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
ssykAumento de salárioValor Finteração
218 Especialistas em proteção ambiental e saúde2.3966875456.4704739Nenhum
261 Profissionais do direito2,6130221304.1919940Nenhum
411 Assistentes de escritório e outros secretários2.3419860285.0349753Nenhum
222 Profissionais de enfermagem4,6578230280.4433905Nenhum
515 Cuidadores de construção e trabalhadores relacionados2.2146338270.0075297Nenhum
819 Técnicos de controle de processos2.5350438268.3445857Nenhum
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos2.0523696259.5458010Nenhum
251 arquitetos, analistas de sistemas e gerentes de teste de TIC2.3512692241.0997355Nenhum
321 Técnicos médicos e farmacêuticos2.5801263237.2341857Nenhum
333 agentes de serviços às empresas2.3936321218.8431989Nenhum
334 Secretários administrativos e especializados2.0432078197.0091850Nenhum
243 Profissionais de marketing e relações públicas1.7547524188.6715597Nenhum
335 Profissionais associados fiscais e relacionados ao governo2.4477931179.6275210Nenhum
342 Atletas, instrutores de fitness e trabalhadores recreativos1.8086152178.9426205Nenhum
962 Distribuidores de jornais, zeladores e outros prestadores de serviços1.9900356178.5334093Nenhum
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura1.8912397161.3670379Nenhum
265 Artistas criativos e performáticos2.0992262156.9400225Nenhum
241 Contadores, analistas financeiros e gestores de fundos2.4619072134.7081954Nenhum
351 operações de TIC e técnicos de suporte ao usuário2.7045039117.0092304Nenhum
331 Profissionais associados de finanças e contabilidade2.1803329111.0703889Nenhum
264 Autores, jornalistas e linguistas2,286542993.9690111Nenhum
211 Físicos e químicos2.001043865.4196943Nenhum
911 Limpadores e ajudantes1.930675764.9465316Nenhum
231 Professores universitários e de ensino superior2.398735858.9926983Nenhum
541 Outros trabalhadores de vigilância e segurança2.250032654.4430468Nenhum
815 Operadores de máquinas, produtos têxteis, peles e couro1.351741948.6411876Nenhum
723 Mecânicos e montadores de máquinas2.425175148.2416487Nenhum
233 professores do ensino médio3.039016538.5627689Nenhum
422 Funcionários de informações do cliente2.468674437.8718779Nenhum
228 Especialistas em cuidados de saúde não classificados em outra parte2.158984436.5601628Nenhum
941 Trabalhadores de fast food, assistentes de preparação de alimentos1.996052718.6514673Nenhum
216 Arquitetos e agrimensores2.832355615.8227312Nenhum
235 Profissionais de ensino não classificados em outra parte1.658282414.3745577Nenhum
532 Profissionais de cuidados pessoais em serviços de saúde3.007607312.2147525Nenhum
311 Técnicos de ciências físicas e de engenharia2.770414512.1641422Nenhum
234 professores de escolas primárias e pré-escolares3.47749837.3900661Nenhum
511 Tripulação de cabina, guias e trabalhadores relacionados-0,34434276.9533625Nenhum
534 Atendentes, assistentes pessoais e trabalhadores relacionados2.02334195.1208491Nenhum
533 Assistentes de saúde2.22717204.8058895Nenhum
332 Consultores de seguros, agentes de vendas e compras2.20446764.2832833Nenhum
531 Trabalhadores de cuidados infantis e auxiliares de professores1.91056374.0479235Nenhum
214 profissionais de engenharia2.79957422.1850611Nenhum
341 Profissionais de serviço social e religiosos associados2.56514582.1164875Nenhum
432 Lojas e funcionários de transporte1.93373540,7577500Nenhum
611 Jardineiros e cultivadores de mercado1.80417430,0643998Nenhum
512 Cozinheiros e gerentes de bufê frio2.79429440,0197082Nenhum
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
ssykAumento de salárioValor Finteração
911 Limpadores e ajudantes1.9306757109.1411280setor e sexo
335 Profissionais associados fiscais e relacionados ao governo2.447793170.7824355setor e sexo
815 Operadores de máquinas, produtos têxteis, peles e couro1.356328931.8117555setor e sexo
