script.qmd

---
title: "Forschungsprojekt: Formen nationaler Identität"
author: Joris Geldon, Kilian Thullen
output:
  html_notebook:
    toc: true
    toc_float: true
    highlight: tango
    code_folding: hide
    number_sections: true
    embed-resources: true
editor_options: 
  chunk_output_type: inline
---

```{r}
#| include: false

library(tidyverse)
library(strengejacke)
```

# Datenimport

```{r}
df <- read_spss("natid.sav", convert.factors = F, drop.labels = T)
df <- tibble(df)
```

# Datenbereinung

**Umbenennen aller Variablen in die im Fragebogen angegebenen Namen und anschließendes Hinzufügen von fehlenden Variablenbeschriftung**
```{r}
df <- df %>% 
  rename(
    polint = AT01,
    reli = SD06_01,
    feel_01 = AT02_01,
    feel_02 = AT02_02,
    feel_03 = AT02_03,
    feel_04 = AT02_04,
    feel_05 = AT02_05,
    feel_06 = AT02_06,
    feel_07 = AT02_07,
    feel_08 = AT02_08,
    feel_09 = AT02_09,
    feel_10 = AT02_10,
    feel_11 = AT02_11,
    feel_12 = AT02_12,
    feel_13 = AT02_13,
    patr_01 = AT04_01,
    patr_02 = AT04_02,
    patr_03 = AT04_03,
    patr_04 = AT04_04,
    patr_05 = AT04_05,
    patr_06 = AT04_06,
    dem = AT05,
    bwahl = AT06,
    bwahl_07 = AT06_07,
    depr = AT08,
    ausoz_01 = AT09_01,
    ausoz_02 = AT09_02,
    ausoz_03 = AT09_03,
    ausoz_04 = AT09_04,
    ausoz_05 = AT09_05,
    ausoz_06 = AT09_06,
    ausoz_07 = AT09_07,
    ausoz_08 = AT09_08,
    ausoz_09 = AT09_09,
    ausoz_10 = AT09_10,
    xeno_01 = AT11_01,
    xeno_02 = AT11_02,
    xeno_03 = AT11_03,
    xeno_04 = AT11_04,
    xeno_05 = AT11_05,
    xeno_06 = AT11_06,
    xeno_07 = AT11_07,
    lr = AT13_01,
    sex = SD02,
    bun = SD14,
    bun_01 = SD14_01,
    bun_02 = SD14_02,
    bun_03 = SD14_03,
    bun_04 = SD14_04,
    bun_05 = SD14_05,
    bun_06 = SD14_06,
    bun_07 = SD14_07,
    bun_08 = SD14_08,
    bun_09 = SD14_09,
    bun_10 = SD14_10,
    bun_11 = SD14_11,
    bun_12 = SD14_12,
    bun_13 = SD14_13,
    bun_14 = SD14_14,
    bun_15 = SD14_15,
    bun_16 = SD14_16,
    wohngr = SD04,
    educ = SD05,
    educ_09 = SD05_09,
    reli = SD06_01,
    mhin = SD07,
    zuge = SD08,
    zuge_01 = SD08_01,
    zuge_02 = SD08_02,
    zuge_03 = SD08_03,
    zuge_04 = SD08_04,
    zuge_05 = SD08_05,
    zuge_06 = SD08_06,
    zuge_07 = SD08_07,
    zuge_08 = SD08_08,
    zuge_09 = SD08_09,
    zuge_09a = SD08_09a,
    inc = SD09,
    age = SD13,
    frame = SD16,
    dropout = FINISHED) %>% 
  var_labels(reli = "Religiosität",
             lr = "LR-Selbsteinstufung",)
```

## Alter

**Entfernen der ursprünglichen Labels, um dann basierend auf dem erfragten Geburtsjahr das Alter in Jahren zu erhalten**
```{r}
df <- df %>% 
  remove_labels(age, labels = 1:100) %>% 
  mutate(age = 17 + age) %>% 
  set_na(age, na = 1:17) %>% 
  var_labels(age = "Alter in Jahren")
```

