A importância do setor no salário na Suécia, uma comparação entre diferentes grupos ocupacionais, parte 2

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


[Esteartigofoipublicadopelaprimeiravezem[Thisarticlewasfirstpublishedon

R Analystatistics Sweden
, e gentilmente contribuiu para os R-blogueiros]. (Você pode relatar um problema sobre o conteúdo desta página aqui)


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.

Em meu último post, examinei a importância do setor no salário para diferentes grupos ocupacionais usando estatísticas de diferentes regiões. Em posts anteriores, mostrei uma correlação entre salário e experiência e também salário e educação. Neste post, examinarei a correlação entre salário e setor usando estatísticas para a idade.

O valor F da tabela Anova é usado como o valor único para discriminar o quanto a região e o salário se correlacionam. Para análise exploratória, o valor Anova parece bom o suficiente.

Primeiro, defina bibliotecas e funções.

library (tidyverse)
## -- Attaching packages --------------------------------------------------- tidyverse 1.3.0 --
## v ggplot2 3.2.1     v purrr   0.3.3
## v tibble  2.1.3     v dplyr   0.8.3
## v tidyr   1.0.2     v stringr 1.4.0
## v readr   1.3.1     v forcats 0.4.0
## -- Conflicts ------------------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
library (broom)
library (car)
## Loading required package: carData
## 
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
## 
##     recode
## The following object is masked from 'package:purrr':
## 
##     some
library (sjPlot)
## Registered S3 methods overwritten by 'lme4':
##   method                          from
##   cooks.distance.influence.merMod car 
##   influence.merMod                car 
##   dfbeta.influence.merMod         car 
##   dfbetas.influence.merMod        car
readfile %
  gather (starts_with("19"), starts_with("20"), key = "year", value = salary) %>%
  drop_na() %>%
  mutate (year_n = parse_number (year))
}

A tabela de dados é baixada do Statistics Sweden. Ele é salvo como um arquivo delimitado por vírgula sem cabeçalho, 000000D2.csv, http://www.statistikdatabasen.scb.se/pxweb/en/ssd/.

Renomeei o arquivo para 000000D2_sector.csv porque o nome do arquivo 000000D2.csv foi usado em uma postagem anterior.

A tabela: Salário básico médio, salário mensal e salário das mulheres como porcentagem do salário de homens por setor, grupo ocupacional (SSYK 2012), sexo e idade. Ano 2014 – 2018 Salário mensal 1-3 setor público 4-5 setor privado

No gráfico e nas tabelas, também é possível encontrar informações sobre como o aumento dos salários por ano para cada grupo ocupacional é afetado quando as interações são levadas em consideração.

tb %
  rowwise() %>%
  mutate(age_l = unlist(lapply(strsplit(substr(age, 1, 5), "-"), strtoi))[1]) %>%
  rowwise() %>%
  mutate(age_h = unlist(lapply(strsplit(substr(age, 1, 5), "-"), strtoi))[2]) %>%
  mutate(age_n = (age_l + age_h) / 2)

summary_table = 0
anova_table = 0

for (i in unique(tb$`occuptional  (SSYK 2012)`)){
  temp  90){
    model <- lm(log(salary) ~ poly(age_n, 3) + sex + year_n + sector, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "none"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "none"))  
  
    model <- lm(log(salary) ~ poly(age_n, 3) * sector + sex + year_n, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "sector and age"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "sector and age"))  
    
    model <- lm(log(salary) ~ poly(age_n, 3) + sector * sex + year_n, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "sector and sex"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "sector and sex"))  
    
    model <- lm(log(salary) ~ poly(age_n, 3) +  year_n * sector + sex, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "sector and year"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "sector and year"))  
    
    model <- lm(log(salary) ~ poly(age_n, 3) * sector * sex * year_n, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "sector, year, age and sex"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "sector, year, age and sex"))      
  }
}
## Note: model has aliased coefficients
##       sums of squares computed by model comparison
## Note: model has aliased coefficients
##       sums of squares computed by model comparison
## Note: model has aliased coefficients
##       sums of squares computed by model comparison
## Note: model has aliased coefficients
##       sums of squares computed by model comparison
## Note: model has aliased coefficients
##       sums of squares computed by model comparison
anova_table % rowwise() %>% mutate(contcol = str_count(term, ":")) 

summary_table % rowwise() %>% mutate(contcol = str_count(term, ":"))

merge(summary_table, anova_table, by = c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (term.y == "sector") %>%    
  filter (interaction == "none") %>%
  
