class: center, middle, inverse, title-slide .title[ # Case-Study zur Arbeitslosigkeit in Deutschland ] --- <style type="text/css"> .remark-code{line-height: 1.5; font-size: 80%} @media print { .has-continuation { display: block; } } </style> ## Organisatorische Hinweise - Viele Deadlines - Ungewohntes Format (sehr technisch) - Github, RStudio, R - Arbeitsschritte mit Github (3. Problem Set von Github herunterladen und lösen) .alert[Dies ist alles neu und das ist uns bewusst!] .question[Warum das Ganze?] -- - Durch die Deadlines sollten Sie sich mit dem Stoff auseinandersetzen - Github, R, RStudio und RMarkdown müssen Sie in den Projekten nutzen `\(\rightarrow\)` Üben mit RTutor - Visualisierung, Interpretation und Präsentation in den Projekten gefragt `\(\rightarrow\)` Üben mit der Case-Study - Arbeiten mit AI `\(\rightarrow\)` Lernen wie AI ihre Arbeit sinnvoll ergänzen kann und wo nicht --- ## Recap letzte Vorlesungseinheit - Verschiedene Arten einen Datensatz einzulesen - `readr`, `readxl`, `haven`... - Variablenbezeichnungen stehen nicht zwangsläufig in erster Spalte - Es gibt oft und viele `NA`s in echten Daten - Konsistenzchecks wichtig - Datensätze sind nicht immer in der Form das wir diese direkt Einlesen können - Aus verschiedenen Quellen einlesen, z.B. über eine `for`-Schleife oder `lapply` - Umformen, da die Daten im `wide`-Format vorliegen -> `pivot_longer` - Es ist wichtig sich selbst ein Bild von den Daten zu machen --- class: inverse, center, middle # Analyse der Daten --- ## Deskriptive vs. induktive Statistik - Deskriptive Statistik (beschreibende Statistik) ist beschreibend (wer hätte es gedacht) - Induktive (auch schließende) Statistik versucht aus der Stichprobe auf die Grundgesamtheit zu schließen -- - Keine Unterscheidung in der Formel - Keine Unterscheidung in dem Datensatz der verwendet wird -- .question[Worin genau besteht der Unterschied zwischen der deskriptiven und der induktiven Statistik?] --- ## Deskriptive Statistik - Beschreibung des Datensatzes - **Beispiel:** Daten von der Agentur für Arbeit über die Arbeitslosenquote in den Landkreisen - Mehrere Arten denkbar - Tabellenform - Visualisierung mittels Schaubildern .instructions[Sie wollen etwas über ihren aktuellen Datensatz lernen.] --- ## Induktive Statistik - Interesse gilt nicht dem Datensatz selbst, sondern der Population - Sie haben keine Vollerhebung durchgeführt, sondern nur eine (zufällige) Stichprobe der Population gezogen - **Beispiel:** Mikrozensus, d.h. eine Befragung von zufällig ausgewählten Haushalten in Deutschland - Sie wollen aus der Stichprobe schätzen, wie sich die beobachtete Größe in der Population verhält - Es gibt viele Arten der induktiven Statistik. Die zwei häufigsten: - Vorhersage - Erkennen kausaler Zusammenhänge -- .alert[In die induktive Statistik tauchen wir nächstes Semester tiefer ein.] --- class: inverse, center, middle # Deskriptive Statistik --- ## Univariate deskriptive Statistik - Eine Variable wird dargestellt: - Verteilung - Mittelwert - Standardabweichung - Median - Quantile - Überblick verschaffen, Eigenschaften der Variablen aufzeigen --- ## Univariate deskriptive Statistik - Darstellung über eine Tabelle - Median, Mittelwert, Standardabweichung und Quantile - Darstellung über einen Boxplot - Median, Inter-Quartile-Range (ICR), Ausreißer - Darstellung über ein Histogram - Verteilung mit Anzahl an Beobachtungen - Darstellung über einen Kerndichteschätzer - Verteilung mit Dichte --- ## Univariate deskriptive Statistik (Boxplot) <img src="./figs/boxplot-explanation-1.png" width="80%" /> --- ## Bivariate deskriptive Statistik Darstellung von Zusammenhängen zweier Variablen - Korrelation zweier Variablen - Wenn sich eine Variable verändert, wie verändert sich die andere Variable? Darstellung als: - Streudiagramm - Korrelationskoeffizient (meist innerhalb eines Korrelationsmatrix) --- class: inverse, center, middle # Wie sieht die deskriptive Statistik in der Praxis aus? --- ## Zweiter Teil der Case Study Eingelesene Daten deskriptiv untersuchen - Erster Schritt: Deskriptive Tabellen mit `kableExtra` und `gt` - Zweiter Schritt: Grafiken mit `ggplot2` -- Ziele des zweiten Teils der Case Study: - Daten visualisieren und Zusammenhänge grafisch veranschaulichen - Deskriptive Analysen mittels Korrelationstabellen und deskriptiven Tabellen anfertigen - Das Verständnis, wie Sie ihre Informationen zu bestimmten Fragestellungen möglichst effektiv aufbereiten - Interaktive Grafiken erstellen -- .alert[Im dritten RTutor Problem Set werden Sie Visualisierung zu einzelnen Ländern auf europäischer Ebene erstellen.] --- ## Daten und Pakete laden Wir laden die aus Teil 1 erstellten Datensätze: ``` r library(tidyverse) library(skimr) library(sf) library(viridis) library(plotly) library(kableExtra) library(gt) library(corrr) ``` ``` r # Daten einlesen einkommen <- readRDS("../case-study/data/einkommen.rds") bundesland <- readRDS("../case-study/data/bundesland.rds") landkreise <- readRDS("../case-study/data/landkreise.rds") bip_zeitreihe <- readRDS("../case-study/data/bip_zeitreihe.rds") gemeinden <- readRDS("../case-study/data/gemeinden.rds") gesamtdaten <- readRDS("../case-study/data/gesamtdaten.rds") schulden_bereinigt <- readRDS("../case-study/data/schulden_bereinigt.rds") ``` --- class: inverse, center, middle # Deskriptive Analysen --- ## Arbeitslosenquote berechnen .instructions[**Zuerst:** Überblick über die Daten gewinnen] - Wie viele Landkreise haben wir in den Daten? - Wie ist die Verteilung der Schulden, Arbeitsenquote und des BIP? -- Hierzu müssen wir erst noch die Arbeitslosenquote berechnen: `\(Arbeitslosenquote = Erwerbslose / (Erwerbstätige + Erwerbslose)\)` ``` r # Zuerst wollen wir uns noch die Arbeitslosenquote pro Landkreis berechnen gesamtdaten <- gesamtdaten %>% mutate(alo_quote = (total_alo / (erw+total_alo))*100) ``` --- ## Anzahl an Beobachtungen **Quick and dirty** (einfacher Tibble Datensatz): Einen Blick auf die Anzahl an Erwerbstätigen und Einwohnern in Deutschland werfen. ``` r # Wie viele Erwerbstätige und Einwohner (ohne Berlin, Hamburg, Bremen und Bremerhaven) hat Deutschland? gesamtdaten %>% summarise(total_erw = sum(erw, na.rm=TRUE), total_einwohner = sum(Einwohner, na.rm=TRUE)) ``` ``` ## # A tibble: 1 × 2 ## total_erw total_einwohner ## <dbl> <dbl> ## 1 42115549 77798888 ``` -- - 42,1 Mio. Erwerbstätige und 77,8 Mio Einwohner in Deutschland - Folgende Stadtstaaten sind nicht in unseren Berechnungen enthalten: - Hamburg (1,8 Mio.) - Berlin (3,87 Mio.) - Bremen (0.6 Mio.) - Bremerhaven (0.1 Mio.) --- ## Anzahl an Beobachtungen .instructions[ _Etwas besser_ mit `skimr` Daten veranschaulichen] -- ``` r # Anschließend wollen wir eine Summary Statistic für alle Variablen ausgeben lassen # Entfernen der Histogramme, damit alles auch schön in PDF gedruckt werden kann gesamtdaten %>% select(alo_quote, Schulden_pro_kopf_lk, bip_pro_kopf, landkreis_name) %>% skim_without_charts() %>% summary() ``` --- ## Anzahl an Beobachtungen Table: Data summary | | | |:------------------------|:----------| |Name |Piped data | |Number of rows |400 | |Number of columns |4 | |_______________________ | | |Column type frequency: | | |character |1 | |numeric |3 | |________________________ | | |Group variables |None | --- ## Anzahl an Beobachtungen - 400 individuelle Beobachtungen in unserem Datensatz. Hierbei handelt es sich um alle Landkreise und kreisfreien Städte in Deutschland. .question[Stimmen diese Angaben?] -- - In Deutschland gibt es [294 Landkreise]((https://de.wikipedia.org/wiki/Liste_der_Landkreise_in_Deutschland)) - Weiterhin gibt es in Deutschland [106 kreisfreie Städte](https://de.wikipedia.org/wiki/Liste_der_kreisfreien_St%C3%A4dte_in_Deutschland) (Quelle: Wikipedia) --- ## Anzahl an Beobachtungen **Variable type: character** |skim_variable | n_missing| complete_rate| min| max| empty| n_unique| whitespace| |:--------------|---------:|-------------:|---:|---:|-----:|--------:|----------:| |landkreis_name | 0| 1| 3| 32| 0| 378| 0| - Nur 378 unterschiedliche Landkreis Namen in unserem Datensatz mit 400 unterschiedlichen Beobachtungen (Regionalschlüsseln). .question[Woher kommt dies?] -- - Stadt München ist eine Beobachtung - Landkreis München eine weitere Beobachtung Beide haben unterschiedliche Regionalschlüssel. D.h. der "landkreis_name" ist der gleiche, jedoch ist der Regionalschlüssel ein anderer. --- ## Anzahl an Beobachtungen Nun möchten wir uns noch die einzelnen Variablen aus dem Datensatz näher anschauen: **Variable type: numeric** |skim_variable | n_missing| complete_rate| mean| sd| p0| p25| p50| p75| p100| |:--------------------|---------:|-------------:|---------:|---------:|--------:|---------:|---------:|---------:|----------:| |alo_quote | 2| 1.00| 4.89| 2.01| 1.50| 3.30| 4.66| 6.12| 13.71| |Schulden_pro_kopf_lk | 4| 0.99| 3002.65| 2300.05| 218.11| 1492.76| 2338.12| 3635.14| 17032.20| |bip_pro_kopf | 2| 1.00| 42801.26| 17280.40| 17953.34| 32377.34| 38778.96| 46569.47| 149442.98| |Einwohner | 4| 0.99| 196461.84| 153389.80| 34426.00| 104450.75| 156913.50| 241289.50| 1508933.00| --- ## Anzahl an Beobachtungen - Fehlende Beobachtungen für Schulden pro Kopf: _vier_ Landkreise - Fehlende Beobachtung für Einwohner: _vier_ Landkreise - Fehlende Beobachtungen für BIP pro Kopf: _zwei_ Landkreise - Fehlende Beobachtungen für die Arbeitslosenquote: _zwei_ Landkreise ``` r gesamtdaten %>% filter(is.na(Einwohner)) %>% select(landkreis_name) ``` ``` ## # A tibble: 4 × 1 ## landkreis_name ## <chr> ## 1 Hamburg ## 2 Bremen ## 3 Bremerhaven ## 4 Berlin ``` -- .instructions[Wir können diese Landkreise nicht mit in unsere Analyse mit einbeziehen auf Grund der fehlenden Informationen zu Einwohnern!] --- ## Beschreibung der Tabelle **Variable type: numeric** |skim_variable | n_missing| complete_rate| mean| sd| p0| p25| p50| p75| p100| |:--------------------|---------:|-------------:|--------:|--------:|--------:|--------:|--------:|--------:|---------:| |alo_quote | 2| 1.00| 4.89| 2.01| 1.50| 3.30| 4.66| 6.12| 13.71| |Schulden_pro_kopf_lk | 4| 0.99| 3002.65| 2300.05| 218.11| 1492.76| 2338.12| 3635.14| 17032.20| |bip_pro_kopf | 2| 1.00| 42801.26| 17280.40| 17953.34| 32377.34| 38778.96| 46569.47| 149442.98| -- .question[Bitte diskutieren Sie mit ihrem/ihrer Sitznachbar*in und beschreiben Sie die Tabelle in ihren eigenen Worten!] Gehen Sie hierbei bitte auf **eine Variable** (alo_quote, Schulden_pro_Kopf_lk, bip_pro_kopf) und die folgenden Punkte ein: - Mittelwert - Standardabweichung - Median <div class="countdown" id="timer_e9c69276" data-update-every="1" tabindex="0" style="right:0;bottom:0;"> <div class="countdown-controls"><button class="countdown-bump-down">−</button><button class="countdown-bump-up">+</button></div> <code class="countdown-time"><span class="countdown-digits minutes">05</span><span class="countdown-digits colon">:</span><span class="countdown-digits seconds">00</span></code> </div> --- ## Arbeitslosenquote Mittelwert: 4,89 Prozent - Hoch - Jedoch SGB II und SGB III - Konsistenzcheck auf [Statista](https://de.statista.com/statistik/daten/studie/1224/umfrage/arbeitslosenquote-in-deutschland-seit-1995/) zeigt eine Arbeitslosenquote von 5,3% für 2022 - **Jedoch:** Wir haben nicht Berlin und Hamburg in den Daten Standardabweichung: 2,01 - Sehr hohe Streuung - Deutliche regionale Unterschiede - Ist in Prozentpunkten Median: 4,66 Prozent - Nahe am Mittelwert - Deutet darauf hin das es wenige Landkreise mit sehr extremen Ausreißern gibt --- ## Verschuldung pro Kopf Mittelwert: 3003€ - Relativ hoch Standardabweichung: 2300€ - Sehr hohe Streuung - Deutliche regionale Unterschiede Median: 2338€ - Weiter weg vom Mittelwert - Deutet darauf hin das es einzelne Landkreise mit sehr extremen Ausreißern gibt --- ## BIP pro Kopf Mittelwert: 42801€ - Insgesamt recht hoch - Starker Wirtschaftsstandort Deutschland Standardabweichung: 17280€ - Sehr hohe Streuung - Deutliche regionale Unterschiede - Könnte von einzelnen Landkreisen getrieben werden Median: 38779€ - Weiter weg vom Mittelwert - Deutet darauf hin das es einzelne Landkreise mit sehr extremen Ausreißern gibt --- class: inverse, center, middle # Die Arbeitslosenquote auf Bundeslandebene --- ## Die Arbeitslosenquote auf Bundeslandebene .instructions[Es gibt deutliche Unterschiede in der Arbeitslosenquote über die Bundesländer hinweg!] Wir betrachten: - Querschnittsdaten aus 2022 - Alle Landkreise - Für einige Landkreise haben wir keine Informationen (sogenannte "Missing values" -> `n_missing`) Wir möchten nun die regionale Verteilung der Arbeitslosenquote in Deutschland im Jahr 2022 näher betrachten. --- ## Die Arbeitslosenquote auf Bundeslandebene Zuerst aggregieren wir die Daten auf Bundeslandebene: ``` r bula_data <- gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), median_alo = median(alo_quote), .groups = 'drop') ``` --- ## Die Arbeitslosenquote auf Bundeslandebene count: false .panel1-bula_data-auto[ ``` r *gesamtdaten ``` ] .panel2-bula_data-auto[ ``` ## # A tibble: 400 × 12 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 7 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl> ``` ] --- count: false .panel1-bula_data-auto[ ``` r gesamtdaten %>% * group_by( bundesland_name ) ``` ] .panel2-bula_data-auto[ ``` ## # A tibble: 400 × 12 ## # Groups: bundesland_name [16] ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 7 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl> ``` ] --- count: false .panel1-bula_data-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% * summarise(mean_alo = mean(alo_quote), * sd_alo = sd(alo_quote), * median_alo = median(alo_quote), .groups = 'drop') -> bula_data ``` ] .panel2-bula_data-auto[ ] <style> .panel1-bula_data-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-bula_data-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-bula_data-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Die Arbeitslosenquote auf Bundeslandebene Anschließend wollen wir uns eine ansprechende und informative deskriptive Tabelle erstellen: .pull-left[ ``` ## # A tibble: 14 × 4 ## bundesland_name mean_alo sd_alo median_alo ## <chr> <dbl> <dbl> <dbl> ## 1 Bayern 2.98 0.703 2.88 ## 2 Baden-Württemberg 3.41 0.741 3.31 ## 3 Hessen 4.72 1.17 4.83 ## 4 Rheinland-Pfalz 5.05 1.44 4.91 ## 5 Schleswig-Holstein 5.38 0.865 5.46 ## 6 Sachsen 5.53 0.790 5.39 ## 7 Niedersachsen 5.57 1.67 5.75 ## 8 Saarland 5.57 1.67 5.25 ## 9 Thüringen 5.64 1.35 5.14 ## 10 Brandenburg 6.36 1.42 6.61 ## 11 Nordrhein-Westfalen 6.63 2.37 6.26 ## 12 Mecklenburg-Vorpommern 7.21 1.17 7.41 ## 13 Sachsen-Anhalt 7.45 1.38 7.23 ## 14 Bremen 9.08 2.64 9.08 ``` ] -- .pull-right[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 8px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.14 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> <tfoot> <tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr> <tr><td style="padding: 0; " colspan="100%">  Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr> <tr><td style="padding: 0; " colspan="100%"> ¹ Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr> </tfoot> </table> ] --- ## Die Arbeitslosenquote auf Bundeslandebene Die Darstellung mit dem Paket `kableExtra` ist deutlich ansprechender als nur einen Tibble zu zeigen! Folgender Code wurde hier verwendet, welchen wir in der nächsten Folie Schritt für Schritt durchgehen werden: ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Median"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") %>% add_header_above(c(" " = 1, "Arbeitslosenquote" = 3), align = "c") %>% footnote(general = "Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.", general_title = "Bitte beachten: ", number = "Die ostdeutschen Bundesländer sind grau hinterlegt.") ``` --- count: false .panel1-bula_kable-auto[ ``` r *bula_data ``` ] .panel2-bula_kable-auto[ ``` ## # A tibble: 16 × 4 ## bundesland_name mean_alo sd_alo median_alo ## <chr> <dbl> <dbl> <dbl> ## 1 Baden-Württemberg 3.41 0.741 3.31 ## 2 Bayern 2.98 0.703 2.88 ## 3 Berlin NA NA NA ## 4 Brandenburg 6.36 1.42 6.61 ## 5 Bremen 9.08 2.64 9.08 ## 6 Hamburg NA NA NA ## 7 Hessen 4.72 1.17 4.83 ## 8 Mecklenburg-Vorpommern 7.21 1.17 7.41 ## 9 Niedersachsen 5.57 1.67 5.75 ## 10 Nordrhein-Westfalen 6.63 2.37 6.26 ## 11 Rheinland-Pfalz 5.05 1.44 4.91 ## 12 Saarland 5.57 1.67 5.25 ## 13 Sachsen 5.53 0.790 5.39 ## 14 Sachsen-Anhalt 7.45 1.38 7.23 ## 15 Schleswig-Holstein 5.38 0.865 5.46 ## 16 Thüringen 5.64 1.35 5.14 ``` ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% * arrange( mean_alo ) ``` ] .panel2-bula_kable-auto[ ``` ## # A tibble: 16 × 4 ## bundesland_name mean_alo sd_alo median_alo ## <chr> <dbl> <dbl> <dbl> ## 1 Bayern 2.98 0.703 2.88 ## 2 Baden-Württemberg 3.41 0.741 3.31 ## 3 Hessen 4.72 1.17 4.83 ## 4 Rheinland-Pfalz 5.05 1.44 4.91 ## 5 Schleswig-Holstein 5.38 0.865 5.46 ## 6 Sachsen 5.53 0.790 5.39 ## 7 Niedersachsen 5.57 1.67 5.75 ## 8 Saarland 5.57 1.67 5.25 ## 9 Thüringen 5.64 1.35 5.14 ## 10 Brandenburg 6.36 1.42 6.61 ## 11 Nordrhein-Westfalen 6.63 2.37 6.26 ## 12 Mecklenburg-Vorpommern 7.21 1.17 7.41 ## 13 Sachsen-Anhalt 7.45 1.38 7.23 ## 14 Bremen 9.08 2.64 9.08 ## 15 Berlin NA NA NA ## 16 Hamburg NA NA NA ``` ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% * filter( !is.na(mean_alo) ) ``` ] .panel2-bula_kable-auto[ ``` ## # A tibble: 14 × 4 ## bundesland_name mean_alo sd_alo median_alo ## <chr> <dbl> <dbl> <dbl> ## 1 Bayern 2.98 0.703 2.88 ## 2 Baden-Württemberg 3.41 0.741 3.31 ## 3 Hessen 4.72 1.17 4.83 ## 4 Rheinland-Pfalz 5.05 1.44 4.91 ## 5 Schleswig-Holstein 5.38 0.865 5.46 ## 6 Sachsen 5.53 0.790 5.39 ## 7 Niedersachsen 5.57 1.67 5.75 ## 8 Saarland 5.57 1.67 5.25 ## 9 Thüringen 5.64 1.35 5.14 ## 10 Brandenburg 6.36 1.42 6.61 ## 11 Nordrhein-Westfalen 6.63 2.37 6.26 ## 12 Mecklenburg-Vorpommern 7.21 1.17 7.41 ## 13 Sachsen-Anhalt 7.45 1.38 7.23 ## 14 Bremen 9.08 2.64 9.08 ``` ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% * kbl(col.names = c("Bundesland", * "Mittelwert", * "Std.", * "Median"), digits = 2) ``` ] .panel2-bula_kable-auto[ <table> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;"> Sachsen </td> <td style="text-align:right;"> 5.53 </td> <td style="text-align:right;"> 0.79 </td> <td style="text-align:right;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;"> Thüringen </td> <td style="text-align:right;"> 5.64 </td> <td style="text-align:right;"> 1.35 </td> <td style="text-align:right;"> 5.14 </td> </tr> <tr> <td style="text-align:left;"> Brandenburg </td> <td style="text-align:right;"> 6.36 </td> <td style="text-align:right;"> 1.42 </td> <td style="text-align:right;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;"> 7.21 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 7.41 </td> </tr> <tr> <td style="text-align:left;"> Sachsen-Anhalt </td> <td style="text-align:right;"> 7.45 </td> <td style="text-align:right;"> 1.38 </td> <td style="text-align:right;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> </table> ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Median"), digits = 2) %>% * kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) ``` ] .panel2-bula_kable-auto[ <table class="table table-striped table-hover table-condensed table-responsive" style="margin-left: auto; margin-right: auto;"> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;"> Sachsen </td> <td style="text-align:right;"> 5.53 </td> <td style="text-align:right;"> 0.79 </td> <td style="text-align:right;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;"> Thüringen </td> <td style="text-align:right;"> 5.64 </td> <td style="text-align:right;"> 1.35 </td> <td style="text-align:right;"> 5.14 </td> </tr> <tr> <td style="text-align:left;"> Brandenburg </td> <td style="text-align:right;"> 6.36 </td> <td style="text-align:right;"> 1.42 </td> <td style="text-align:right;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;"> 7.21 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 7.41 </td> </tr> <tr> <td style="text-align:left;"> Sachsen-Anhalt </td> <td style="text-align:right;"> 7.45 </td> <td style="text-align:right;"> 1.38 </td> <td style="text-align:right;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> </table> ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Median"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% * kable_paper(full_width = F) ``` ] .panel2-bula_kable-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;"> Sachsen </td> <td style="text-align:right;"> 5.53 </td> <td style="text-align:right;"> 0.79 </td> <td style="text-align:right;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;"> Thüringen </td> <td style="text-align:right;"> 5.64 </td> <td style="text-align:right;"> 1.35 </td> <td style="text-align:right;"> 5.14 </td> </tr> <tr> <td style="text-align:left;"> Brandenburg </td> <td style="text-align:right;"> 6.36 </td> <td style="text-align:right;"> 1.42 </td> <td style="text-align:right;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;"> 7.21 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 7.41 </td> </tr> <tr> <td style="text-align:left;"> Sachsen-Anhalt </td> <td style="text-align:right;"> 7.45 </td> <td style="text-align:right;"> 1.38 </td> <td style="text-align:right;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> </table> ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Median"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% * row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") ``` ] .panel2-bula_kable-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.14 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> </table> ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Median"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") %>% * add_header_above(c(" " = 1, "Arbeitslosenquote" = 3), align = "c") ``` ] .panel2-bula_kable-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.14 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> </table> ] --- count: false .panel1-bula_kable-auto[ ``` r bula_data %>% arrange( mean_alo ) %>% filter( !is.na(mean_alo) ) %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Median"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") %>% add_header_above(c(" " = 1, "Arbeitslosenquote" = 3), align = "c") %>% * footnote(general = "Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.", * general_title = "Bitte beachten: ", * number = "Die ostdeutschen Bundesländer sind grau hinterlegt.") ``` ] .panel2-bula_kable-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.14 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> <tfoot> <tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr> <tr><td style="padding: 0; " colspan="100%">  Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr> <tr><td style="padding: 0; " colspan="100%"> ¹ Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr> </tfoot> </table> ] <style> .panel1-bula_kable-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-bula_kable-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-bula_kable-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- .center[.question[Was ist hier eine Beobachtung?]] <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 11px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Median </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 2.88 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 3.31 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 4.83 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 4.91 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 5.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.39 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.75 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 5.25 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.14 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.61 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 6.26 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.23 </td> </tr> <tr> <td style="text-align:left;"> Bremen </td> <td style="text-align:right;"> 9.08 </td> <td style="text-align:right;"> 2.64 </td> <td style="text-align:right;"> 9.08 </td> </tr> </tbody> <tfoot> <tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr> <tr><td style="padding: 0; " colspan="100%">  Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr> <tr><td style="padding: 0; " colspan="100%"> ¹ Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr> </tfoot> </table> --- ## Die Arbeitslosenquote auf Bundeslandebene .question[Was lernen wir aus der deskriptiven Tabelle?] -- - Landkreise im Süden Deutschlands haben durchschnittlich eine eher niedrige Arbeitslosenquote (<3.5%) -- - Landkreise in den ostdeutschen Bundesländern haben tendenziell höhere Arbeitslosenquoten (>5.5%) -- - Bundesländer wie Bayern oder Baden-Württemberg haben relativ niedrige Arbeitslosenquoten und relativ geringe regionale Unterschiede (niedrige Standardabweichungen). -- - Bundesländer wie Nordrhein-Westfalen und Niedersachsen haben zwar eine relativ niedrige Arbeitslosenquote, aber sehr unterschiedliche regionale Verteilungen (hohe Standardabweichungen), was auf starke regionale Unterschiede hinweist. -- - Median liegt recht nahe am Mittelwert für die Bundesländern .alert[Sehr große Unterschiede in den durchschnittlichen Arbeitslosenquoten zwischen Landkreisen in Ost- und Westdeutschland!] --- ## Die Arbeitslosenquote zwischen Ost- und Westdeutschland Wir wollen uns eine neue Variable "ost", bzw. "ost_name" generieren. Anschließend können wir uns die Arbeitslosigkeit für Ost- und Westdeutschland anschauen. ``` r gesamtdaten <- gesamtdaten %>% mutate( ost = as.factor(ifelse(bundesland_name %in% c("Brandenburg", "Mecklenburg-Vorpommern", "Sachsen", "Sachsen-Anhalt", "Thüringen"), 1, 0)), ost_name = ifelse(ost == 1, "Ostdeutschland", "Westdeutschland")) ``` --- count: false .panel1-ost-auto[ ``` r *gesamtdaten ``` ] .panel2-ost-auto[ ``` ## # A tibble: 400 × 12 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 7 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl> ``` ] --- count: false .panel1-ost-auto[ ``` r gesamtdaten %>% * mutate( ost = as.factor(ifelse(bundesland_name %in% c("Brandenburg", "Mecklenburg-Vorpommern", "Sachsen", "Sachsen-Anhalt", "Thüringen"), 1, 0)), * ost_name = ifelse(ost == 1, "Ostdeutschland", "Westdeutschland")) ``` ] .panel2-ost-auto[ ``` ## # A tibble: 400 × 14 