## Bundesland

**Herausfiltern derjenigen Fälle, die angegeben haben, in mehr als einem Bundesland aufgewachsen zu sein. Anschließende Ansicht, um alle Kombinationen von Bundesländern zu erfassen.**
```{r}
bulae <- df %>% 
  select(bun,
         bun_01,
         bun_02,
         bun_03,
         bun_04,
         bun_05,
         bun_06,
         bun_07,
         bun_08,
         bun_09,
         bun_10,
         bun_11,
         bun_12,
         bun_13,
         bun_14,
         bun_15,
         bun_16) %>% 
  filter(bun == 2 | bun == 3 | bun == 4)
```

```{r}
#| echo: false

bulae
```

**Hinzufügen der Kombinationen von Bundesländern zur ursprünglichen Variable**
```{r}
df <- df %>%
  mutate(bun = case_when(
    bun == 1 & bun_01 == 2 ~ 1,
    bun == 1 & bun_02 == 2 ~ 2,
    bun == 1 & bun_03 == 2 ~ 3,
    bun == 1 & bun_04 == 2 ~ 4,
    bun == 1 & bun_05 == 2 ~ 5,
    bun == 1 & bun_06 == 2 ~ 6,
    bun == 1 & bun_07 == 2 ~ 7,
    bun == 1 & bun_08 == 2 ~ 8,
    bun == 1 & bun_09 == 2 ~ 9,
    bun == 1 & bun_10 == 2 ~ 10,
    bun == 1 & bun_11 == 2 ~ 11,
    bun == 1 & bun_12 == 2 ~ 12,
    bun == 1 & bun_13 == 2 ~ 13,
    bun == 1 & bun_14 == 2 ~ 14,
    bun == 1 & bun_15 == 2 ~ 15,
    bun == 1 & bun_16 == 2 ~ 16,
    bun == 2 & bun_04 == 2 & bun_07 == 2 ~ 17,
    bun == 2 & bun_04 == 2 & bun_14 == 2 ~ 18,
    bun == 2 & bun_07 == 2 & bun_11 == 2 ~ 19,
    bun == 2 & bun_06 == 2 & bun_07 == 2 ~ 20,
    bun == 2 & bun_07 == 2 & bun_16 == 2 ~ 21,
    bun == 2 & bun_07 == 2 & bun_10 == 2 ~ 22,
    bun == 2 & bun_01 == 2 & bun_11 == 2 ~ 23,
    bun == 2 & bun_10 == 2 & bun_11 == 2 ~ 24,
    bun == 3 & bun_09 == 2 & bun_10 == 2 & bun_14 == 2 ~ 25,
    bun == 3 & bun_02 == 2 & bun_07 == 2 & bun_11 == 2 ~ 26,
    bun == 3 & bun_01 == 2 & bun_02 == 2 & bun_07 == 2 ~ 27,
    bun == 4 & bun_02 == 2 & bun_03 == 2 & bun_07 == 2 & bun_10 == 2 ~ 28
  )) %>% 
  val_labels(bun = c("Baden-Württemberg",
                       "Bayern",
                       "Berlin",
                       "Brandenburg",
                       "Bremen",
                       "Hamburg",
                       "Hessen",
                       "Mecklenburg-Vorpommern",
                       "Niedersachsen",
                       "Nordrhein-Westfalen",
                       "Rheinland-Pfalz",
                       "Saarland",
                       "Sachsen",
                       "Sachsen-Anhalt",
                       "Schleswig-Holstein",
                       "Thüringen",
                       "Brandenburg, Hessen",
                       "Brandenburg, Sachsen-Anhalt",
                       "Hessen, Rheinland-Pfalz",
                       "Hamburg, Hessen",
                       "Hessen, Thüringen",
                       "Hessen, Nordrhein-Westfalen",
                       "Baden-Württemberg, Rheinland-Pfalz",
                       "Nordrhein-Westfalen, Rheinland-Pfalz",
                       "Niedersachsen, Nordrhein-Westfalen, Sachsen-Anhalt",
                       "Bayern, Hessen, Rheinland-Pfalz",
                       "Baden-Württemberg, Bayern, Hessen",
                       "Bayern, Berlin, Hessen, Nordrhein-Westfalen")) %>% 
  var_labels(bun = "Bundesland aufgewachsen")
```

