計量経済学

準備
Rによるデータの読み込み
2.1 労働市場における人種差別
Rでデータを部分集合化する
2.4 ランダム化比較実験
2.5 観察研究

準備

tidyverseパッケージを使うので、インストールしていない場合は、まずインストールする。インストール済みの者は次のコマンドは実行しない。また、このコマンドは一度しか使わないので、Consoleに直接入力する。

install.packages("tidyverse")

インストールが済んだら、パッケージを読み込む。

library("tidyverse")

tidyverse は単一のパッケージではなく、複数のパッケージを含むパッケージ群であり、dplyr やreadr、ggplot2など、この授業で頻繁に使ういくつかのパッケージを一気に読み込んでくれる。

今後授業で扱うデータを保存する場所として、プロジェクト内に data という名前のディレクトリ（フォルダ）を作ろう。既に data フォルダがある場合は実行しなくてよい。このコマンドも一度しか使わないので、Consoleに直接入力する。

dir.create("data")

実行すると、右下のFiles タブに、dataというディレクトリ（フォルダ）ができるはずだ。

Rによるデータの読み込み

CSV 形式のデータを読む

データの形式として最もよく使われるものの1つが、CSV (comma separated values) という形式である。これはただのテキストファイルであり、値がカンマで区切られているだけである。

この形式のファイルの中身を理解するために、 fake-data-01.csv をダウンロードしてファイルの中身を確認してみよう。

ファイルのダウンロードは、download.file() で行う。この関数で指定するのは、url（データがある場所のURL）とdestfile（ダウンロードしたファイルをどこに何という名前で保存するか）である。次のコマンドを実行してみよう。

download.file(url = "http://yukiyanai.github.io/jp/classes/econometrics1/contents/data/fake-data-01.csv",
              destfile = "data/fake-data-01.csv")

このコマンドを実行すると、指定したURLにあるファイルがダウンロードされ、dataディレクトリの中に fake-data-01.csv という名前で保存される。上でのコマンドのdestfile では、まずdata というフォルダにファイルを保存することを、data/ で示し、その後にファイル名を指定している。

ファイルがダウンロードできたら、Windowsのエクスプローラ（Macのファインダ）でこのファイルを右クリック（副クリックまたは control を押しながらクリック）し、「プログラムから開く」を選び、Excel で開いてみよう。見慣れた形式（スプレッドシート）でデータが見えるはずだ。確認できたらExcelを閉じよう。

次に、同じファイルを同様に「プログラムから開く」でメモ帳で開いてみよう。ファイルの中身が見えるはずだ。CSV ファイルは、1行目は変数の名前、2行目以降は各行が1つの観測（このデータの場合は一人ひとりの個人）、各行で異なる変数の間にカンマがある（そのため、カンマ区切りデータと呼ばれる）という特徴がある。

この形式のメリットとして、

テキストファイルなのでファイルの中身が単純明快
容量が小さい
どんな統計ソフトでも読める
統計ソフトがなくてもメモ帳さえあれば編集可能

などがあげられる（注意：このファイルを Word 等のワープロソフトで編集しないように。余分な内容が追加されてデータの中身が変わってしまう。）。

Excel 等に自分でデータを打ち込んで新しいデータセットを作るときは、できるだけこのCSV 形式を選んだ方がよい。

CSV形式のデータは、readr パッケージの read_csv() 関数（以後の、このようにパッケージに含まれる関数は、二重コロンを使って readr::read_csv() のように書く）でRに読み込むことができる。既に説明したとおり、readr パッケージはtidyverseに含まれるので、tidyverseを読み込んだ時点で読み込まれている。

mycsv1 <- read_csv('data/fake-data-01.csv')

## Parsed with column specification:
## cols(
##   id = col_integer(),
##   sex = col_character(),
##   age = col_integer(),
##   height = col_double(),
##   weight = col_double(),
##   income = col_integer()
## )

