Gruppenweise Fehlermargen berechnen
Eine Möglichkeit, die Fehlermargen in einer ACS-Analyse zu verringern, ist das Zusammenfassen von Schätzungen, wenn es sinnvoll ist. Das lässt sich mit gruppenweisen Datenanalysetools aus dem tidyverse umsetzen. In dieser Übung fasst du die Schätzungen für Altersarmut von Männern und Frauen in Vermont zusammen und verwendest die Funktion moe_sum() als Teil dieser gruppenweisen Analyse. Auch wenn du mit diesem Ansatz etwas Detail verlierst, werden deine Schätzungen im Verhältnis zu ihren Fehlermargen verlässlicher, als bevor du sie zusammengefasst hast.
Diese Übung ist Teil des Kurses
US-Census-Daten in R analysieren
Anleitung zur Übung
- Gruppiere den Datensatz
vt_eldpovnach der Spalte GEOID. - Verwende im Aufruf von
summarize()die Funktionmoe_sum(), um eine abgeleitete Fehlermarge zu berechnen. - Prüfe den Anteil der Zeilen, deren Fehlermargen ihre Schätzwerte übersteigen.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Group the dataset and calculate a derived margin of error
vt_eldpov2 <- vt_eldpov %>%
___(___) %>%
summarize(
estmf = sum(estimate),
moemf = ___(___ = moe, estimate = estimate)
)
# Filter rows where newly-derived margin of error exceeds newly-derived estimate
moe_check2 <- filter(vt_eldpov2, ___ > estmf)
# Check proportion of rows where margin of error exceeds estimate
nrow(moe_check2) / ___(vt_eldpov2)