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  ggplot () +
    geom_point (mapping = aes(x = estimate, y = statistic.y, colour = interaction)) +
    labs(
      x = "Increase in salaries (% / year)",
      y = "F-value for sector"
    )   

A importância do setor no salário na Suécia, uma comparação entre diferentes grupos ocupacionais, ano 2014 - 2018

Figura 1: A significância do setor sobre o salário na Suécia, uma comparação entre diferentes grupos ocupacionais, ano 2014 - 2018

merge(summary_table, anova_table, by = c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (contcol.y > 0) %>%    
  # only look at the interactions between all four variables in the case with interaction sector, year, age and sex
  filter (!(contcol.y % 
  
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  ggplot () +
    geom_point (mapping = aes(x = estimate, y = statistic.y, colour = interaction)) +
    labs(
      x = "Increase in salaries (% / year)",
      y = "F-value for interaction"
    ) 

O significado da interação entre setor, idade, ano e sexo no salário na Suécia, uma comparação entre diferentes grupos ocupacionais, ano 2014 - 2018

Figura 2: A significância da interação entre setor, idade, ano e sexo no salário na Suécia, uma comparação entre diferentes grupos ocupacionais, ano 2014 - 2018

As tabelas com todos os grupos ocupacionais classificados por valor F em ordem decrescente.

