Exercise 2 : Industrial disputes and parliamentary left seat shares, 1960-2010

Session 2

Authors

Kim Antunez, François Briatte

Download datasets on your computer

CWS-data-2020.xlsx

Put them a subfolder called data in your working directory.

Load data

First, set your working directory:

setwd("C:/Desktop/DSR/Session 2")

Then, use the readxl::read_excel function to load the dataset.

repository <- "data"
library(readxl)

# load data
cws <- readxl::read_excel(paste0(repository, "/CWS-data-2020.xlsx"))

Explore the dataset

Question 1

Get the sample size (number of observations).

nrow(cws)
[1] 1299
Question 2

Use the str function to inspect the variables

str(cws)
tibble [1,299 × 400] (S3: tbl_df/tbl/data.frame)
 $ id            : chr [1:1299] "AUL" "AUL" "AUL" "AUL" ...
 $ idn           : num [1:1299] 1 1 1 1 1 1 1 1 1 1 ...
 $ year          : num [1:1299] 1960 1961 1962 1963 1964 ...
 $ lisrpr_tot    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisrpr_child  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisrpr_eld    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisrpr_tpf    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisrpr_smf    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pct_csmf      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pre_tot       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pre_singm     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pre_eld       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pre_ue        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ post_ue       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pregini_2559  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ postgini_2559 : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pregini_1864  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ postgini_1864 : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisgini       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisd9010      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisd9050      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ lisd8020      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ mktmeasure    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ postginioecd  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ preginioecd   : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ ginimkt_1865  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ ginidisp_1865 : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p9010de       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p8020de       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ mgini         : num [1:1299] NA NA NA NA NA NA NA 40.6 40.6 40.6 ...
 $ ngini         : num [1:1299] NA NA NA NA NA NA NA 28.5 28.4 28.4 ...
 $ rred          : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ abred         : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ top1          : num [1:1299] 0.0669 0.0671 0.0682 0.0697 0.0648 0.0634 0.0616 0.0625 0.0605 0.0592 ...
 $ top10         : num [1:1299] 0.279 0.281 0.285 0.287 0.279 ...
 $ mid           : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ bottom        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ top1share     : num [1:1299] 7.09 7.1 7.23 7.36 6.84 6.69 6.47 6.58 6.38 6.25 ...
 $ top1sharec    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ top1tenshare  : num [1:1299] 1.62 1.65 1.64 1.65 1.52 1.46 1.41 1.51 1.4 1.42 ...
 $ top1tensharec : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ miwsenc       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ compens       : num [1:1299] 8391 8661 9179 10038 11271 ...
 $ earnprod      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ wages         : num [1:1299] NA NA 4.48 4.66 4.95 ...
 $ lowpay        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p90p50        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p50p10        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p90p50v2      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p50p10v2      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ p90p10        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ sstaxes       : num [1:1299] NA NA NA NA NA 0 0 0 0 0 ...
 $ pytaxes       : num [1:1299] NA NA NA NA NA 0.6 0.6 0.6 0.6 0.6 ...
 $ topmtax3      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ gen           : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ uegen         : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ sickgen       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pengen        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ usucavg       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ ssscavg       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ unempsi       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ unempco       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ sstran        : num [1:1299] 3.85 4.28 4.1 4.1 3.91 ...
 $ hlpub         : num [1:1299] 327 353 392 411 456 ...
 $ totheal       : num [1:1299] 650 726 745 815 923 ...
 $ ptotheal      : num [1:1299] 50.3 48.7 52.6 50.4 49.4 ...
 $ phealgdp      : num [1:1299] 1.84 1.97 2.02 1.92 1.95 ...
 $ pcrexnc       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ tcrexnc       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ pinpat        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ tinpat        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ poupat        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ toupat        : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ tmedcv        : num [1:1299] NA 76 76 78 80 82 83 84 83 83 ...
 $ pmedcv        : num [1:1299] NA 76 76 78 80 82 83 84 83 83 ...
 $ inpatcv       : num [1:1299] 77 79 80 80 81 84 86 88 86 87 ...
 $ outpatcv      : num [1:1299] NA 76 76 78 80 82 83 84 83 83 ...
 $ daycare       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ oldage_pub    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ survivor_pub  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ incap_pub     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ health_pub    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ family_pub    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ almp_pub      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ unemp_pub     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ housing_pub   : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ other_pub     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ socx_pub      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ oldage_pmp    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ survivor_pmp  : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ incap_pmp     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ health_pmp    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ family_pmp    : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ almp_pmp      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ unemp_pmp     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ housing_pmp   : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ other_pmp     : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ socx_pmp      : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
 $ almppes       : num [1:1299] NA NA NA NA NA NA NA NA NA NA ...
  [list output truncated]
Question 3

Use the View function to preview the dataset. It is equivalent to double clic on the object in the top right pane.

