk_Odpowiedzialny))
sd(c(dane$Bosak_Odpowiedzialny, dane$Czarzasty_Odpowiedzialny,dane$Duda_Odpowiedzialny,
dane$Hołownia_Odpowiedzialny, dane$Kaczyński_Odpowiedzialny, dane$Kosiniak_Kamysz_Odpowiedzialny,
dane$Trzaskowski_Odpowiedzialny, dane$Tusk_Odpowiedzialny)) /
mean(c(dane$Bosak_Odpowiedzialny, dane$Czarzasty_Odpowiedzialny,dane$Duda_Odpowiedzialny,
dane$Hołownia_Odpowiedzialny, dane$Kaczyński_Odpowiedzialny, dane$Kosiniak_Kamysz_Odpowiedzialny,
dane$Trzaskowski_Odpowiedzialny, dane$Tusk_Odpowiedzialny))
# boxplot
melted_data_odpowiedzialny <- melt(dane[, y], id.vars = NULL)
ggplot(melted_data_odpowiedzialny, aes(x = variable, y = value)) +
geom_boxplot(color="cornflowerblue") +
labs(x = "Polityk", y = "Wartość", title = "Odpowiedzialność polityków") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# odpowiedzi osoby, ktora wymaga odpowiedzialnosci na poziomie 10
odpowiedzialny_10 <- dane[dane$Idealny_Odpowiedzialny == 10,]
barplot(as.matrix(odpowiedzialny_10[,c(121:135)]))
# uczciwość
y <- seq(1,120+1,15)
colMeans(dane[,y])
srednie_df <- data.frame(Kolumny = politycy, Srednie = colMeans(dane[,y]))
# Konwersja nazw kolumn na czynniki z odpowiednią kolejnością
srednie_df$Kolumny <- factor(srednie_df$Kolumny, levels = srednie_df$Kolumny[order(srednie_df$Srednie)])
# Tworzenie wykresu słupkowego za pomocą ggplot2 z odpowiednią kolejnością kolumn
ggplot(srednie_df, aes(x = Kolumny, y = Srednie, fill = Srednie)) +
geom_bar(stat = "identity") +
labs(x = "Polityk", y = "Średnia", title = "Średnia wartość uczciwości dla każdego polityka") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
mean(c(dane$Bosak_Uczciwy, dane$Czarzasty_Uczciwy,dane$Duda_Uczciwy,
dane$Hołownia_Uczciwy, dane$Kaczyński_Uczciwy, dane$Kosiniak_Kamysz_Uczciwy,
dane$Trzaskowski_Uczciwy, dane$Tusk_Uczciwy))
sd(c(dane$Bosak_Uczciwy, dane$Czarzasty_Uczciwy,dane$Duda_Uczciwy,
dane$Hołownia_Uczciwy, dane$Kaczyński_Uczciwy, dane$Kosiniak_Kamysz_Uczciwy,
dane$Trzaskowski_Uczciwy, dane$Tusk_Uczciwy))
sd(c(dane$Bosak_Uczciwy, dane$Czarzasty_Uczciwy,dane$Duda_Uczciwy,
dane$Hołownia_Uczciwy, dane$Kaczyński_Uczciwy, dane$Kosiniak_Kamysz_Uczciwy,
dane$Trzaskowski_Uczciwy, dane$Tusk_Uczciwy))/
mean(c(dane$Bosak_Uczciwy, dane$Czarzasty_Uczciwy,dane$Duda_Uczciwy,
dane$Hołownia_Uczciwy, dane$Kaczyński_Uczciwy, dane$Kosiniak_Kamysz_Uczciwy,
dane$Trzaskowski_Uczciwy, dane$Tusk_Uczciwy))
# boxplot
melted_data_uczciwy <- melt(dane[, y], id.vars = NULL)
ggplot(melted_data_uczciwy, aes(x = variable, y = value)) +
geom_boxplot(color="cornflowerblue") +
labs(x = "Polityk", y = "Wartość", title = "Uczciwość polityków") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
uczciwy_1 <- dane[dane$Idealny_Uczciwy == 1,]
melted_uczciwy_1 <- melt(uczciwy_1[,c(121:135)])
ggplot(melted_uczciwy_1, aes(x = variable, y = value, fill = value)) +
geom_bar( stat = 'identity') +
labs(x = "Cecha", y = "Wartość", title = "Pozostałe oceny",
fill = 'Wartość') +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
## ŚREDNIA OCENA POLITYKA ####
Bosak_sr <- mean(as.matrix(dane[,c(1:15)]))
Czarzasty_sr <- mean(as.matrix(dane[,c(16:30)]))
Duda_sr <- mean(as.matrix(dane[,c(31:45)]))
