A importância do setor no salário na Suécia, uma comparação entre diferentes grupos ocupacionais, parte 3

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.

Para concluir a análise sobre a significância do setor no salário para diferentes grupos ocupacionais na Suécia, examinarei neste post a correlação entre salário e setor usando estatísticas para educação.

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
## Learn more about sjPlot with 'browseVignettes("sjPlot")'.
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, 000000CY.csv, http://www.statistikdatabasen.scb.se/pxweb/en/ssd/.

Renomeei o arquivo para 000000CY_sector.csv porque o nome do arquivo 000000CY.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 nível de escolaridade (SUN). 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 % 
  mutate(edulevel = `level of education`)

numedulevel %
  knitr::kable(
  booktabs = TRUE,
  caption = 'Initial approach, length of education') 
Tabela 1: Abordagem inicial, duração da educação
nível de educação eduyears
ensino primário e secundário 9-10 anos (CITE97 2) 9
ensino secundário superior, 2 anos ou menos (CITE97 3C) 11
ensino secundário superior 3 anos (ISCED97 3A) 12
ensino pós-secundário, menos de 3 anos (CITE97 4 + 5B) 14
ensino pós-secundário 3 anos ou mais (CITE97 5A) 15
educação de pós-graduação (ISCED97 6) 19
nenhuma informação sobre o nível de escolaridade N / D
tbnum % 
  right_join(numedulevel, by = c("level of education" = "level.of.education")) %>%
  filter(!is.na(eduyears)) %>%
  mutate(eduyears = factor(eduyears))
## Warning: Column `level of education`/`level.of.education` joining character
## vector and factor, coercing into character vector
summary_table = vector()
anova_table = vector()

for (i in unique(tbnum$`occuptional  (SSYK 2012)`)){
  temp  90){
    model <- lm(log(salary) ~ edulevel + 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) ~ edulevel * sector + sex + year_n, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "sector and edulevel"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "sector and edulevel"))  
    
    model <- lm(log(salary) ~ edulevel + 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) ~ edulevel +  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) ~ edulevel * sector * sex * year_n, data = temp)
    summary_table <- rbind (summary_table, mutate (tidy (summary (model)), ssyk = i, interaction = "sector, year, edulevel and sex"))
    anova_table <- rbind (anova_table, mutate (tidy (Anova (model, type = 2)), ssyk = i, interaction = "sector, year, edulevel 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
## 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
## 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
## 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
## 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
## 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
## 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
## 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
## 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
## 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
## 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
## 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
## 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"
    )   
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, edulevel 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, nível de ensino, ano e sexo no salário na Suécia, uma comparação entre diferentes grupos ocupacionais, ano 2014 - 2018

Figura 2: A significância da interação entre setor, nível de ensino, 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.