プロジェクト内の data という名前のディレクトリに入っていることを data/ の部分で示し、そのフォルダ内の fake-data-01.csv を指定して開いている。このとき、引用符を忘れないように注意する。引用符はシングル「’」でも、ダブル「"」でもよい。

RStudio でデータを読み込むと、 EnvironmentタブのDataのところに読み込んだデータセットが表示される。

念のために中身を少しだけ確認しておこう。

head(mycsv1)  # データの最初の6行

## # A tibble: 6 x 6
##      id sex     age height weight  income
##   <int> <chr> <int>  <dbl>  <dbl>   <int>
## 1     1 male     52   174    63.1 3475810
## 2     2 male     33   175.   70.2  457018
## 3     3 male     22   175    82.6 1627793
## 4     4 male     33   170.   81.8 6070642
## 5     5 male     26   167.   51.2 1083052
## 6     6 male     37   159.   57.8 2984929

tail(mycsv1)  # データの最後の6行

## # A tibble: 6 x 6
##      id sex      age height weight   income
##   <int> <chr>  <int>  <dbl>  <dbl>    <int>
## 1    95 female    21   165.   56.3  1339138
## 2    96 female    65   161.   46.8  6127136
## 3    97 female    45   161.   48.7  1062663
## 4    98 female    53   166.   64.2 10154200
## 5    99 female    43   158.   48.5  8287163
## 6   100 female    48   154.   42    1125390

Excel 形式のデータを読む

Excel のデータは、.xlsx または .xls という拡張子で保存されている。このデータをRで直接読む方法もあるが、ここではExcel 形式のデータをCSV形式に変換し、それを上で説明した方法で読むことにする。

例として、fake-data-03.xlsx を使う。まず、このデータをダウンロードし、Excel で開こう。

これを、CSV形式に変換し、プロジェクト内の data フォルダに保存する。そのために、以下を実行する。

Excel 左上の「ファイル」から「名前を付けて保存」を選ぶ
保存先として、プロジェクト（例：ドキュメント/econometrics）内の data ディレクトリを選ぶ
ポップアップで出てきたウィンドウの「ファイルの種類」で、CSV（カンマ区切り）(*.csv) を選び、保存する

保存できたら、RStudioのFilesタブで data フォルダをクリックし、fake-data-03.csv が保存されていることを確かめよう。

あとは、先ほどと同様の方法でデータを読めばいいので、

mycsv2 <- read_csv("data/fake-data-03.csv")

## Parsed with column specification:
## cols(
##   id = col_integer(),
##   sex = col_character(),
##   age = col_integer(),
##   height = col_double(),
##   weight = col_double(),
##   income = col_integer()
## )

とすればよい。RStudio のEnvironmentタブで、データが読み込めたこと（mycsv2というデータが追加されたこと）を確認しよう。

念のために中身を少しだけ確認しておこう。

head(mycsv2)  # データの最初の6行

## # A tibble: 6 x 6
##      id sex     age height weight  income
##   <int> <chr> <int>  <dbl>  <dbl>   <int>
## 1     1 male     46   168.   72.1 2102061
## 2     2 male     22   177.   85.4 2729262
## 3     3 male     61   172.   81.8 1193016
## 4     4 male     48   170.   65.2 3014919
## 5     5 male     44   168.   66   3982087
## 6     6 male     23   161.   50.8 3702544

tail(mycsv2)  # データの最後の6行

## # A tibble: 6 x 6
##      id sex      age height weight   income
##   <int> <chr>  <int>  <dbl>  <dbl>    <int>
## 1    95 female    47   150.   33.2  9814520
## 2    96 female    50   154.   49.8  2299483
## 3    97 female    37   160.   54.6  4912932
## 4    98 female    63   154.   47.3  3627498
## 5    99 female    49   145.   37.7 51329365
## 6   100 female    63   155.   43.4 14160139