Holownia_sr <- mean(as.matrix(dane[,c(46:60)]))
Kaczynski_sr <- mean(as.matrix(dane[,c(61:75)]))
Kosiniak_Kamysz_sr <- mean(as.matrix(dane[,c(76:91)]))
Trzaskowski_sr <- mean(as.matrix(dane[,c(91:105)]))
Tusk_sr <- mean(as.matrix(dane[,c(106:120)]))
Idealny_sr <- mean(as.matrix(dane[,c(121:135)]))
sr_ocena_polityka <- data.frame('Polityk' = politycy,
'Średnia_ocena' = c(Bosak_sr,Czarzasty_sr, Duda_sr,
Holownia_sr, Kaczynski_sr, Kosiniak_Kamysz_sr,
Trzaskowski_sr, Tusk_sr, Idealny_sr))
order(sr_ocena_polityka)
ggplot(sr_ocena_polityka, aes(x = reorder(Polityk, Średnia_ocena), y = Średnia_ocena, fill = Średnia_ocena)) +
geom_bar(stat = 'identity') +
labs(x = "Polityk", y = "Średnia ocena", title = "Średnie oceny polityków",
fill = 'Średnia ocena') +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
ggplot(sr_ocena_polityka, aes(x = reorder(Polityk, Średnia_ocena), y = Średnia_ocena, fill = Średnia_ocena)) +
geom_bar(stat = 'identity') +
geom_text(aes(label = round(Średnia_ocena, 1)), vjust = -0.5) + # Dodanie znaczników z oceną
labs(x = "Polityk", y = "Średnia ocena", title = "Średnie oceny polityków") +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "none") + # Usunięcie legendy
scale_fill_gradient(low = "lightblue", high = "cornflowerblue")
## POLITYK IDEALNY ####
kolumny_cechy <- c('Uczciwy','Kulturalny','Tolerancyjny', 'Medialny',
'Bezinteresowny', 'Patriotyczny', 'Wiarygodny', 'Charyzmatyczny',
'Konsekwentny', 'Atrakcyjny', 'Rozsądny', 'Odpowiedzialny',
'Wpływowy', 'Komunikatywny','Elokwentny')
y <- seq(121,135,1)
colMeans(dane[,y])
srednie_df <- data.frame(Kolumny = kolumny_cechy, Srednie = colMeans(dane[,y]))
# Konwersja nazw kolumn na czynniki z odpowiednią kolejnością
srednie_df$Kolumny <- factor(srednie_df$Kolumny, levels = srednie_df$Kolumny[order(srednie_df$Srednie)])
# Tworzenie wykresu słupkowego za pomocą ggplot2 z odpowiednią kolejnością kolumn
ggplot(srednie_df, aes(x = Kolumny, y = Srednie, fill = Srednie)) +
geom_bar(stat = "identity") +
labs(x = "Cecha", y = "Średnia", title = "Średnie wyniki dla polityka idealnego") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "none") +
scale_fill_gradient(low = "lightblue", high = "turquoise") +
geom_hline(yintercept=90, linetype="dashed",
color = "darkblue", linewidth=1)
# podział na najmłodszych i nastarszych
młodzi <- dane[dane$Wiek_1=="<24" | dane$Wiek_1=="24-29",]
starsi <- dane[dane$Wiek_1=="50-59" | dane$Wiek_1=="60-88",]
sort(round(colMeans(młodzi[,y]),3))
sort(round(colMeans(starsi[,y]),3))
# różnica
sort(round(colMeans(młodzi[,y]),3) - round(colMeans(starsi[,y]),3))
# wykres
mlodzi_idealny <- data.frame(Kolumny = kolumny_cechy, Srednie = colMeans(młodzi[,y]))
starsi_idealny <- data.frame(Kolumny = kolumny_cechy, Srednie = colMeans(starsi[,y]))
ggplot() +
geom_bar(data = mlodzi_idealny, aes(x = Kolumny, y = Srednie, fill = "Najmłodsi"),
stat = "identity", width = 0.4, position = position_nudge(x = 0.2)) +
geom_bar(data = starsi_idealny, aes(x = Kolumny, y = Srednie, fill = "Najstarsi"),
stat = "identity", width = 0.4, position = position_nudge(x = -0.2)) +
scale_fill_manual(values = c("Najmłodsi" = "turquoise3", "Najstarsi" = "skyblue4"),
name = "Wiek",
