In pttry/KT162R: Data preparation and graphs for the project KT162 Alueellinen liikkuvuus ja monipaikkaisuus
library(tidyverse)
library(ggplot2)
library(ggptt)
library(gridExtra)
library(RColorBrewer)
library(ggpubr)
library(here)
library(glue)
library(statfitools)
devtools::load_all()
set_proj()
knitr::opts_chunk$set(fig.path = "Raportin_kuviot/")
tyot_vakanssi_ku_dat <- readRDS(here("data/avoimet_tyopaikat_tyonhakijat.rds"))
data(dat_kokonaismuutto, dat_muutto_aikasarja_km, dat_muuttotiedot_kunnittain, tyo_muutto_atyyppi, dat_tulopendelointi, dat_pendelointi)
muutto_ptoim1_dat <- readRDS(here("data/paa-asiallinen_toiminta_ja_muutto/muuttoaikasarjat_kokomaa_ptoim1_ulos.rds"))
tyot_vakanssi_dat <- readRDS(here("data/avoimet_tyopaikat_tyonhakijat_atyyppi.rds"))
atyyppi_colour <- c(brewer.pal(6, "Oranges")[6:4], brewer.pal(6, "Blues")[6:5] , brewer.pal(6, "Greens")[6:5])
aluetyyppit <- setNames(c("pk", "yo-kaup", "kaup", "tk_keskus", "kaupms", "ydinms", "ms"),
c("Pääkaupunkiseutu", "Yliopistokaupungit", "Kaupungit", "Muut työssäkäyntikeskukset",
"Kaupunkien läheinen maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu"))
Muuttojen absoluuttinen määrä
p1 <- dat_kokonaismuutto %>%
ggplot(aes(x = vuosi, y = muuttoja, col = muuton_tyyppi)) +
geom_line() +
theme(legend.title = element_blank()) +
ylab("Muuttoja") +
xlab(NULL) +
#ggtitle("Muuttojen määrä Suomessa 1990 - 2018") +
geom_hline(yintercept = 0,
color = "black",
linetype = 2) +
theme(legend.position = "bottom", legend.justification = "left") +
scale_y_continuous(labels = deci_comma,
breaks = scales::pretty_breaks(n = 6)) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
scale_color_manual(
labels = c(
"Maakuntien väliset muutot",
"Seutukuntien väliset muutot",
"Kuntien väliset muutot",
"Kuntien sisäiset muutot"
),
values = brewer.pal(5, "Blues")[2:5]
) +
guides(colour = guide_legend(nrow = 2))
p1
# ggsave(here("analyysit/Raportin_kuviot/muutot90_17.png"), p1, width = 6.5, height = 5.5)
dat_kokonaismuutto %>%
filter(vuosi == max(vuosi)) %>%
knitr::kable()
muuttojen suhteellinen määrä (muuttojen absoluuttinen määrä jaettuna väkiluvulla)
p2 <- dat_kokonaismuutto %>%
ggplot(aes(x = vuosi, y = muuttoaste, col = muuton_tyyppi)) +
geom_line() +
theme(legend.title = element_blank()) +
ylab("Muuttoaste") + # Muuttojen määrä suhteessa väkilukuun
xlab(NULL) +
#ggtitle("Muuttoasteet Suomessa 1990 - 2016") +
geom_hline(yintercept = 0, color = "black", linetype = 2) +
theme(legend.position = "bottom", legend.justification = "left") +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
scale_y_continuous(labels = percent_comma) +
scale_color_manual(labels = c("Maakuntien väliset muutot",
"Seutukuntien väliset muutot",
"Kuntien väliset muutot",
"Kuntien sisäiset muutot"),
values = brewer.pal(5, "Blues")[2:5]) +
guides(colour = guide_legend(nrow = 2))
# ggsave("analyysit/Raportin_kuviot/muuttoasteet90_17.png", p2)
p2
muuttojen suhteellinen määrä (muuttojen absoluuttinen määrä jaettuna väkiluvulla)
dat_kokonaismuutto %>%
filter(muuton_tyyppi != "kuntien sisaiset muutot") %>%
