| Kapitel 10 {LSAmitR} | R Documentation |
Kapitel 10: Reporting und Analysen
Description
Das ist die Nutzerseite zum Kapitel 10, Reporting und Analysen, im Herausgeberband Large-Scale Assessment mit R: Methodische Grundlagen der österreichischen Bildungsstandardüberprüfung. Im Abschnitt Details werden die im Kapitel verwendeten R-Syntaxen zur Unterstützung für Leser/innen kommentiert und dokumentiert. Im Abschnitt Examples werden die R-Syntaxen des Kapitels vollständig wiedergegeben und gegebenefalls erweitert.
Author(s)
Michael Bruneforth, Konrad Oberwimmer, Alexander Robitzsch
References
Bruneforth, M., Oberwimmer, K. & Robitzsch, A. (2016). Reporting und Analysen. In S. Breit & C. Schreiner (Hrsg.), Large-Scale Assessment mit R: Methodische Grundlagen der österreichischen Bildungsstandardüberprüfung (pp. 333–362). Wien: facultas.
See Also
Zu datenKapitel10, den im Kapitel verwendeten Daten.
Zurück zu Kapitel 9, Fairer Vergleich in der Rückmeldung.
Zu Kapitel 11, Aspekte der Validierung.
Zur Übersicht.
Examples
## Not run:
library(BIFIEsurvey)
library(matrixStats)
data(datenKapitel10)
dat <- datenKapitel10$dat
dat.roh <- datenKapitel10$dat.roh
dat.schule <- datenKapitel10$dat.schule
dat.schule.roh <- datenKapitel10$dat.schule.roh
## -------------------------------------------------------------
## Abschnitt 10.4.1: Datenbasis
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.4.1 a, Ergänzung zum Buch
# Herunterladen, entpacken und setzen des Arbeitsspeichers
#
# setwd(dir = ".../DatenKapitel10")
# -------------------------------------------------------------
# Abschnitt 10.4.1, Listing 1: Einlesen der Schülerdaten
#
# Anlegen eines leeren Listenobjektes für Schülerdaten
dat <- list()
# Vektor mit Liste der Dateinamen für Schülerdaten
dateinamen <- paste0("e8pv__schueler_imp_",1:10,".csv")
# Schleife zum Einlesen der Daten, die in die Listenobjekte
# abgelegt werden
for (ii in 1:10) {
schueler_dfr<-read.csv2(file = dateinamen[[ii]])
dat[[ii]] <- schueler_dfr
}
# Überprüfen des Listenobjektes und der eingelesenen Daten
str(dat)
# Rohdaten als Datenmatrix einlesen
dat.roh <- read.csv2(file = "e8pv__schueler_raw.csv")
# -------------------------------------------------------------
# Abschnitt 10.4.1, Listing 1a: Ergänzung zum Buch
# Einlesen der Schulendaten
#
# Anlegen eines leeren Listenobjektes für Schuldaten
dat.schule <- list()
# Vektor mit Liste der Dateinamen für Schuldaten
dateinamen <- paste0("e8pv__schule_imp_",1:10,".csv")
# Schleife zum Einlesen der Daten, die in die Listenobjekte
# abgelegt werden
for (ii in 1:10) {
schule_dfr<-read.csv2(file = dateinamen[[ii]])
dat.schule[[ii]] <- schule_dfr
}
# Überprüfen des Listenobjektes und der eingelesenen Daten
str(dat.schule)
#Rohdaten als Datenmatrix einlesen
dat.schule.roh <- read.csv2(file = "e8pv__schule_raw.csv")
## -------------------------------------------------------------
## Abschnitt 10.4.2: Merging verschiedener Ebenen
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.4.2, Listing 1
#
for (i in 1:10) {
dat[[i]] <- merge(dat[[i]],dat.schule[[i]],
by = "idschool",all.x = TRUE)
}
# -------------------------------------------------------------
# Abschnitt 10.4.2, Listing 2
for (i in 1:10) {
dat.agg <- aggregate(dat[[i]][,c("HISEI","E8RPV")],
by = list(idschool = dat[[i]]$idschool),
FUN = mean,na.rm = TRUE)
dat.schule[[i]] <- merge(dat.schule[[i]],dat.agg,
by="idschool",all.x = TRUE)