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br
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')
Mesa 2: Correlação do valor F (setor) e aumento anual de salários
ssyk Aumento de salário Valor F interação
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 1,609869 515.5748558 Nenhum
819 Técnicos de controle de processos 2.250895 467.4732796 Nenhum
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.217446 465.2253589 Nenhum
331 Profissionais associados de finanças e contabilidade 1,964825 340.2901702 Nenhum
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1.971413 336.7676606 Nenhum
334 Secretários administrativos e especializados 2.410127 333.7196510 Nenhum
351 operações de TIC e técnicos de suporte ao usuário 2,474549 305.6052807 Nenhum
241 Contadores, analistas financeiros e gestores de fundos 2.534461 251.4058600 Nenhum
335 Profissionais associados fiscais e relacionados ao governo 2.586686 250.8147705 Nenhum
515 Cuidadores de construção e trabalhadores relacionados 2.522386 250.0742967 Nenhum
321 Técnicos médicos e farmacêuticos 2.493038 230.0064060 Nenhum
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2,303600 228.0668837 Nenhum
134 Gerentes de arquitetura e engenharia 3.161068 226.5669850 Nenhum
333 agentes de serviços às empresas 3.001597 222.9774594 Nenhum
411 Assistentes de escritório e outros secretários 2,227235 214.6750980 Nenhum
243 Profissionais de marketing e relações públicas 1,481519 179.3099186 Nenhum
264 Autores, jornalistas e linguistas 2.046538 164.8394018 Nenhum
129 Gerentes de administração e serviços não classificados em outra parte 4.059900 158.7687951 Nenhum
342 Atletas, instrutores de fitness e trabalhadores recreativos 1,586943 132.1816646 Nenhum
159 Outros gerentes de serviços sociais 2.541205 69.9268014 Nenhum
123 Gerentes de administração e planejamento 3.849200 50.0164438 Nenhum
541 Outros trabalhadores de vigilância e segurança 2.460130 41.9287342 Nenhum
235 Profissionais de ensino não classificados em outra parte 1.415591 40.1919620 Nenhum
911 Limpadores e ajudantes 1.938366 35.3850213 Nenhum
533 Assistentes de saúde 2.157379 22.0488822 Nenhum
534 Atendentes, assistentes pessoais e trabalhadores relacionados 1.959595 21.6985964 Nenhum
332 Consultores de seguros, agentes de vendas e compras 2.637486 19.1041252 Nenhum
131 Gerentes de serviços de tecnologia da informação e comunicação 4.000609 17.0841502 Nenhum
311 Técnicos de ciências físicas e de engenharia 2.325958 16.5471030 Nenhum
214 profissionais de engenharia 2.626260 15.6152029 Nenhum
432 Lojas e funcionários de transporte 1,231854 13.9155189 Nenhum
723 Mecânicos e montadores de máquinas 2,362984 12.5847785 Nenhum
532 Profissionais de cuidados pessoais em serviços de saúde 2,906578 6.3336230 Nenhum
512 Cozinheiros e gerentes de bufê frio 2,483280 5.4612144 Nenhum
732 Impressão comercializa trabalhadores 2.158854 5.2405535 Nenhum
234 professores de escolas primárias e pré-escolares 2.985653 4.6801860 Nenhum
422 Funcionários de informações do cliente 2.527801 1.7881181 Nenhum
531 Trabalhadores de cuidados infantis e auxiliares de professores 1,881615 0.8334164 Nenhum
611 Jardineiros e cultivadores de mercado 1.980288 0,3732826 Nenhum
341 Profissionais de serviço social e religiosos associados 2,357787 0,0276157 Nenhum
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.981512 0,0046670 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')
Tabela 3: Correlação do valor F (setor e sexo) e aumento anual de salários
ssyk Aumento de salário Valor F interação
911 Limpadores e ajudantes 1.966955 183.3539258 setor e sexo
331 Profissionais associados de finanças e contabilidade 1.988628 84.3723061 setor e sexo
342 Atletas, instrutores de fitness e trabalhadores recreativos 1.609407 53.2856268 setor e sexo
351 operações de TIC e técnicos de suporte ao usuário 2,474549 53.1541368 setor e sexo
