Groepsgewijze marges van fout berekenen

Een manier om marges van fout in een ACS-analyse te verkleinen, is om schattingen te combineren wanneer dat zinvol is. Dit kan met de groepsgewijze analysetools van tidyverse. In deze oefening combineer je schattingen voor armoede onder oudere mannen en vrouwen in Vermont, en gebruik je de functie moe_sum() als onderdeel van deze groepsanalyse. Je verliest misschien wat detail met deze aanpak, maar je schattingen worden betrouwbaarder ten opzichte van hun marges van fout dan voordat je ze combineerde.

Deze oefening maakt deel uit van de cursus

US Census-gegevens analyseren in R

Bekijk cursus

Oefeninstructies

Groepeer de gegevensset vt_eldpov op de kolom GEOID.
Gebruik in de aanroep van summarize() de functie moe_sum() om een afgeleide marge van fout te berekenen.
Controleer het aandeel rijen waarvan de marges van fout hun schattingen overschrijden.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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)

Code bewerken en uitvoeren