333 agentes de serviços às empresas2.289985330.4752880setor e sexo
331 Profissionais associados de finanças e contabilidade2.202360025.9296892setor e sexo
342 Atletas, instrutores de fitness e trabalhadores recreativos1.808615225.0203935setor e sexo
241 Contadores, analistas financeiros e gestores de fundos2.478635824.2528951setor e sexo
264 Autores, jornalistas e linguistas2.245361921.8740576setor e sexo
533 Assistentes de saúde2.227172021.5539071setor e sexo
243 Profissionais de marketing e relações públicas1.726344219.6730093setor e sexo
332 Consultores de seguros, agentes de vendas e compras2.204467619.3664844setor e sexo
611 Jardineiros e cultivadores de mercado1.754284915.6290927setor e sexo
532 Profissionais de cuidados pessoais em serviços de saúde3.007607312.5499477setor e sexo
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura1.897384711.5413223setor e sexo
321 Técnicos médicos e farmacêuticos2.56366369.5201918setor e sexo
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos2.03885257.8030347setor e sexo
351 operações de TIC e técnicos de suporte ao usuário2.70450397.5568275setor e sexo
211 Físicos e químicos1.99262647.5217104setor e sexo
235 Profissionais de ensino não classificados em outra parte1.62284165.7033533setor e sexo
512 Cozinheiros e gerentes de bufê frio2.79429445.4926902setor e sexo
941 Trabalhadores de fast food, assistentes de preparação de alimentos1.99605273.8523689setor e sexo
432 Lojas e funcionários de transporte1.92479043.3361868setor e sexo
218 Especialistas em proteção ambiental e saúde2.39029203,2726896setor e sexo
231 Professores universitários e de ensino superior2.40494293.1968905setor e sexo
222 Profissionais de enfermagem4,65279742,8848508setor e sexo
265 Artistas criativos e performáticos2.09082312.4335097setor e sexo
962 Distribuidores de jornais, zeladores e outros prestadores de serviços1.99003562.3091055setor e sexo
233 professores do ensino médio3.04788121,6616950setor e sexo
228 Especialistas em cuidados de saúde não classificados em outra parte2.22714101.4295653setor e sexo
819 Técnicos de controle de processos2.53504381.1646979setor e sexo
541 Outros trabalhadores de vigilância e segurança2.25003261.1488532setor e sexo
534 Atendentes, assistentes pessoais e trabalhadores relacionados2.02334191.1344410setor e sexo
261 Profissionais do direito2.60149001.1208624setor e sexo
531 Trabalhadores de cuidados infantis e auxiliares de professores1.90342891.0441681setor e sexo
411 Assistentes de escritório e outros secretários2.34198600.8053533setor e sexo
214 profissionais de engenharia2.79383300,7610648setor e sexo
341 Profissionais de serviço social e religiosos associados2.56665410.6898733setor e sexo
422 Funcionários de informações do cliente2.47072550.4188795setor e sexo
251 arquitetos, analistas de sistemas e gerentes de teste de TIC2.35126920.2019761setor e sexo
234 professores de escolas primárias e pré-escolares3.47749830.1910697setor e sexo
334 Secretários administrativos e especializados2.04739360.1673844setor e sexo
723 Mecânicos e montadores de máquinas2.42700250,0946975setor e sexo
216 Arquitetos e agrimensores2.83233700,0480519setor e sexo
515 Cuidadores de construção e trabalhadores relacionados2.21487110,0466927setor e sexo
311 Técnicos de ciências físicas e de engenharia2.76957810,0317138setor e sexo
511 Tripulação de cabina, guias e trabalhadores relacionados-0,34526680,0263848setor 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
ssykAumento de salárioValor Finteração
251 arquitetos, analistas de sistemas e gerentes de teste de TIC2.351269281.293931setor e idade
534 Atendentes, assistentes pessoais e trabalhadores relacionados2.023341974.994233setor e idade
234 professores de escolas primárias e pré-escolares3.477498350.554556setor e idade