}
## -------------------------------------------------------------
## Abschnitt 10.4.3: Erzeugen von BIFIEdata-Objekten
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.4.3, a: Ergänzung zum Buch
# Einlesen der Replikationsgewichte
#
# Zwischenspeichern des Schülerdatensatzes
dat.tmp <- dat
# Daten aus Large-Scale Assessments können mit replicate weights
# abgespeichert werden (z.B. PISA) oder mit Informationen zu den
# Jackknifezonen und -gewichten (z.B. PIRLS). In diesem Beispiel
# werden beide Methoden vorgestellt, daher wird die Gewichtungs-
# information in beiden Formen eingelesen: mit replicate weights
# im Datensatz dat1; mit Replikationsdesign im Datensatz dat2.
# replicate weights für Schüler/innen als Datenmatrix einlesen
dat.repwgts <- read.csv2(file = "e8__schueler_repwgts.csv")
# replicate weights an Schülerdaten mergen
for (ii in 1:10) {
dat[[ii]]<-merge(x = dat[[ii]],y = dat.repwgts,
by = c("idschool","idstud"))
}
# Jackknifezonen und -gewichte für Schulen als Datenmatrix einlesen
dat2 <- list()
dat.schule.jk <- read.csv2(file = "e8__schule_jkzones.csv")
# Jackknifezonen und -gewichte an schülerdaten mergen
for (ii in 1:10) {
dat2[[ii]]<-merge(x = dat.tmp[[ii]],y = dat.schule.jk,
by = "idschool")
}
# -------------------------------------------------------------
# Abschnitt 10.4.3, b: Ergänzung zum Buch
# Kontrolle der Sortierung
#
# Die Observationen in den 10 Imputationen muessen gleich sortiert
# sein. Dies wir zur Sicherheit getestet.
for (i in 2:10) {
if (sum(dat[[1]]$idstud!=dat[[i]]$idstud )>0)
stop("Imputationsdatensätze nicht gleich sortiert!")
}
# -------------------------------------------------------------
# Abschnitt 10.4.3, c: Ergänzung zum Buch
# Verwendung des R-Datenobjekts
#
dat <- datenKapitel10$dat
# -------------------------------------------------------------
# Abschnitt 10.4.3, Listing 1: Übernahme der Gewichte aus
# Datenmatrix
#
wgtstud <- dat[[1]]$wgtstud
repwgtsvar <- grep("^w_fstr",colnames(dat[[1]]))
repwgts <- dat[[1]][,repwgtsvar]
dat <- BIFIE.data(data.list = dat,wgt = wgtstud,
wgtrep = repwgts,fayfac = 1,
cdata = TRUE)
summary(dat)
# -------------------------------------------------------------
# Abschnitt 10.4.3, Listing 2: Erzeugung der Gewichte aus
# Replikationsdesign
#
dat2 <- BIFIE.data.jack(data = dat2,wgt = "wgtstud",
jktype = "JK_GROUP",
jkzone = "jkzone",
jkrep = "jkrep",
fayfac = 1)
summary(dat2)
# -------------------------------------------------------------
# Abschnitt 10.4.3, Listing 3: Univariate Statistik Reading
#
res.univar <- BIFIE.univar(BIFIEobj = dat,
vars = c("E8RPV"),
group = "Strata")
summary(res.univar)
res2.univar <- BIFIE.univar(BIFIEobj = dat2,
vars = c("E8RPV"),
group = "Strata")
summary(res2.univar)
## -------------------------------------------------------------
## Abschnitt 10.4.4: Rekodierung und Transformation von
## Variablen
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.4.4, Listing 1: Neue Variable GERSER mit
# BIFIE.data.transform
#
transform.formula <- as.formula(
"~ 0 + I(cut(E8RPV,breaks = c(0,406,575,1000),labels = FALSE))"
)
dat <- BIFIE.data.transform(dat,transform.formula,
varnames.new = "GERSER")
res.freq <- BIFIE.freq(BIFIEobj = dat,vars = c("GERSER"))
summary(res.freq)
# -------------------------------------------------------------
# Abschnitt 10.4.4, Listing 2: Zwei neue Variablen PVERfit und
# PVERres mit BIFIE.data.transform
#
transform.formula <- as.formula(
"~ 0 + I(fitted(lm(E8RPV ~ HISEI + female))) +
I(residuals(lm(E8RPV ~ HISEI + female)))"
)
dat <- BIFIE.data.transform(dat,transform.formula,
varnames.new = c("PVERfit","PVERres"))
res.univar <- BIFIE.univar(BIFIEobj = dat,
vars = c("PVERfit","PVERres"))
summary(res.univar)
## -------------------------------------------------------------
## Abschnitt 10.4.5: Berechnung von Kenngroessen und deren
## Standardfehlern
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.4.5, Listing 1: Anwenderfunktion
#
library(matrixStats)
anwenderfct.weightedMad <- function(X,w)