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] <style> .panel1-ost-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-ost-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-ost-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Die Arbeitslosenquote zwischen Ost- und Westdeutschland ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% ungroup() %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Minimum", "P25", "Median", "P75", "Maximum"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% add_header_above(c(" " = 1, "Arbeitslosenquote" = 7), align = "c") %>% footnote(general = "Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Berechnung enthalten sind.", general_title = "Bitte beachten: ") ``` --- count: false .panel1-ost_deskriptiv-auto[ ``` r *gesamtdaten ``` ] .panel2-ost_deskriptiv-auto[ ``` ## # A tibble: 400 × 14 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% * group_by(ost_name) ``` ] .panel2-ost_deskriptiv-auto[ ``` ## # A tibble: 400 × 14 ## # Groups: ost_name [2] ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% * summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) ``` ] .panel2-ost_deskriptiv-auto[ ``` ## # A tibble: 2 × 8 ## ost_name mean_alo sd_alo min_alo q25 median_alo q75 max_alo ## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 Ostdeutschland 6.30 1.46 3.76 5.16 6.26 7.16 10.7 ## 2 Westdeutschland 4.56 1.98 1.50 3.13 3.99 5.74 13.7 ``` ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% * ungroup() ``` ] .panel2-ost_deskriptiv-auto[ ``` ## # A tibble: 2 × 8 ## ost_name mean_alo sd_alo min_alo q25 median_alo q75 max_alo ## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 Ostdeutschland 6.30 1.46 3.76 5.16 6.26 7.16 10.7 ## 2 Westdeutschland 4.56 1.98 1.50 3.13 3.99 5.74 13.7 ``` ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% ungroup() %>% * kbl(col.names = c("Bundesland", * "Mittelwert", * "Std.", * "Minimum", * "P25", * "Median", * "P75", * "Maximum"), digits = 2) ``` ] .panel2-ost_deskriptiv-auto[ <table> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Minimum </th> <th style="text-align:right;"> P25 </th> <th style="text-align:right;"> Median </th> <th style="text-align:right;"> P75 </th> <th style="text-align:right;"> Maximum </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Ostdeutschland </td> <td style="text-align:right;"> 6.30 </td> <td style="text-align:right;"> 1.46 </td> <td style="text-align:right;"> 3.76 </td> <td style="text-align:right;"> 5.16 </td> <td style="text-align:right;"> 6.26 </td> <td style="text-align:right;"> 7.16 </td> <td style="text-align:right;"> 10.70 </td> </tr> <tr> <td style="text-align:left;"> Westdeutschland </td> <td style="text-align:right;"> 4.56 </td> <td style="text-align:right;"> 1.98 </td> <td style="text-align:right;"> 1.50 </td> <td style="text-align:right;"> 3.13 </td> <td style="text-align:right;"> 3.99 </td> <td style="text-align:right;"> 5.74 </td> <td style="text-align:right;"> 13.71 </td> </tr> </tbody> </table> ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% ungroup() %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Minimum", "P25", "Median", "P75", "Maximum"), digits = 2) %>% * kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) ``` ] .panel2-ost_deskriptiv-auto[ <table class="table table-striped table-hover table-condensed table-responsive" style="margin-left: auto; margin-right: auto;"> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Minimum </th> <th style="text-align:right;"> P25 </th> <th style="text-align:right;"> Median </th> <th style="text-align:right;"> P75 </th> <th style="text-align:right;"> Maximum </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Ostdeutschland </td> <td style="text-align:right;"> 6.30 </td> <td style="text-align:right;"> 1.46 </td> <td style="text-align:right;"> 3.76 </td> <td style="text-align:right;"> 5.16 </td> <td style="text-align:right;"> 6.26 </td> <td style="text-align:right;"> 7.16 </td> <td style="text-align:right;"> 10.70 </td> </tr> <tr> <td style="text-align:left;"> Westdeutschland </td> <td style="text-align:right;"> 4.56 </td> <td style="text-align:right;"> 1.98 </td> <td style="text-align:right;"> 1.50 </td> <td style="text-align:right;"> 3.13 </td> <td style="text-align:right;"> 3.99 </td> <td style="text-align:right;"> 5.74 </td> <td style="text-align:right;"> 13.71 </td> </tr> </tbody> </table> ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% ungroup() %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Minimum", "P25", "Median", "P75", "Maximum"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% * kable_paper(full_width = F) ``` ] .panel2-ost_deskriptiv-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Minimum </th> <th style="text-align:right;"> P25 </th> <th style="text-align:right;"> Median </th> <th style="text-align:right;"> P75 </th> <th style="text-align:right;"> Maximum </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Ostdeutschland </td> <td style="text-align:right;"> 6.30 </td> <td style="text-align:right;"> 1.46 </td> <td style="text-align:right;"> 3.76 </td> <td style="text-align:right;"> 5.16 </td> <td style="text-align:right;"> 6.26 </td> <td style="text-align:right;"> 7.16 </td> <td style="text-align:right;"> 10.70 </td> </tr> <tr> <td style="text-align:left;"> Westdeutschland </td> <td style="text-align:right;"> 4.56 </td> <td style="text-align:right;"> 1.98 </td> <td style="text-align:right;"> 1.50 </td> <td style="text-align:right;"> 3.13 </td> <td style="text-align:right;"> 3.99 </td> <td style="text-align:right;"> 5.74 </td> <td style="text-align:right;"> 13.71 </td> </tr> </tbody> </table> ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% ungroup() %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Minimum", "P25", "Median", "P75", "Maximum"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% * add_header_above(c(" " = 1, "Arbeitslosenquote" = 7), align = "c") ``` ] .panel2-ost_deskriptiv-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="7"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Minimum </th> <th style="text-align:right;"> P25 </th> <th style="text-align:right;"> Median </th> <th style="text-align:right;"> P75 </th> <th style="text-align:right;"> Maximum </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Ostdeutschland </td> <td style="text-align:right;"> 6.30 </td> <td style="text-align:right;"> 1.46 </td> <td style="text-align:right;"> 3.76 </td> <td style="text-align:right;"> 5.16 </td> <td style="text-align:right;"> 6.26 </td> <td style="text-align:right;"> 7.16 </td> <td style="text-align:right;"> 10.70 </td> </tr> <tr> <td style="text-align:left;"> Westdeutschland </td> <td style="text-align:right;"> 4.56 </td> <td style="text-align:right;"> 1.98 </td> <td style="text-align:right;"> 1.50 </td> <td style="text-align:right;"> 3.13 </td> <td style="text-align:right;"> 3.99 </td> <td style="text-align:right;"> 5.74 </td> <td style="text-align:right;"> 13.71 </td> </tr> </tbody> </table> ] --- count: false .panel1-ost_deskriptiv-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>% ungroup() %>% kbl(col.names = c("Bundesland", "Mittelwert", "Std.", "Minimum", "P25", "Median", "P75", "Maximum"), digits = 2) %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% add_header_above(c(" " = 1, "Arbeitslosenquote" = 7), align = "c") %>% * footnote(general = "Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Berechnung enthalten sind.", * general_title = "Bitte beachten: ") ``` ] .panel2-ost_deskriptiv-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="7"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Minimum </th> <th style="text-align:right;"> P25 </th> <th style="text-align:right;"> Median </th> <th style="text-align:right;"> P75 </th> <th style="text-align:right;"> Maximum </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Ostdeutschland </td> <td style="text-align:right;"> 6.30 </td> <td style="text-align:right;"> 1.46 </td> <td style="text-align:right;"> 3.76 </td> <td style="text-align:right;"> 5.16 </td> <td style="text-align:right;"> 6.26 </td> <td style="text-align:right;"> 7.16 </td> <td style="text-align:right;"> 10.70 </td> </tr> <tr> <td style="text-align:left;"> Westdeutschland </td> <td style="text-align:right;"> 4.56 </td> <td style="text-align:right;"> 1.98 </td> <td style="text-align:right;"> 1.50 </td> <td style="text-align:right;"> 3.13 </td> <td style="text-align:right;"> 3.99 </td> <td style="text-align:right;"> 5.74 </td> <td style="text-align:right;"> 13.71 </td> </tr> </tbody> <tfoot> <tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr> <tr><td style="padding: 0; " colspan="100%">  Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Berechnung enthalten sind.</td></tr> </tfoot> </table> ] <style> .panel1-ost_deskriptiv-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-ost_deskriptiv-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-ost_deskriptiv-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> -- .center[.instructions[Beschreiben Sie die Tabelle!]] --- ## Die Arbeitslosenquote zwischen Ost- und Westdeutschland Große Unterschiede werden sichtbar: - Mittelwert über 1,7 Prozentpunkte niedriger in den Landkreisen der westdeutschen Bundesländer - Die Standardabweichung ist in Westdeutschland deutlich höher als in Ostdeutschland - Der Median der ostdeutschen Landkreise liegt nahe dem Mittelwert dieser Landkreise. Der Median in den westdeutschen Landkreisen liegt jedoch deutlich unter deren Mittelwert - Im **25% Quantil** in den **ostdeutschen Landkreisen** ist die Arbeitslosenquote bei **5,16%** - Bei den **westdeutschen Landkreisen** ist das **75% Quantil** bei einer Arbeitslosenquote von **5,74%**! --- ### Arbeitslosenquote, BIP pro Kopf und Schulden pro Kopf ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", caption = "Deskriptive Tabelle komplett") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>% kable_paper(full_width = F) %>% row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") %>% add_header_above(c(" " = 1, "Arbeitslosenquote" = 2, "BIP pro Kopf" = 2, "Schulden pro Kopf" = 2), align = "c") %>% footnote(general = "Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.", general_title = "Bitte beachten: ", number = "Die ostdeutschen Bundesländer sind grau hinterlegt.") ``` --- count: false .panel1-alo_schulden_bip-auto[ ``` r *gesamtdaten ``` ] .panel2-alo_schulden_bip-auto[ ``` ## # A tibble: 400 × 14 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% * group_by( bundesland_name ) ``` ] .panel2-alo_schulden_bip-auto[ ``` ## # A tibble: 400 × 14 ## # Groups: bundesland_name [16] ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% * summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) ``` ] .panel2-alo_schulden_bip-auto[ ``` ## # A tibble: 16 × 7 ## bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_kopf ## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 Baden-Württembe… 3.41 0.741 49825. 15017. 3140. ## 2 Bayern 2.98 0.703 49282. 21402. 2182. ## 3 Berlin NA NA NA NA NA ## 4 Brandenburg 6.36 1.42 35440. 7563. 2469. ## 5 Bremen 9.08 2.64 47873. 14123. NA ## 6 Hamburg NA NA NA NA NA ## 7 Hessen 4.72 1.17 45974. 18556. 3868. ## 8 Mecklenburg-Vor… 7.21 1.17 34664. 7288. 3861. ## 9 Niedersachsen 5.57 1.67 40510. 20508. 2541. ## 10 Nordrhein-Westf… 6.63 2.37 41435. 12334. 4284. ## 11 Rheinland-Pfalz 5.05 1.44 40223. 18368. 3125. ## 12 Saarland 5.57 1.67 36453. 8555. 5163. ## 13 Sachsen 5.53 0.790 34595. 5879. 2413. ## 14 Sachsen-Anhalt 7.45 1.38 33644. 5192. 2947. ## 15 Schleswig-Holst… 5.38 0.865 39300. 9913. 3158. ## 16 Thüringen 5.64 1.35 32240. 6650. 2759. ## # ℹ 1 more variable: sd_schulden <dbl> ``` ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% * ungroup() -> bula_data_all ``` ] .panel2-alo_schulden_bip-auto[ ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all *bula_data_all ``` ] .panel2-alo_schulden_bip-auto[ ``` ## # A tibble: 16 × 7 ## bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_kopf ## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 Baden-Württembe… 3.41 0.741 49825. 15017. 3140. ## 2 Bayern 2.98 0.703 49282. 21402. 2182. ## 3 Berlin NA NA NA NA NA ## 4 Brandenburg 6.36 1.42 35440. 7563. 2469. ## 5 Bremen 9.08 2.64 47873. 14123. NA ## 6 Hamburg NA NA NA NA NA ## 7 Hessen 4.72 1.17 45974. 18556. 3868. ## 8 Mecklenburg-Vor… 7.21 1.17 34664. 7288. 3861. ## 9 Niedersachsen 5.57 1.67 40510. 20508. 2541. ## 10 Nordrhein-Westf… 6.63 2.37 41435. 12334. 4284. ## 11 Rheinland-Pfalz 5.05 1.44 40223. 18368. 3125. ## 12 Saarland 5.57 1.67 36453. 8555. 5163. ## 13 Sachsen 5.53 0.790 34595. 5879. 2413. ## 14 Sachsen-Anhalt 7.45 1.38 33644. 5192. 2947. ## 15 Schleswig-Holst… 5.38 0.865 39300. 9913. 3158. ## 16 Thüringen 5.64 1.35 32240. 6650. 2759. ## # ℹ 1 more variable: sd_schulden <dbl> ``` ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% * arrange( mean_alo ) ``` ] .panel2-alo_schulden_bip-auto[ ``` ## # A tibble: 16 × 7 ## bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_kopf ## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 Bayern 2.98 0.703 49282. 21402. 2182. ## 2 Baden-Württembe… 3.41 0.741 49825. 15017. 3140. ## 3 Hessen 4.72 1.17 45974. 