merge(summary_table, anova_table, c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (term.y == "sector") %>%   
  filter (interaction == "none") %>%
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  select (ssyk, estimate, statistic.y, interaction) %>%
  rename (`F-value` = statistic.y) %>%
  rename (`Increase in salary` = estimate) %>%
  arrange (desc (`F-value`)) %>%
  knitr::kable(
    booktabs = TRUE,
    caption = 'Correlation for F-value (sector) and the yearly increase in salaries')
Tabela 1: Correlação do valor F (setor) e aumento anual de salários
ssyk Aumento de salário Valor F interação
218 Especialistas em proteção ambiental e saúde 2.3966875 456.4704739 Nenhum
261 Profissionais do direito 2,6130221 304.1919940 Nenhum
411 Assistentes de escritório e outros secretários 2.3419860 285.0349753 Nenhum
222 Profissionais de enfermagem 4,6578230 280.4433905 Nenhum
515 Cuidadores de construção e trabalhadores relacionados 2.2146338 270.0075297 Nenhum
819 Técnicos de controle de processos 2.5350438 268.3445857 Nenhum
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 2.0523696 259.5458010 Nenhum
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.3512692 241.0997355 Nenhum
321 Técnicos médicos e farmacêuticos 2.5801263 237.2341857 Nenhum
333 agentes de serviços às empresas 2.3936321 218.8431989 Nenhum
334 Secretários administrativos e especializados 2.0432078 197.0091850 Nenhum
243 Profissionais de marketing e relações públicas 1.7547524 188.6715597 Nenhum
335 Profissionais associados fiscais e relacionados ao governo 2.4477931 179.6275210 Nenhum
342 Atletas, instrutores de fitness e trabalhadores recreativos 1.8086152 178.9426205 Nenhum
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1.9900356 178.5334093 Nenhum
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 1.8912397 161.3670379 Nenhum
265 Artistas criativos e performáticos 2.0992262 156.9400225 Nenhum
241 Contadores, analistas financeiros e gestores de fundos 2.4619072 134.7081954 Nenhum
351 operações de TIC e técnicos de suporte ao usuário 2.7045039 117.0092304 Nenhum
331 Profissionais associados de finanças e contabilidade 2.1803329 111.0703889 Nenhum
264 Autores, jornalistas e linguistas 2,2865429 93.9690111 Nenhum
211 Físicos e químicos 2.0010438 65.4196943 Nenhum
911 Limpadores e ajudantes 1.9306757 64.9465316 Nenhum
231 Professores universitários e de ensino superior 2.3987358 58.9926983 Nenhum
541 Outros trabalhadores de vigilância e segurança 2.2500326 54.4430468 Nenhum
815 Operadores de máquinas, produtos têxteis, peles e couro 1.3517419 48.6411876 Nenhum
723 Mecânicos e montadores de máquinas 2.4251751 48.2416487 Nenhum
233 professores do ensino médio 3.0390165 38.5627689 Nenhum
422 Funcionários de informações do cliente 2.4686744 37.8718779 Nenhum
228 Especialistas em cuidados de saúde não classificados em outra parte 2.1589844 36.5601628 Nenhum
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.9960527 18.6514673 Nenhum
216 Arquitetos e agrimensores 2.8323556 15.8227312 Nenhum
235 Profissionais de ensino não classificados em outra parte 1.6582824 14.3745577 Nenhum
532 Profissionais de cuidados pessoais em serviços de saúde 3.0076073 12.2147525 Nenhum
311 Técnicos de ciências físicas e de engenharia 2.7704145 12.1641422 Nenhum
234 professores de escolas primárias e pré-escolares 3.4774983 7.3900661 Nenhum
511 Tripulação de cabina, guias e trabalhadores relacionados -0,3443427 6.9533625 Nenhum
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2.0233419 5.1208491 Nenhum
533 Assistentes de saúde 2.2271720 4.8058895 Nenhum
332 Consultores de seguros, agentes de vendas e compras 2.2044676 4.2832833 Nenhum
531 Trabalhadores de cuidados infantis e auxiliares de professores 1.9105637 4.0479235 Nenhum
214 profissionais de engenharia 2.7995742 2.1850611 Nenhum
341 Profissionais de serviço social e religiosos associados 2.5651458 2.1164875 Nenhum
432 Lojas e funcionários de transporte 1.9337354 0,7577500 Nenhum
611 Jardineiros e cultivadores de mercado 1.8041743 0,0643998 Nenhum
512 Cozinheiros e gerentes de bufê frio 2.7942944 0,0197082 Nenhum
merge(summary_table, anova_table, c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (contcol.y > 0) %>%   
  filter (interaction == "sector and sex") %>%
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  select (ssyk, estimate, statistic.y, interaction) %>%
  rename (`F-value` = statistic.y) %>%
  rename (`Increase in salary` = estimate) %>%