241 Contadores, analistas financeiros e gestores de fundos 2.549161 39.5233707 setor e sexo
333 agentes de serviços às empresas 2,952973 32.5926396 setor e sexo
611 Jardineiros e cultivadores de mercado 1.936338 25.7248443 setor e sexo
243 Profissionais de marketing e relações públicas 1,489860 24.3260135 setor e sexo
533 Assistentes de saúde 2.157379 19.0714901 setor e sexo
732 Impressão comercializa trabalhadores 2.207617 16.8065594 setor e sexo
512 Cozinheiros e gerentes de bufê frio 2.497408 15.7408059 setor e sexo
159 Outros gerentes de serviços sociais 2.511558 15.1529257 setor e sexo
123 Gerentes de administração e planejamento 3,819995 14.2436097 setor e sexo
532 Profissionais de cuidados pessoais em serviços de saúde 2.899482 13.1974037 setor e sexo
334 Secretários administrativos e especializados 2.416957 12.8317750 setor e sexo
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2.317893 10.2339741 setor e sexo
134 Gerentes de arquitetura e engenharia 3.161068 9.7816667 setor e sexo
321 Técnicos médicos e farmacêuticos 2.493038 8.6670096 setor e sexo
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.989465 8.6486138 setor e sexo
335 Profissionais associados fiscais e relacionados ao governo 2.586686 8.4427211 setor e sexo
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 1.594999 8.1271264 setor e sexo
723 Mecânicos e montadores de máquinas 2.337983 6.4299201 setor e sexo
332 Consultores de seguros, agentes de vendas e compras 2.627736 5.7400150 setor e sexo
311 Técnicos de ciências físicas e de engenharia 2.316138 5.3473607 setor e sexo
234 professores de escolas primárias e pré-escolares 2.999161 5.0012138 setor e sexo
129 Gerentes de administração e serviços não classificados em outra parte 4.121066 4.6687219 setor e sexo
819 Técnicos de controle de processos 2.250895 3.7631281 setor e sexo
534 Atendentes, assistentes pessoais e trabalhadores relacionados 1.959595 3.5292601 setor e sexo
131 Gerentes de serviços de tecnologia da informação e comunicação 4.029303 2.5233240 setor e sexo
264 Autores, jornalistas e linguistas 2.033203 2.5032667 setor e sexo
341 Profissionais de serviço social e religiosos associados 2,357787 2.2988889 setor e sexo
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.217446 2.1823519 setor e sexo
422 Funcionários de informações do cliente 2.519631 2.1300830 setor e sexo
432 Lojas e funcionários de transporte 1,231854 1.5040767 setor e sexo
541 Outros trabalhadores de vigilância e segurança 2.457007 1.3945913 setor e sexo
214 profissionais de engenharia 2,629057 1.3225970 setor e sexo
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1.971413 0,3480210 setor e sexo
531 Trabalhadores de cuidados infantis e auxiliares de professores 1.879581 0.1432868 setor e sexo
515 Cuidadores de construção e trabalhadores relacionados 2.522844 0.1379141 setor e sexo
235 Profissionais de ensino não classificados em outra parte 1.424488 0,0670314 setor e sexo
411 Assistentes de escritório e outros secretários 2,227235 0.0001653 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 edulevel") %>%
  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 edulevel) and the yearly increase in salaries')
Quadro 4: Correlação do valor F (setor e nível de ensino) e aumento anual de salários
ssyk Aumento de salário Valor F interação
335 Profissionais associados fiscais e relacionados ao governo 2.586686 48.2902588 setor e nível educacional
234 professores de escolas primárias e pré-escolares 2.936162 32.3560802 setor e nível educacional
214 profissionais de engenharia 2.636843 29.4462376 setor e nível educacional
332 Consultores de seguros, agentes de vendas e compras 2.420632 26.7105578 setor e nível educacional
432 Lojas e funcionários de transporte 1,231854 24.9194979 setor e nível educacional
134 Gerentes de arquitetura e engenharia 3.161068 20.3665858 setor e nível educacional
321 Técnicos médicos e farmacêuticos 2.493038 18.1556092 setor e nível educacional