ggplot(aes(x = vuosi, y = muuttoaste, col = muuton_tyyppi)) +
geom_line() +
theme(legend.title = element_blank()) +
ylab("Muuttoaste") + # Muuttojen määrä suhteessa väkilukuun
xlab(NULL) +
#ggtitle("Muuttoasteet Suomessa 1990 - 2016") +
geom_hline(yintercept = 0, color = "black", linetype = 2) +
theme(legend.position = "bottom", legend.justification = "left") +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
scale_y_continuous(labels = percent_comma) +
scale_color_manual(labels = c("Maakuntien väliset muutot",
"Seutukuntien väliset muutot",
"Kuntien väliset muutot",
"Kuntien sisäiset muutot"),
values = brewer.pal(5, "Blues")[2:5]) +
guides(colour = guide_legend(nrow = 2))
# ggsave(here::here("analyysit/Raportin_kuviot/muuttoasteet90_17_ei_sis.png"))
Kuvaajat rinnakkain
p3 <- ggarrange(p1 + guides(colour = guide_legend(nrow = 1)),
p2 + guides(colour = guide_legend(nrow = 1)),
ncol = 2, common.legend = TRUE, legend = "bottom")
# ggsave("analyysit/Raportin_kuviot/muutot_muuttoasteet90_17t.png", p3,
# width = 300,
# height = 150,
# units = "mm")
p3
Muutot toiminnan mukaan
ptoim1_tiedot <- c(
"Työttömät" = "seutukuntien_valinen_tyottomien_muutto",
"Työlliset" = "seutukuntien_valinen_tyollisten_muutto",
"Opiskelijat" = "seutukuntien_valinen_opiskelijoiden_muutto",
"0-14 -vuotiaat" = "seutukuntien_valinen_lasten_muutto",
"Muut työvoiman ulkopuolella olevat" = "seutukuntien_valinen_palvelusmiesten_muutto",
"Eläkeläiset" = "seutukuntien_valinen_elakelaisten_muutto",
"Muut työvoiman ulkopuolella olevat" = "seutukuntien_valinen_muutyovoimanulkopuolella_muutto"
)
# Seutukuntien väliset muutot
muutto_ptoim1_pdat <- muutto_ptoim1_dat %>%
filter(tiedot %in% ptoim1_tiedot) %>%
mutate(tiedot = fct_recode(tiedot, !!!ptoim1_tiedot)) %>%
group_by(tiedot, vuosi) %>%
summarise(value = sum(value)) %>%
ungroup()
muutto_ptoim1_pdat %>%
ggplot(aes(x = vuosi, y = value)) +
geom_area(aes(fill = tiedot)) +
theme_light(14) +
theme(
legend.title = element_blank(),
legend.position = "bottom",
legend.justification = "left"
) +
scale_fill_manual(values = brewer.pal(8, "Blues")) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
scale_y_continuous(labels = deci_comma) +
labs(x = NULL, y = "Seutukuntien välisiä muuttoja") +
stat_summary(fun.y = "sum", geom = "line", color = "black", linetype = 1, size = 1, show.legend = FALSE)
muutto_ptoim1_pdat %>%
filter(vuosi == max(vuosi)) %>%
mutate(osuus = 100 * value / sum(value)) %>%
add_row(tiedot = "Yhteensä", value = sum(.$value), osuus = sum(.$osuus)) %>%
knitr::kable(digits = 0)
# muutto_ptoim1_dat %>%
# filter(vuosi == 2015, tiedot == "asukkaat")
Työn siirtyminen seutukuntien välillä
tyon_siirtyminen_tiedot <- c(
"Muutto" = "seutukuntien_valinen_muutto",
"Työikäisten muutto" = "seutukuntien_valinen_tyoikaisten_muutto",
"Työpaikan siirtyminen" = "seutukuntien_valinen_tyon_siirtyminen",
"Työtä siirtävä muutto" = "seutukuntien_valinen_tyota_siirtava_muutto",
"Työllisten muutto" = "seutukuntien_valinen_tyollisten_muutto",
"Työllistävä muutto" = "seutukuntien_valinen_tyottomien_tyollistava_muutto",