18556. 3868. ## 4 Rheinland-Pfalz 5.05 1.44 40223. 18368. 3125. ## 5 Schleswig-Holst… 5.38 0.865 39300. 9913. 3158. ## 6 Sachsen 5.53 0.790 34595. 5879. 2413. ## 7 Niedersachsen 5.57 1.67 40510. 20508. 2541. ## 8 Saarland 5.57 1.67 36453. 8555. 5163. ## 9 Thüringen 5.64 1.35 32240. 6650. 2759. ## 10 Brandenburg 6.36 1.42 35440. 7563. 2469. ## 11 Nordrhein-Westf… 6.63 2.37 41435. 12334. 4284. ## 12 Mecklenburg-Vor… 7.21 1.17 34664. 7288. 3861. ## 13 Sachsen-Anhalt 7.45 1.38 33644. 5192. 2947. ## 14 Bremen 9.08 2.64 47873. 14123. NA ## 15 Berlin NA NA NA NA NA ## 16 Hamburg NA NA NA NA NA ## # ℹ 1 more variable: sd_schulden <dbl> ``` ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% * filter( !is.na(mean_schulden_kopf) ) ``` ] .panel2-alo_schulden_bip-auto[ ``` ## # A tibble: 13 × 7 ## bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_kopf ## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 Bayern 2.98 0.703 49282. 21402. 2182. ## 2 Baden-Württembe… 3.41 0.741 49825. 15017. 3140. ## 3 Hessen 4.72 1.17 45974. 18556. 3868. ## 4 Rheinland-Pfalz 5.05 1.44 40223. 18368. 3125. ## 5 Schleswig-Holst… 5.38 0.865 39300. 9913. 3158. ## 6 Sachsen 5.53 0.790 34595. 5879. 2413. ## 7 Niedersachsen 5.57 1.67 40510. 20508. 2541. ## 8 Saarland 5.57 1.67 36453. 8555. 5163. ## 9 Thüringen 5.64 1.35 32240. 6650. 2759. ## 10 Brandenburg 6.36 1.42 35440. 7563. 2469. ## 11 Nordrhein-Westf… 6.63 2.37 41435. 12334. 4284. ## 12 Mecklenburg-Vor… 7.21 1.17 34664. 7288. 3861. ## 13 Sachsen-Anhalt 7.45 1.38 33644. 5192. 2947. ## # ℹ 1 more variable: sd_schulden <dbl> ``` ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% * kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", * caption = "Deskriptive Tabelle komplett") ``` ] .panel2-alo_schulden_bip-auto[ <table> <caption>Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;"> Sachsen </td> <td style="text-align:right;"> 5.53 </td> <td style="text-align:right;"> 0.79 </td> <td style="text-align:right;"> 34595.31 </td> <td style="text-align:right;"> 5878.85 </td> <td style="text-align:right;"> 2413.17 </td> <td style="text-align:right;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;"> Thüringen </td> <td style="text-align:right;"> 5.64 </td> <td style="text-align:right;"> 1.35 </td> <td style="text-align:right;"> 32239.94 </td> <td style="text-align:right;"> 6650.04 </td> <td style="text-align:right;"> 2759.01 </td> <td style="text-align:right;"> 601.39 </td> </tr> <tr> <td style="text-align:left;"> Brandenburg </td> <td style="text-align:right;"> 6.36 </td> <td style="text-align:right;"> 1.42 </td> <td style="text-align:right;"> 35440.47 </td> <td style="text-align:right;"> 7562.58 </td> <td style="text-align:right;"> 2469.16 </td> <td style="text-align:right;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;"> 7.21 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 34663.84 </td> <td style="text-align:right;"> 7287.85 </td> <td style="text-align:right;"> 3861.19 </td> <td style="text-align:right;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;"> Sachsen-Anhalt </td> <td style="text-align:right;"> 7.45 </td> <td style="text-align:right;"> 1.38 </td> <td style="text-align:right;"> 33643.87 </td> <td style="text-align:right;"> 5191.52 </td> <td style="text-align:right;"> 2947.40 </td> <td style="text-align:right;"> 1559.79 </td> </tr> </tbody> </table> ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", caption = "Deskriptive Tabelle komplett") %>% * kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), * font_size = 9) ``` ] .panel2-alo_schulden_bip-auto[ <table class="table table-striped table-hover table-condensed table-responsive" style="font-size: 9px; margin-left: auto; margin-right: auto;"> <caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;"> Sachsen </td> <td style="text-align:right;"> 5.53 </td> <td style="text-align:right;"> 0.79 </td> <td style="text-align:right;"> 34595.31 </td> <td style="text-align:right;"> 5878.85 </td> <td style="text-align:right;"> 2413.17 </td> <td style="text-align:right;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;"> Thüringen </td> <td style="text-align:right;"> 5.64 </td> <td style="text-align:right;"> 1.35 </td> <td style="text-align:right;"> 32239.94 </td> <td style="text-align:right;"> 6650.04 </td> <td style="text-align:right;"> 2759.01 </td> <td style="text-align:right;"> 601.39 </td> </tr> <tr> <td style="text-align:left;"> Brandenburg </td> <td style="text-align:right;"> 6.36 </td> <td style="text-align:right;"> 1.42 </td> <td style="text-align:right;"> 35440.47 </td> <td style="text-align:right;"> 7562.58 </td> <td style="text-align:right;"> 2469.16 </td> <td style="text-align:right;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;"> 7.21 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 34663.84 </td> <td style="text-align:right;"> 7287.85 </td> <td style="text-align:right;"> 3861.19 </td> <td style="text-align:right;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;"> Sachsen-Anhalt </td> <td style="text-align:right;"> 7.45 </td> <td style="text-align:right;"> 1.38 </td> <td style="text-align:right;"> 33643.87 </td> <td style="text-align:right;"> 5191.52 </td> <td style="text-align:right;"> 2947.40 </td> <td style="text-align:right;"> 1559.79 </td> </tr> </tbody> </table> ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", caption = "Deskriptive Tabelle komplett") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), font_size = 9) %>% * kable_paper(full_width = F) ``` ] .panel2-alo_schulden_bip-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;"> Sachsen </td> <td style="text-align:right;"> 5.53 </td> <td style="text-align:right;"> 0.79 </td> <td style="text-align:right;"> 34595.31 </td> <td style="text-align:right;"> 5878.85 </td> <td style="text-align:right;"> 2413.17 </td> <td style="text-align:right;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;"> Thüringen </td> <td style="text-align:right;"> 5.64 </td> <td style="text-align:right;"> 1.35 </td> <td style="text-align:right;"> 32239.94 </td> <td style="text-align:right;"> 6650.04 </td> <td style="text-align:right;"> 2759.01 </td> <td style="text-align:right;"> 601.39 </td> </tr> <tr> <td style="text-align:left;"> Brandenburg </td> <td style="text-align:right;"> 6.36 </td> <td style="text-align:right;"> 1.42 </td> <td style="text-align:right;"> 35440.47 </td> <td style="text-align:right;"> 7562.58 </td> <td style="text-align:right;"> 2469.16 </td> <td style="text-align:right;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;"> 7.21 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 34663.84 </td> <td style="text-align:right;"> 7287.85 </td> <td style="text-align:right;"> 3861.19 </td> <td style="text-align:right;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;"> Sachsen-Anhalt </td> <td style="text-align:right;"> 7.45 </td> <td style="text-align:right;"> 1.38 </td> <td style="text-align:right;"> 33643.87 </td> <td style="text-align:right;"> 5191.52 </td> <td style="text-align:right;"> 2947.40 </td> <td style="text-align:right;"> 1559.79 </td> </tr> </tbody> </table> ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", caption = "Deskriptive Tabelle komplett") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), font_size = 9) %>% kable_paper(full_width = F) %>% * row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") ``` ] .panel2-alo_schulden_bip-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34595.31 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5878.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2413.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 32239.94 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6650.04 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2759.01 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 601.39 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 35440.47 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7562.58 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2469.16 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34663.84 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7287.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 3861.19 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 33643.87 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5191.52 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2947.40 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1559.79 </td> </tr> </tbody> </table> ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", caption = "Deskriptive Tabelle komplett") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), font_size = 9) %>% kable_paper(full_width = F) %>% row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") %>% * add_header_above(c(" " = 1, "Arbeitslosenquote" = 2, "BIP pro Kopf" = 2, "Schulden pro Kopf" = 2), align = "c") ``` ] .panel2-alo_schulden_bip-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'> <caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">BIP pro Kopf</div></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Schulden pro Kopf</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34595.31 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5878.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2413.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 32239.94 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6650.04 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2759.01 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 601.39 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 35440.47 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7562.58 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2469.16 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34663.84 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7287.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 3861.19 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 33643.87 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5191.52 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2947.40 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1559.79 </td> </tr> </tbody> </table> ] --- count: false .panel1-alo_schulden_bip-auto[ ``` r gesamtdaten %>% group_by( bundesland_name ) %>% summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>% ungroup() -> bula_data_all bula_data_all %>% arrange( mean_alo ) %>% filter( !is.na(mean_schulden_kopf) ) %>% kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html", caption = "Deskriptive Tabelle komplett") %>% kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), font_size = 9) %>% kable_paper(full_width = F) %>% row_spec(c(6,9, 10, 12,13), bold = T, color = "white", background = "#BBBBBB") %>% add_header_above(c(" " = 1, "Arbeitslosenquote" = 2, "BIP pro Kopf" = 2, "Schulden pro Kopf" = 2), align = "c") %>% * footnote(general = "Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.", * general_title = "Bitte beachten: ", * number = "Die ostdeutschen Bundesländer sind grau hinterlegt.") ``` ] .panel2-alo_schulden_bip-auto[ <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'> <caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">BIP pro Kopf</div></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Schulden pro Kopf</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34595.31 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5878.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2413.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 32239.94 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6650.04 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2759.01 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 601.39 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 35440.47 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7562.58 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2469.16 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34663.84 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7287.