723 Mecânicos e montadores de máquinas 2.358171 17.3272819 setor e nível educacional
311 Técnicos de ciências físicas e de engenharia 2.330300 12.9686992 setor e nível educacional
123 Gerentes de administração e planejamento 3.809019 11.7436022 setor e nível educacional
732 Impressão comercializa trabalhadores 2.220728 11.0453452 setor e nível educacional
241 Contadores, analistas financeiros e gestores de fundos 2,647068 10.5100504 setor e nível educacional
235 Profissionais de ensino não classificados em outra parte 1,396076 8.6264575 setor e nível educacional
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2,264110 7.7952190 setor e nível educacional
941 Trabalhadores de fast food, assistentes de preparação de alimentos 1.981512 7.5766373 setor e nível educacional
331 Profissionais associados de finanças e contabilidade 1.980338 6.9758948 setor e nível educacional
532 Profissionais de cuidados pessoais em serviços de saúde 2.919933 6.6231457 setor e nível educacional
534 Atendentes, assistentes pessoais e trabalhadores relacionados 1.959595 5.7464596 setor e nível educacional
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1.971413 5.4435379 setor e nível educacional
131 Gerentes de serviços de tecnologia da informação e comunicação 3,908111 4.9661376 setor e nível educacional
159 Outros gerentes de serviços sociais 2.565523 4.7197836 setor e nível educacional
129 Gerentes de administração e serviços não classificados em outra parte 4.160995 4.3062655 setor e nível educacional
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.209131 3.5539841 setor e nível educacional
512 Cozinheiros e gerentes de bufê frio 2.435903 3.4242806 setor e nível educacional
333 agentes de serviços às empresas 2.955970 3.3635706 setor e nível educacional
243 Profissionais de marketing e relações públicas 1,473064 3,2639790 setor e nível educacional
264 Autores, jornalistas e linguistas 2.043677 3.0449469 setor e nível educacional
334 Secretários administrativos e especializados 2,387467 2.8528940 setor e nível educacional
422 Funcionários de informações do cliente 2.527801 2.3007696 setor e nível educacional
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 1.612900 1.9599904 setor e nível educacional
351 operações de TIC e técnicos de suporte ao usuário 2,474549 1.5903279 setor e nível educacional
819 Técnicos de controle de processos 2.250895 1.5586112 setor e nível educacional
341 Profissionais de serviço social e religiosos associados 2,357787 1.3263497 setor e nível educacional
611 Jardineiros e cultivadores de mercado 2.016345 1.2719035 setor e nível educacional
541 Outros trabalhadores de vigilância e segurança 2.460130 1.0672924 setor e nível educacional
411 Assistentes de escritório e outros secretários 2,227235 1.0114046 setor e nível educacional
515 Cuidadores de construção e trabalhadores relacionados 2.526100 0.8254389 setor e nível educacional
342 Atletas, instrutores de fitness e trabalhadores recreativos 1.540952 0,8230839 setor e nível educacional
531 Trabalhadores de cuidados infantis e auxiliares de professores 1.897863 0.7969406 setor e nível educacional
533 Assistentes de saúde 2.157379 0,5425248 setor e nível educacional
911 Limpadores e ajudantes 1.938366 0,0965584 setor e nível educacional
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 5: Correlação do valor F (setor e ano) e aumento anual de salários
ssyk Aumento de salário Valor F interação
129 Gerentes de administração e serviços não classificados em outra parte 5.8528187 17.1667457 setor e ano
351 operações de TIC e técnicos de suporte ao usuário 3.2455362 16.6101284 setor e ano
334 Secretários administrativos e especializados 1.0672775 14.9508269 setor e ano
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2.2769477 12.4036331 setor e ano
422 Funcionários de informações do cliente 3,2733483 11.6812523 setor e ano