複数のデータセットの扱い

ここまでで2つのデータセットを読み込んだので、RStudioの右上には、2つのデータセット、mycsv1 と mycsv2 が表示されているはずである。このように、Rには複数のデータを同時に利用できるというメリットがある。

これらのデータセットに含まれる変数を確認してみよう。

names(mycsv1)

## [1] "id"     "sex"    "age"    "height" "weight" "income"

names(mycsv2)

## [1] "id"     "sex"    "age"    "height" "weight" "income"

2つのデータセットに含まれる変数名は同じようである。

では、2つのデータはまったく同じものだろうか。ためしに、それぞれのデータセット身長 (height) の平均値を求めてみよう。

mean(mycsv1$height)

## [1] 163.746

mean(mycsv2$height)

## [1] 162.907

平均値は異なる。つまり、変数名は同じでも、データの中身は違うようだ。

このように、異なるデータセットが同じ名前の変数を含んでいることがあるので注意が必要だ。Rでは、$という記号を使って データセット名$変数名 とすることで、同じ名前の変数でも、異なるデータセットに属している場合にはそれらを区別して利用することができる。

他の統計ソフト用のデータを読む

Stata

Stata のデータセットには、.dta という拡張子が付いている。

StataのファイルをRで読みたいときは、haven というパッケージに含まれる read_dta()という関数を使う。（今後これを、haven::read_dta() と表記する。他のパッケージに含まれる関数についても、`パッケージ名::関数名() という書き方をする。）

例として、fake-data-stata.dta をダウンロードし、data フォルダに保存しよう。これを読むには、haven パッケージが必要である。

# install.pacakges("haven")  # 必要な場合のみインストール
mydta <- haven::read_dta('data/fake-data-stata.dta')

RStudio の右上で、データが読み込めたことを確認しよう。

念のために中身も少しだけ確認しておこう。

head(mydta)  # データの最初の6行

## # A tibble: 6 x 6
##      id sex     age height weight   income
##   <dbl> <chr> <dbl>  <dbl>  <dbl>    <dbl>
## 1     1 male     31   167.   59.8  1094707
## 2     2 male     57   154.   51.4   370882
## 3     3 male     52   168.   61.2 12449508
## 4     4 male     46   179.   71.8 25811696
## 5     5 male     58   169.   70.5  1182427
## 6     6 male     49   155.   32.7   706000

tail(mydta)  # データの最後の6行

## # A tibble: 6 x 6
##      id sex      age height weight  income
##   <dbl> <chr>  <dbl>  <dbl>  <dbl>   <dbl>
## 1    95 female    33   161.   47.6 2694716
## 2    96 female    51   157.   55.9 1822781
## 3    97 female    46   161.   61.5 7372126
## 4    98 female    27   154.   52.9 4945325
## 5    99 female    58   163.   65.1 1983602
## 6   100 female    25   152.   38.7  699745

SPSS

SPSS 形式のデータには、.savという拡張子が付いている。 Rでは、haven::read_sav() （または haven::read_spss()）で読み込める。

例として、fake-data-spss.sav をダウンロードし、data フォルダに保存しよう。このファイルは、以下のコマンドで読み込める。

mysav <- haven::read_sav('data/fake-data-spss.sav')

RStudio の右上で、データが読み込めたことを確認しよう。

念のために中身も少しだけ確認しておこう。

head(mysav)  # データの最初の6行

## # A tibble: 6 x 6
##      id sex         age height weight   income
##   <dbl> <dbl+lbl> <dbl>  <dbl>  <dbl>    <dbl>
## 1     1 1            67   168.   58.5 1659808.
## 2     2 1            57   167.   54.5 1550051 
## 3     3 1            58   165.   62.9 3139595 
## 4     4 1            40   172.   68.8 4563089 
## 5     5 1            24   167.   59.8 1864069 
## 6     6 1            59   173.   83.6 5311530

tail(mysav)  # データの最後の6行

## # A tibble: 6 x 6
##      id sex         age height weight    income
##   <dbl> <dbl+lbl> <dbl>  <dbl>  <dbl>     <dbl>
## 1    95 2            28   162    53.4  1683968.
## 2    96 2            68   158.   53.4 12322588 
## 3    97 2            48   157.   46.6  1901600 
## 4    98 2            33   156.   52.9  7906638 
## 5    99 2            59   160.   41.1  3333649 
## 6   100 2            36   160.   47.4   658383