{
# Die Funktion weightedMad wird auf jede Spalte der
# übergebenen Matrix X angewendet.
Wmad<-apply(X = X, MARGIN = 2,FUN = matrixStats::weightedMad,
w = w, na.rm = T)
}
wgt.Mad <- BIFIE.by(BIFIEobj = dat,
vars = c("HISEI", "E8RPV"),
userfct = anwenderfct.weightedMad,
userparnames = c("wMadHISEI", "wMadE8RPV"))
summary(wgt.Mad)
## -------------------------------------------------------------
## Abschnitt 10.6.1: Datenexploration
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.6.1, Listing 1: Ungewichtete univariate
# Statistiken
#
# Ungewichtete univariate Statistiken
# Häufigkeitstabelle zu 'eltausb' und 'migrant' (Kreuztabelle)
tab1 <- table(dat.roh[,c("eltausb","migrant")],useNA = "always")
# Ausgabe der Tabelle, ergänzt um Randsummen
addmargins(tab1, FUN = list(Total = sum), quiet = TRUE)
# Ausgabe der Tabelle als Prozentverteilungen
# (in Prozent, gerundet)
round(addmargins(prop.table(x = tab1), FUN = list(Total = sum),
quiet = TRUE)*100,2)
# Ausgabe mit Prozentverteilungen der Spalten bzw. Zeilen
# (in Prozent, gerundet)
round(prop.table(x = tab1,margin = 2)*100,2)
round(prop.table(x = tab1,margin = 1)*100,2)
# Ausgabe nicht wiedergegeben
# -------------------------------------------------------------
# Abschnitt 10.6.1, Listing 2: Gewichtete univariate
# Statistiken an imputierten Daten
# Gewichtete univariate Statistiken an imputierten Daten
# Häufigkeitstabelle zu 'eltausb' und 'migrant'
res1 <- BIFIE.freq(BIFIEobj = dat,vars = c("eltausb","migrant"))
summary(res1)
# Häufigkeitstabelle zu 'eltausb' gruppiert nach 'migrant'
res2 <- BIFIE.freq(BIFIEobj = dat,vars = "eltausb",
group = "migrant")
summary(res2)
# Kreuztabelle mit zwei Variablen
res3 <- BIFIE.crosstab(BIFIEobj = dat,vars1 = "eltausb",
vars2 = "migrant")
summary(res3)
# -------------------------------------------------------------
# Abschnitt 10.6.1, Listing 3: Export der Tabelle
#
res_export <- res1$stat[,c("var","varval","Ncases","Nweight",
"perc","perc_SE")]
colnames(res_export) <- c("Variable","Wert","N (ungewichtet)",
"N gewichtet)","Prozent","Standardfehler")
write.table(x = res_export,file = "res_export.dat", sep = ";",
dec = ",", row.names = FALSE)
## -------------------------------------------------------------
## Abschnitt 10.6.2: Analyse fehlender Werte
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.6.2, Listing 1: Fehlende Werte
#
res1 <- BIFIE.mva(dat, missvars = c("eltausb","migrant"),
se = TRUE)
summary(res1)
# -------------------------------------------------------------
# Abschnitt 10.6.2, Listing 2: Fehlende Werte unter Kovariaten
#
res2 <- BIFIE.mva(dat,missvars = c("eltausb","migrant"),
covariates = c("E8RTWLE","eltausb", "migrant"), se = TRUE)
summary(res2)
## -------------------------------------------------------------
## Abschnitt 10.6.3: Mittelwerte, Perzentilbaender und Quantile
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.6.3, Listing 1: Hilfsvariable
#
# Hilfsvariable zur Gruppierung anlegen
transform.formula <- as.formula("~ 0 + I(migrant*10+female)")
dat <- BIFIE.data.transform(dat,transform.formula,
varnames.new="migrant_female")