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 2.4907346 11.5673142 setor e ano
264 Autores, jornalistas e linguistas 2.9905121 10.5945994 setor e ano
531 Trabalhadores de cuidados infantis e auxiliares de professores 2.4510286 9.5936100 setor e ano
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 2.3355826 7.7816291 setor e ano
432 Lojas e funcionários de transporte 0.5332567 7.4196762 setor e ano
243 Profissionais de marketing e relações públicas 2.1828057 5.5660180 setor e ano
732 Impressão comercializa trabalhadores 2,8825380 4.3716553 setor e ano
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2.8099783 3.6786224 setor e ano
611 Jardineiros e cultivadores de mercado 2.3161238 3,3017939 setor e ano
131 Gerentes de serviços de tecnologia da informação e comunicação 3.3504930 2.8750373 setor e ano
532 Profissionais de cuidados pessoais em serviços de saúde 2.7411030 2.8290655 setor e ano
235 Profissionais de ensino não classificados em outra parte 1.8047571 2.7841902 setor e ano
311 Técnicos de ciências físicas e de engenharia 2.8608741 2.6173373 setor e ano
533 Assistentes de saúde 1.9920113 2.2486864 setor e ano
214 profissionais de engenharia 3.0209963 2.0446973 setor e ano
723 Mecânicos e montadores de máquinas 2.6258864 1.4272778 setor e ano
515 Cuidadores de construção e trabalhadores relacionados 2.3423357 1.3492650 setor e ano
321 Técnicos médicos e farmacêuticos 2.1376334 1.2494762 setor e ano
941 Trabalhadores de fast food, assistentes de preparação de alimentos 2.1906312 1.1458297 setor e ano
234 professores de escolas primárias e pré-escolares 3.1522849 0.8075167 setor e ano
411 Assistentes de escritório e outros secretários 2.4217447 0.7799156 setor e ano
241 Contadores, analistas financeiros e gestores de fundos 2,2625663 0.7751592 setor e ano
541 Outros trabalhadores de vigilância e segurança 2.3018747 0.6646888 setor e ano
134 Gerentes de arquitetura e engenharia 3.3811821 0.5852232 setor e ano
333 agentes de serviços às empresas 3.2520012 0,5424390 setor e ano
335 Profissionais associados fiscais e relacionados ao governo 2.3986233 0,3139375 setor e ano
123 Gerentes de administração e planejamento 4.0945884 0,2682143 setor e ano
911 Limpadores e ajudantes 2.0082873 0,2021948 setor e ano
341 Profissionais de serviço social e religiosos associados 2.3994292 0,0754320 setor e ano
342 Atletas, instrutores de fitness e trabalhadores recreativos 1.6673896 0,0633281 setor e ano
512 Cozinheiros e gerentes de bufê frio 2.4249631 0,0494622 setor e ano
819 Técnicos de controle de processos 2.2225873 0,0378303 setor e ano
331 Profissionais associados de finanças e contabilidade 2.0557505 0,0377336 setor e ano
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.2536138 0,0294035 setor e ano
332 Consultores de seguros, agentes de vendas e compras 2.6015664 0,0125275 setor e ano
159 Outros gerentes de serviços sociais 2.5487758 0,0013436 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, edulevel 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, edulevel and sex) and the yearly increase in salaries')
Quadro 6: Correlação do valor F (setor, ano, nível de ensino e sexo) e aumento anual de salários
ssyk Aumento de salário Valor F interação
264 Autores, jornalistas e linguistas 2.0717871 5.0646298 setor, ano, nível educacional e sexo
311 Técnicos de ciências físicas e de engenharia -1.9358596 3.3593399 setor, ano, nível educacional e sexo
159 Outros gerentes de serviços sociais 2.1339049 2.5206357 setor, ano, nível educacional e sexo
134 Gerentes de arquitetura e engenharia -0,2221716 2,4150753 setor, ano, nível educacional e sexo
331 Profissionais associados de finanças e contabilidade 0,2989757 2.2892768 setor, ano, nível educacional e sexo
342 Atletas, instrutores de fitness e trabalhadores recreativos 2.7799167 2.1976399 setor, ano, nível educacional e sexo