その他

Rはこの他には様々な形式のデータを読むことができる。必要に応じて他の方法も解説するが、この授業で他の形式が必要になることはないはずである。

2.1 労働市場における人種差別

ここからは、教科書（今井 2018）第2章のRコードを整理する。教科書ではパッケージを使わずに分析がされているが、パッケージを使った方が簡単なコードが書けるので、パッケージを利用した分析法を説明する。

人種差別かあるかどうかを調べるために行われた実験のデータ resume.csv をプロジェクト内のdataディレクトリにダウンロードし、保存する。データのダウンロードは、download.file 関数で行う。

download.file(url = "http://qss.princeton.press/student-files/CAUSALITY/resume.csv",
              destfile = "data/resume.csv")

このファイルをreadr::read_csv() で読み込み、resumeという名前のオブジェクトを作る。

resume <- read_csv("data/resume.csv")

## Parsed with column specification:
## cols(
##   firstname = col_character(),
##   sex = col_character(),
##   race = col_character(),
##   call = col_integer()
## )

データの中身を確認する。

glimpse(resume)

## Observations: 4,870
## Variables: 4
## $ firstname <chr> "Allison", "Kristen", "Lakisha", "Latonya", "Carrie"...
## $ sex       <chr> "female", "female", "female", "female", "female", "m...
## $ race      <chr> "white", "white", "black", "black", "white", "white"...
## $ call      <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0...

summary(resume)

##   firstname             sex                race          
##  Length:4870        Length:4870        Length:4870       
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##       call        
##  Min.   :0.00000  
##  1st Qu.:0.00000  
##  Median :0.00000  
##  Mean   :0.08049  
##  3rd Qu.:0.00000  
##  Max.   :1.00000

人種 (race) と連絡がきたかどうか (call) のクロス表を作る。

with(resume, table(人種 = race, 連絡 = call))

##        連絡
## 人種     0    1
##   black 2278  157
##   white 2200  235

周辺度数（各行、各列の合計）を加える。

resume %>%
  with(table(人種 = race, 連絡 = call)) %>% 
  addmargins()

##        連絡
## 人種     0    1  Sum
##   black 2278  157 2435
##   white 2200  235 2435
##   Sum   4478  392 4870

審査通過率を計算する。

mean(resume$call)

## [1] 0.08049281

# sum(resume$call) / nrow(resume) ## これでも同じ

人種ごとの審査通過率を計算する。

resume %>%
  group_by(race) %>%
  summarize(passage = mean(call))

## # A tibble: 2 x 2
##   race  passage
##   <chr>   <dbl>
## 1 black  0.0645
## 2 white  0.0965

Rでデータを部分集合化する

黒人らしい名前の審査通過率を計算する。そのために、dplyr::filter() を使って、データフレーム一部を切り取る（dplyrパッケージはtidyverseに含まれている）。

resume %>% 
  filter(race == "black") %>%
  with(mean(call))

## [1] 0.06447639

黒人のみのデータフレームを作る。

resumeB <- resume %>% filter(race == "black")

このデータフレームを使って審査通過率を計算する。

mean(resumeB$call)

## [1] 0.06447639

黒人女性らしい名前の観測対象を残し、変数は call と firstname のみ残す。

resumeBf <- resume %>%
  filter(race == "black", sex == "female") %>%
  select(call, firstname)
head(resumeBf)

## # A tibble: 6 x 2
##    call firstname
##   <int> <chr>    
## 1     0 Lakisha  
## 2     0 Latonya  
## 3     0 Kenya    
## 4     0 Latonya  
## 5     0 Aisha    
## 6     0 Aisha