  arrange (desc (`F-value`)) %>%
  knitr::kable(
    booktabs = TRUE,
    caption = 'Correlation for F-value (sector and sex) and the yearly increase in salaries')
Mesa 2: Correlação do valor F (setor e sexo) e aumento anual de salários
ssyk Aumento de salário Valor F interação
911 Limpadores e ajudantes 1.9306757 109.1411280 setor e sexo
335 Profissionais associados fiscais e relacionados ao governo 2.4477931 70.7824355 setor e sexo
815 Operadores de máquinas, produtos têxteis, peles e couro 1.3563289 31.8117555 setor e sexo
333 agentes de serviços às empresas 2.2899853 30.4752880 setor e sexo
331 Profissionais associados de finanças e contabilidade 2.2023600 25.9296892 setor e sexo
342 Atletas, instrutores de fitness e trabalhadores recreativos 1.8086152 25.0203935 setor e sexo
241 Contadores, analistas financeiros e gestores de fundos 2.4786358 24.2528951 setor e sexo
264 Autores, jornalistas e linguistas 2.2453619 21.8740576 setor e sexo
533 Assistentes de saúde 2.2271720 21.5539071 setor e sexo
243 Profissionais de marketing e relações públicas 1.7263442 19.6730093 setor e sexo
332 Consultores de seguros, agentes de vendas e compras 2.2044676 19.3664844 setor e sexo
611 Jardineiros e cultivadores de mercado 1.7542849 15.6290927 setor e sexo
532 Profissionais de cuidados pessoais em serviços de saúde 3.0076073 12.5499477 setor e sexo
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 1.8973847 11.5413223 setor e sexo
321 Técnicos médicos e farmacêuticos 2.5636636 9.5201918 setor e sexo
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 2.0388525 7.8030347 setor e sexo
351 operações de TIC e técnicos de suporte ao usuário 2.7045039 7.5568275 setor e sexo
211 Físicos e químicos 1.9926264 7.5217104 setor e sexo
235 Profissionais de ensino não classificados em outra parte 1.6228416 5.7033533 setor e sexo
512 Cozinheiros e gerentes de bufê frio 2.7942944 5.4926902 setor e sexo
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.9960527 3.8523689 setor e sexo
432 Lojas e funcionários de transporte 1.9247904 3.3361868 setor e sexo
218 Especialistas em proteção ambiental e saúde 2.3902920 3,2726896 setor e sexo
231 Professores universitários e de ensino superior 2.4049429 3.1968905 setor e sexo
222 Profissionais de enfermagem 4,6527974 2,8848508 setor e sexo
265 Artistas criativos e performáticos 2.0908231 2.4335097 setor e sexo
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1.9900356 2.3091055 setor e sexo
233 professores do ensino médio 3.0478812 1,6616950 setor e sexo
228 Especialistas em cuidados de saúde não classificados em outra parte 2.2271410 1.4295653 setor e sexo
819 Técnicos de controle de processos 2.5350438 1.1646979 setor e sexo
541 Outros trabalhadores de vigilância e segurança 2.2500326 1.1488532 setor e sexo
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2.0233419 1.1344410 setor e sexo
261 Profissionais do direito 2.6014900 1.1208624 setor e sexo
531 Trabalhadores de cuidados infantis e auxiliares de professores 1.9034289 1.0441681 setor e sexo
411 Assistentes de escritório e outros secretários 2.3419860 0.8053533 setor e sexo
214 profissionais de engenharia 2.7938330 0,7610648 setor e sexo
341 Profissionais de serviço social e religiosos associados 2.5666541 0.6898733 setor e sexo
422 Funcionários de informações do cliente 2.4707255 0.4188795 setor e sexo
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.3512692 0.2019761 setor e sexo
234 professores de escolas primárias e pré-escolares 3.4774983 0.1910697 setor e sexo
334 Secretários administrativos e especializados 2.0473936 0.1673844 setor e sexo
723 Mecânicos e montadores de máquinas 2.4270025 0,0946975 setor e sexo
216 Arquitetos e agrimensores 2.8323370 0,0480519 setor e sexo
515 Cuidadores de construção e trabalhadores relacionados 2.2148711 0,0466927 setor e sexo
311 Técnicos de ciências físicas e de engenharia 2.7695781 0,0317138 setor e sexo
511 Tripulação de cabina, guias e trabalhadores relacionados -0,3452668 0,0263848 setor e sexo
merge(summary_table, anova_table, c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (contcol.y > 0) %>%   
  filter (interaction == "sector and age") %>%
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  select (ssyk, estimate, statistic.y, interaction) %>%
  rename (`F-value` = statistic.y) %>%
  rename (`Increase in salary` = estimate) %>%
  arrange (desc (`F-value`)) %>%
  knitr::kable(
    booktabs = TRUE,