## politisches Interesse

**Umdrehen der Skala, damit ein höherer Wert ein höheres Interesse bedeutet**
```{r}
df <- df %>% 
  mutate(polint = rec(polint, rec = "5=1 [überhaupt nicht];
                                 4=2 [weniger stark];
                                 3=3 [mittelmäßig];
                                 2=4 [stark];
                                 1=5 [sehr stark]"))
```

## Demokratiezufriedenheit

**Umdrehen der Skala, damit ein höherer Wert eine höhere Zufriedenheit bedeutet**
```{r}
df <- df %>% 
  mutate(dem = rec(dem, rec = "4=1 [sehr unzufrieden];
                                 3=2 [eher unzufrieden];
                                 2=3 [eher zufrieden];
                                 1=4 [sehr zufrieden]"))
```

## Sonntagsfrage

**Ansicht der offenen Nennungen, um Einordnung in *Andere* und *weiß nicht* vorzunehmen**
```{r}
#| echo: false

frq(df$bwahl_07)
```

**Hinzufügen der offenen Nennungen zur ursprünglichen Variable**
```{r}
df <- df %>%
  to_numeric(bwahl_07) %>% 
  mutate(bwahl = case_when(
    bwahl == 1 ~ 1,
    bwahl == 2 ~ 2,
    bwahl == 3 ~ 3,
    bwahl == 4 ~ 4,
    bwahl == 5 ~ 5,
    bwahl == 6 ~ 6,
    bwahl == 8 ~ 8,
    bwahl == 9 ~ 9,
    bwahl_07 == 2 | bwahl_07 == 3 | bwahl_07 == 4 | bwahl_07 == 7 | bwahl_07 == 8 |
      bwahl_07 == 9 | bwahl_07 == 11 | bwahl_07 == 12 ~ 7,
    bwahl_07 == 5 | bwahl_07 == 6 | bwahl_07 == 10 ~ 99)) %>% 
  set_na(bwahl, na = 99) %>% 
  val_labels(bwahl = c("CDU/CSU",
                      "SPD",
                      "AfD",
                      "FDP",
                      "Die Linke",
                      "Bündnis 90/Die Grünen",
                      "Andere",
                      "Würde nicht wählen",
                      "Nicht wahlberechtigt,da keine deutsche Staatsbürgerschaft"
  )) %>% 
  var_labels(bwahl = "Sonntagsfrage")
```

## relative Deprivation

**Umdrehen der Skala, damit ein höherer Wert eine höhere Deprivation bedeutet**
```{r}
df <- df %>% 
  mutate(depr = rec(depr, rec = "5=1 [mehr als gerechten Anteil];
                                 4=2 [etwas mehr als gerechten Anteil];
                                 3=3 [den gerechten Anteil];
                                 2=4 [etwas weniger als gerechten Anteil];
                                 1=5 [weniger als gerechten Anteil]"))
```

## Autoritarismus / sozialliberale Werte

**Umdrehen von zwei Items in die vorgesehene Wirkrichtung**
```{r}
df <- df %>% 
  mutate(ausoz_07 = rec(ausoz_07, rec =
  "5=1 [stimme voll und ganz zu];
  4=2 [stimme eher zu];
  3=3 [weder noch];
  2=4 [stimme eher nicht zu];
  1=5 [stimme überhaupt nicht zu]"))

df <- df %>% 
  mutate(ausoz_10 = rec(ausoz_10, rec =
  "5=1 [stimme voll und ganz zu];
  4=2 [stimme eher zu];
  3=3 [weder noch];
  2=4 [stimme eher nicht zu];
  1=5 [stimme überhaupt nicht zu]"))
```

## Patriotismus / Nationalismus

**Umdrehen eines Items in die vorgesehene Wirkrichtung**
```{r}
df <- df %>% 
  mutate(patr_02 = rec(patr_02, rec =
  "5=1 [stimme voll und ganz zu];
  4=2 [stimme eher zu];
  3=3 [weder noch];
  2=4 [stimme eher nicht zu];
  1=5 [stimme überhaupt nicht zu]"))
```


## Schulabschluss

**Ansicht der offenen Nennungen, um Einordnung in vorhandene Ausprägungen vorzunehmen**
```{r}
#| echo: false

frq(df$educ_09)
```