黒人男性のデータフレームを作る。

resumeBm <- resume %>%
  filter(race == "black", sex == "male")

白人女性のデータフレームを作る。

resumeWf <- resume %>%
  filter(race == "white", sex == "female")

白人男性のデータフレームを作る。

resumeWm <- resume %>%
  filter(race == "white", sex == "male")

元のデータフレームの観測の数と比べる。

nrow(resume)

## [1] 4870

nrow(resumeBf) + nrow(resumeBm) + nrow(resumeWf) + nrow(resumeWm)

## [1] 4870

女性同士の人種格差を計算する。

mean(resumeWf$call) - mean(resumeBf$call)

## [1] 0.03264689

男性同士の人種格差を計算する。

mean(resumeWm$call) - mean(resumeBm$call)

## [1] 0.03040786

黒人女性であることを示すBlackFemaleという変数を作る。

resume <- resume %>%
  mutate(BlackFemale = ifelse(race == "black" & sex == "female", 1, 0))

人種と性別の組み合わせで4つのタイプに分類する type という変数を作る。

resume <- resume %>%
  mutate(type = ifelse(BlackFemale == 1, "BlackFemale", NA)) %>%
  mutate(type = ifelse(race == "black" & sex == "male",
                       "BlackMale", type),
         type = ifelse(race == "white" & sex == "female",
                       "WhiteFemale", type),
         type = ifelse(race == "white" & sex == "male",
                       "WhiteMale", type))

変数typeのクラスを確認する。

class(resume$type)

## [1] "character"

typeを因子に変える。

resume$type <- factor(resume$type)
table(resume$type)

## 
## BlackFemale   BlackMale WhiteFemale   WhiteMale 
##        1886         549        1860         575

名前 (firstname) を因子型に変え、それぞれの名前の審査通過率を計算し、それを昇順に並べ替える。

resume %>%
  mutate(firstname = factor(firstname)) %>%
  group_by(firstname) %>%
  summarize(passage = mean(call)) %>%
  arrange(passage)

## # A tibble: 36 x 2
##    firstname passage
##    <fct>       <dbl>
##  1 Aisha      0.0222
##  2 Rasheed    0.0299
##  3 Keisha     0.0383
##  4 Tremayne   0.0435
##  5 Kareem     0.0469
##  6 Darnell    0.0476
##  7 Tyrone     0.0533
##  8 Hakim      0.0545
##  9 Tamika     0.0547
## 10 Lakisha    0.055 
## # ... with 26 more rows

2.4 ランダム化比較実験

データファイル social.csv をダウンロードしてdataディレクトリに保存する。

download.file(url = "http://qss.princeton.press/student-files/CAUSALITY/social.csv",
              destfile = "data/social.csv")

データを読み込み、中身を確認する。

social <- read_csv("data/social.csv")

## Parsed with column specification:
## cols(
##   sex = col_character(),
##   yearofbirth = col_integer(),
##   primary2004 = col_integer(),
##   messages = col_character(),
##   primary2006 = col_integer(),
##   hhsize = col_integer()
## )

glimpse(social)

## Observations: 41,699
## Variables: 6
## $ sex         <chr> "male", "female", "male", "female", "female", "mal...
## $ yearofbirth <int> 1941, 1947, 1951, 1950, 1982, 1981, 1959, 1956, 19...
## $ primary2004 <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 1, 0,...
## $ messages    <chr> "Civic Duty", "Civic Duty", "Hawthorne", "Hawthorn...
## $ primary2006 <int> 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1,...
## $ hhsize      <int> 2, 2, 3, 3, 3, 3, 3, 3, 2, 2, 1, 2, 2, 1, 2, 2, 1,...