"Työllistävä muutto" = "seutukuntien_valinen_tyovoiman_ulkopuolelta_tyollistava_muutto"
)
tyon_siirtyminen_pdat <-
dat_muutto_aikasarja_km %>%
filter(tiedot %in% tyon_siirtyminen_tiedot) %>%
mutate(tiedot = fct_recode(tiedot, !!!tyon_siirtyminen_tiedot),
tiedot = fct_reorder(tiedot, value, .desc = TRUE)) %>%
group_by(tiedot, time) %>%
summarise(value = sum(value)) %>%
ungroup()
tyon_siirtyminen_pdat %>%
ggplot(aes(time, value/1000, colour = tiedot)) +
geom_line() +
geom_h0() +
scale_x_continuous(breaks = scales::pretty_breaks()) +
scale_colour_manual(values = rev(atyyppi_colour[2:7])) +
the_legend_bot() +
labs(y = "1000 henkeä", x = NULL, colour = NULL)
dat_muuttotiedot_kunnittain %>%
filter(Tiedot == "nettomuutto") %>%
mutate(aluetyyppi = fct_recode(aluetyyppi, "Muut keskukset" = "Muut työssäkäyntialueden keskukset")) %>%
group_by(aluetyyppi, Vuosi) %>%
summarize(nettomuutto = sum(values)) %>%
ungroup() %>%
ggplot(aes(x = Vuosi, y = nettomuutto, color = aluetyyppi)) +
geom_line() +
geom_hline(yintercept = 0, color = "grey", size = 1) +
scale_colour_manual(values = atyyppi_colour) +
the_title_blank("l") +
# the_legend_bot() +
labs(x = NULL,
y = NULL,
caption = "Lähde: PTT, Tilastokeskus",
title = "Nettomuutot",
subtitle = "Tulo- ja lähtömuuttojen erotus vuosittain")
Työmuutto
time_range <- range(tyo_muutto_atyyppi$time)
tyo_muutto_atyyppi %>%
select(time, aluetyyppi, 'Työperäinen' = tyo_muutto_netto, '18-80-vuotiaat' = tmuutto_netto) %>%
mutate(aluetyyppi = fct_recode(aluetyyppi,
'Muu maaseutu' = "Ydinmaaseutu",
'Muu maaseutu' = "Harvaan asuttu maaseutu",
'Muut keskukset' = "Muut työssäkäyntialueen keskukset"),
aluetyyppi = ggptt::line_wrap(aluetyyppi, 25)) %>%
group_by(time, aluetyyppi) %>%
summarise_all(sum) %>%
ungroup() %>%
gather(vars, values, -time, -aluetyyppi) %>%
ggplot(aes(time, values, colour = vars)) +
facet_wrap( ~ aluetyyppi) +
geom_line() +
geom_h0() +
# scale_colour_manual(values = atyyppi_colour) +
the_title_blank(c("x", "l")) +
the_legend_bot() +
labs(subtitle = glue("Samana vuonna asuin- ja työpaikan kuntaan vaihtaneiden ja 18-80-vuotiaiden nettomuutto vuosina {time_range[1]}-{time_range[2]}."),
caption = "Lähde: PTT, Tilastokeskus",
y = "henkeä")
# ggsave("tyo_muutto_atyyppi.png", height = 6, width = 12)
Pendelöivien osuus työllisistä
Pendelöivien osuus kunnassa työssäkäyvistä
time_range <- range(dat_tulopendelointi$time)
dat_tulopendelointi_tyyppi %>%
filter(koulutusaste == "Yhteensä",
ika == "Yhteensä",
aluetyyppi != "Koko maa") %>%
select(-ika, -koulutusaste) %>%
mutate(aluetyyppi = fct_recode(aluetyyppi,
'Muu maaseutu' = "Ydinmaaseutu",
'Muu maaseutu' = "Harvaan asuttu maaseutu"),
aluetyyppi = ggptt::line_wrap(aluetyyppi, 25)) %>%
group_by(time, aluetyyppi, pendelointi) %>%
summarise_all(sum) %>%
ungroup() %>%
mutate(pendelointi = fct_recode(pendelointi,
kaikki = "Yhteensä",
asuinkunnassa = "Asuinkunnassaan työssäkäyvät",
pendeloivat = "Alueelle pendelöivät")) %>%
spread(pendelointi, values) %>%
mutate(values = 100 * pendeloivat / kaikki) %>%
