まず、必要なパッケージを読み込む。インストールが必要なら先にインストールする。
library("tidyverse")
library("broom")
library("texreg")
## Macユーザは次の行を実行する
# theme_set(theme_gray(base_size = 12, base_family = "HiraginoSans-W3"))
説明のために『Rによる計量政治学』(浅野正彦, 矢内勇生. 2018)で使用されているデータ(hr-data.csv を使う。
まず、このデータをダウンロードして読み込む(データへのパスは各自の状況に応じて変えること。ここでは、RStudioのプロジェクトを利用していて、プロジェクトが存在するフォルダ内にdata という名前のフォルダがあり、その中にデータセットが保存されていると仮定している)。download.file()
でダウンロードしたデータが読み込めない(「データが破損している」などの警告がでる)場合は、Webブラウザを使ってデータをダウンロードすること。
download.file(url = "https://raw.githubusercontent.com/yukiyanai/quant-methods-R/master/data/hr-data.csv",
destfile = "data/hr-data.csv")
HR <- read_csv("data/hr-data.csv")
glimpse(HR)
## Observations: 8,803
## Variables: 22
## $ year <int> 1996, 1996, 1996, 1996, 1996, 1996, 1996, 1996, 1996,…
## $ ku <chr> "aichi", "aichi", "aichi", "aichi", "aichi", "aichi",…
## $ kun <int> 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3,…
## $ status <chr> "現職", "元職", "現職", "新人", "新人", "新人", "新人", "現職", "元職",…
## $ name <chr> "KAWAMURA, TAKASHI", "IMAEDA, NORIO", "SATO, TAISUKE"…
## $ party <chr> "NFP", "LDP", "DPJ", "JCP", "others", "kokuminto", "i…
## $ party_code <int> 8, 1, 3, 2, 100, 22, 99, 8, 1, 3, 2, 10, 100, 99, 22,…
## $ previous <int> 2, 3, 2, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 3, 1,…
## $ wl <chr> "当選", "落選", "落選", "落選", "落選", "落選", "落選", "当選", "落選",…
## $ voteshare <dbl> 40.0, 25.7, 20.1, 13.3, 0.4, 0.3, 0.2, 32.9, 26.4, 25…
## $ age <int> 47, 72, 53, 43, 51, 51, 45, 51, 71, 30, 31, 44, 61, 4…
## $ nocand <int> 7, 7, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8, 8, 8, 8, 7, 7, 7,…
## $ rank <int> 1, 2, 3, 4, 5, 6, 7, 1, 2, 3, 4, 5, 6, 7, 8, 1, 2, 3,…
## $ vote <int> 66876, 42969, 33503, 22209, 616, 566, 312, 56101, 449…
## $ eligible <int> 346774, 346774, 346774, 346774, 346774, 346774, 34677…
## $ turnout <dbl> 49.2, 49.2, 49.2, 49.2, 49.2, 49.2, 49.2, 51.8, 51.8,…
## $ exp <int> 9828097, 9311555, 9231284, 2177203, NA, NA, NA, 12940…
## $ expm <dbl> 9.828097, 9.311555, 9.231284, 2.177203, NA, NA, NA, 1…
## $ vs <dbl> 0.400, 0.257, 0.201, 0.133, 0.004, 0.003, 0.002, 0.32…
## $ exppv <dbl> 28.341505, 26.851941, 26.620462, 6.278449, NA, NA, NA…
## $ smd <chr> "当選", "落選", "落選", "落選", "落選", "落選", "落選", "当選", "落選",…
## $ party_jpn <chr> "新進党", "自民党", "民主党", "共産党", "その他", "国民党", "無所属", "新進党…
衆議院議員経験があることを表すダミー変数と選挙費用を100万円単位で測定する変数を作る。 新しい変数は dplyr::mutate()
で作る。
%>%
はパイプ演算子と呼ばれるのもので、%>%
の左側で評価した内容を、%>%
の右側にある関数の第1引数として使う。単純な例として、sqrt(4)
は 4 %>% sqrt()
と書くことができる。試してみよう。
## [1] 2
## [1] 2
実際には、このように単純な計算でパイプを使う必要はないが、プログラムが複雑になると、パイプを使ったほうが楽なことが多くなる。
次に、データから2009年の結果だけ抜き出し、HR09として保存する。特定の条件に合致するデータを抜き出したいときは、dplyr::filter()
を使う。
得票率(結果変数)を議員経験(説明変数)で説明するモデルを考えよう。 議員経験は、現職または元職の候補者なら1、そうでなければ0をとる二値 (binary) 変数(ダミー変数)である。 このモデルを式で表すと、 \[得票率_i \sim \mathrm{N}(\beta_1 + \beta_2 \cdot 議員経験_i, \sigma^2)\] と、なる。
Rでは、lm()
で回帰式を推定する。
これで、fit_1
に推定結果(係数の推定値など)が保存される。