labels = c("Najmłodsi", "Najstarsi")) +
labs(
x = "Cecha", y = "Nasilenie", title = "Idealny polityk według osób z najmłodszej grupy wiekowej a najstarszej") +
expand_limits(y = 1) +
theme(text = element_text(family = "Times New Roman"),
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "right")
# porównanie wyników dla kobiet i mezczyzn
sort(round(colMeans(kobiety[,y]),3))
sort(round(colMeans(mezczyzni[,y]),3))
round(colMeans(kobiety[,y]),3) - round(colMeans(mezczyzni[,y]),3)
# wykres
kobiety_idealny <- data.frame(Kolumny = kolumny_cechy, Srednie = colMeans(kobiety[,y]))
mezczyzni_idealny <- data.frame(Kolumny = kolumny_cechy, Srednie = colMeans(mezczyzni[,y]))
ggplot() +
geom_bar(data = mezczyzni_idealny, aes(x = Kolumny, y = Srednie, fill = "Mężczyźni"),
stat = "identity", width = 0.4, position = position_nudge(x = 0.2)) +
geom_bar(data = kobiety_idealny, aes(x = Kolumny, y = Srednie, fill = "Kobiety"),
stat = "identity", width = 0.4, position = position_nudge(x = -0.2)) +
scale_fill_manual(values = c("Mężczyźni" = "turquoise3", "Kobiety" = "palevioletred2"),
name = "Płeć",
labels = c("Mężczyźni", "Kobiety")) +
labs(
x = "Cecha", y = "Nasilenie", title = "Idealny polityk według kobiet i mężczyzn") +
expand_limits(y = 1) +
theme(text = element_text(family = "Times New Roman"),
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "right")
# wykształcenie
podstawowe <- dane[dane$Wykształcenie == "Podstawowe",]
średnie <- dane[dane$Wykształcenie == "Średnie",]
zawodowe <- dane[dane$Wykształcenie == "Zawodowe",]
wyższe <- dane[dane$Wykształcenie == "Wyższe",]
sort(round(colMeans(podstawowe[,y]),3))
sort(round(colMeans(średnie[,y]),3))
sort(round(colMeans(zawodowe[,y]),3))
sort(round(colMeans(wyższe[,y]),3))
wykształcenie_idealny <- data.frame(Podstawowe = c(round(colMeans(podstawowe[,y]),3)),
Średnie = c(round(colMeans(średnie[,y]),3)),
Zawodowe = c(round(colMeans(zawodowe[,y]),3)),
Wyższe = c(round(colMeans(wyższe[,y]),3)))
write_xlsx(wykształcenie_idealny, "C:/Users/julia/Documents/informatyka i ekonometria/semestr 2/analiza wielowymiarowa cech jakościowych/wyksztalcenie.xlsx")
## PYTANIA ####
#### ŚREDNIE ODPOWIEDZI ####
dane[, 136:157] <- lapply(dane[, 136:157], as.integer)
summary(dane[,136:157])
pytania_srednie <- data.frame(Kolumny = 1:22, Srednie = colMeans(dane[,136:157]))
ggplot(pytania_srednie, aes(x = Kolumny, y = Srednie)) +
geom_line(color = "darkturquoise") + geom_point(color="turquoise") +
labs(x = "Numer pytania", y = "Średnia wartość", title = "Średnie wartości dla pytań 1-22")
# Przekształcenie danych do długiego formatu
kolumny_pytania <- names(dane[,136:157])
melted_data <- melt(dane[, c(kolumny_pytania)], id.vars = NULL)
### BOXPLOTY
ggplot(melted_data, aes(x = variable, y = value)) +
geom_boxplot(color="cornflowerblue") +
labs(x = "Numer pytania", y = "Wartość", title = "Boxploty dla pytań 1-22") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
### TWARZE ####
library(aplpack)
faces(t(sr_wyniki))
# mikołaje
faces(t(sr_wyniki), face.type = 2)
faces(t(sr_wyniki), ncolors = 20)
# dodatkowe parametry
faces(t(sr_wyniki),
face.type = 1, # Możesz zmienić na inny typ twarzy: 1, 2, 3 itd.