ggplot(aes(time, values, colour = aluetyyppi)) +
geom_line() +
scale_colour_manual(values = atyyppi_colour) +
the_title_blank(c("x", "l")) +
# the_legend_bot() +
labs(subtitle = glue("Muissa kunnissa asuvien osuus työssäkäyvistä alueilla",
" vuosina {time_range[1]}-{time_range[2]}."),
title = "Muista kunnista työssäkäyvien osuus",
caption = "Lähde: PTT, Tilastokeskus",
y = "%")
# ggsave("fig/pend_atyyppi.png", height = 6, width = 12)
Kohtaanto
tyot_vakanssi_dat %>%
select(time, aluetyyppi,
"Työttömyysaste" = tyottomyysaste_trend,
"Vakanssiaste" = vakanssiaste_trend) %>%
gather(vars, values, - time, -aluetyyppi) %>%
mutate(aluetyyppi = fct_relevel(aluetyyppi, aluetyyppit),
aluetyyppi = fct_recode(aluetyyppi, !!!aluetyyppit)) %>%
ggplot(aes(x = time, y = 100 * values, col = aluetyyppi)) +
facet_wrap(~ vars, scales = "free") +
geom_line() +
geom_h0() +
labs(y = "%, trendi",
x = NULL,
color = NULL) +
scale_color_manual(values = atyyppi_colour) +
theme(legend.position = "bottom",
legend.justification = "left") +
guides(col = guide_legend(nrow = 3))
tyot_vakanssi_dat %>%
select(time, aluetyyppi,
"Työttömät" = tyottomat_trend,
"Avoimet työpaikat" = avoimet_tyopaikat_trend) %>%
gather(vars, values, - time, -aluetyyppi) %>%
mutate(aluetyyppi = fct_relevel(aluetyyppi, aluetyyppit),
aluetyyppi = fct_recode(aluetyyppi, !!!aluetyyppit),
vars = fct_rev(vars)) %>%
ggplot(aes(x = time, y = values, col = aluetyyppi)) +
facet_wrap(~ vars, scales = "free") +
geom_line() +
geom_h0() +
labs(y = "henkeä/paikkaa, trendi",
x = NULL,
color = NULL) +
scale_color_manual(values = atyyppi_colour) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 12)) +
guides(col = guide_legend(nrow = 3))
tyot_vakanssi_ku_dat %>%
filter(Maakunta != "Ahvenanmaa - Åland") %>%
filter(vuosi == 2018) %>%
group_by(Seutukunta) %>%
summarise(tyottomyysaste = 100 * sum(Tyottomat, na.rm = TRUE) / sum(Tyovoima, na.rm = TRUE),
vakanssiaste = 100 * sum(Avoimet_tyopaikat, na.rm = TRUE) / sum(Avoimet_tyopaikat + Tyovoima - Tyottomat, na.rm = TRUE),
Tyottomat = sum(Tyottomat, na.rm = TRUE)) %>%
ungroup() %>%
ggplot(aes(tyottomyysaste, vakanssiaste, size = Tyottomat)) +
geom_point(alpha = 0.5) +
stat_smooth(method = "lm") +
geom_h0() +
scale_size(guide = "none") +
labs(x = "Työttömyysaste, %",
y = "Vakanssiaste, %")
Liikkuvuustulemat ja liikkuvuusmuotovalinnat, työttömät
Liikkuvuustulemat
marginal_effects_selection_personal_unemp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_selection_personal_unemployed.rds"))
personal_labels = c("Sukupuoli (ref: mies)",
"Ikä, vuosia",
"Opiskelija, ptoim2, (ref: ei opiskelija)",
"Syntynyt ulkomailla (ref: ei syntynyt ulkomailla",
"Keskiasteen koulutus (ref: peruskoulu)",
"Korkea-asteen koulutus (ref: peruskoulu)",
"Tutkija-asteen koulutus (ref: peruskoulu)",
"Puoliso töissä",
"Pari, lapsia (ref: pari, ei lapsia)",
"Asuu yksin (ref: pari, ei lapsia)",
"Yksinhuoltaja (ref: pari, ei lapsia)",
"Asuu vuokralla (ref: omistuasuja)",
"Omistuoikeusasunto (ref: omistusasuja)",
"Muu asumismuoto (ref: omistusasuja)",
"Muuttokokemus",