    caption = 'Correlation for F-value (sector and age) and the yearly increase in salaries')
Tabela 3: Correlação do valor F (setor e idade) e aumento anual de salários
ssyk Aumento de salário Valor F interação
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.3512692 81.293931 setor e idade
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2.0233419 74.994233 setor e idade
234 professores de escolas primárias e pré-escolares 3.4774983 50.554556 setor e idade
511 Tripulação de cabina, guias e trabalhadores relacionados -0,3214703 49.726047 setor e idade
331 Profissionais associados de finanças e contabilidade 2.1760115 43.716282 setor e idade
432 Lojas e funcionários de transporte 1.9372268 41.355837 setor e idade
351 operações de TIC e técnicos de suporte ao usuário 2.7045039 37.992660 setor e idade
241 Contadores, analistas financeiros e gestores de fundos 2.4925081 31.914364 setor e idade
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 2.0984548 31.372391 setor e idade
422 Funcionários de informações do cliente 2.4763530 24.396462 setor e idade
342 Atletas, instrutores de fitness e trabalhadores recreativos 1.8086152 21.878170 setor e idade
332 Consultores de seguros, agentes de vendas e compras 2.2044676 20.887588 setor e idade
333 agentes de serviços às empresas 2.5711782 20.728956 setor e idade
261 Profissionais do direito 2.6542145 19.114710 setor e idade
233 professores do ensino médio 3.1089611 18.460571 setor e idade
541 Outros trabalhadores de vigilância e segurança 2.2500326 18.166197 setor e idade
243 Profissionais de marketing e relações públicas 1.8298739 16.372110 setor e idade
231 Professores universitários e de ensino superior 2.5000216 15.799814 setor e idade
411 Assistentes de escritório e outros secretários 2.3419860 15.436701 setor e idade
235 Profissionais de ensino não classificados em outra parte 1.8467331 15.280487 setor e idade
211 Físicos e químicos 1.9949354 11.545117 setor e idade
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 1.8835767 11.142152 setor e idade
228 Especialistas em cuidados de saúde não classificados em outra parte 2.0243679 10.920972 setor e idade
335 Profissionais associados fiscais e relacionados ao governo 2.4477931 10.914843 setor e idade
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.9960527 10.718505 setor e idade
341 Profissionais de serviço social e religiosos associados 2.5816295 9.475763 setor e idade
216 Arquitetos e agrimensores 2.7872555 9.229637 setor e idade
321 Técnicos médicos e farmacêuticos 2.5872747 8.122166 setor e idade
911 Limpadores e ajudantes 1.9306757 8.084293 setor e idade
815 Operadores de máquinas, produtos têxteis, peles e couro 1.3751133 7.636766 setor e idade
334 Secretários administrativos e especializados 2.1355883 7.153296 setor e idade
218 Especialistas em proteção ambiental e saúde 2.4620357 6.994422 setor e idade
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1.9900356 6.838603 setor e idade
531 Trabalhadores de cuidados infantis e auxiliares de professores 1.9226126 6.070516 setor e idade
515 Cuidadores de construção e trabalhadores relacionados 2.2192760 6.005165 setor e idade
311 Técnicos de ciências físicas e de engenharia 2,7875316 5.421210 setor e idade
723 Mecânicos e montadores de máquinas 2,4360682 5.406378 setor e idade
819 Técnicos de controle de processos 2.5350438 5.043236 setor e idade
264 Autores, jornalistas e linguistas 2.2247505 4.044872 setor e idade
512 Cozinheiros e gerentes de bufê frio 2.7942944 3.928362 setor e idade
533 Assistentes de saúde 2.2271720 3,673529 setor e idade
265 Artistas criativos e performáticos 2.0786906 2.538964 setor e idade
214 profissionais de engenharia 2.7863137 2.497814 setor e idade
532 Profissionais de cuidados pessoais em serviços de saúde 3.0076073 2,3339712 setor e idade
222 Profissionais de enfermagem 4.6262827 2,287950 setor e idade
611 Jardineiros e cultivadores de mercado 1.8042107 1,716068 setor e idade
merge(summary_table, anova_table, c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (contcol.y > 0) %>%   
  filter (interaction == "sector and year") %>%
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  select (ssyk, estimate, statistic.y, interaction) %>%
  rename (`F-value` = statistic.y) %>%
  rename (`Increase in salary` = estimate) %>%
  arrange (desc (`F-value`)) %>%
  knitr::kable(
    booktabs = TRUE,
    caption = 'Correlation for F-value (sector and year) and the yearly increase in salaries')