214 profissionais de engenharia 5.2732904 1.9988132 setor, ano, nível educacional e sexo
723 Mecânicos e montadores de máquinas 2.1334983 1.8843643 setor, ano, nível educacional e sexo
432 Lojas e funcionários de transporte -0,2883737 1,8215339 setor, ano, nível educacional e sexo
241 Contadores, analistas financeiros e gestores de fundos 2.6268377 1.8184489 setor, ano, nível educacional e sexo
533 Assistentes de saúde 1.3176280 1.6357939 setor, ano, nível educacional e sexo
911 Limpadores e ajudantes 1.1875630 1,6319874 setor, ano, nível educacional e sexo
129 Gerentes de administração e serviços não classificados em outra parte 16.0932403 1,5716145 setor, ano, nível educacional e sexo
512 Cozinheiros e gerentes de bufê frio 2.2335677 1.4882138 setor, ano, nível educacional e sexo
242 analistas de organizações, administradores de políticas e especialistas em recursos humanos 1.9377802 1.4494844 setor, ano, nível educacional e sexo
234 professores de escolas primárias e pré-escolares 2.6286211 1.4408203 setor, ano, nível educacional e sexo
235 Profissionais de ensino não classificados em outra parte 1.4806649 1.4162230 setor, ano, nível educacional e sexo
532 Profissionais de cuidados pessoais em serviços de saúde 3.0809717 1.3439893 setor, ano, nível educacional e sexo
962 Distribuidores de jornais, zeladores e outros prestadores de serviços 1,7217534 1.3344044 setor, ano, nível educacional e sexo
332 Consultores de seguros, agentes de vendas e compras 4.5515134 0.9604905 setor, ano, nível educacional e sexo
123 Gerentes de administração e planejamento 1.6860436 0.9155189 setor, ano, nível educacional e sexo
541 Outros trabalhadores de vigilância e segurança 3.1372549 0.9113280 setor, ano, nível educacional e sexo
213 Biólogos, farmacologistas e especialistas em agricultura e silvicultura 2.0956711 0.9044780 setor, ano, nível educacional e sexo
422 Funcionários de informações do cliente 7.6231100 0.8611877 setor, ano, nível educacional e sexo
515 Cuidadores de construção e trabalhadores relacionados 3.8284291 0.8343329 setor, ano, nível educacional e sexo
334 Secretários administrativos e especializados -1.8021942 0.7940149 setor, ano, nível educacional e sexo
531 Trabalhadores de cuidados infantis e auxiliares de professores 2.9556278 0.7580341 setor, ano, nível educacional e sexo
131 Gerentes de serviços de tecnologia da informação e comunicação 6.2536436 0,7429188 setor, ano, nível educacional e sexo
243 Profissionais de marketing e relações públicas -0.7939038 0.7338409 setor, ano, nível educacional e sexo
351 operações de TIC e técnicos de suporte ao usuário 3.2312302 0.7188959 setor, ano, nível educacional e sexo
732 Impressão comercializa trabalhadores 3.9993823 0.6905319 setor, ano, nível educacional e sexo
321 Técnicos médicos e farmacêuticos 2.2164674 0.6326293 setor, ano, nível educacional e sexo
611 Jardineiros e cultivadores de mercado 2.2753348 0.6157880 setor, ano, nível educacional e sexo
341 Profissionais de serviço social e religiosos associados 3.0666620 0.5266982 setor, ano, nível educacional e sexo
941 Trabalhadores de fast food, assistentes de preparação de alimentos 2.7940568 0.4253642 setor, ano, nível educacional e sexo
335 Profissionais associados fiscais e relacionados ao governo 5.0470456 0,3217115 setor, ano, nível educacional e sexo
251 arquitetos, analistas de sistemas e gerentes de teste de TIC 2.9031256 0,2684425 setor, ano, nível educacional e sexo
819 Técnicos de controle de processos 1.6741717 0.2603997 setor, ano, nível educacional e sexo
333 agentes de serviços às empresas 1.8143344 0.1540308 setor, ano, nível educacional e sexo
411 Assistentes de escritório e outros secretários 5.5231019 0,0911334 setor, ano, nível educacional e sexo
534 Atendentes, assistentes pessoais e trabalhadores relacionados 2,6927719 0,0899580 setor, ano, nível educacional e sexo
Leia Também  Um exemplo de um modelo calibrado que não está totalmente calibrado