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 3861.19 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 33643.87 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5191.52 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2947.40 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1559.79 </td> </tr> </tbody> <tfoot> <tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr> <tr><td style="padding: 0; " colspan="100%">  Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr> <tr><td style="padding: 0; " colspan="100%"> ¹ Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr> </tfoot> </table> ] <style> .panel1-alo_schulden_bip-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-alo_schulden_bip-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-alo_schulden_bip-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ### Arbeitslosenquote, BIP pro Kopf und Schulden pro Kopf <table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'> <caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption> <thead> <tr> <th style="empty-cells: hide;" colspan="1"></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">BIP pro Kopf</div></th> <th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Schulden pro Kopf</div></th> </tr> <tr> <th style="text-align:left;"> Bundesland </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> <th style="text-align:right;"> Mittelwert </th> <th style="text-align:right;"> Std. </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Bayern </td> <td style="text-align:right;"> 2.98 </td> <td style="text-align:right;"> 0.70 </td> <td style="text-align:right;"> 49281.51 </td> <td style="text-align:right;"> 21402.37 </td> <td style="text-align:right;"> 2181.67 </td> <td style="text-align:right;"> 1578.71 </td> </tr> <tr> <td style="text-align:left;"> Baden-Württemberg </td> <td style="text-align:right;"> 3.41 </td> <td style="text-align:right;"> 0.74 </td> <td style="text-align:right;"> 49824.77 </td> <td style="text-align:right;"> 15016.77 </td> <td style="text-align:right;"> 3140.21 </td> <td style="text-align:right;"> 2478.42 </td> </tr> <tr> <td style="text-align:left;"> Hessen </td> <td style="text-align:right;"> 4.72 </td> <td style="text-align:right;"> 1.17 </td> <td style="text-align:right;"> 45974.34 </td> <td style="text-align:right;"> 18556.10 </td> <td style="text-align:right;"> 3867.58 </td> <td style="text-align:right;"> 3426.79 </td> </tr> <tr> <td style="text-align:left;"> Rheinland-Pfalz </td> <td style="text-align:right;"> 5.05 </td> <td style="text-align:right;"> 1.44 </td> <td style="text-align:right;"> 40223.17 </td> <td style="text-align:right;"> 18368.50 </td> <td style="text-align:right;"> 3124.69 </td> <td style="text-align:right;"> 3530.59 </td> </tr> <tr> <td style="text-align:left;"> Schleswig-Holstein </td> <td style="text-align:right;"> 5.38 </td> <td style="text-align:right;"> 0.86 </td> <td style="text-align:right;"> 39299.56 </td> <td style="text-align:right;"> 9913.17 </td> <td style="text-align:right;"> 3158.22 </td> <td style="text-align:right;"> 1400.46 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.53 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 0.79 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34595.31 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5878.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2413.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 884.77 </td> </tr> <tr> <td style="text-align:left;"> Niedersachsen </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 40509.82 </td> <td style="text-align:right;"> 20508.37 </td> <td style="text-align:right;"> 2540.61 </td> <td style="text-align:right;"> 2050.13 </td> </tr> <tr> <td style="text-align:left;"> Saarland </td> <td style="text-align:right;"> 5.57 </td> <td style="text-align:right;"> 1.67 </td> <td style="text-align:right;"> 36453.36 </td> <td style="text-align:right;"> 8554.62 </td> <td style="text-align:right;"> 5162.62 </td> <td style="text-align:right;"> 1182.97 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Thüringen </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5.64 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.35 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 32239.94 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6650.04 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2759.01 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 601.39 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Brandenburg </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 6.36 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.42 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 35440.47 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7562.58 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2469.16 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1249.58 </td> </tr> <tr> <td style="text-align:left;"> Nordrhein-Westfalen </td> <td style="text-align:right;"> 6.63 </td> <td style="text-align:right;"> 2.37 </td> <td style="text-align:right;"> 41434.87 </td> <td style="text-align:right;"> 12333.98 </td> <td style="text-align:right;"> 4283.95 </td> <td style="text-align:right;"> 2447.41 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Mecklenburg-Vorpommern </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.21 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.17 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 34663.84 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7287.85 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 3861.19 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1907.93 </td> </tr> <tr> <td style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> Sachsen-Anhalt </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 7.45 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1.38 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 33643.87 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 5191.52 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 2947.40 </td> <td style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(187, 187, 187, 255) !important;"> 1559.79 </td> </tr> </tbody> <tfoot> <tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr> <tr><td style="padding: 0; " colspan="100%">  Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr> <tr><td style="padding: 0; " colspan="100%"> ¹ Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr> </tfoot> </table> .center[.question[Was lernen wir aus dieser Tabelle?]] --- ### Arbeitslosenquote, BIP pro Kopf und Schulden pro Kopf - Landkreise in Bundesländer mit niedrigen Arbeitslosenquoten haben durchschnittlich ein hohes BIP pro Kopf - Ostdeutsche Landkreise haben im Durchschnitt ein BIP pro Kopf < 35000€ - Westdeutsche Landkreise haben im Durchschnitt ein BIP pro Kopf > 35000€ - Kein klares Bild der Landkreise hinsichtlich der Schulden pro Kopf -- .alert[Allein durch Mittelwert und Standardabweichung können wir bereits sehr viel über regionale Unterschiede lernen.] --- ## Entwicklung des BIP Auch zeitliche Entwicklungen können in einer Tabelle dargestellt werden .instructions[Als Beispiel sollten Sie sich die Tabelle zur Entwicklung des BIP pro Kopf in der Case-Study anschauen] Hier gelangen Sie direkt zur [entsprechenden Sektion in der ausformulierten Case-Study](https://projektkurs-data-science-ulm2425.netlify.app/case-study/case_study_germany_2#Summary_Statistics_auf_Bundeslandebene_f%C3%BCr_die_Arbeitslosigkeit) --- class: inverse, center, middle # Datenvisualisierung --- ## Arbeitslosenquote .alert[Das Auge verarbeitet Informationen deutlich schneller und intuitiver wenn diese in einer Grafik präsentiert werden, anstatt in Tabellenform.] -- Daher ist es wichtig Grafiken in den desktiptiven Analysen mit einzubeziehen **Daten:** Querschnittsdaten zur Arbeitslosigkeit in den Landkreisen aus dem Jahr 2022 -- Die folgende Grafik sollte enthalten: - **Zeige alle Daten**: Jeder Landkreis wird durch einen Punkt in der Grafik repräsentiert - Boxplot der Arbeitslosigkeit wird über die Punktewolke gelegt --- count: false .panel1-alo_jitter-auto[ ``` r *gesamtdaten ``` ] .panel2-alo_jitter-auto[ ``` ## # A tibble: 400 × 14 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% * select(alo_quote, landkreis_name, bundesland_name, ost_name) ``` ] .panel2-alo_jitter-auto[ ``` ## # A tibble: 400 × 4 ## alo_quote landkreis_name bundesland_name ost_name ## <dbl> <chr> <chr> <chr> ## 1 6.05 Flensburg Schleswig-Holstein Westdeutschland ## 2 5.46 Kiel Schleswig-Holstein Westdeutschland ## 3 6.07 Lübeck Schleswig-Holstein Westdeutschland ## 4 5.68 Neumünster Schleswig-Holstein Westdeutschland ## 5 5.80 Dithmarschen Schleswig-Holstein Westdeutschland ## 6 6.78 Herzogtum Lauenburg Schleswig-Holstein Westdeutschland ## 7 4.21 Nordfriesland Schleswig-Holstein Westdeutschland ## 8 4.82 Ostholstein Schleswig-Holstein Westdeutschland ## 9 6.07 Pinneberg Schleswig-Holstein Westdeutschland ## 10 5.32 Plön Schleswig-Holstein Westdeutschland ## # ℹ 390 more rows ``` ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% * mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) ``` ] .panel2-alo_jitter-auto[ ``` ## # A tibble: 400 × 5 ## alo_quote landkreis_name bundesland_name ost_name baden_wuerttemberg ## <dbl> <chr> <chr> <chr> <fct> ## 1 6.05 Flensburg Schleswig-Holstein Westdeut… 0 ## 2 5.46 Kiel Schleswig-Holstein Westdeut… 0 ## 3 6.07 Lübeck Schleswig-Holstein Westdeut… 0 ## 4 5.68 Neumünster Schleswig-Holstein Westdeut… 0 ## 5 5.80 Dithmarschen Schleswig-Holstein Westdeut… 0 ## 6 6.78 Herzogtum Lauenburg Schleswig-Holstein Westdeut… 0 ## 7 4.21 Nordfriesland Schleswig-Holstein Westdeut… 0 ## 8 4.82 Ostholstein Schleswig-Holstein Westdeut… 0 ## 9 6.07 Pinneberg Schleswig-Holstein Westdeut… 0 ## 10 5.32 Plön Schleswig-Holstein Westdeut… 0 ## # ℹ 390 more rows ``` ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>% * ggplot(aes(x = ost_name, y=alo_quote)) ``` ] .panel2-alo_jitter-auto[ <!-- --> ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>% ggplot(aes(x = ost_name, y=alo_quote)) + * geom_jitter(aes(color = ifelse(baden_wuerttemberg == 1, "darkred", "darkgrey")), alpha=0.5) ``` ] .panel2-alo_jitter-auto[ <!-- --> ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>% ggplot(aes(x = ost_name, y=alo_quote)) + geom_jitter(aes(color = ifelse(baden_wuerttemberg == 1, "darkred", "darkgrey")), alpha=0.5) + * scale_color_identity() ``` ] .panel2-alo_jitter-auto[ <!-- --> ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>% ggplot(aes(x = ost_name, y=alo_quote)) + geom_jitter(aes(color = ifelse(baden_wuerttemberg == 1, "darkred", "darkgrey")), alpha=0.5) + scale_color_identity() + * geom_boxplot(alpha = 0.1) ``` ] .panel2-alo_jitter-auto[ <!-- --> ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>% ggplot(aes(x = ost_name, y=alo_quote)) + geom_jitter(aes(color = ifelse(baden_wuerttemberg == 1, "darkred", "darkgrey")), alpha=0.5) + scale_color_identity() + geom_boxplot(alpha = 0.1) + * theme_minimal() ``` ] .panel2-alo_jitter-auto[ <!-- --> ] --- count: false .panel1-alo_jitter-auto[ ``` r gesamtdaten %>% select(alo_quote, landkreis_name, bundesland_name, ost_name) %>% mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>% ggplot(aes(x = ost_name, y=alo_quote)) + geom_jitter(aes(color = ifelse(baden_wuerttemberg == 1, "darkred", "darkgrey")), alpha=0.5) + scale_color_identity() + geom_boxplot(alpha = 0.1) + theme_minimal() + * labs(title = "Arbeitslosenquote in Deutschland", * subtitle = "Eine Beobachtung repräsentiert einen Landkreis, Baden-Württemberg rot eingefärbt", * x = "", * y = "Arbeitslosenquote", * caption = "Quelle: Daten der Agentur für Arbeit aus dem Jahr 2022") ``` ] .panel2-alo_jitter-auto[ <!-- --> ] <style> .panel1-alo_jitter-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-alo_jitter-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-alo_jitter-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Arbeitslosenquote .center[.instructions[Beschreiben Sie das gezeigte Schaubild]] <img src="VL_case-study-Teil2_files/figure-html/unnamed-chunk-24-1.png" width="35%" style="display: block; margin: auto;" /> --- ## Arbeitslosenquote **Beschreibung** des Schaubilds: - Rote Datenpunkte Baden-Württemberg, fast alle unter dem Median in Westdeutschland - Median in Westdeutschland deutlich geringer als in Ostdeutschland - 75% Quantil in Westdeutschland deutlich unter dem Median in Ostdeutschland - Alle Landkreise unter 15% Arbeitslosenquote; Verglichen mit den europäischen Daten sehr gut --- ## Bruttoinlandsprodukt pro Kopf Es gibt deutliche regionale Unterschiede zwischen den Landkreisen. Doch ist dies auch beim BIP pro Kopf der Fall? Und war das schon immer so? .instructions[Wir betrachten das BIP pro Kopf über die Zeit für ost- und westdeutsche Landkreise!] Hier können wir sehen: - ob es auch regionale Unterschiede im BIP pro Kopf gibt - ob die regionalen Unterschiede schon längere Zeit bestehen - ob die regionalen Unterschiede sich vergrößern oder verkleinern --- ## Bruttoinlandsprodukt pro Kopf Das Bruttoinlandsprodukt stellt die wichtigste gesamtwirtschaftliche Kenngröße dar. Falls das BIP in einem Landkreis hoch ist könnte dies unter anderem daran liegen, dass - viele Personen in diesem Landkreis erwerbstätig sind, - oder das die Erwerbstätigen in Branchen mit hoher Produktivität arbeiten. Falls der erste Punkt zutrifft sollte ein hohes BIP pro Kopf (berechnet als BIP pro **Einwohner**) tendenziell auch mit einer niedrigeren Arbeitslosenquote einhergehen. --- count: false .panel1-bip1-auto[ ``` r *options(scipen = 5) ``` ] .panel2-bip1-auto[ ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) *bip_zeitreihe_namen ``` ] .panel2-bip1-auto[ ``` ## # A tibble: 11,940 × 8 ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 08111 1992 32946884000 593628 55501. Baden-Württemberg ## 2 08115 1992 12090930000 343190 35231. Baden-Württemberg ## 3 08116 1992 12275605000 487370 25187. Baden-Württemberg ## 4 08117 1992 5062037000 248688 20355. Baden-Württemberg ## 5 08118 1992 11714160000 475248 24649. Baden-Württemberg ## 6 08119 1992 8500405000 389670 21814. Baden-Württemberg ## 7 08121 1992 4219259000 118566 35586. Baden-Württemberg ## 8 08125 1992 6073525000 283163 21449. Baden-Württemberg ## 9 08126 1992 2273334000 96072 23663. Baden-Württemberg ## 10 08127 1992 3432175000 169617 20235. Baden-Württemberg ## # ℹ 11,930 more rows ## # ℹ 2 more variables: landkreis_name <chr>, ost_name <chr> ``` ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% * filter( Jahr >= 2000 ) ``` ] .panel2-bip1-auto[ ``` ## # A tibble: 9,154 × 8 ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 08111 2000 35273886000 571528 61719. Baden-Württemberg ## 2 08115 2000 13867882000 359476 38578. Baden-Württemberg ## 3 08116 2000 14404617000 492914 29223. Baden-Württemberg ## 4 08117 2000 6000420000 253970 23626. Baden-Württemberg ## 5 08118 2000 14657540000 492014 29791. Baden-Württemberg ## 6 08119 2000 10367512000 403830 25673. Baden-Württemberg ## 7 08121 2000 5273634000 115590 45624. Baden-Württemberg ## 8 08125 2000 8453750000 316406 26718. Baden-Württemberg ## 9 08126 2000 3083030000 106494 28950. Baden-Württemberg ## 10 08127 2000 4503834000 184222 24448. Baden-Württemberg ## # ℹ 9,144 more rows ## # ℹ 2 more variables: landkreis_name <chr>, ost_name <chr> ``` ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% * group_by(ost_name, Jahr) ``` ] .panel2-bip1-auto[ ``` ## # A tibble: 9,154 × 8 ## # Groups: ost_name, Jahr [46] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 08111 2000 35273886000 571528 61719. Baden-Württemberg ## 2 08115 2000 13867882000 359476 38578. Baden-Württemberg ## 3 08116 2000 14404617000 492914 29223. Baden-Württemberg ## 4 08117 2000 6000420000 253970 23626. Baden-Württemberg ## 5 08118 2000 14657540000 492014 29791. Baden-Württemberg ## 6 08119 2000 10367512000 403830 25673. Baden-Württemberg ## 7 08121 2000 5273634000 115590 45624. Baden-Württemberg ## 8 08125 2000 8453750000 316406 26718. Baden-Württemberg ## 9 08126 2000 3083030000 106494 28950. Baden-Württemberg ## 10 08127 2000 4503834000 184222 24448. Baden-Württemberg ## # ℹ 9,144 more rows ## # ℹ 2 more variables: landkreis_name <chr>, ost_name <chr> ``` ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% * mutate( durchschnitt = mean(bip_pro_kopf), * ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) ``` ] .panel2-bip1-auto[ ``` ## # A tibble: 9,154 × 10 ## # Groups: ost_name, Jahr [46] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 08111 2000 35273886000 571528 61719. Baden-Württemberg ## 2 08115 2000 13867882000 359476 38578. Baden-Württemberg ## 3 08116 2000 14404617000 492914 29223. Baden-Württemberg ## 4 08117 2000 6000420000 253970 23626. Baden-Württemberg ## 5 08118 2000 14657540000 492014 29791. Baden-Württemberg ## 6 08119 2000 10367512000 403830 25673. Baden-Württemberg ## 7 08121 2000 5273634000 115590 45624. Baden-Württemberg ## 8 08125 2000 8453750000 316406 26718. Baden-Württemberg ## 9 08126 2000 3083030000 106494 28950. Baden-Württemberg ## 10 08127 2000 4503834000 184222 24448. Baden-Württemberg ## # ℹ 9,144 more rows ## # ℹ 4 more variables: landkreis_name <chr>, ost_name <chr>, durchschnitt <dbl>, ## # ulm <dbl> ``` ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% * ggplot() ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + * geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + * geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") + * geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") + geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") + * scale_y_continuous(trans = "log10") ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") + geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") + scale_y_continuous(trans = "log10") + * theme_minimal() ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") + geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") + scale_y_continuous(trans = "log10") + theme_minimal() + * facet_wrap(ost_name ~ .) ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") + geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") + scale_y_continuous(trans = "log10") + theme_minimal() + facet_wrap(ost_name ~ .) + * theme(legend.position = "none") ``` ] .panel2-bip1-auto[ <!-- --> ] --- count: false .panel1-bip1-auto[ ``` r options(scipen = 5) bip_zeitreihe_namen %>% filter( Jahr >= 2000 ) %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf), ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") + geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") + scale_y_continuous(trans = "log10") + theme_minimal() + facet_wrap(ost_name ~ .) + theme(legend.position = "none") + * labs(title = "Ein Vergleich des BIP pro Kopf von ost- und westdeutschen Landkreisen", * subtitle = "Durchschnittswerte in Dunkelblau, Ulm in Dunkelgrün", * caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.", * x = "Jahr", * y = "BIP pro Kopf") ``` ] .panel2-bip1-auto[ <!-- --> ] <style> .panel1-bip1-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-bip1-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-bip1-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> -- .center[.instructions[Beschreiben und interpretieren Sie das gezeigte Schaubild.]] --- ## Bruttoinlandsprodukt pro Kopf **Beschreibung:** - Logarithmische Skalierung der y-Achse - Das Niveau des BIP pro Kopf ist in den ostdeutschen Landkreisen deutlich niedriger als in den westdeutschen. - Stadtkreis Ulm hat ein sehr hohes BIP pro Kopf, auch im Zeitablauf - Das BIP Pro Kopf nimmt im Zeitablauf in den ostdeutschen Landkreisen zu, doch erreicht es mit durchschnittlich 33936€ den Wert, welchen die westdeutschen Landkreise durchschnittlich in 2012 hatten! - In 2008/2009 gibt es überall einen Einbruch beim BIP pro Kopf, jedoch scheint dieser in den ostdeutschen Bundesländern nicht so stark gewesen zu sein -- **Interpretation:** - Eine Wachstumsprozess im BIP pro Kopf findet in allen Landkreisen statt, jedoch gibt es für die ostdeutschen Landkreise, welche deutlich niedriger gestartet sind, keinen erkennbaren Anpassungsprozess in Form eines schnelleren Wachstums - Wir sehen auch keinen Anpassungsprozess der Landkreise in Westdeutschland - Fraglich ist, ob wir hier mit einem Anpassungsprozess von strukturschwachen Landkreisen überhaupt rechnen sollten --- ## Bruttoinlandsprodukt pro Kopf Daten ab 1992 vorhanden, d.h. wir können auch weiter zuück gehen: - **Allerdings:** Keine Daten zu _allen_ Landkreisen, daher Vorsicht! - Hier sehen wir einen Anpassungsprozess in den 1990er Jahren - Anpassung verlangsamt sich, ab 2010 praktisch parallel --- class: center <img src="VL_case-study-Teil2_files/figure-html/unnamed-chunk-26-1.png" width="50%" /> --- ## Wachstum des BIP pro Kopf Paneldaten beim BIP pro Kopf vorhanden, d.h. wir können: - Das **Wachstum** des BIP pro Kopf - Für alle Landkreise in Deutschland - Seit 2000 bis 2022 berechnen und visualisieren. -- .question[Können wir einen Anpassungsprozess über die Wachstumsraten des BIP pro Kopf feststellen?] --- count: false .panel1-bip2-auto[ ``` r *bip_zeitreihe_namen ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 8 ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 08111 1992 32946884000 593628 55501. Baden-Württemberg ## 2 08115 1992 12090930000 343190 35231. Baden-Württemberg ## 3 08116 1992 12275605000 487370 25187. Baden-Württemberg ## 4 08117 1992 5062037000 248688 20355. Baden-Württemberg ## 5 08118 1992 11714160000 475248 24649. Baden-Württemberg ## 6 08119 1992 8500405000 389670 21814. Baden-Württemberg ## 7 08121 1992 4219259000 118566 35586. Baden-Württemberg ## 8 08125 1992 6073525000 283163 21449. Baden-Württemberg ## 9 08126 1992 2273334000 96072 23663. Baden-Württemberg ## 10 08127 1992 3432175000 169617 20235. Baden-Württemberg ## # ℹ 11,930 more rows ## # ℹ 2 more variables: landkreis_name <chr>, ost_name <chr> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% * group_by(Regionalschluessel) ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 8 ## # Groups: Regionalschluessel [398] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 08111 1992 32946884000 593628 55501. Baden-Württemberg ## 2 08115 1992 12090930000 343190 35231. Baden-Württemberg ## 3 08116 1992 12275605000 487370 25187. Baden-Württemberg ## 4 08117 1992 5062037000 248688 20355. Baden-Württemberg ## 5 08118 1992 11714160000 475248 24649. Baden-Württemberg ## 6 08119 1992 8500405000 389670 21814. Baden-Württemberg ## 7 08121 1992 4219259000 118566 35586. Baden-Württemberg ## 8 08125 1992 6073525000 283163 21449. Baden-Württemberg ## 9 08126 1992 2273334000 96072 23663. Baden-Württemberg ## 10 08127 1992 3432175000 169617 20235. Baden-Württemberg ## # ℹ 11,930 more rows ## # ℹ 2 more variables: landkreis_name <chr>, ost_name <chr> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% * arrange(Regionalschluessel, Jahr) ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 8 ## # Groups: Regionalschluessel [398] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 1992 2555393000 86642 29494. Schleswig-Holstein ## 2 01001 1994 2624290000 86287 30414. Schleswig-Holstein ## 3 01001 1995 2628469000 85506 30740. Schleswig-Holstein ## 4 01001 1996 2578880000 84499 30520. Schleswig-Holstein ## 5 01001 1997 2725086000 83344 32697. Schleswig-Holstein ## 6 01001 1998 2872187000 82112 34979. Schleswig-Holstein ## 7 01001 1999 2712126000 81276 33369. Schleswig-Holstein ## 8 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 9 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 10 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## # ℹ 11,930 more rows ## # ℹ 2 more variables: landkreis_name <chr>, ost_name <chr> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% * mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 9 ## # Groups: Regionalschluessel [398] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 1992 2555393000 86642 29494. Schleswig-Holstein ## 2 01001 1994 2624290000 86287 30414. Schleswig-Holstein ## 3 01001 1995 2628469000 85506 30740. Schleswig-Holstein ## 4 01001 1996 2578880000 84499 30520. Schleswig-Holstein ## 5 01001 1997 2725086000 83344 32697. Schleswig-Holstein ## 6 01001 1998 2872187000 82112 34979. Schleswig-Holstein ## 7 01001 1999 2712126000 81276 33369. Schleswig-Holstein ## 8 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 9 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 10 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## # ℹ 11,930 more rows ## # ℹ 3 more variables: landkreis_name <chr>, ost_name <chr>, ## # bip_pro_kopf_wachstum <dbl> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% * ungroup() ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 9 ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 1992 2555393000 86642 29494. Schleswig-Holstein ## 2 01001 1994 2624290000 86287 30414. Schleswig-Holstein ## 3 01001 1995 2628469000 85506 30740. Schleswig-Holstein ## 4 01001 1996 2578880000 84499 30520. Schleswig-Holstein ## 5 01001 1997 2725086000 83344 32697. Schleswig-Holstein ## 6 01001 1998 2872187000 82112 34979. Schleswig-Holstein ## 7 01001 1999 2712126000 81276 33369. Schleswig-Holstein ## 8 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 9 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 10 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## # ℹ 11,930 more rows ## # ℹ 3 more variables: landkreis_name <chr>, ost_name <chr>, ## # bip_pro_kopf_wachstum <dbl> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% * group_by(ost_name, Jahr) ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 9 ## # Groups: ost_name, Jahr [60] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 1992 2555393000 86642 29494. Schleswig-Holstein ## 2 01001 1994 2624290000 86287 30414. Schleswig-Holstein ## 3 01001 1995 2628469000 85506 30740. Schleswig-Holstein ## 4 01001 1996 2578880000 84499 30520. Schleswig-Holstein ## 5 01001 1997 2725086000 83344 32697. Schleswig-Holstein ## 6 01001 1998 2872187000 82112 34979. Schleswig-Holstein ## 7 01001 1999 2712126000 81276 33369. Schleswig-Holstein ## 8 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 9 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 10 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## # ℹ 11,930 more rows ## # ℹ 3 more variables: landkreis_name <chr>, ost_name <chr>, ## # bip_pro_kopf_wachstum <dbl> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% * mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 10 ## # Groups: ost_name, Jahr [60] ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 1992 2555393000 86642 29494. Schleswig-Holstein ## 2 01001 1994 2624290000 86287 30414. Schleswig-Holstein ## 3 01001 1995 2628469000 85506 30740. Schleswig-Holstein ## 4 01001 1996 2578880000 84499 30520. Schleswig-Holstein ## 5 01001 1997 2725086000 83344 32697. Schleswig-Holstein ## 6 01001 1998 2872187000 82112 34979. Schleswig-Holstein ## 7 01001 1999 2712126000 81276 33369. Schleswig-Holstein ## 8 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 9 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 10 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## # ℹ 11,930 more rows ## # ℹ 4 more variables: landkreis_name <chr>, ost_name <chr>, ## # bip_pro_kopf_wachstum <dbl>, durchschnitt <dbl> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% * ungroup() -> bip_wachstum ``` ] .panel2-bip2-auto[ ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum *bip_wachstum ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 11,940 × 10 ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 1992 2555393000 86642 29494. Schleswig-Holstein ## 2 01001 1994 2624290000 86287 30414. Schleswig-Holstein ## 3 01001 1995 2628469000 85506 30740. Schleswig-Holstein ## 4 01001 1996 2578880000 84499 30520. Schleswig-Holstein ## 5 01001 1997 2725086000 83344 32697. Schleswig-Holstein ## 6 01001 1998 2872187000 82112 34979. Schleswig-Holstein ## 7 01001 1999 2712126000 81276 33369. Schleswig-Holstein ## 8 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 9 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 10 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## # ℹ 11,930 more rows ## # ℹ 4 more variables: landkreis_name <chr>, ost_name <chr>, ## # bip_pro_kopf_wachstum <dbl>, durchschnitt <dbl> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% * filter( Jahr >= 2000 ) ``` ] .panel2-bip2-auto[ ``` ## # A tibble: 9,154 × 10 ## Regionalschluessel Jahr bip einwohner bip_pro_kopf bundesland_name ## <chr> <dbl> <dbl> <dbl> <dbl> <chr> ## 1 01001 2000 2487282000 80758 30799. Schleswig-Holstein ## 2 01001 2001 2465393000 80489 30630. Schleswig-Holstein ## 3 01001 2002 2635779000 80414 32778. Schleswig-Holstein ## 4 01001 2003 2705233000 80538 33590. Schleswig-Holstein ## 5 01001 2004 2867823000 80783 35500. Schleswig-Holstein ## 6 01001 2005 2900791000 80892 35860. Schleswig-Holstein ## 7 01001 2006 3021890000 81052 37283. Schleswig-Holstein ## 8 01001 2007 3051250000 81634 37377. Schleswig-Holstein ## 9 01001 2008 3105912000 82403 37692. Schleswig-Holstein ## 10 01001 2009 2993960000 82478 36300. Schleswig-Holstein ## # ℹ 9,144 more rows ## # ℹ 4 more variables: landkreis_name <chr>, ost_name <chr>, ## # bip_pro_kopf_wachstum <dbl>, durchschnitt <dbl> ``` ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% * ggplot() ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + * geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + * geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) + * scale_color_manual(values = c("#D55E00", "#0072B2")) ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) + scale_color_manual(values = c("#D55E00", "#0072B2")) + * theme_minimal() ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) + scale_color_manual(values = c("#D55E00", "#0072B2")) + theme_minimal() + * labs(color = "Durchschnitt der Landkreise", * title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen", * caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.", * x = "Jahr", * y = "Veränderung des BIP pro Kopf") ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) + scale_color_manual(values = c("#D55E00", "#0072B2")) + theme_minimal() + labs(color = "Durchschnitt der Landkreise", title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen", caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.", x = "Jahr", y = "Veränderung des BIP pro Kopf") + * theme(legend.position = "none") ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) + scale_color_manual(values = c("#D55E00", "#0072B2")) + theme_minimal() + labs(color = "Durchschnitt der Landkreise", title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen", caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.", x = "Jahr", y = "Veränderung des BIP pro Kopf") + theme(legend.position = "none") + * geom_text(aes(x=2000, y=40, label = "-- Durchschnitt für ostdeutsche Landkreise"), color = "#D55E00", hjust=0, size=4, alpha = 0.1) ``` ] .panel2-bip2-auto[ <!-- --> ] --- count: false .panel1-bip2-auto[ ``` r bip_zeitreihe_namen %>% group_by(Regionalschluessel) %>% arrange(Regionalschluessel, Jahr) %>% mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>% ungroup() %>% group_by(ost_name, Jahr) %>% mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>% ungroup() -> bip_wachstum bip_wachstum %>% filter( Jahr >= 2000 ) %>% ggplot() + geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") + geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) + scale_color_manual(values = c("#D55E00", "#0072B2")) + theme_minimal() + labs(color = "Durchschnitt der Landkreise", title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen", caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.", x = "Jahr", y = "Veränderung des BIP pro Kopf") + theme(legend.position = "none") + geom_text(aes(x=2000, y=40, label = "-- Durchschnitt für ostdeutsche Landkreise"), color = "#D55E00", hjust=0, size=4, alpha = 0.1) + * geom_text(aes(x=2000, y=35, label = "-- Durchschnitt für westdeutsche Landkreise"), color = "#0072B2", hjust=0, size=4, alpha = 0.1) ``` ] .panel2-bip2-auto[ <!-- --> ] <style> .panel1-bip2-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-bip2-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-bip2-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Wachstum des BIP pro Kopf **Beschreibung**: - Im Durchschnitt sehr ähnliche Wachstumsraten - Immer wieder vereinzelt sehr hohe Wachstumsraten pro Landkreis - Hängt vermutlich mit großen Projekten auf Landkreisebene zusammen - Der Einbruch in der Finanzkrise ist sowohl bei ost- als auch westdeutschen Landkreisen zu sehen **Interpretation**: - Es findet keine Anpassung des BIP pro Kopf über die Zeit statt - Die Gelder durch den Soli-Ausgleich führen nicht zu der (erhofften) starken Aufholjagd - Ostdeutsche Landkreise haben sich stark entwickelt - Diese Etwicklung sollte jedoch nicht absolut, sondern relativ zu westdeutschen Landkreisen betrachtet werden -- .alert[Es ist kein Anpassungsprozess ersichtlich, dafür sind die Wachstumsraten zu ähnlich.] --- ## Bruttoinlandsprodukt pro Kopf Bisherige Grafiken: - Punktewolke + Boxplot zeigt die Verteilung - Liniendiagramm zeigt die Entwicklung -- Alternative Darstellungen der Verteilung: - Historgamm (nächste Folie) - Kerndichteschätzer (siehe ausführliche Case-Study) Alternative Darstellung der Entwicklung: - Small multiples (siehe ausführliche Case-Study) - Slopechart (siehe z.B. [Data Vizualisation von Claus Wilke](https://clauswilke.com/dataviz/visualizing-associations.html#associations-correlograms) mit [Code hier](https://github.com/clauswilke/dataviz/blob/master/visualizing_associations.Rmd)) - Viele unterschiedliche Grafiken in der [R Graph Gallery](https://r-graph-gallery.com/) mit dem dazugehörigen Code --- count: false .panel1-bip3-auto[ ``` r *gesamtdaten ``` ] .panel2-bip3-auto[ ``` ## # A tibble: 400 × 14 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% * group_by(ost_name) ``` ] .panel2-bip3-auto[ ``` ## # A tibble: 400 × 14 ## # Groups: ost_name [2] ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 9 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr> ``` ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% * summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) ``` ] .panel2-bip3-auto[ ``` ## # A tibble: 2 × 2 ## ost_name durchschnitt ## <chr> <dbl> ## 1 Ostdeutschland 33937. ## 2 Westdeutschland 44860. ``` ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% * ungroup() -> mittel ``` ] .panel2-bip3-auto[ ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% ungroup() -> mittel *ggplot(gesamtdaten, aes(x = bip_pro_kopf)) ``` ] .panel2-bip3-auto[ <!-- --> ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% ungroup() -> mittel ggplot(gesamtdaten, aes(x = bip_pro_kopf)) + * geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) ``` ] .panel2-bip3-auto[ <!-- --> ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% ungroup() -> mittel ggplot(gesamtdaten, aes(x = bip_pro_kopf)) + geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) + * geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") ``` ] .panel2-bip3-auto[ <!-- --> ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% ungroup() -> mittel ggplot(gesamtdaten, aes(x = bip_pro_kopf)) + geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) + geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") + * facet_grid(ost_name~.) ``` ] .panel2-bip3-auto[ <!-- --> ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% ungroup() -> mittel ggplot(gesamtdaten, aes(x = bip_pro_kopf)) + geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) + geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") + facet_grid(ost_name~.) + * theme_bw() ``` ] .panel2-bip3-auto[ <!-- --> ] --- count: false .panel1-bip3-auto[ ``` r gesamtdaten %>% group_by(ost_name) %>% summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>% ungroup() -> mittel ggplot(gesamtdaten, aes(x = bip_pro_kopf)) + geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) + geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") + facet_grid(ost_name~.) + theme_bw() + * labs(title = "Verteilung des BIP pro Kopf für Ost- und Westdeutschland", * subtitle = "Beobachtungen auf Landkreisebene in 2022", * x = "BIP pro Kopf", * y = "Anzahl an Beobachtungen") ``` ] .panel2-bip3-auto[ <!-- --> ] <style> .panel1-bip3-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-bip3-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-bip3-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Verteilung des BIP pro Kopf in 2022 <img src="VL_case-study-Teil2_files/figure-html/unnamed-chunk-27-1.png" width="40%" /> .center[.instructions[Beschreiben Sie das Schaubild!]] --- ## Verteilung des BIP pro Kopf in 2022 Das Histogramm bestätigen das Bild des Boxplots: - Deutliche Unterschiede zwischen ost- und westdeutschend Landkreisen in 2022 - Deutlich mehr Ausreißer nach oben bei westdeutschen Landkreisen - Verteilung ist für ostdeutsche Landkreise enger um den Mittelwert für das BIP pro Kopf von 33936€ - Mittelwert und Median für westdeutsche Landkreise liegt deutlich weiter auseinander und zeigt, dass es hier mehr Ausreißer in den Daten gibt --- class: inverse, center, middle ## Verschuldung der einzelnen Landkreise --- ## Verschuldung .questions[Warum könnte die Verschuldung des öffentlichen Haushalts ein Indikator für eine hohe Arbeitslosenquote sein?] -- Darstellung der Verschuldung der Landkreise mittels einer Deutschlandkarte. .instructions[Beschreiben und interpretieren Sie die folgende Grafik.] --- count: false .panel1-schulden1-auto[ ``` r *ggplot( # Datensatz * data = schulden_landkreise_anteil *) ``` ] .panel2-schulden1-auto[ <!-- --> ] --- count: false .panel1-schulden1-auto[ ``` r ggplot( # Datensatz data = schulden_landkreise_anteil ) + * geom_sf( * mapping = aes( * fill = fct_relevel(anteil_schulden, ">10%", after = Inf) * ), * color = "white", * size = 0.1 * ) ``` ] .panel2-schulden1-auto[ <!-- --> ] --- count: false .panel1-schulden1-auto[ ``` r ggplot( # Datensatz data = schulden_landkreise_anteil ) + geom_sf( mapping = aes( fill = fct_relevel(anteil_schulden, ">10%", after = Inf) ), color = "white", size = 0.1 ) + # Viridis Farbschema * scale_fill_viridis_d( * option = "inferno", * name = "Anteil der Schulden\nam BIP", * alpha = 0.8, # Deckkraft der Füllung * begin = 0.1, * end = 0.9, * direction = -1, * guide = guide_legend(reverse = T)) ``` ] .panel2-schulden1-auto[ <!-- --> ] --- count: false .panel1-schulden1-auto[ ``` r ggplot( # Datensatz data = schulden_landkreise_anteil ) + geom_sf( mapping = aes( fill = fct_relevel(anteil_schulden, ">10%", after = Inf) ), color = "white", size = 0.1 ) + # Viridis Farbschema scale_fill_viridis_d( option = "inferno", name = "Anteil der Schulden\nam BIP", alpha = 0.8, # Deckkraft der Füllung begin = 0.1, end = 0.9, direction = -1, guide = guide_legend(reverse = T)) + # etwas dickere Linien für Bundeslandgrenzen * geom_sf( * data = bundesland, * fill = "transparent", * color = "black", * size = 0.5 * ) ``` ] .panel2-schulden1-auto[ <!-- --> ] --- count: false .panel1-schulden1-auto[ ``` r ggplot( # Datensatz data = schulden_landkreise_anteil ) + geom_sf( mapping = aes( fill = fct_relevel(anteil_schulden, ">10%", after = Inf) ), color = "white", size = 0.1 ) + # Viridis Farbschema scale_fill_viridis_d( option = "inferno", name = "Anteil der Schulden\nam BIP", alpha = 0.8, # Deckkraft der Füllung begin = 0.1, end = 0.9, direction = -1, guide = guide_legend(reverse = T)) + # etwas dickere Linien für Bundeslandgrenzen geom_sf( data = bundesland, fill = "transparent", color = "black", size = 0.5 ) + # Titel * labs(x = NULL, * y = NULL, * title = "Wie verschuldet sind die deutschen Landkreise?", * subtitle = "Öffentliche Schulden im Vergleich zum BIP in 2022") ``` ] .panel2-schulden1-auto[ <!