Quadro 4: Correlação do valor F (setor e ano) e aumento anual de salários
ssyk Aumento de salário Valor F interação
222 Profissionais de enfermagem 3.2821623 52.9080079 setor e ano
235 Profissionais de ensino não classificados em outra parte 2.7102815 24.3392922 setor e ano
334 Secretários administrativos e especializados 0,6824704 15.9484068 setor e ano
531 Trabalhadores de cuidados infantis e auxiliares de professores 2.3704462 13.8844930 setor e ano
422 Funcionários de informações do cliente 3.2226939 12.4412439 setor e ano
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 2.5465829 10.9472608 setor e ano
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2.3719311 10.1007673 setor e ano
532 Profissionais de cuidados pessoais em serviços de saúde 2.7590988 9.0616925 setor e ano
611 Jardineiros e cultivadores de mercado 2.4285881 9.0355793 setor e ano
233 professores do ensino médio 3.4681159 8.2187247 setor e ano
264 Autores, jornalistas e linguistas 3.2488108 6.2777560 setor e ano
351 operações de TIC e técnicos de suporte ao usuário 3.4272576 4.8822064 setor e ano
214 profissionais de engenharia 3,4475215 4.3685520 setor e ano
723 Mecânicos e montadores de máquinas 2.7726800 4.0300820 setor e ano
511 Tripulação de cabina, guias e trabalhadores relacionados -1,4636615 3.9854827 setor e ano
243 Profissionais de marketing e relações públicas 2.4174309 3.9092911 setor e ano
311 Técnicos de ciências físicas e de engenharia 3.2975181 3,6534643 setor e ano
533 Assistentes de saúde 2.0202998 3.4258034 setor e ano
216 Arquitetos e agrimensores 3,2766321 3.0286083 setor e ano
512 Cozinheiros e gerentes de bufê frio 2.4761796 2.1189296 setor e ano
231 Professores universitários e de ensino superior 2.7564149 1.9590690 setor e ano
911 Limpadores e ajudantes 2.1080113 1.3375758 setor e ano
265 Artistas criativos e performáticos 1.8252102 1.3073089 setor e ano
341 Profissionais de serviço social e religiosos associados 2.7179780 1.1525106 setor e ano
332 Consultores de seguros, agentes de vendas e compras 2.4698420 0.8846941 setor e ano
515 Cuidadores de construção e trabalhadores relacionados 2.0896486 0.8721029 setor e ano
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.1070969 0.8453000 setor e ano
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 2.3074810 0.7627131 setor e ano
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2.1515840 0,7217108 setor e ano
815 Operadores de máquinas, produtos têxteis, peles e couro 1.5169216 0.7021796 setor e ano
333 agentes de serviços às empresas 2.6770984 0.6948266 setor e ano
411 Assistentes de escritório e outros secretários 2.4961111 0,6866667 setor e ano
261 Profissionais do direito 2.9024857 0,6474976 setor e ano
342 Atletas, instrutores de fitness e trabalhadores recreativos 2.0356952 0,5210552 setor e ano
541 Outros trabalhadores de vigilância e segurança 2.1319348 0.4764820 setor e ano
941 Trabalhadores de fast food, assistentes de preparação de alimentos 2.1030085 0.4107102 setor e ano
241 Contadores, analistas financeiros e gestores de fundos 2.1837720 0.3653365 setor e ano
335 Profissionais associados fiscais e relacionados ao governo 2,2476351 0,3329319 setor e ano
228 Especialistas em cuidados de saúde não classificados em outra parte 2.0215985 0.1994037 setor e ano
321 Técnicos médicos e farmacêuticos 2.4986510 0.1694097 setor e ano
234 professores de escolas primárias e pré-escolares 3.5227087 0,0566620 setor e ano
211 Físicos e químicos 2.0509288 0,0256116 setor e ano
819 Técnicos de controle de processos 2.5525388 0,0089722 setor e ano
432 Lojas e funcionários de transporte 1.9579284 0,0058151 setor e ano
331 Profissionais associados de finanças e contabilidade 2.1471390 0,0023497 setor e ano
218 Especialistas em proteção ambiental e saúde 2.3896946 0,0012880 setor e ano
merge(summary_table, anova_table, c("ssyk", "interaction"), all = TRUE) %>%
  filter (term.x == "year_n") %>%
  filter (contcol.y > 1) %>%   
  filter (interaction == "sector, year, age and sex") %>%
  filter (!(contcol.y %  
  mutate (estimate = (exp(estimate) - 1) * 100) %>%  
  select (ssyk, estimate, statistic.y, interaction) %>%
  rename (`F-value` = statistic.y) %>%
  rename (`Increase in salary` = estimate) %>%
  arrange (desc (`F-value`)) %>%
  knitr::kable(
    booktabs = TRUE,
    caption = 'Correlation for F-value (sector, year, age and sex) and the yearly increase in salaries')