main = "Twarze Chernoffa",
scale = TRUE) # Skalowanie twarzy
### PROFIL DAMSKI I MĘSKI ####
sr_pyt_kobiety <- data.frame(Kolumny = 1:22, Srednie = colMeans(dane[dane$Płeć == "Kobieta", 136:157]),
Płeć = "Kobieta")
sr_pyt_mezczyzni <- data.frame(Kolumny = 1:22, Srednie = colMeans(dane[dane$Płeć == "Mężczyzna", 136:157]),
Płeć = "Mężczyzna")
# Połączenie ramek danych
sr_pytania <- rbind(sr_pyt_kobiety, sr_pyt_mezczyzni)
# Wykres liniowo-punktowy z oddzielnymi liniami dla kobiet i mężczyzn
ggplot(sr_pytania, aes(x = Kolumny, y = Srednie, color = Płeć, group = Płeć)) +
geom_point() +
geom_line() +
labs(x = "Numer pytania", y = "Średnia wartość", title = "Średnie wartości dla pytań 1-22") +
scale_color_manual(values = c("Kobieta" = "violet", "Mężczyzna" = "darkturquoise")) +
scale_x_continuous(breaks = 1:22)
ggplot(sr_pytania, aes(x = Kolumny, y = Srednie, color = Płeć, group = Płeć)) +
geom_point() +
geom_line() +
labs(x = "Numer pytania", y = "Średnia wartość", title = "Średnie wartości dla pytań 1-22") +
scale_color_manual(values = c("Kobieta" = "violet", "Mężczyzna" = "darkturquoise")) +
scale_x_continuous(breaks = 1:22) +
theme(legend.position = "bottom")
#różnica średnich
round(sr_pyt_kobiety$Srednie - sr_pyt_mezczyzni$Srednie,3)
### PROFIL NAJSTARSI I NAJMŁODSI ####
sr_pyt_mlodzi <- data.frame(Kolumny = 1:22, Srednie = colMeans(dane[dane$Wiek_1 == "<24", 136:157]),
Wiek_1 = "<24")
sr_pyt_starsi <- data.frame(Kolumny = 1:22, Srednie = colMeans(dane[dane$Wiek_1 == "60-88", 136:157]),
Wiek_1 = "60-88")
# Połączenie ramek danych
sr_pytania_wg_wiek <- rbind(sr_pyt_mlodzi, sr_pyt_starsi)
# Wykres liniowo-punktowy z oddzielnymi liniami dla kobiet i mężczyzn
ggplot(sr_pytania_wg_wiek, aes(x = Kolumny, y = Srednie, color = Wiek_1, group = Wiek_1)) +
geom_point() +
geom_line() +
labs(x = "Numer pytania", y = "Średnia wartość",
title = "Średnie wartości dla pytań 1-22", color = "Grupa wiekowa") +
scale_color_manual(values = c("<24" = "violet", "60-88" = "darkturquoise")) +
scale_x_continuous(breaks = 1:22)
#różnica średnich
round(sr_pyt_mlodzi$Srednie - sr_pyt_starsi$Srednie,3)