511 Tripulação de cabina, guias e trabalhadores relacionados-0,321470349.726047setor e idade
331 Profissionais associados de finanças e contabilidade2.176011543.716282setor e idade
432 Lojas e funcionários de transporte1.937226841.355837setor e idade
351 operações de TIC e técnicos de suporte ao usuário2.704503937.992660setor e idade
241 Contadores, analistas financeiros e gestores de fundos2.492508131.914364setor e idade
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos2.098454831.372391setor e idade
422 Funcionários de informações do cliente2.476353024.396462setor e idade
342 Atletas, instrutores de fitness e trabalhadores recreativos1.808615221.878170setor e idade
332 Consultores de seguros, agentes de vendas e compras2.204467620.887588setor e idade
333 agentes de serviços às empresas2.571178220.728956setor e idade
261 Profissionais do direito2.654214519.114710setor e idade
233 professores do ensino médio3.108961118.460571setor e idade
541 Outros trabalhadores de vigilância e segurança2.250032618.166197setor e idade
243 Profissionais de marketing e relações públicas1.829873916.372110setor e idade
231 Professores universitários e de ensino superior2.500021615.799814setor e idade
411 Assistentes de escritório e outros secretários2.341986015.436701setor e idade
235 Profissionais de ensino não classificados em outra parte1.846733115.280487setor e idade
211 Físicos e químicos1.994935411.545117setor e idade
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura1.883576711.142152setor e idade
228 Especialistas em cuidados de saúde não classificados em outra parte2.024367910.920972setor e idade
335 Profissionais associados fiscais e relacionados ao governo2.447793110.914843setor e idade
941 Trabalhadores de fast food, assistentes de preparação de alimentos1.996052710.718505setor e idade
341 Profissionais de serviço social e religiosos associados2.58162959.475763setor e idade
216 Arquitetos e agrimensores2.78725559.229637setor e idade
321 Técnicos médicos e farmacêuticos2.58727478.122166setor e idade
911 Limpadores e ajudantes1.93067578.084293setor e idade
815 Operadores de máquinas, produtos têxteis, peles e couro1.37511337.636766setor e idade
334 Secretários administrativos e especializados2.13558837.153296setor e idade
218 Especialistas em proteção ambiental e saúde2.46203576.994422setor e idade
962 Distribuidores de jornais, zeladores e outros prestadores de serviços1.99003566.838603setor e idade
531 Trabalhadores de cuidados infantis e auxiliares de professores1.92261266.070516setor e idade
515 Cuidadores de construção e trabalhadores relacionados2.21927606.005165setor e idade
311 Técnicos de ciências físicas e de engenharia2,78753165.421210setor e idade
723 Mecânicos e montadores de máquinas2,43606825.406378setor e idade
819 Técnicos de controle de processos2.53504385.043236setor e idade
264 Autores, jornalistas e linguistas2.22475054.044872setor e idade
512 Cozinheiros e gerentes de bufê frio2.79429443.928362setor e idade
533 Assistentes de saúde2.22717203,673529setor e idade
265 Artistas criativos e performáticos2.07869062.538964setor e idade
214 profissionais de engenharia2.78631372.497814setor e idade
532 Profissionais de cuidados pessoais em serviços de saúde3.00760732,3339712setor e idade
222 Profissionais de enfermagem4.62628272,287950setor e idade
611 Jardineiros e cultivadores de mercado1.80421071,716068setor 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
ssykAumento de salárioValor Finteração
222 Profissionais de enfermagem3.282162352.9080079setor e ano
235 Profissionais de ensino não classificados em outra parte2.710281524.3392922setor e ano
334 Secretários administrativos e especializados0,682470415.9484068setor e ano
531 Trabalhadores de cuidados infantis e auxiliares de professores2.370446213.8844930setor e ano