**Hinzufügen der offenen Nennungen zur ursprünglichen Variable**
```{r}
df <- df %>% 
  to_numeric(educ_09) %>% 
  mutate(educ = case_when(
    educ == 1 ~ 1,
    educ == 3 ~ 3,
    educ == 5 ~ 5,
    educ == 6 ~ 6,
    educ == 7 ~ 7,
    educ == 8 | educ_09 > 1 ~ 8)) %>% 
  val_labels(educ = c("Noch Schüler",
                      "Hauptschulabschluss",
                      "Mittlere Reife",
                      "Realschulabschluss",
                      "Fachholschulreife",
                      "Abitur")) %>% 
  var_labels(educ = "Schulabschluss")
```

## Frame

**Fehlende Werte werden in die Ausprägung "0" rekodiert und anschließend neu benannt**
```{r}
df$frame <- ifelse(is.na(df$frame), 0, df$frame)

df <- df %>% 
  val_labels(frame = c("0", "1"),
             frame = c("nicht erhalten", "erhalten")) %>% 
  var_labels(frame = "Frame") %>% 
  to_factor(frame)
```

```{r}
#| include: false

# Entfernen aller irrelevanten Variablen aus dem Datensatz

df[ , c('SERIAL',
        'REF',
        'QUESTNNR',
        'MODE',
        'STARTED',
        'bwahl_07',
        'bun_01',
        'bun_02',
        'bun_03',
        'bun_04',
        'bun_05',
        'bun_06',
        'bun_07',
        'bun_08',
        'bun_09',
        'bun_10',
        'bun_11',
        'bun_12',
        'bun_13',
        'bun_14',
        'bun_15',
        'bun_16',
        'educ_09',
        'TIME001',
        'TIME002',
        'TIME003',
        'TIME004',
     #   'TIME005',
        'TIME006',
        'TIME007',
        'TIME008',
        'TIME009',
        'TIME010',
        'TIME011',
        'TIME012',
        'TIME013',
        'TIME_SUM',
        'LASTDATA',
        'Q_VIEWER',
        'LASTPAGE',
        'MAXPAGE',
        'MISSING',
        'MISSREL',
        'TIME_RSI',
        'DEG_TIME')] <- list(NULL)
```

```{r}
#| include: false

view_df(df,
        show.id = F, show.frq = T, show.prc = T, show.na = T, use.viewer = F)
```

# Dimensionsreduktionsverfahren {.tabset .tabset-pills}

```{r}
#| include: false

library(psych)
library(lavaan)
library(semPlot)
library(semTools)
```

## True National Feeling Issues

**Durchführung des Kaiser-Meyer-Olkin-Tests, um die Eignung der Variablen für eine Faktorenanalyse festzustellen**
```{r}
#| echo: false

df %>% 
  select(feel_01:feel_13) %>% 
  KMO()
```

**Darstellung eines Screeplots, um die Anzahl der zu bestimmenden Faktoren zu erhalten**
```{r}
#| echo: false

df %>% 
  select(feel_01:feel_13) %>% 
  scree()
```

**Durchführung der explorativen Faktorenanalyse mit Promax-Rotation, da von einer Korrelation der beiden Faktoren untereinander ausgegangen werden muss**
```{r}
#| warning: false
#| message: false

feel_fa <- fa(df[c("feel_01",
                   "feel_02",
                   "feel_03",
                   "feel_04",
                   "feel_05",
                   "feel_06",
                   "feel_07",
                   "feel_08",
                   "feel_09",
                   "feel_10",
                   "feel_11",
                   "feel_12",
                   "feel_13")],
  nfactors = 2, rotate = "oblimin", use = "pairwise", scores = "regression")
```

```{r}
#| echo: false

fa.diagram(feel_fa)
```