# POSZCZEGÓLNE PYTANIA ####
# zamiana odpowiedzi na pytania na factor, skala nominalna
#dane[, 136:157] <- lapply(dane[, 136:157], as.integer)
summary(dane)
colMeans(dane[,136:157])
indeksy_kolumn <- c(seq(136,157,1))
par(mfrow = c(2, 4))
# Iterujemy przez wybrane kolumny i tworzymy dla każdej z nich wykres słupkowy
for (kolumna in indeksy_kolumn) {
# Tworzymy tytuł wykresu na podstawie nazwy kolumny
tytul_wykresu <- paste("kolumna", colnames(dane)[kolumna])
# Tworzymy wykres słupkowy
barplot(table(dane[, kolumna]), main = tytul_wykresu, xlab = "Wartość", ylab = "Liczba wystąpień")
}
### PYTANIA Z NAJWIĘKSZA LICZBA ODPOWIEDZI 7 ####
# pytanie 6 (nepotyzm) - 29,43% odpowiedzi zdecydowanie się zgadzam
summary(factor(dane$Pyt_2_6))
round(table(dane$Pyt_2_6) / nrow(dane) *100, 2)
round(table(dane$Wiek_1, dane$Pyt_2_6) / rowSums(table(dane$Wiek_1, dane$Pyt_2_6))* 100,2)
# w przypadku starszych osób dużo mniej osób udzieliło odp - 7
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_6))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o nepotyzm ze wględu na grupy wiekowe',
fill = 'Pyt_2_6')
# pytanie 9 (kościół) - 40% odpowiedzi zdecydowanie się zgadzam
round(table(dane$Pyt_2_9) / nrow(dane) *100, 2)
round(table(dane$Wiek_1, dane$Pyt_2_9) / rowSums(table(dane$Wiek_1, dane$Pyt_2_9))* 100,2)
# w przypadku starszych osób dużo mniej osób udzieliło odp - 7
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_9))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o kościół ze wględu na grupy wiekowe',
fill = 'Pyt_2_9')
# dla pytania 16 (elektrownia) duża przewaga odpowiedzi 7 - ponad 40%
round(table(dane$Pyt_2_16) / nrow(dane) *100, 2)
round(table(dane$Płeć, dane$Pyt_2_16) / rowSums(table(dane$Płeć, dane$Pyt_2_16))* 100,2)
ggplot(dane , aes(x=factor(Płeć), fill=factor(Pyt_2_16))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o elekrownie jądrową ze względu na płeć',
fill = 'Odpowiedź',
x = "Płeć", y = "Odsetek odpowiedzi") +
scale_fill_brewer(palette="PuBu")
# ponad 50% mężczyzn się zdecydowanie zgadza
ggplot(dane, aes(x=as.integer(Pyt_2_16)))+
geom_histogram(color="black", fill="cyan")+
facet_grid(Płeć ~ .)