# -------------------------------------------------------------
# Abschnitt 10.6.3, Listing 2: Statistiken an Hilfsvariablen
#
# Univariate Statistiken mit Mittelwerten und Standardfehlern
res1 <- BIFIE.univar(BIFIEobj = dat,vars = "E8RPV",
group = "migrant_female")
# summary(res1)
mittelwerte<-res1$stat[,c("groupval","M","M_SE")]
# Berechne Quantile
probs<-c(.05,.25,.75,.95)
res2 <- BIFIE.ecdf(BIFIEobj = dat,breaks = probs,
quanttype = 1, vars = "E8RPV",
group = "migrant_female")
# summary(res2)
quantile<-data.frame(t(matrix(res2$output$ecdf,nrow = 4)))
colnames(quantile)<-probs
# Führe Ergebnisse zusammen
res3<-cbind(mittelwerte,quantile)
print(res3)
# -------------------------------------------------------------
# Abschnitt 10.6.3, Listing 3: IQA
#
# Berechne Interquartilabstand (IQA)
res3$IQA<-res3$"0.75"-res3$"0.25"
# Berechne Grenzen des Vertrauensintervals
res3$VIunten<-res3$M-2*res3$M_SE
res3$VIoben<-res3$M+2*res3$M_SE
round(res3,1)
## -------------------------------------------------------------
## Abschnitt 10.6.4: Gruppenvergleiche mit Regressionen
## -------------------------------------------------------------
# -------------------------------------------------------------
# Abschnitt 10.6.4, Listing 1: Gruppenvergleich Geschlecht
#
# Gruppenvergleich Geschlecht, gesamte Population
res1 <- BIFIE.linreg(BIFIEobj = dat, formula = E8RPV ~ female)
# Alternativer Aufruf mit identischem Resultat
res1 <- BIFIE.linreg(BIFIEobj = dat,dep = "E8RPV",
pre = c("one","female"))
# Vollständige Ausgabe
summary(res1)
# Reduzierte Ausgabe der Ergebnisse
res1_short <- res1$stat[res1$stat$parameter == "b" &
res1$stat$var == "female",c("est","SE")]
colnames(res1_short) <- c("Geschlechterunterschied","SE")
res1_short
# Gruppenvergleich Geschlecht getrennt nach 'migrant'
res2 <- BIFIE.linreg(BIFIEobj = dat,
formula = E8RPV ~ female,
group = "migrant")
# Vollständige Ausgabe
summary(res2)
# Reduzierte Ausgabe der Ergebnisse
res2_short <- res2$stat[res2$stat$parameter == "b" &
res2$stat$var == "female",
c("groupval","est","SE")]
colnames(res2_short) <- c("Migrant","Geschlechterunterschied",
"SE")
res2_short
# -------------------------------------------------------------
# Abschnitt 10.6.4, Listing 2: Wald-Test
#
res3 <- BIFIE.univar(vars = "E8RPV",BIFIEobj = dat,
group = c("migrant","female"))
res3_wald <- BIFIE.univar.test(BIFIE.method = res3)
# summary(res3_wald)
res3_wald$stat.dstat[,c("group","groupval1","groupval2",
"M1","M2","d","d_SE","d_t","d_p")]
# -------------------------------------------------------------
# Abschnitt 10.6.4, Listing 3: Kontrolle um soziale Herkunft
#
# Gruppenvergleich ohne Berücksichtigung der sozialen Herkunft
res1 <- BIFIE.linreg(BIFIEobj = dat, formula = E8RPV ~ migrant)
# summary(res1)
res1$stat[res1$stat$parameter == "b" & res1$stat$var == "migrant",
c("groupval","est","SE")]
# Gruppenvergleich mit Berücksichtigung der sozialen Herkunft
res2 <- BIFIE.linreg(BIFIEobj = dat,
formula = E8RPV ~ migrant+HISEI+eltausb+buch)
# summary(res2)
res2$stat[res2$stat$parameter == "b" & res2$stat$var == "migrant",
c("groupval","est","SE")]
## End(Not run)
[Package LSAmitR version 1.0-3 Index]