Quadro 5: Correlação do valor F (setor, ano, idade e sexo) e aumento anual de salários
ssyk Aumento de salário Valor F interação
214 profissionais de engenharia 2,4648855 11.6391393 setor, ano, idade e sexo
342 Atletas, instrutores de fitness e trabalhadores recreativos 2.0991670 8.9098726 setor, ano, idade e sexo
216 Arquitetos e agrimensores 3.2301466 7.6322806 setor, ano, idade e sexo
228 Especialistas em cuidados de saúde não classificados em outra parte 1.5176747 4.1043437 setor, ano, idade e sexo
321 Técnicos médicos e farmacêuticos 2.2641978 3.9184148 setor, ano, idade e sexo
218 Especialistas em proteção ambiental e saúde 2.4573789 3.6168903 setor, ano, idade e sexo
261 Profissionais do direito 2.7581752 3.2902539 setor, ano, idade e sexo
235 Profissionais de ensino não classificados em outra parte 2.4011513 3.0277439 setor, ano, idade e sexo
335 Profissionais associados fiscais e relacionados ao governo 2.0292874 2.6128635 setor, ano, idade e sexo
341 Profissionais de serviço social e religiosos associados 2.6319084 2.6004044 setor, ano, idade e sexo
233 professores do ensino médio 3.5273156 2.2615012 setor, ano, idade e sexo
331 Profissionais associados de finanças e contabilidade 2.4662860 1.9867325 setor, ano, idade e sexo
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.9900178 1.9221016 setor, ano, idade e sexo
512 Cozinheiros e gerentes de bufê frio 2.5222219 1.9206611 setor, ano, idade e sexo
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 2.6603985 1.8150814 setor, ano, idade e sexo
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2.3962841 1.7496638 setor, ano, idade e sexo
911 Limpadores e ajudantes 2.1197350 1.5815397 setor, ano, idade e sexo
511 Tripulação de cabina, guias e trabalhadores relacionados -0,6957497 1.5410098 setor, ano, idade e sexo
211 Físicos e químicos 2.3310509 1.5257771 setor, ano, idade e sexo
333 agentes de serviços às empresas 2.9306066 1.5169994 setor, ano, idade e sexo
819 Técnicos de controle de processos 2.5394398 1.4148181 setor, ano, idade e sexo
723 Mecânicos e montadores de máquinas 2.9145883 1.2913243 setor, ano, idade e sexo
234 professores de escolas primárias e pré-escolares 3.5373214 1.2588294 setor, ano, idade e sexo
533 Assistentes de saúde 2.0561764 1.1641262 setor, ano, idade e sexo
222 Profissionais de enfermagem 3.3141175 1.1593790 setor, ano, idade e sexo
515 Cuidadores de construção e trabalhadores relacionados 2.3554368 1.0916712 setor, ano, idade e sexo
334 Secretários administrativos e especializados -0.4841162 0.8627072 setor, ano, idade e sexo
264 Autores, jornalistas e linguistas 3,8766371 0.8178463 setor, ano, idade e sexo
541 Outros trabalhadores de vigilância e segurança 2.1959143 0.8087407 setor, ano, idade e sexo
531 Trabalhadores de cuidados infantis e auxiliares de professores 2,4624435 0.6787061 setor, ano, idade e sexo
815 Operadores de máquinas, produtos têxteis, peles e couro 1.2558500 0.6507638 setor, ano, idade e sexo
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 2.1412580 0,6425880 setor, ano, idade e sexo
411 Assistentes de escritório e outros secretários 2.4063713 0.5077368 setor, ano, idade e sexo
432 Lojas e funcionários de transporte 2.1618484 0.5005162 setor, ano, idade e sexo
422 Funcionários de informações do cliente 3.3819183 0.4079113 setor, ano, idade e sexo
265 Artistas criativos e performáticos 1.7171084 0.4046591 setor, ano, idade e sexo
241 Contadores, analistas financeiros e gestores de fundos 1.9650332 0,3867492 setor, ano, idade e sexo
311 Técnicos de ciências físicas e de engenharia 3.0661705 0,3303477 setor, ano, idade e sexo
611 Jardineiros e cultivadores de mercado 2.1758845 0.1794678 setor, ano, idade e sexo
351 operações de TIC e técnicos de suporte ao usuário 3.3472478 0.1238188 setor, ano, idade e sexo
332 Consultores de seguros, agentes de vendas e compras 2.2161856 0.1214610 setor, ano, idade e sexo
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.1371036 0.1080593 setor, ano, idade e sexo
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2.3576411 0,0748416 setor, ano, idade e sexo
532 Profissionais de cuidados pessoais em serviços de saúde 2,6448524 0,0675532 setor, ano, idade e sexo
231 Professores universitários e de ensino superior 2.5212252 0,0231719 setor, ano, idade e sexo
243 Profissionais de marketing e relações públicas 2.1626640 0,0083390 setor, ano, idade e sexo
Leia Também  Prevendo 1.000.000 de COVID-19 concluídos com R antes de 18 de março - peça ajuda