# pytanie 20 (aborcja) - 38,5% odpowiedzi zdecydowanie się zgadzam
round(table(dane$Pyt_2_20) / nrow(dane) *100, 2)
round(table(dane$Płeć, dane$Pyt_2_20) / rowSums(table(dane$Płeć, dane$Pyt_2_20))* 100,2)
ggplot(dane , aes(x=factor(Płeć), fill=factor(Pyt_2_20))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o aborcję ze względu na płeć',
fill = 'Odpowiedź',
x = "Płeć", y = "Odsetek odpowiedzi") +
scale_fill_brewer(palette="PuBu")
### INNE PYTANIA ZE WGLĘDU NA PŁEĆ ####
# pytanie 15 (służba wojskowa) - największa grupa, prawie 30% zdecydowanie się nie zgadza
round(table(dane$Pyt_2_15) / nrow(dane) *100, 2)
round(table(dane$Płeć, dane$Pyt_2_15) / rowSums(table(dane$Płeć, dane$Pyt_2_15))* 100,2)
ggplot(dane , aes(x=factor(Płeć), fill=factor(Pyt_2_15))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o obowiązkową służbę wojskową mężczyzn ze względu na płeć',
fill = 'Pyt_2_15')
# mężczyźni częściej udzielali skrajnych odpowiedzi 1 lub 7
# pytanie 22 (wiek emerytalny) - największa grupa, prawie 30% zdecydowanie się nie zgadza
round(table(dane$Pyt_2_22) / nrow(dane) *100, 2)
round(table(dane$Płeć, dane$Pyt_2_22) / rowSums(table(dane$Płeć, dane$Pyt_2_22))* 100,2)
ggplot(dane , aes(x=factor(Płeć), fill=factor(Pyt_2_22))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o zrównanie wieku emerytalnego ze względu na płeć',
fill = 'Odpowiedź', x='Płeć',
y = 'Odsetek odpowiedzi') +
scale_fill_brewer(palette = 'PuBu')
# ponad 1/4 kobiet zdecydowanie się nie zgadza z zrównaniem wieku emerytalnegp
# natomiast ponad 1/4 mężczyzn się zgadza
# pytanie 12 (małzeństwa) - największa grupa, ponad 32% zdecydowanie się nie zgadza
round(table(dane$Pyt_2_12) / nrow(dane) *100, 2)
round(table(dane$Płeć, dane$Pyt_2_12) / rowSums(table(dane$Płeć, dane$Pyt_2_12))* 100,2)
ggplot(dane , aes(x=factor(Płeć), fill=factor(Pyt_2_12))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o małżeństwa homoseksulane ze względu na płeć',
fill = 'Pyt_2_12')
# więcej kobiet się zgadza
### INNE PYTANIA ZE WGLĘDU NA WIEK ####
# pytanie 12 (małzeństwa) - największa grupa, ponad 32% zdecydowanie się nie zgadza
round(table(dane$Pyt_2_12) / nrow(dane) *100, 2)
round(table(dane$Wiek_1, dane$Pyt_2_12) / rowSums(table(dane$Wiek_1, dane$Pyt_2_12))* 100,2)
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_12))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o małżeństwa homoseksulane ze względu na wiek',
fill = 'Odpowiedź', x='Grupa wiekowa',
y = 'Odsetek odpowiedzi') +
scale_fill_brewer(palette = 'PuBu')
# widać, że wraz z wiekiem maleje procent odpowiedzi na zdecydowanie sie zgadzam
# za wyjątkiem kategorii wiekowej 50-59lat
# pytanie 10 (tv) - największa grupa, ponad 32% zdecydowanie się nie zgadza
round(table(dane$Pyt_2_10) / nrow(dane) *100, 2)
round(table(dane$Wiek_1, dane$Pyt_2_10) / rowSums(table(dane$Wiek_1, dane$Pyt_2_10))* 100,2)
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_10))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o usnięcie telewizji publicznej ze względu na wiek',
fill = 'Pyt_2_10')