**Überprüfung der gefundenen Faktorenstruktur mit jeweils einer konfirmatorischen Faktorenanalyse pro Faktor**

### Faktor 1 (ethnocultural)

```{r}
eth <-"ethn =~ feel_01 + feel_02 + feel_03 + feel_05 + feel_06 + feel_07 + feel_10 + feel_12"

eth_cfa <- cfa(model = eth, data = df, estimator = "MLR")

summary(eth_cfa, fit.measures = T, standardized = T, rsquar = T)

semTools::reliability(eth_cfa, what = "alpha")

modificationIndices(eth_cfa, sort. = T, maximum.number = 20)
```

```{r}
#| echo: false

semPaths(object = eth_cfa,
         whatLabels = "std",
         layout = "tree",
         edge.color = "black",
         nodeLabels =  c("born",
                       "history",
                       "ancestry",
                       "values",
                       "religion",
                       "language",
                       "life",
                       "sports",
                       "ethno"),
         asize = 3,
         sizeMan = 7,
         residuals = F,
         bg = "white")
```
```{r}
#| include: false

semPaths(object = eth_cfa,
         whatLabels = "std",
         layout = "tree",
         edge.color = "black",
         nodeLabels =  c("born",
                       "history",
                       "ancestry",
                       "values",
                       "religion",
                       "language",
                       "life",
                       "sports",
                       "ethno"),
         asize = 3,
         sizeMan = 7,
         residuals = F,
         bg = "white",
         width=25, height=15, filetype="png", filename="eth_civ")
```

### Faktor 2 (civic)

```{r}
civ <- "civic =~ feel_04 + feel_08 + feel_11 + feel_13"

civ_cfa <- cfa(model = civ, data = df, estimator = "MLR")

summary(civ_cfa, fit.measures = T, standardized = T, rsquar = T)

semTools::reliability(civ_cfa, what = "alpha")
```

```{r}
#| echo: false

semPaths(object = civ_cfa,
         whatLabels = "std",
         layout = "tree2",
         edge.color = "black",
         nodeLabels =  c("constitution",
                         "institutions",
                         "taxes",
                         "laws",
                         "civic"),
         asize = 3,
         sizeMan = 7,
         residuals = F,
         bg = "white")
```

```{r}
#| include: false

semPaths(object = civ_cfa,
         whatLabels = "std",
         layout = "tree2",
         edge.color = "black",
         nodeLabels =  c("constitution",
                         "institutions",
                         "taxes",
                         "laws",
                         "civic"),
         asize = 3,
         sizeMan = 7,
         residuals = F,
         bg = "white",
         width=25, height=15, filetype="png", filename="cfa_civ")
```

## Patriotismus / Nationalismus

**Durchführung des Kaiser-Meyer-Olkin-Tests, um die Eignung der Variablen für eine Faktorenanalyse festzustellen**
```{r}
#| echo: false

df %>% 
  select(patr_01:patr_06) %>% 
  KMO()
```

**Darstellung eines Screeplots, um die Anzahl der zu bestimmenden Faktoren zu erhalten**
```{r}
#| echo: false

df %>% 
  select(patr_01:patr_06) %>% 
  scree()
```

**Durchführung der explorativen Faktorenanalyse mit Promax-Rotation, da von einer Korrelation der Faktoren untereinander ausgegangen werden muss**
```{r}
patr_fa <- fa(df[c("patr_01",
                   "patr_02",
                   "patr_03",
                   "patr_04",
                   "patr_05",
                   "patr_06")], 
   nfactors = 1, rotate = "promax", use = "pairwise", scores = "regression")
```

```{r}
#| echo: false

fa.diagram(patr_fa)
```

**Überprüfung der gefundenen Faktorenstruktur mit einer konfirmatorischen Faktorenanalyse**
```{r}
patr <- "patr =~ patr_01 + patr_03 + patr_04 + patr_06"

patr_cfa <- cfa(model = patr, data = df, estimator = "MLR")

summary(patr_cfa, fit.measures = T, standardized = T, rsquar = T)

semTools::reliability(patr_cfa, what = "alpha")
```

```{r}
#| echo: false

semPaths(object = patr_cfa, whatLabels = "std", layout = "tree", edge.color = "black")
```

## Autoritarismus / sozialliberale Werte

**Durchführung des Kaiser-Meyer-Olkin-Tests, um die Eignung der Variablen für eine Faktorenanalyse festzustellen**
```{r}
#| echo: false

df %>% 
  select(ausoz_01:ausoz_10) %>% 
  KMO()
```

**Darstellung eines Screeplots, um die Anzahl der zu bestimmenden Faktoren zu erhalten**
```{r}
#| echo: false

df %>% 
  select(ausoz_01:ausoz_10) %>% 
  scree()
```