"Pendelöintikokemus")[16:1]
me_labels <-
c(
`Pendelöintikokemus` = "comm_exp_t0TRUE",
`Muuttokokemus` = "migr_exp_t0TRUE",
`Muu asumismuoto (ref: omistusasuja)` = "hape_t0Other tenure status",
`Omistuoikeusasunto (ref: omistusasuja)` = "hape_t0Right of occupancy dwelling",
`Asuu vuokralla (ref: omistuasuja)` = "hape_t0Rents the dwelling",
`Yksinhuoltaja (ref: pari, ei lapsia)` = "pety_t0Single parent",
`Asuu yksin (ref: pari, ei lapsia)` = "pety_t0Living alone",
`Pari, lapsia (ref: pari, ei lapsia)` = "pety_t0Couple with children",
`Puoliso töissä` = "spouse_working_t1TRUE",
`Tutkija-asteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Doctoral or equivalent level",
`Korkea-asteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Tertiary education",
`Keskiasteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Secondary education",
`Syntynyt ulkomailla (ref: syntynyt Suomessa` = "syntyp2Born abroad",
`Opiskelija, ptoim2, (ref: ei opiskelija)` = "opiskelija_t1Student",
`Ikä, vuosia` = "ika_t1",
`Sukupuoli (ref: mies)` = "sukup_t1Female"
)
marginal_effects_selection_personal_unemp %>%
ggplot(aes(y = coefficient, x = var, label = coefficient)) +
geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
geom_segment(aes(y = 0,
x = var,
yend = coefficient,
xend = var),
color = "#0ABBEC",
size = 3) +
#geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
# color = "red", size = 1.2, linetype = 2) +
geom_point(stat = "identity", color = "#006FB9", size = 10) +
geom_text(color = "white", size = 3) +
coord_flip() +
theme(axis.text.y = element_text(size = rel(0.8), face = "bold")) +
labs(x = NULL,
y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
title = "Liikkuvuuden todennäköisyys, työttömät") +
scale_x_discrete(labels = personal_labels)
#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_selection_personal_unemployed.png",
# width = 5, height = 6)
Liikkuvuusmuotovalinnat
marginal_effects_outcome_personal_unemp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_outcome_personal_unemployed.rds"))
marginal_effects_outcome_personal_unemp %>%
ggplot(aes(y = coefficient, x = var, label = coefficient)) +
geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
geom_segment(aes(y = 0,
x = var,
yend = coefficient,
xend = var),
color = "#0ABBEC",
size = 3) +
#geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
# color = "red", size = 1.2, linetype = 2) +
geom_point(stat = "identity", color = "#006FB9", size = 10) +
geom_text(color = "white", size = 3) +
coord_flip() +
theme(axis.text.y = element_text(size = rel(0.8), face = "bold"),
title = element_text(size = rel(0.8))) +
labs(x = NULL,
y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
title = "Muuttamisen todennäköisyys, työttömät") +
scale_x_discrete(labels = personal_labels)
#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_outcome_personal_unemployed.png",
# width = 5, height = 6)
me_unemp <-
bind_rows("Liikkuvuuden todennäköisyys" = marginal_effects_selection_personal_unemp,
"Muuton todennäköisyys liikkujilla" = marginal_effects_outcome_personal_unemp,