異なるメッセージ (messages) を受け取ったグループの投票率を調べよう。

social %>%
  group_by(messages) %>%
  summarize(mean = mean(primary2006))

## # A tibble: 5 x 2
##   messages     mean
##   <chr>       <dbl>
## 1 Civic Duty  0.321
## 2 Control     0.311
## 3 Hawthorne   0.333
## 4 Neighbors   0.398
## 5 <NA>       NA

コントロールグループの投票率。

ctrl <- social %>%
  filter(messages == "Control") %>% 
  with(mean(primary2006))

各グループの投票率からコントロールグループの投票率を引く

social %>%
  group_by(messages) %>%
  summarize(dif = round(mean(primary2006) - ctrl, 4))

## # A tibble: 5 x 2
##   messages       dif
##   <chr>        <dbl>
## 1 Civic Duty  0.0103
## 2 Control     0     
## 3 Hawthorne   0.0215
## 4 Neighbors   0.0874
## 5 <NA>       NA

年齢変数を作成する。

social <- social %>%
  mutate(age = 2006 - yearofbirth)

メッセージ別の年齢の平均値を確かめる。

social %>%
  group_by(messages) %>%
  summarize(age = mean(age))

## # A tibble: 5 x 2
##   messages     age
##   <chr>      <dbl>
## 1 Civic Duty  48.0
## 2 Control     48.3
## 3 Hawthorne   48.3
## 4 Neighbors   48.5
## 5 <NA>        30

メッセージ別のprimy2004の平均値を確かめる。

social %>%
  group_by(messages) %>%
  summarize(primary2004 = mean(primary2004))

## # A tibble: 5 x 2
##   messages   primary2004
##   <chr>            <dbl>
## 1 Civic Duty       0.318
## 2 Control          0.323
## 3 Hawthorne        0.329
## 4 Neighbors        0.338
## 5 <NA>             0

メッセージ別のhhsize（世帯人数）の平均値を確かめる。

social %>%
  group_by(messages) %>%
  summarize(hhsize = mean(hhsize))

## # A tibble: 5 x 2
##   messages   hhsize
##   <chr>       <dbl>
## 1 Civic Duty   2.21
## 2 Control      2.20
## 3 Hawthorne    2.19
## 4 Neighbors    2.20
## 5 <NA>        NA

2.5 観察研究

データファイル minwage.csv をダウンロードしてdataディレクトリに保存する。

download.file(url = "http://qss.princeton.press/student-files/CAUSALITY/minwage.csv",
              destfile = "data/minwage.csv")

データを読み込み、中身を確認する。

minwage <- read_csv("data/minwage.csv")

## Parsed with column specification:
## cols(
##   chain = col_character(),
##   location = col_character(),
##   wageBefore = col_double(),
##   wageAfter = col_double(),
##   fullBefore = col_double(),
##   fullAfter = col_double(),
##   partBefore = col_double(),
##   partAfter = col_double()
## )

glimpse(minwage)

## Observations: 358
## Variables: 8
## $ chain      <chr> "wendys", "wendys", "burgerking", "burgerking", "kf...
## $ location   <chr> "PA", "PA", "PA", "PA", "PA", "PA", "PA", "PA", "PA...
## $ wageBefore <dbl> 5.00, 5.50, 5.00, 5.00, 5.25, 5.00, 5.00, 5.00, 5.0...
## $ wageAfter  <dbl> 5.25, 4.75, 4.75, 5.00, 5.00, 5.00, 4.75, 5.00, 4.5...
## $ fullBefore <dbl> 20.0, 6.0, 50.0, 10.0, 2.0, 2.0, 2.5, 40.0, 8.0, 10...
## $ fullAfter  <dbl> 0.0, 28.0, 15.0, 26.0, 3.0, 2.0, 1.0, 9.0, 7.0, 18....
## $ partBefore <dbl> 20.0, 26.0, 35.0, 17.0, 8.0, 10.0, 20.0, 30.0, 27.0...
## $ partAfter  <dbl> 36, 3, 18, 9, 12, 9, 25, 32, 39, 10, 20, 4, 13, 20,...