Vamos verificar o que encontramos.

temp %
  filter(`occuptional  (SSYK 2012)` == "242 Organisation analysts, policy administrators and human resource specialists")
 
model <- lm (log(salary) ~ year_n + eduyears + sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "sector"))
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor com o maior valor F, analistas da organização, administradores de políticas e especialistas em recursos humanos

Figura 3: Setor de maior valor F, analistas da organização, administradores de políticas e especialistas em recursos humanos

temp %
  filter(`occuptional  (SSYK 2012)` == "941 Fast-food workers, food preparation assistants")
 
model <-lm (log(salary) ~ year_n + eduyears + sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "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, trabalhadores de fast-food, assistentes de preparação de alimentos

Figura 4: Setor de menor valor F, trabalhadores de fast-food, assistentes de preparação de alimentos

temp %
  filter(`occuptional  (SSYK 2012)` == "911 Cleaners and helpers")
 
model <- lm (log(salary) ~ year_n + eduyears + sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "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)` == "411 Office assistants and other secretaries")
 
model <- lm (log(salary) ~ year_n + eduyears + sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "sex", "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)` == "335 Tax and related government associate professionals")
 
model <- lm (log(salary) ~ year_n + eduyears * sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "sector"))
## Warning in predict.lm(model, newdata = fitfram, type = "response", se.fit =
## se, : prediction from a rank-deficient fit may be misleading
## 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 nível educacional, profissionais associados a impostos e governos relacionados

Figura 7: Setor de interação com maior valor F e nível profissional, profissionais associados a impostos e governos relacionados

temp %
  filter(`occuptional  (SSYK 2012)` == "911 Cleaners and helpers")
 
model <- lm (log(salary) ~ year_n + eduyears * sector + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "sector"))
## Warning in predict.lm(model, newdata = fitfram, type = "response", se.fit =
## se, : prediction from a rank-deficient fit may be misleading
## 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 e nível de nível, Produtos de limpeza e ajudantes

Figura 8: Setor de interação de menor valor F e nível de nível, Produtos de limpeza e ajudantes

temp %
  filter(`occuptional  (SSYK 2012)` == "129 Administration and service managers not elsewhere classified")
 
model <- lm (log(salary) ~ year_n * sector + eduyears + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "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, gerentes de administração e serviços não classificados em outra parte

Figura 9: Setor de interação com valor F mais alto e ano, gerentes de administração e serviços não classificados em outra parte

temp %
  filter(`occuptional  (SSYK 2012)` == "159 Other social services managers")
 
model <- lm (log(salary) ~ year_n * sector + eduyears + sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "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, outros gerentes de serviços sociais

Figura 10: Setor de interação com menor valor F e ano, Outros gerentes de serviços sociais

temp %
  filter(`occuptional  (SSYK 2012)` == "264 Authors, journalists and linguists")
 
model <- lm (log(salary) ~ year_n * eduyears * sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "year_n", "sex", "sector"))
## Warning in predict.lm(model, newdata = fitfram, type = "response", se.fit =
## se, : prediction from a rank-deficient fit may be misleading
## 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, nível de ensino, ano e gênero, Autores, jornalistas e linguistas

Figura 11: Setor de interação com valor F mais alto, nível de ensino, ano e gênero, Autores, jornalistas e linguistas

## 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)` == "534 Attendants, personal assistants and related workers")
 
model <- lm (log(salary) ~ year_n * eduyears * sector * sex, data = temp) 
 
plot_model(model, type = "pred", terms = c("eduyears", "year_n", "sex", "sector"))
## Warning in predict.lm(model, newdata = fitfram, type = "response", se.fit =
## se, : prediction from a rank-deficient fit may be misleading
## Model has log-transformed response. Back-transforming predictions to original response scale. Standard errors are still on the log-scale.

Setor de interação com valor F mais baixo, nível de ensino, ano e gênero, Atendentes, assistentes pessoais e trabalhadores relacionados

Figura 12: Setor de interação de menor valor F, nível de ensino, ano e gênero, Atendentes, assistentes pessoais e trabalhadores relacionados

## 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