.id = "step") %>%
mutate(var = fct_recode(var, !!!me_labels))
me_unemp %>%
ggplot(aes(y = coefficient, x = var, label = coefficient)) +
facet_wrap(~ step) +
geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
geom_segment(aes(y = 0,
x = var,
yend = coefficient,
xend = var),
color = "#0ABBEC",
size = 3) +
#geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
# color = "red", size = 1.2, linetype = 2) +
geom_point(stat = "identity", color = "#006FB9", size = 10) +
geom_text(color = "white", size = 3) +
coord_flip() +
theme(axis.text.y = element_text(size = rel(0.8), face = "bold"),
title = element_text(size = rel(0.8))) +
labs(x = NULL,
y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
title = "Liikkuvuusvalinnat, työttömät")
Liikkuvuustulemat ja liikkuvuusmuotovalinnat, työlliset
Liikkuvuustulemat
marginal_effects_selection_personal_emp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_selection_personal_employed.rds"))
marginal_effects_selection_personal_emp %>%
ggplot(aes(y = coefficient, x = var, label = coefficient)) +
geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
geom_segment(aes(y = 0,
x = var,
yend = coefficient,
xend = var),
color = "#0ABBEC",
size = 3) +
#geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
# color = "red", size = 1.2, linetype = 2) +
geom_point(stat = "identity", color = "#006FB9", size = 10) +
geom_text(color = "white", size = 3) +
coord_flip() +
theme_light() +
theme(text = element_text(size = 10, family = "sans")) +
labs(x = NULL,
y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
title = "Liikkuvuuden todennäköisyys, työlliset") +
scale_x_discrete(labels = personal_labels)
#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_selection_personal_employed.png",
# width = 5, height = 6)
Liikkuvuusmuotovalinnat
marginal_effects_outcome_personal_emp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_outcome_personal_employed.rds"))
marginal_effects_outcome_personal_emp %>%
ggplot(aes(y = coefficient, x = var, label = coefficient)) +
geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
geom_segment(aes(y = 0,
x = var,
yend = coefficient,
xend = var),
color = "#0ABBEC",
size = 3) +
#geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
# color = "red", size = 1.2, linetype = 2) +
geom_point(stat = "identity", color = "#006FB9", size = 10) +
geom_text(color = "white", size = 3) +
coord_flip() +
theme_light() +
theme(text = element_text(size = 10, family = "sans")) +
labs(x = NULL,
y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
title = "Muuttamisen todennäköisyys pendelöinnin sijaan, työlliset") +
scale_x_discrete(labels = personal_labels)
#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_outcome_personal_employed.png",
# width = 5, height = 6)
me_emp <-
bind_rows("Liikkuvuuden todennäköisyys" = marginal_effects_selection_personal_emp,
"Muuton todennäköisyys liikkujilla" = marginal_effects_outcome_personal_emp,
.id = "step") %>%
mutate(var = fct_recode(var, !!!me_labels))
me_emp %>%