summary(minwage)

##     chain             location           wageBefore      wageAfter    
##  Length:358         Length:358         Min.   :4.250   Min.   :4.250  
##  Class :character   Class :character   1st Qu.:4.250   1st Qu.:5.050  
##  Mode  :character   Mode  :character   Median :4.500   Median :5.050  
##                                        Mean   :4.618   Mean   :4.994  
##                                        3rd Qu.:4.987   3rd Qu.:5.050  
##                                        Max.   :5.750   Max.   :6.250  
##    fullBefore       fullAfter        partBefore      partAfter    
##  Min.   : 0.000   Min.   : 0.000   Min.   : 0.00   Min.   : 0.00  
##  1st Qu.: 2.125   1st Qu.: 2.000   1st Qu.:11.00   1st Qu.:11.00  
##  Median : 6.000   Median : 6.000   Median :16.25   Median :17.00  
##  Mean   : 8.475   Mean   : 8.362   Mean   :18.75   Mean   :18.69  
##  3rd Qu.:12.000   3rd Qu.:12.000   3rd Qu.:25.00   3rd Qu.:25.00  
##  Max.   :60.000   Max.   :40.000   Max.   :60.00   Max.   :60.00

PAとNJのデータフレームを分ける。

minwageNJ <- minwage %>% filter(location != "PA")
minwagePA <- minwage %>% filter(location == "PA")

賃金が5.05ドル以下のファーストフード店の割合。

mean(minwageNJ$wageBefore < 5.05)   # 法施行前のNJ

## [1] 0.9106529

mean(minwageNJ$wageAfter < 5.05)    # 法施行後のNJ

## [1] 0.003436426

mean(minwagePA$wageBefore >= 5.05)  # 法施行前のPA

## [1] 0.05970149

mean(minwagePA$wageBefore < 5.05)   # 法施行後のPA

## [1] 0.9402985

常勤労働者の割合を表す変数を作る。

minwageNJ <- minwageNJ %>%
  mutate(fullPropAfter = fullAfter / (fullAfter + partAfter))
minwagePA <- minwagePA %>%
  mutate(fullPropAfter = fullAfter / (fullAfter + partAfter))

平均の差を計算する。

mean(minwageNJ$fullPropAfter) - mean(minwagePA$fullPropAfter)

## [1] 0.04811886

ファーストフード店の割合を確認する。

minwageNJ$chain %>% table() %>% prop.table()

## .
## burgerking        kfc       roys     wendys 
##  0.4054983  0.2233677  0.2508591  0.1202749

minwagePA$chain %>% table() %>% prop.table()

## .
## burgerking        kfc       roys     wendys 
##  0.4626866  0.1492537  0.2238806  0.1641791

バーガーキングのみ取り出す。

minwageNJ.bk <- minwageNJ %>% filter(chain == "burgerking")
minwagePA.bk <- minwagePA %>% filter(chain == "burgerking")

常勤雇用の割合を比較する。

mean(minwageNJ.bk$fullPropAfter) - mean(minwagePA.bk$fullPropAfter)

## [1] 0.03643934

授業の内容に戻る

計量経済学

因果推論のための記述統計

矢内　勇生

2018-10-18

準備

Rによるデータの読み込み

CSV 形式のデータを読む

Excel 形式のデータを読む

複数のデータセットの扱い

他の統計ソフト用のデータを読む

Stata

SPSS

その他

2.1 労働市場における人種差別

Rでデータを部分集合化する

2.4 ランダム化比較実験

2.5 観察研究

計量経済学

因果推論のための記述統計

矢内 勇生

2018-10-18

準備

Rによるデータの読み込み

CSV 形式のデータを読む

Excel 形式のデータを読む

複数のデータセットの扱い

他の統計ソフト用のデータを読む

Stata

SPSS

その他

2.1 労働市場における人種差別

Rでデータを部分集合化する

2.4 ランダム化比較実験

2.5 観察研究

矢内　勇生