Durchführung der explorativen Faktorenanalyse mit Promax-Rotation, da von einer Korrelation der beiden Faktoren untereinander ausgegangen werden muss
```{r}
ausoz_fa <- fa(df[c("ausoz_01",
                   "ausoz_02",
                   "ausoz_03",
                   "ausoz_04",
                   "ausoz_05",
                   "ausoz_06",
                   "ausoz_07",
                   "ausoz_08",
                   "ausoz_09",
                   "ausoz_10")],
  nfactors = 1, rotate = "promax", use = "pairwise", scores = "regression")
```

```{r}
#| echo: false

fa.diagram(ausoz_fa)
```

**Überprüfung der gefundenen Faktorenstruktur mit jeweils einer konfirmatorischen Faktorenanalyse pro Faktor**

### Faktor 1 (Autoritarismus)
```{r}
aut <- "aut =~ ausoz_01 + ausoz_02 + ausoz_03 + ausoz_04 + ausoz_05"

aut_cfa <- cfa(model = aut, data = df, estimator = "MLR")

summary(aut_cfa, fit.measures = T, standardized = T, rsquar = T)

semTools::reliability(aut_cfa, what = "alpha")
```

```{r}
#| echo: false

semPaths(object = aut_cfa, whatLabels = "std", layout = "tree", edge.color = "black")
```

### Faktor 2 (sozialliberale Werte)
```{r}
soz <- "soz =~ ausoz_06 + ausoz_07 + ausoz_08 + ausoz_09"

soz_cfa <- cfa(model = soz, data = df, estimator = "MLR")

summary(soz_cfa, fit.measures = T, standardized = T, rsquar = T)

semTools::reliability(soz_cfa, what = "alpha")
```

```{r}
#| echo: false

semPaths(object = soz_cfa, whatLabels = "std", layout = "tree", edge.color = "black")
```

## Xenophobie

**Durchführung des Kaiser-Meyer-Olkin-Tests, um die Eignung der Variablen für eine Faktorenanalyse festzustellen**
```{r}
#| echo: false

df %>% 
  select(xeno_01:xeno_07) %>% 
  KMO()
```

**Darstellung eines Screeplots, um die Anzahl der zu bestimmenden Faktoren zu erhalten**
```{r}
#| echo: false

df %>% 
  select(xeno_01:xeno_07) %>% 
  scree()
```

**Durchführung der explorativen Faktorenanalyse mit Oblimin-Rotation, da von einer Korrelation der Faktoren untereinander ausgegangen werden muss**
```{r}
xeno_fa <- fa(df[c("xeno_01",
                   "xeno_02",
                   "xeno_03",
                   "xeno_04",
                   "xeno_05",
                   "xeno_06",
                   "xeno_07")],
  nfactors = 1, rotate = "promax", use = "pairwise", scores = "regression")
```

```{r}
#| echo: false

fa.diagram(xeno_fa)
```

**Überprüfung der gefundenen Faktorenstruktur mit einer konfirmatorischen Faktorenanalyse**
```{r}
xeno <- "xeno =~ xeno_01 + xeno_02 + xeno_03 + xeno_04 + xeno_05 + xeno_06 + xeno_07"

xeno_cfa <- cfa(model = xeno, data = df, estimator = "MLR")

summary(xeno_cfa, fit.measures = T, standardized = T, rsquar = T)

semTools::reliability(xeno_cfa, what = "alpha")
```

```{r}
#| echo: false

semPaths(object = xeno_cfa, whatLabels = "std", layout = "tree", edge.color = "black")
```

# Datenaufbereitung {.tabset .tabset-pills}

**Zusammenfassen der Variablen der identifizierten Faktoren mittels Mittelwertindizes**

## ethnokulturelle Identität

```{r}
mean_eth <- df %>% 
  select(feel_01, feel_02, feel_03, feel_05, feel_06, feel_07, feel_10, feel_12) %>% 
  row_means(n=Inf)

mean_eth <- mean_eth %>%
  mutate(ethno = rec(rowmeans, rec =
                      "1:2=1 [nicht ethnokulturell];
                      2:3=2 [eher nicht ethnokulturell];
                      3:4=3 [eher ethnokulturell];
                      4:5=4 [ethnokulturell]"))

mean_eth <- mean_eth %>% 
  select(ethno) %>% 
  var_labels(ethno = "ethnokulturelle Identität")
```

```{r}
#| echo: false

frq(mean_eth$ethno)
```