-- --> ] --- count: false .panel1-schulden1-auto[ ``` r ggplot( # Datensatz data = schulden_landkreise_anteil ) + geom_sf( mapping = aes( fill = fct_relevel(anteil_schulden, ">10%", after = Inf) ), color = "white", size = 0.1 ) + # Viridis Farbschema scale_fill_viridis_d( option = "inferno", name = "Anteil der Schulden\nam BIP", alpha = 0.8, # Deckkraft der Füllung begin = 0.1, end = 0.9, direction = -1, guide = guide_legend(reverse = T)) + # etwas dickere Linien für Bundeslandgrenzen geom_sf( data = bundesland, fill = "transparent", color = "black", size = 0.5 ) + # Titel labs(x = NULL, y = NULL, title = "Wie verschuldet sind die deutschen Landkreise?", subtitle = "Öffentliche Schulden im Vergleich zum BIP in 2022") + * theme_void() -> plot_schulden_lk ``` ] .panel2-schulden1-auto[ ] --- count: false .panel1-schulden1-auto[ ``` r ggplot( # Datensatz data = schulden_landkreise_anteil ) + geom_sf( mapping = aes( fill = fct_relevel(anteil_schulden, ">10%", after = Inf) ), color = "white", size = 0.1 ) + # Viridis Farbschema scale_fill_viridis_d( option = "inferno", name = "Anteil der Schulden\nam BIP", alpha = 0.8, # Deckkraft der Füllung begin = 0.1, end = 0.9, direction = -1, guide = guide_legend(reverse = T)) + # etwas dickere Linien für Bundeslandgrenzen geom_sf( data = bundesland, fill = "transparent", color = "black", size = 0.5 ) + # Titel labs(x = NULL, y = NULL, title = "Wie verschuldet sind die deutschen Landkreise?", subtitle = "Öffentliche Schulden im Vergleich zum BIP in 2022") + theme_void() -> plot_schulden_lk *plot_schulden_lk ``` ] .panel2-schulden1-auto[ <!-- --> ] <style> .panel1-schulden1-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-schulden1-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-schulden1-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- <img src="VL_case-study-Teil2_files/figure-html/schulden2-1.png" width="50%" style="display: block; margin: auto;" /> --- ## Verschuldung **Beschreibung:** - Niedgrige Verschuldung im Verhältnis zum BIP: Baden-Württemberg, Bayern, Sachsen und Niedersachsen - Mittlere Verschuldung: Rheinland-Pfalz, Brandenburg, Hessen, Schleswig-Holstein - Hohe Verschuldung: Sachsen-Anhalt, Thüringen, Nordrhein-Westfalen, Saarland, Mecklenburg-Vorpommern **Interpretation:** - Strukturschwache Landkreise sind vermehrt in Ostdeutschland zu finden, allerdings scheint es eher ein Nord/Süd Gefälle als ein Ost/West Gefälle zu geben - Die ehemalige Herzkammer der deutschen Industrie, das Ruhrgebiet, leidet unter dem Strukturwandel hin zu erneuerbaren Energien - Es fallen hier wichtige Steuereinnahmen für die öffentliche Hand weg --- ## Vergleich der Arbeitslosenquote und Verschuldung .pull-left[ <img src="VL_case-study-Teil2_files/figure-html/unnamed-chunk-29-1.png" width="70%" /> ] .pull-right[ <img src="VL_case-study-Teil2_files/figure-html/unnamed-chunk-30-1.png" width="70%" /> ] --- ## Vergleich der Arbeitslosenquote und Verschuldung - Tendenziell sind die Landkreise mit höheren Schulden auch die mit einer höheren Arbeitslosenquote - Verschuldung könnte ein erklärender Faktor für die Arbeitslosenquote sein - Grafisch ist der Zusammenhang jedoch nicht eindeutig verifizierbar - Um Zusammenhänge deutlich zu machen müssen wir uns der **bivariaten deskriptiven Statistik** bemühen, insbesondere **Streudiagrammen** und **Korrelationsmatrizen** Karten sind eine schöne Art geografisch unterschiedliche Informationen darzustellen, allerdings ist das Auge schlecht darin Farbverläufe zu unterschieden! .alert[Bei Karten immer eine sehr kontrastreiche Farbpalette verwenden!] --- ### Aufgabe - Eigene Grafik erstellen .instructions[**Ziel:** Erstellen und interpretieren Sie effektive Visualisierungen der Einkommensverteilung in Deutschland.] **Ablauf:** - Gruppenbildung (4-5 Personen) - Datenauswahl & Analyse: Welche Information möchten Sie visualisieren? (Zeitreihe oder Querschnitt aus 2022?) - Visualisierung: Was ist die geeignete Grafik für ihre Fragestellung? Lassen Sie sich von [R Graph Gallery](https://r-graph-gallery.com/) oder der [Case-Study](https://projektkurs-data-science-ulm2425.netlify.app/case-study/case_study_germany_2) inspirieren und erstellen Sie die für Sie passende Grafik in R - Nutzen Sie die [R Graph Gallery](https://r-graph-gallery.com/) und [bwGPT](gpt.scc.kit.edu/) für die Erstellung - Interpretation der Grafik: Diskutieren Sie die Grafik in der Gruppe - Upload: Code für Grafik + kurze Interpretation im Google Forms hochladen: https://forms.gle/R4qJEegZnFoTHU7f7 - Feedback-Runde im Plenum: Anonymes Feedback von Kommiliton*innen und mir. **Materialien:** Laptops mit R, RStudio, bereitgestellter Datensatz zu Einkommensdaten **Erkenntnisse:** Effektive Grafiktypen auswählen und interpretieren + Teamarbeit stärken. <div class="countdown" id="timer_98c33d6c" data-update-every="1" tabindex="0" style="right:0;bottom:0;"> <div class="countdown-controls"><button class="countdown-bump-down">−</button><button class="countdown-bump-up">+</button></div> <code class="countdown-time"><span class="countdown-digits minutes">30</span><span class="countdown-digits colon">:</span><span class="countdown-digits seconds">00</span></code> </div> --- ## Hinweise zum Prompting von bwGPT .pull-left[ **Wie sollte ein Prompt aufgebaut sein?** - **Aufgabe:** Was soll ChatGPT tun? - Möglichst genau und spezifisch sein - **Instruktionen:** Wie soll ChatGPT es tun? - Soll ChatGPT eine besondere Persona sein? - Beispiele für den gewünschten Output mitgeben - ChatGPT fragen zur Lösung Schritt-für-Schritt zu kommen - **Kontext:** Was sollte ChatGPT zu seiner Aufgabe wissen? - Wie passt die Aufgabe z.B. zur Vorlesung die Sie gerade besuchen? ] .pull-right[ **Wenn Sie nicht weiter wissen, dann Fragen Sie ChatGPT welche Infos es noch benötigt** - "Sag mir, welche Informationen du benötigst, um ...“ - "Stelle mir 5 Fragen, die dir helfen werden, mir die bestmögliche Antwort zu geben." **Wenn Sie glauben ChatGPT hat einen Fehler gemacht, dann sagen Sie ihm dies** **Komplexe Aufgaben in kleine Unteraufgaben herunterbrechen** ] --- class: inverse, center, middle # Bivariate deskriptive Analyse --- ## Die Korrelation **Bisher:** Univariate Analyse, d.h. nur eine Variable **Jetzt:** Bivariate Analyse, d.h. Zusammenhang zwischen **zwei** Variablen untersuchen .alert[Hierzu nutzen wir die Korrelation der Variablen!] Der Korrelationskoeffizient für zwei Variablen `\((x_1, y_1), \dots, (x_n,y_n)\)` ist definiert als: $$ \rho = \frac{1}{n} \sum_{i=1}^n \left( \frac{x_i-\mu_x}{\sigma_x} \right)\left( \frac{y_i-\mu_y}{\sigma_y} \right) $$ mit `\(\mu_x, \mu_y\)` als Mittelwerte von `\(x_1,\dots, x_n\)` und `\(y_1, \dots, y_n\)`. `\(\sigma_x, \sigma_y\)` sind die Standardabweichungen von diesem Mittelwert. `\(\rho\)` wird üblicherweise genutzt um den Korrelationskoeffizienten zu bezeichnen. -- .question[Wie hängt die Arbeitslosenquote in den einzelnen Landkreisen mit deren BIP-pro-Kopf-Wachstum zusammen?] --- ## Korrelation zwischen Arbeitslosenquote und BIP-pro-Kopf-Wachstum Wir können uns die oben beschriebene Formel bzgl. des Zusammenhangs von zwei Variablen immer auch grafisch verdeutlichen - Wir haben zwei Dimensionen - Variable x: BIP-pro-Kopf-Wachstum - Variable y: Arbeitslosenquote Im Streudiagramm können wir Variable x auf der x-Achse und Variable y auf der y-Achse abtragen --- count: false .panel1-cor1-auto[ ``` r *gesamtdaten ``` ] .panel2-cor1-auto[ ``` ## # A tibble: 400 × 17 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 12 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr>, bip_pro_kopf_wachstum <dbl>, ## # Jahr <dbl>, anteil_schulden <dbl> ``` ] --- count: false .panel1-cor1-auto[ ``` r gesamtdaten %>% * ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) ``` ] .panel2-cor1-auto[ <!-- --> ] --- count: false .panel1-cor1-auto[ ``` r gesamtdaten %>% ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) + * geom_point() ``` ] .panel2-cor1-auto[ <!-- --> ] --- count: false .panel1-cor1-auto[ ``` r gesamtdaten %>% ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) + geom_point() + * labs( x = "Wachstum des BIP %", * y = "Arbeitslosenquote in %", * title = "Korrelation des BIP-Wachstums und der Arbeitslosenquote") ``` ] .panel2-cor1-auto[ <!-- --> ] --- count: false .panel1-cor1-auto[ ``` r gesamtdaten %>% ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) + geom_point() + labs( x = "Wachstum des BIP %", y = "Arbeitslosenquote in %", title = "Korrelation des BIP-Wachstums und der Arbeitslosenquote") + * theme_minimal() ``` ] .panel2-cor1-auto[ <!-- --> ] <style> .panel1-cor1-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-cor1-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-cor1-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Korrelation zwischen Arbeitslosenquote und BIP-Wachstum - Es fallen die Ausreißer ins Auge (+20% und -12%) - Vorheriges Jahr hohes/niedriges BIP, dadurch jetzt niedriges/hohes BIP-Wachstum - Die Energiekrise war bei den negativen Wachstumraten der Auslöser (Ludwigshafen mit BASF war der betroffene Landkreis) - Insgesamt scheint der Zusammenhang jetzt nicht so stark zu sein - Punktewolke deutet auf einen leicht negativen Zusammenhang hin Korrelationskoeffizient: ``` r cor(gesamtdaten$alo_quote, gesamtdaten$bip_pro_kopf_wachstum, use = "pairwise.complete.obs") ``` ``` ## [1] 0.05423851 ``` -- .instructions[Nun sollten wir noch die Korrelation zwischen Arbeitslosenquote und Verschuldung anschauen!] --- count: false .panel1-cor2-auto[ ``` r *cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") ``` ] .panel2-cor2-auto[ ] --- count: false .panel1-cor2-auto[ ``` r cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") *gesamtdaten ``` ] .panel2-cor2-auto[ ``` ## # A tibble: 400 × 17 ## Regionalschluessel total_alo landkreis_name bundesland bundesland_name ## <chr> <dbl> <chr> <chr> <chr> ## 1 01001 3970. Flensburg 01 Schleswig-Holste… ## 2 01002 10315. Kiel 01 Schleswig-Holste… ## 3 01003 8776. Lübeck 01 Schleswig-Holste… ## 4 01004 3359. Neumünster 01 Schleswig-Holste… ## 5 01051 3858. Dithmarschen 01 Schleswig-Holste… ## 6 01053 5351. Herzogtum Lauenburg 01 Schleswig-Holste… ## 7 01054 4155. Nordfriesland 01 Schleswig-Holste… ## 8 01055 4824. Ostholstein 01 Schleswig-Holste… ## 9 01056 8547. Pinneberg 01 Schleswig-Holste… ## 10 01057 2572. Plön 01 Schleswig-Holste… ## # ℹ 390 more rows ## # ℹ 12 more variables: Schulden_pro_kopf_lk <dbl>, Einwohner <dbl>, ## # Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>, erw <dbl>, ## # alo_quote <dbl>, ost <fct>, ost_name <chr>, bip_pro_kopf_wachstum <dbl>, ## # Jahr <dbl>, anteil_schulden <dbl> ``` ] --- count: false .panel1-cor2-auto[ ``` r cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") gesamtdaten %>% * ggplot(aes(x = anteil_schulden, y = alo_quote)) ``` ] .panel2-cor2-auto[ <!-- --> ] --- count: false .panel1-cor2-auto[ ``` r cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") gesamtdaten %>% ggplot(aes(x = anteil_schulden, y = alo_quote)) + * geom_point() ``` ] .panel2-cor2-auto[ <!-- --> ] --- count: false .panel1-cor2-auto[ ``` r cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") gesamtdaten %>% ggplot(aes(x = anteil_schulden, y = alo_quote)) + geom_point() + * labs( x = "Anteil der Schulden am BIP in %", * y = "Arbeitslosenquote in %", * title = "Korrelation der öffentlichen Verschuldung und der Arbeitslosenquote") ``` ] .panel2-cor2-auto[ <!-- --> ] --- count: false .panel1-cor2-auto[ ``` r cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") gesamtdaten %>% ggplot(aes(x = anteil_schulden, y = alo_quote)) + geom_point() + labs( x = "Anteil der Schulden am BIP in %", y = "Arbeitslosenquote in %", title = "Korrelation der öffentlichen Verschuldung und der Arbeitslosenquote") + * theme_minimal() ``` ] .panel2-cor2-auto[ <!-- --> ] --- count: false .panel1-cor2-auto[ ``` r cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs") gesamtdaten %>% ggplot(aes(x = anteil_schulden, y = alo_quote)) + geom_point() + labs( x = "Anteil der Schulden am BIP in %", y = "Arbeitslosenquote in %", title = "Korrelation der öffentlichen Verschuldung und der Arbeitslosenquote") + theme_minimal() + * geom_text(x = 0.02, y =13, label = paste("r = ", as.character(round(cor_alo_verschuldung,2)))) ``` ] .panel2-cor2-auto[ <!-- --> ] <style> .panel1-cor2-auto { color: black; width: 38.6060606060606%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel2-cor2-auto { color: black; width: 59.3939393939394%; hight: 32%; float: left; padding-left: 1%; font-size: 80% } .panel3-cor2-auto { color: black; width: NA%; hight: 33%; float: left; padding-left: 1%; font-size: 80% } </style> --- ## Korrelation zwischen Arbeitslosenquote und Verschuldung Hier ist der positive Zusammenhang zwischen Verschuldung (x-Achse) und Arbeitslosenquote (y-Achse) deutlicher Korrelationskoeffizient zeigt mit `\(rho\)` = 0.56 auch einen starken Zusammenhang `\(rho\)` | Beschreibung (nährungsweise) ---|--- +/- 0.1-0.3 | Schwacher +/- 0.3-0.5 | Mittel +/- 0.5-0.8 | Stark +/- 0.8-0.9 | Sehr stark -- .alert[Wir sehen eine positive Korrelation zwischen der Verschuldung von Landkreisen und deren Arbeitslosenquoten.] --- ## Interpretation der Korrelation - Hat an sich keine intuitive quantitative Interpretation - Ist eine univariate Repräsentation des Zusammenhangs zweier Variablen - Kann dabei helfen stark korrelierte Variablen im Datensatz aufzuzeigen - Dies ist für eine spätere lineare Regression wichtig - Stichwort Multikollinearität .alert[Im nächsten Semester beschäftigen wir uns mit der linearen Regression, hier können die Koeffizienten direkt interpretiert werden.] --- ## Zusammenfassung und Ausblick **Dieses Semester:** Deskriptiven Statistik **Nächstes Semester:** Induktive Statistik, insbesondere durch lineare Regressionen .question[Was haben wir bisher gelernt?] -- - Daten in R einlesen - Diese Daten kompakt mittels Tabellen und Grafiken beschreiben - Den Zusammenhang einzelner Variablen untersuchen