422 Funcionários de informações do cliente3.222693912.4412439setor e ano
962 Distribuidores de jornais, zeladores e outros prestadores de serviços2.546582910.9472608setor e ano
534 Atendentes, assistentes pessoais e trabalhadores relacionados2.371931110.1007673setor e ano
532 Profissionais de cuidados pessoais em serviços de saúde2.75909889.0616925setor e ano
611 Jardineiros e cultivadores de mercado2.42858819.0355793setor e ano
233 professores do ensino médio3.46811598.2187247setor e ano
264 Autores, jornalistas e linguistas3.24881086.2777560setor e ano
351 operações de TIC e técnicos de suporte ao usuário3.42725764.8822064setor e ano
214 profissionais de engenharia3,44752154.3685520setor e ano
723 Mecânicos e montadores de máquinas2.77268004.0300820setor e ano
511 Tripulação de cabina, guias e trabalhadores relacionados-1,46366153.9854827setor e ano
243 Profissionais de marketing e relações públicas2.41743093.9092911setor e ano
311 Técnicos de ciências físicas e de engenharia3.29751813,6534643setor e ano
533 Assistentes de saúde2.02029983.4258034setor e ano
216 Arquitetos e agrimensores3,27663213.0286083setor e ano
512 Cozinheiros e gerentes de bufê frio2.47617962.1189296setor e ano
231 Professores universitários e de ensino superior2.75641491.9590690setor e ano
911 Limpadores e ajudantes2.10801131.3375758setor e ano
265 Artistas criativos e performáticos1.82521021.3073089setor e ano
341 Profissionais de serviço social e religiosos associados2.71797801.1525106setor e ano
332 Consultores de seguros, agentes de vendas e compras2.46984200.8846941setor e ano
515 Cuidadores de construção e trabalhadores relacionados2.08964860.8721029setor e ano
251 arquitetos, analistas de sistemas e gerentes de teste de TIC2.10709690.8453000setor e ano
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos2.30748100.7627131setor e ano
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura2.15158400,7217108setor e ano
815 Operadores de máquinas, produtos têxteis, peles e couro1.51692160.7021796setor e ano
333 agentes de serviços às empresas2.67709840.6948266setor e ano
411 Assistentes de escritório e outros secretários2.49611110,6866667setor e ano
261 Profissionais do direito2.90248570,6474976setor e ano
342 Atletas, instrutores de fitness e trabalhadores recreativos2.03569520,5210552setor e ano
541 Outros trabalhadores de vigilância e segurança2.13193480.4764820setor e ano
941 Trabalhadores de fast food, assistentes de preparação de alimentos2.10300850.4107102setor e ano
241 Contadores, analistas financeiros e gestores de fundos2.18377200.3653365setor e ano
335 Profissionais associados fiscais e relacionados ao governo2,24763510,3329319setor e ano
228 Especialistas em cuidados de saúde não classificados em outra parte2.02159850.1994037setor e ano
321 Técnicos médicos e farmacêuticos2.49865100.1694097setor e ano
234 professores de escolas primárias e pré-escolares3.52270870,0566620setor e ano
211 Físicos e químicos2.05092880,0256116setor e ano
819 Técnicos de controle de processos2.55253880,0089722setor e ano
432 Lojas e funcionários de transporte1.95792840,0058151setor e ano
331 Profissionais associados de finanças e contabilidade2.14713900,0023497setor e ano
218 Especialistas em proteção ambiental e saúde2.38969460,0012880setor 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
ssykAumento de salárioValor Finteração
214 profissionais de engenharia2,464885511.6391393setor, ano, idade e sexo
342 Atletas, instrutores de fitness e trabalhadores recreativos2.09916708.9098726setor, ano, idade e sexo
216 Arquitetos e agrimensores3.23014667.6322806setor, ano, idade e sexo
228 Especialistas em cuidados de saúde não classificados em outra parte1.51767474.1043437setor, ano, idade e sexo
321 Técnicos médicos e farmacêuticos2.26419783.9184148setor, ano, idade e sexo
218 Especialistas em proteção ambiental e saúde2.45737893.6168903setor, ano, idade e sexo