## zivilpolitische Identität

```{r}
mean_civ <- df %>% 
  select(feel_04, feel_08, feel_11, feel_13) %>% 
  row_means(n=Inf)

mean_civ <- mean_civ %>%
  mutate(civ = rec(rowmeans, rec =
                      "1:2=1 [nicht zivilpolitisch];
                      2:3=2 [eher nicht zivilpolitisch];
                      3:4=3 [eher zivilpolitisch];
                      4:5=4 [zivilpolitisch]"))

mean_civ <- mean_civ %>% 
  select(civ) %>% 
  var_labels(civ = "zivilpolitische Identität")
```

```{r}
#| echo: false

frq(mean_civ$civ)
```

## Autoritarismus

```{r}
mean_aut <- df %>% 
  select(ausoz_01, ausoz_02, ausoz_03, ausoz_04, ausoz_05) %>% 
  row_means(n=Inf)

mean_aut <- mean_aut %>%
  mutate(aut = rec(rowmeans, rec =
                      "1:2=1 [nicht autoritär];
                      2:3=2 [eher nicht autoritär];
                      3:4=3 [eher autoritär];
                      4:5=4 [autoritär]"))

mean_aut <- mean_aut %>% 
  select(aut) %>% 
  var_labels(aut = "Autoritarismus")
```

```{r}
#| echo: false

frq(mean_aut$aut)
```

## Xenophobie

```{r}
mean_xeno <- df %>% 
  select(xeno_01, xeno_02, xeno_03, xeno_04, xeno_05, xeno_06, xeno_07) %>% 
  row_means(n=Inf)

mean_xeno <- mean_xeno %>%
  mutate(xeno = rec(rowmeans, rec =
                      "1:2=1 [nicht xenophob];
                      2:3=2 [eher nicht xenophob];
                      3:4=3 [eher xenophob];
                      4:5=4 [xenophob]"))

mean_xeno <- mean_xeno %>% 
  select(xeno) %>% 
  var_labels(xeno = "Xenophobie")
```

```{r}
#| echo: false

frq(mean_xeno$xeno)
```

```{r}
#| include: false

# Hinzufügen der neu berechneten Variablen zum Datensatz

df <- df %>% 
  add_columns(mean_aut, mean_civ, mean_eth, mean_xeno)
```

# Analyse

## t-Tests {.tabset .tabset-pills}

**Durchführung von Zwei-Stichproben t-Tests, um festzustellen, ob es Unterschiede zwischen der "Frame-Gruppe" und der Kontrollgruppe gibt**

```{r}
#| include: false

library(car)
```

### ethnokulturelle Identität

```{r}
#| echo: false
#| message: false

leveneTest(df$ethno,
           df$frame,
           center = "mean") 
```

```{r}
#| echo: false

t.test(df$ethno ~ df$frame,
       mu = 0,
       alternative = "two.sided",
       paired = F,
       var.equal = T)   
```

### zivilpolitische Identität

```{r}
#| echo: false

leveneTest(df$civ,
           df$frame,
           center = "mean") 
```

```{r}
#| echo: false

t.test(df$civ ~ df$frame,
       mu = 0,
       alternative = "two.sided",
       paired = F,
       var.equal = T)
```

### erneute Überprüfung

**Entfernen aller Befragten, die weniger als 33 Sekunden mit dem Lesen des Frames verbracht haben**
```{r}
df <- df %>% 
  mutate(frameread = case_when(
    TIME005 >= 33 & TIME005 < 380 ~ 1))

df$frameread <- ifelse(is.na(df$frameread), 0, df$frameread)
```

**ethnokulturelle Identität**
```{r}
#| echo: false
#| warning: false

leveneTest(df$ethno,
           df$frameread,
           center = "mean") 
```

```{r}
#| echo: false

t.test(df$ethno ~ df$frameread,
       mu = 0,
       alternative = "two.sided",
       paired = F,
       var.equal = T)  
```