基本的な結果は、summary()
で見ることができる。
##
## Call:
## lm(formula = voteshare ~ experience, data = HR09)
##
## Residuals:
## Min 1Q Median 3Q Max
## -43.867 -12.072 -5.567 8.583 52.123
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.8772 0.6203 22.37 <2e-16
## experience 30.9898 0.9783 31.68 <2e-16
##
## Residual standard error: 16.19 on 1137 degrees of freedom
## Multiple R-squared: 0.4688, Adjusted R-squared: 0.4684
## F-statistic: 1004 on 1 and 1137 DF, p-value: < 2.2e-16
この結果は少し読みにくいので、代わりに brrom:tidy()
を利用しよう。
## # A tibble: 2 x 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) 13.9 0.620 22.4 3.78e- 92
## 2 experience 31.0 0.978 31.7 2.18e-158
この出力の、estimate の列に係数の推定値 (coefficient estimates) が示されている。 これにより、\(\hat{\beta}_1=\) 13.88, \(\hat{\beta}_2=\) 30.99, \(\hat{\sigma}=\) 16.19 が得られた。 したがって、 \[\widehat{得票率} = 13.88 + 30.99 \cdot 議員経験\] と、なる。
この結果を図示しよう。
p1 <- ggplot(HR09, aes(x = experience, y = voteshare)) +
scale_x_continuous(breaks = c(0, 1)) +
geom_jitter(position = position_jitter(width = 0.05), size = 1) +
geom_smooth(method = 'lm', se = FALSE) +
labs(x = '議員経験', y = '得票率(%)')
print(p1 + ggtitle('得票率と議員経験の関係'))
この図に推定の不確実性を示すには、geom_smooth(method = 'lm', se = TRUE)
とすればよい(が、 se = TRUE はデフォルトなので、seを指定する必要はない)。 デフォルトでは、95パーセント信頼区間が回帰直線の周りに表示される(この例では、区間が狭すぎてよく見えない)。
信頼度を変えたいとき、例えば50パーセント信頼区間を表示したいときは、次のようにlevelを指定する。
この直線の切片である13.88は、議員経験がない候補者の平均得票率(予測得票率)である。 予測値の式の「議員経験」に0を代入すれば、これは明らかである。 議員経験がある候補者の平均得票率(予測得票率)は、「議員経験」に1を代入することで得られる。 代入してみると、 \(13.88 +30.99 \cdot 1 = 44.87\) となる。
Rで議員経験ごとに平均得票率を求め、上の式から求めた予測値と一致するか確かめよう。 dplyr::group_by()
を使うと、指定した変数の値が同じグループを作ることができる。
## # A tibble: 2 x 2
## experience voteshare
## <dbl> <dbl>
## 1 0 13.9
## 2 1 44.9
このように、予測値は説明変数の値を与えられたときの、結果変数の平均値であることがわかる。
同様に、得票率を選挙費用(測定単位:100万円)で説明するモデルは、次のように推定できる。
## # A tibble: 2 x 5
## term estimate std.error statistic p.value
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 (Intercept) 7.74 0.757 10.2 1.61e- 23
## 2 expm 3.07 0.0958 32.1 1.14e-160
回帰直線を図示する。
p2 <- ggplot(HR09, aes(x = expm, y = voteshare)) +
geom_point(size = 1) +
geom_smooth(method = 'lm', se = FALSE) +
labs(x = '選挙費用(100万円)', y = '得票率(%)')
print(p2 + ggtitle('得票率と選挙費用の関係'))
95パーセント信頼区間を加える。
複数のモデルで回帰分析を実行し、結果を一つの表にまとめたいときは、texreg::screenreg()
が便利である(HTMLに出力するなら htmlreg()
、LaTeX用には texreg()
を使う)。
##
## ===============================
## Model 1 Model 2
## -------------------------------
## (Intercept) 13.88 7.74
## (0.62) (0.76)
## experience 30.99
## (0.98)
## expm 3.07
## (0.10)
## -------------------------------
## R^2 0.47 0.48
## Adj. R^2 0.47 0.48
## Num. obs. 1139 1124
## RMSE 16.19 16.04
## ===============================
HTMLに出力する場合。
Model 1 | Model 2 | ||
---|---|---|---|
(Intercept) | 13.88 | 7.74 | |
(0.62) | (0.76) | ||
experience | 30.99 | ||
(0.98) | |||
expm | 3.07 | ||
(0.10) | |||
R2 | 0.47 | 0.48 | |
Adj. R2 | 0.47 | 0.48 | |
Num. obs. | 1139 | 1124 | |
RMSE | 16.19 | 16.04 | |