View(cws)
Question 4

Use dplyr::select function to select 4 variables id, year, nld and leftseat and then inspect these variables.

The syntax is the following:

dataset %>% select(var1, var2, var3) %>% function1 %>% function2
library(dplyr)

Attaching package: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
cws %>% select(id, year, nld, leftseat) %>% str()
tibble [1,299 × 4] (S3: tbl_df/tbl/data.frame)
 $ id      : chr [1:1299] "AUL" "AUL" "AUL" "AUL" ...
 $ year    : num [1:1299] 1960 1961 1962 1963 1964 ...
 $ nld     : num [1:1299] 1145 815 1183 1250 1334 ...
 $ leftseat: num [1:1299] 36.9 37.9 49.2 48.5 41 41 40.3 33.1 33.1 35.5 ...
Question 5

Count the values of the categorical variable id.

See ?table in the help.

cws %>% select(id) %>% table()
id
AUL AUS BEL CAN DEN FIN FRA FRG GRE IRE ITA JPN LUX NET NOR NZL POR SPA SWE SWZ 
 59  59  59  59  59  59  59  59  59  59  59  59  59  59  59  60  59  59  59  59 
UKM USA 
 59  59

or

table(cws$id)

AUL AUS BEL CAN DEN FIN FRA FRG GRE IRE ITA JPN LUX NET NOR NZL POR SPA SWE SWZ 
 59  59  59  59  59  59  59  59  59  59  59  59  59  59  59  60  59  59  59  59 
UKM USA 
 59  59
Question 6

Count the values of the continuous variable called leftseat (parliamentary left seat shares).

See ?summary in the help

summary(cws$leftseat)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
    0.0    30.7    40.2    37.2    47.8    70.3      62
Question 7

Get the sum of a continuous variable nld (industrial disputes) by year.

The syntax is the following using the dplyr package. var_sum is not a name of a function but the future name of your aggregated variable var.

dataset %>%
  group_by(year) %>%
  summarise(
    var_sum = sum(var, na.rm = TRUE)
  )
cws %>%
  group_by(year) %>%
  summarise(
    nld_sum = sum(nld, na.rm = TRUE)
  )
# A tibble: 60 × 2
    year nld_sum
   <dbl>   <dbl>
 1  1960   13080
 2  1961   14385
 3  1962   14704
 4  1963   15021
 5  1964   15620
 6  1965   14951
 7  1966   14140
 8  1967   14440
 9  1968   15101
10  1969   19874
# ℹ 50 more rows
Question 8

Compute average industrial disputes nldand left seat shares leftseat by year.

dataset <- cws %>%
  group_by(year) %>%
  summarise(
    nld = mean(nld, na.rm = TRUE),
    leftseat = mean(leftseat, na.rm = TRUE)
  )
head(dataset)
# A tibble: 6 × 3
   year   nld leftseat
  <dbl> <dbl>    <dbl>
1  1960  769.     33.4
2  1961  899.     33.2
3  1962  919      33.1
4  1963  939.     33.7
5  1964  976.     33.8
6  1965  934.     34.2
Question 9 [OPTIONAL]

Try to create the same plot as below.

Use the ggplot2 functions geom_point, geom_smooth and geom_text.

library(ggplot2)
p <- ggplot(dataset) +
 geom_point(aes(x = year, y = nld), color="red", size = 1) +
 geom_smooth(aes(x = year, y = nld), method = "lm") +
 geom_text(aes(x = year, y = nld, label = year),
            angle = 45, size = 3)
p
`geom_smooth()` using formula = 'y ~ x'

Source

Data sources

Comparative Welfare States (CWS) dataset, 2020 https://www.lisdatacenter.org/news-and-events/comparative-welfare-states-dataset-2020/