**zivilpolitische Identität**
```{r}
#| echo: false
#| warning: false

leveneTest(df$civ,
           df$frameread,
           center = "mean") 
```

```{r}
#| echo: false

t.test(df$civ ~ df$frameread,
       mu = 0,
       alternative = "two.sided",
       paired = F,
       var.equal = T)
```

## lineare Regression {.tabset .tabset-pills}

**Rekodieren der Bildungsvariable in drei Kategorien**
```{r}
df <- df %>%
  mutate(educ = rec(educ, rec =
                      "2:3=1 [niedrig];
                      4:6=2 [mittel];
                      7:8=3 [hoch];
                      1=NA")) %>% 
  var_labels(educ = "Bildung")
```

**Dummy-Codierung der kategorialen Variablen**
```{r}
df <- df %>% 
  to_label(educ, sex, wohngr)

df <- df %>%
  ref_lvl(educ, lvl = 2)

df <- df %>% 
  ref_lvl(sex, lvl = 3)
```

**Entfernen aller Fälle, die fehlende Werte in mindestens einer der berücksichtigten Variablen haben**
```{r}
ds <- df %>% 
  select(age,
         aut,
         xeno,
         dem,
         reli,
         depr,
         polint,
         lr,
         ethno,
         civ,
         educ,
         sex,
         wohngr) %>% 
  drop_na()
```

**Alle metrischen Variablen müssen für die lineare Regressionsanalyse z-standardisiert werden**
```{r}
ds <- ds %>% 
  mutate(ageZ = scale(age),
         autZ = scale(aut),
         xenoZ = scale(xeno),
         demZ = scale(dem),
         reliZ = scale(reli),
         deprZ = scale(depr),
         polintZ = scale(polint),
         lrZ = scale(lr))
```

```{r}
#| include: false

library(performance)
```

### ethnokulturelle Identität

```{r}
#| echo: false

eth_reg <- lm(ethno ~ xenoZ + autZ + demZ + sex + age + educ + lrZ + reliZ + wohngr + polintZ + deprZ, ds)
summary(eth_reg)
```

**regressionsdiagnostische Überprüfung des Modells**
```{r}
#| echo: false
#| message: false

check_model(eth_reg, panel = T, check = c("pp_check", "linearity"))
check_model(eth_reg, panel = T, check = c("homogeneity", "vif"))
```

```{r}
#| include: false

library("lmtest")
```

**zusätzliche Durchführung des Breusch-Pagan-Tests, um Homoskedastizität zu überprüfen**
```{r}
#| echo: false

bptest(eth_reg)
```

### zivilpolitische Identität

```{r}
#| echo: false

civ_reg <- lm(civ ~ xenoZ + autZ + demZ + sex + age + educ + lrZ + reliZ + wohngr + polintZ + deprZ, ds)
summary(civ_reg)
```

**regressionsdiagnostische Überprüfung des Modells**
```{r}
#| echo: false
#| message: false

check_model(civ_reg, panel = T, check = c("pp_check"))
check_model(civ_reg, panel = T, check = c("homogeneity", "vif"))
```

**zusätzliche Durchführung des Breusch-Pagan-Tests, um Homoskedastizität zu überprüfen**
```{r}
#| echo: false

bptest(civ_reg)
```

# Information

```{r}
#| echo: false

devtools::session_info()
```

```{r}
library(foreign)
write.foreign(df, "clean.txt", "clean.sps", package="SPSS")
```

```{r}
write_sav(df, "clean.sav")
```


```{=html}

<style type="text/css">

/* Table of Contents */
  TOC {
    color: black;
  }

/* Body */
  body {
    font-size: 14px;
  }

/* Table */
  td {
    font-size: 13px;
  }

/* Headings */
  h1.title {
    font-size: 30px;
    font-weight: bold;
    text-align: center;
  }
h1 {
  font-size: 24px;
  font-weight: bold;
}
h2 {
  font-size: 18px;
  font-weight: bold;
}
h3 {
  font-size: 16px;
}
h4 {
  font-size: 14px;
}

/* Code Blocks */
  code.r, pre {
    font-size: 13px;
  margin-top: 0;
  margin-bottom: 1.5;
}

p {
  margin-top: 20px;
}

  }

/* Links */
  a {
    color: #3366CC;
  }
  
</style>
```