261 Profissionais do direito2.75817523.2902539setor, ano, idade e sexo
235 Profissionais de ensino não classificados em outra parte2.40115133.0277439setor, ano, idade e sexo
335 Profissionais associados fiscais e relacionados ao governo2.02928742.6128635setor, ano, idade e sexo
341 Profissionais de serviço social e religiosos associados2.63190842.6004044setor, ano, idade e sexo
233 professores do ensino médio3.52731562.2615012setor, ano, idade e sexo
331 Profissionais associados de finanças e contabilidade2.46628601.9867325setor, ano, idade e sexo
941 Trabalhadores de fast food, assistentes de preparação de alimentos1.99001781.9221016setor, ano, idade e sexo
512 Cozinheiros e gerentes de bufê frio2.52222191.9206611setor, ano, idade e sexo
962 Distribuidores de jornais, zeladores e outros prestadores de serviços2.66039851.8150814setor, ano, idade e sexo
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura2.39628411.7496638setor, ano, idade e sexo
911 Limpadores e ajudantes2.11973501.5815397setor, ano, idade e sexo
511 Tripulação de cabina, guias e trabalhadores relacionados-0,69574971.5410098setor, ano, idade e sexo
211 Físicos e químicos2.33105091.5257771setor, ano, idade e sexo
333 agentes de serviços às empresas2.93060661.5169994setor, ano, idade e sexo
819 Técnicos de controle de processos2.53943981.4148181setor, ano, idade e sexo
723 Mecânicos e montadores de máquinas2.91458831.2913243setor, ano, idade e sexo
234 professores de escolas primárias e pré-escolares3.53732141.2588294setor, ano, idade e sexo
533 Assistentes de saúde2.05617641.1641262setor, ano, idade e sexo
222 Profissionais de enfermagem3.31411751.1593790setor, ano, idade e sexo
515 Cuidadores de construção e trabalhadores relacionados2.35543681.0916712setor, ano, idade e sexo
334 Secretários administrativos e especializados-0.48411620.8627072setor, ano, idade e sexo
264 Autores, jornalistas e linguistas3,87663710.8178463setor, ano, idade e sexo
541 Outros trabalhadores de vigilância e segurança2.19591430.8087407setor, ano, idade e sexo
531 Trabalhadores de cuidados infantis e auxiliares de professores2,46244350.6787061setor, ano, idade e sexo
815 Operadores de máquinas, produtos têxteis, peles e couro1.25585000.6507638setor, ano, idade e sexo
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos2.14125800,6425880setor, ano, idade e sexo
411 Assistentes de escritório e outros secretários2.40637130.5077368setor, ano, idade e sexo
432 Lojas e funcionários de transporte2.16184840.5005162setor, ano, idade e sexo
422 Funcionários de informações do cliente3.38191830.4079113setor, ano, idade e sexo
265 Artistas criativos e performáticos1.71710840.4046591setor, ano, idade e sexo
241 Contadores, analistas financeiros e gestores de fundos1.96503320,3867492setor, ano, idade e sexo
311 Técnicos de ciências físicas e de engenharia3.06617050,3303477setor, ano, idade e sexo
611 Jardineiros e cultivadores de mercado2.17588450.1794678setor, ano, idade e sexo
351 operações de TIC e técnicos de suporte ao usuário3.34724780.1238188setor, ano, idade e sexo
332 Consultores de seguros, agentes de vendas e compras2.21618560.1214610setor, ano, idade e sexo
251 arquitetos, analistas de sistemas e gerentes de teste de TIC2.13710360.1080593setor, ano, idade e sexo
534 Atendentes, assistentes pessoais e trabalhadores relacionados2.35764110,0748416setor, ano, idade e sexo
532 Profissionais de cuidados pessoais em serviços de saúde2,64485240,0675532setor, ano, idade e sexo
231 Professores universitários e de ensino superior2.52122520,0231719setor, ano, idade e sexo
243 Profissionais de marketing e relações públicas2.16266400,0083390setor, ano, idade e sexo
Leia Também  tutorial do mlr3 sobre useR! 2020muc | R-bloggers

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