# widać, że wraz z wiekiem rośnie procent odpowiedzi na zdecydowanie sie zgadzam
# blisko 48% w najstarszej kategorii zdecydowanie sie nie zgadza
# pytanie 17 (ochrona zdrowia) - zrównoważone odp
round(table(dane$Pyt_2_17) / nrow(dane) *100, 2)
round(table(dane$Wiek_1, dane$Pyt_2_17) / rowSums(table(dane$Wiek_1, dane$Pyt_2_17))* 100,2)
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_17))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o składke zdrowotną ze względu na wiek',
fill = 'Pyt_2_17')
# pytanie 22 (wiek emerytalny)
round(table(dane$Wiek_1, dane$Pyt_2_22) / rowSums(table(dane$Wiek_1, dane$Pyt_2_22))* 100,2)
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_22))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o zrównanie wieku emerytalnego ze względu na płeć',
fill = 'Odpowiedź', x='Grupa wiekowa',
y = 'Odsetek odpowiedzi') +
scale_fill_brewer(palette = 'PuBu')
# wraz z wiekiem rośnie procent odpowiedzi 'zdecydowanie sie nie zgadzam'
# pytanie 20 (aborcja)
round(table(dane$Wiek_1, dane$Pyt_2_20) / rowSums(table(dane$Wiek_1, dane$Pyt_2_20))* 100,2)
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_20))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o aborcję ze względu na płeć',
fill = 'Odpowiedź', x='Grupa wiekowa',
y = 'Odsetek odpowiedzi') +
scale_fill_brewer(palette = 'Pastel1')
# pytanie 9 - kościół
round(table(dane$Wiek_1, dane$Pyt_2_9) / rowSums(table(dane$Wiek_1, dane$Pyt_2_9))* 100,2)
ggplot(dane , aes(x=factor(Wiek_1), fill=factor(Pyt_2_9))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o kościół ze wględu na płeć',
fill = 'Odpowiedź', x='Grupa wiekowa',
y = 'Odsetek odpowiedzi') +
scale_fill_brewer(palette = 'Pastel1')
### PYTANIA ZE WZGLĘDU NA WYKSZTAŁCENIE ####
# pytanie 21 (praca domowa) -
round(table(dane$Pyt_2_21) / nrow(dane) *100, 2)
round(table(dane$Wykształcenie, dane$Pyt_2_21) / rowSums(table(dane$Wykształcenie, dane$Pyt_2_21))* 100,2)
ggplot(dane , aes(x=factor(Wykształcenie), fill=factor(Pyt_2_21))) +
geom_bar(position = "fill") +
labs(title='Rozkład odpowiedzi na pytanie o składke zdrowotną ze względu na wiek',
fill = 'Pyt_2_21')
# nie ma duzych różnic, jedynie najmłodsi najczęściej zaznaczali odpowiedź 3
### INNE PYTANIE ####
# pytanie 11
ggplot(dane, aes(x=Pyt_2_11)) + geom_histogram(color = "darkturquoise",fill="white", bins = 7) +
labs(title = "Histogram odpowiedzi na pytanie 11")
ggplot(dane, aes(x=Pyt_2_11, color=Płeć)) + geom_histogram(fill="white")
ggplot(dane, aes(x=Pyt_2_11))+
geom_histogram(color="black", fill="white")+
facet_grid(Płeć ~ .)
# pytanie 14
ggplot(dane, aes(x=as.integer(Pyt_2_1))) + geom_histogram(color = "darkturquoise",fill="white", bins = 7) +
labs(title = "Histogram odpowiedzi na pytanie 14")
# CHI - kwadrat ####
par(mfrow=c(1,1))
# aborcja i płeć
table(dane$Płeć, dane$Pyt_2_20)
# podział na 3 grupy
płeć_aborcja <- table(dane$Płeć, cut(as.numeric(dane$Pyt_2_20), breaks = c(0, 3, 4, 7),
labels = c("1-3", "4", "5-7"), include.lowest = TRUE))
płeć_aborcja
# wizualizacja tablicy
mosaicplot(płeć_aborcja)
mosaicplot(płeć_aborcja,
color = c("skyblue", "lightgreen", "turquoise"))
mosaic(płeć_aborcja, gp = shading_max,
split_vertical = TRUE,
main = "Płeć a poparcie aborcji")
płeć_aborcja_df <- as.data.frame.table(płeć_aborcja)