ggplot(aes(y = coefficient, x = var, label = coefficient)) +
geom_blank(data = me_unemp) +
facet_wrap(~ step) +
geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
geom_segment(aes(y = 0,
x = var,
yend = coefficient,
xend = var),
color = "#0ABBEC",
size = 3) +
#geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
# color = "red", size = 1.2, linetype = 2) +
geom_point(stat = "identity", color = "#006FB9", size = 10) +
geom_text(color = "white", size = 3) +
coord_flip() +
theme(axis.text.y = element_text(size = rel(0.8), face = "bold"),
title = element_text(size = rel(0.8))) +
labs(x = NULL,
y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
title = "Liikkuvuusvalinnat, työlliset")
Työmatkat kaupunki-maaseutuluokituksella
Ruutuaineistosta laskettu
dat_matkat_aluokka %>%
gather(vars, values, tyomatka_asuin, tyomatka_tyo) %>%
mutate(vars = fct_recode(vars,
"Asuinpaikan mukaan" = "tyomatka_asuin",
"Työpaikan mukaan" = "tyomatka_tyo")) %>%
ggplot(aes(time, values, colour = aluokka)) +
facet_wrap(~ vars) +
geom_line() +
geom_h0() +
scale_colour_manual(values = atyyppi_colour) +
scale_x_continuous(labels = no_century) +
labs(title = "Keskimääräiset työmatkat",
subtitle = "Ruutuaineistosta kaupunki-maaseutuluokituksella",
caption = "© YKR / SYKE ja TK 2018",
y = "km") +
the_title_blank(c("x", "l"))
# ggsave("matkat.png", height = 8, width = 16)
pttry/KT162R documentation built on Nov. 27, 2022, 3:52 a.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
library(tidyverse) library(ggplot2) library(ggptt) library(gridExtra) library(RColorBrewer) library(ggpubr) library(here) library(glue) library(statfitools) devtools::load_all() set_proj() knitr::opts_chunk$set(fig.path = "Raportin_kuviot/") tyot_vakanssi_ku_dat <- readRDS(here("data/avoimet_tyopaikat_tyonhakijat.rds")) data(dat_kokonaismuutto, dat_muutto_aikasarja_km, dat_muuttotiedot_kunnittain, tyo_muutto_atyyppi, dat_tulopendelointi, dat_pendelointi) muutto_ptoim1_dat <- readRDS(here("data/paa-asiallinen_toiminta_ja_muutto/muuttoaikasarjat_kokomaa_ptoim1_ulos.rds")) tyot_vakanssi_dat <- readRDS(here("data/avoimet_tyopaikat_tyonhakijat_atyyppi.rds")) atyyppi_colour <- c(brewer.pal(6, "Oranges")[6:4], brewer.pal(6, "Blues")[6:5] , brewer.pal(6, "Greens")[6:5]) aluetyyppit <- setNames(c("pk", "yo-kaup", "kaup", "tk_keskus", "kaupms", "ydinms", "ms"), c("Pääkaupunkiseutu", "Yliopistokaupungit", "Kaupungit", "Muut työssäkäyntikeskukset", "Kaupunkien läheinen maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu"))
Muuttojen absoluuttinen määrä
p1 <- dat_kokonaismuutto %>% ggplot(aes(x = vuosi, y = muuttoja, col = muuton_tyyppi)) + geom_line() + theme(legend.title = element_blank()) + ylab("Muuttoja") + xlab(NULL) + #ggtitle("Muuttojen määrä Suomessa 1990 - 2018") + geom_hline(yintercept = 0, color = "black", linetype = 2) + theme(legend.position = "bottom", legend.justification = "left") + scale_y_continuous(labels = deci_comma, breaks = scales::pretty_breaks(n = 6)) + scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) + scale_color_manual( labels = c( "Maakuntien väliset muutot", "Seutukuntien väliset muutot", "Kuntien väliset muutot", "Kuntien sisäiset muutot" ), values = brewer.pal(5, "Blues")[2:5] ) + guides(colour = guide_legend(nrow = 2)) p1 # ggsave(here("analyysit/Raportin_kuviot/muutot90_17.png"), p1, width = 6.5, height = 5.5)