Vamos verificar o que encontramos.

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br
temp %
  filter(`occuptional  (SSYK 2012)` == "218 Specialists within environmental and health protection")
 
model <- lm (log(salary) ~ year_n + poly(age_n, 3) + sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de maior valor F, Especialistas em proteção ambiental e saúde

Figura 3: Setor de maior valor F, especialistas em proteção ambiental e de saúde

temp %
  filter(`occuptional  (SSYK 2012)` == "512 Cooks and cold-buffet managers")
 
model <-lm (log(salary) ~ year_n + poly(age_n, 3) + sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de menor valor F, cozinheiros e gerentes de bufê frio

Figura 4: Setor de menor valor F, cozinheiros e gerentes de bufê frio

temp %
  filter(`occuptional  (SSYK 2012)` == "911 Cleaners and helpers")
 
model <- lm (log(salary) ~ year_n + poly(age_n, 3) + sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "sex", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de interação com maior valor F e gênero, Produtos de limpeza e ajudantes

Figura 5: Setor de interação com maior valor F e gênero, Produtos de limpeza e ajudantes

temp %
  filter(`occuptional  (SSYK 2012)` == "511 Cabin crew, guides and related workers")
 
model <- lm (log(salary) ~ year_n + poly(age_n, 3) + sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "sex", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de interação com menor valor de F e gênero, tripulação de cabine, guias e trabalhadores relacionados

Figura 6: Setor de interação com menor valor de F e gênero, tripulação de cabine, guias e trabalhadores relacionados

temp %
  filter(`occuptional  (SSYK 2012)` == "251 ICT architects, systems analysts and test managers")
 
model <- lm (log(salary) ~ year_n + poly(age_n, 3) * sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.
temp %
  filter(`occuptional  (SSYK 2012)` == "611 Market gardeners and crop growers")
 
model <- lm (log(salary) ~ year_n + poly(age_n, 3) * sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de interação com menor valor de F e idade, horticultores e cultivadores

Figura 8: Setor de interação com menor valor de F e idade, horticultores e cultivadores

temp %
  filter(`occuptional  (SSYK 2012)` == "222 Nursing professionals")
 
model <- lm (log(salary) ~ year_n * sector + poly(age_n, 3) + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "year_n", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor e ano de interação com maior valor F, profissionais de Enfermagem

Figura 9: Setor de interação com maior valor F e ano, profissionais de enfermagem

temp %
  filter(`occuptional  (SSYK 2012)` == "218 Specialists within environmental and health protection")
 
model <- lm (log(salary) ~ year_n * sector + poly(age_n, 3) + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "year_n", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor e ano de interação com menor valor F, Especialistas em proteção ambiental e saúde

Figura 10: Setor de interação de menor valor F e ano, Especialistas em proteção ambiental e de saúde

temp %
  filter(`occuptional  (SSYK 2012)` == "214 Engineering professionals")
 
model <- lm (log(salary) ~ year_n * poly(age_n, 3) * sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "year_n", "sex", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.
## TableGrob (2 x 1) "arrange": 2 grobs
##   z     cells    name           grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (2-2,1-1) arrange gtable[layout]
temp %
  filter(`occuptional  (SSYK 2012)` == "243 Marketing and public relations professionals")
 
model <- lm (log(salary) ~ year_n * poly(age_n, 3) * sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("age_n", "year_n", "sex", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de interação com menor valor F, idade, ano e gênero, profissionais de marketing e relações públicas

Figura 12: Setor de interação com menor valor F, idade, ano e gênero, profissionais de marketing e relações públicas

## TableGrob (2 x 1) "arrange": 2 grobs
##   z     cells    name           grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (2-2,1-1) arrange gtable[layout]

var vglnk = {key: '949efb41171ac6ec1bf7f206d57e90b8'};

(função (d, t) {
var s = d.createElement
s.src = '//cdn.viglink.com/api/vglnk.js';
var r = d.getElementsByTagName
} (documento, 'script'));

Para Deixe um comentário para o autor, siga o link e comente no blog:

R Analystatistics Sweden
.


R-bloggers.com oferece atualizações diárias por email sobre notícias e tutoriais do R sobre o aprendizado do R e muitos outros tópicos. Clique aqui se você deseja publicar ou encontrar um emprego em ciência da dados / R.


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.



cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br