# Tworzenie wykresu mosaic plot w ggplot2
ggplot(płeć_aborcja_df, aes(x = Var2, y = Var1, fill = Freq)) +
geom_tile(color = "white") +
labs(x = "Odpowiedź w pytaniu o aborcje", y = "Płeć", fill = "Liczebność",
title = "Płeć a poparcie dla aborcji") +
theme_minimal() +
geom_text(aes(label = Freq), color = "white") +
scale_fill_gradient(low = "lightblue", high = "cornflowerblue") +
guides(fill = guide_legend(title = "Liczebność"))
##
# Plot
plot(
0,
0,
# Type of plotting symbol
pch = "",
# Range of x-axis
xlim = c(0, 5.5),
# Range of y-axis
ylim = c(0, 6.5),
# Suppresses both x and y axes
axes = FALSE,
# Label of x-axis
xlab = "Poparcie aborcji",
# Label of y-axis
ylab = ""
)
# Write a for-loop that adds the bubbles to the plot
for (i in 1:dim(płeć_aborcja)[1]) {
symbols(
c(1:dim(płeć_aborcja)[2]),
rep(i, dim(płeć_aborcja)[2]),
circle = sqrt(płeć_aborcja[i, ] / 200 / pi),
add = TRUE,
inches = FALSE,
fg = brewer.pal(5, "PRGn"),
bg = brewer.pal(5, "PRGn")
)
}
axis(1,
col = "white",
col.axis = "black",
at = c(1:3),
label = colnames(płeć_aborcja))
axis(
2,
at = c(1:2),
label = rownames(płeć_aborcja),
las = 1,
col.axis = "black",
col = "white"
)
# Add numbers to plot
for (i in 1:2) {
text(c(1:3), rep(i, 2), płeć_aborcja[i, ])
}
# Plot with better visibility and title
plot(
0,
0,
pch = "",
xlim = c(0.5, 3.5),
ylim = c(0.5, 2.5),
axes = FALSE,
xlab = "Poparcie aborcji",
ylab = "",
main = "Poparcie aborcji w zależności od płci"
)
require(vcd)
spine(płeć_aborcja)
heatmap(płeć_aborcja, Rowv = NA, Colv = NA, col = cm.colors(256),
scale = "column", margins = c(5, 10))
mosaic(płeć_aborcja, shade=T, legend=T)
assoc(płeć_aborcja, shade=T, legend=T)
# chi2
chisq.test(płeć_aborcja)
chisq.test(płeć_aborcja)$expected
cramerV(płeć_aborcja)
assocstats(płeć_aborcja)
library(DescTools)
TschuprowT(płeć_aborcja)
ContCoef(płeć_aborcja)
C <- ContCoef(płeć_aborcja)
# jezeli liczba wierszy jest rozna od liczby kolumn (w != k)
w = 2
k = 3
# Cmax - tylko do wyliczenia skorygowanego
Cmax = ((sqrt((k-1)/k)) + (sqrt((w-1)/w)))/2
Cmax
# Ckor - skorygowany Pearson
Ckor = C/Cmax
Ckor
# podział na 2 grupy
płeć_aborcja <- table(dane$Płeć, cut(as.numeric(dane$Pyt_2_20), breaks = c(0, 4, 7),
labels = c("1-4", "5-7"), include.lowest = TRUE))
płeć_aborcja
chisq.test(płeć_aborcja)
chisq.test(płeć_aborcja)$expected
assocstats(płeć_aborcja)
TschuprowT(płeć_aborcja)
# zrównanie wieku emerytalnego i płeć
table(dane$Płeć, dane$Pyt_2_22)
# podział na 3 grupy
płeć_emerytura <- table(dane$Płeć, cut(as.numeric(dane$Pyt_2_22), breaks = c(0, 3, 4, 7),
labels = c("1-3", "4", "5-7"), include.lowest = TRUE))
płeć_emerytura
chisq.test(płeć_emerytura)
chisq.test(płeć_emerytura)$expected
assocstats(płeć_emerytura)
TschuprowT(płeć_emerytura)
C <- ContCoef(płeć_emerytura)
Ckor = C/Cmax
Ckor
płeć_emerytura_df <- as.data.frame.table(płeć_emerytura)
# Tworzenie wykresu mosaic plot w ggplot2
ggplot(płeć_emerytura_df, aes(x = Var2, y = Var1, fill = Freq)) +
geom_tile(color = "white") +
labs(x = "Odpowiedź w pytaniu o zrównanie wieku emerytalnego", y = "Płeć", fill = "Liczebność",
title = "Płeć a poparcie dla zrównania wieku emerytalnego") +