dat_kokonaismuutto %>% filter(vuosi == max(vuosi)) %>% knitr::kable()
muuttojen suhteellinen määrä (muuttojen absoluuttinen määrä jaettuna väkiluvulla)
p2 <- dat_kokonaismuutto %>% ggplot(aes(x = vuosi, y = muuttoaste, col = muuton_tyyppi)) + geom_line() + theme(legend.title = element_blank()) + ylab("Muuttoaste") + # Muuttojen määrä suhteessa väkilukuun xlab(NULL) + #ggtitle("Muuttoasteet Suomessa 1990 - 2016") + geom_hline(yintercept = 0, color = "black", linetype = 2) + theme(legend.position = "bottom", legend.justification = "left") + scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) + scale_y_continuous(labels = percent_comma) + scale_color_manual(labels = c("Maakuntien väliset muutot", "Seutukuntien väliset muutot", "Kuntien väliset muutot", "Kuntien sisäiset muutot"), values = brewer.pal(5, "Blues")[2:5]) + guides(colour = guide_legend(nrow = 2)) # ggsave("analyysit/Raportin_kuviot/muuttoasteet90_17.png", p2) p2
muuttojen suhteellinen määrä (muuttojen absoluuttinen määrä jaettuna väkiluvulla)
dat_kokonaismuutto %>% filter(muuton_tyyppi != "kuntien sisaiset muutot") %>% ggplot(aes(x = vuosi, y = muuttoaste, col = muuton_tyyppi)) + geom_line() + theme(legend.title = element_blank()) + ylab("Muuttoaste") + # Muuttojen määrä suhteessa väkilukuun xlab(NULL) + #ggtitle("Muuttoasteet Suomessa 1990 - 2016") + geom_hline(yintercept = 0, color = "black", linetype = 2) + theme(legend.position = "bottom", legend.justification = "left") + scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) + scale_y_continuous(labels = percent_comma) + scale_color_manual(labels = c("Maakuntien väliset muutot", "Seutukuntien väliset muutot", "Kuntien väliset muutot", "Kuntien sisäiset muutot"), values = brewer.pal(5, "Blues")[2:5]) + guides(colour = guide_legend(nrow = 2)) # ggsave(here::here("analyysit/Raportin_kuviot/muuttoasteet90_17_ei_sis.png"))
Kuvaajat rinnakkain
p3 <- ggarrange(p1 + guides(colour = guide_legend(nrow = 1)), p2 + guides(colour = guide_legend(nrow = 1)), ncol = 2, common.legend = TRUE, legend = "bottom") # ggsave("analyysit/Raportin_kuviot/muutot_muuttoasteet90_17t.png", p3, # width = 300, # height = 150, # units = "mm") p3
Muutot toiminnan mukaan
ptoim1_tiedot <- c( "Työttömät" = "seutukuntien_valinen_tyottomien_muutto", "Työlliset" = "seutukuntien_valinen_tyollisten_muutto", "Opiskelijat" = "seutukuntien_valinen_opiskelijoiden_muutto", "0-14 -vuotiaat" = "seutukuntien_valinen_lasten_muutto", "Muut työvoiman ulkopuolella olevat" = "seutukuntien_valinen_palvelusmiesten_muutto", "Eläkeläiset" = "seutukuntien_valinen_elakelaisten_muutto", "Muut työvoiman ulkopuolella olevat" = "seutukuntien_valinen_muutyovoimanulkopuolella_muutto" ) # Seutukuntien väliset muutot muutto_ptoim1_pdat <- muutto_ptoim1_dat %>% filter(tiedot %in% ptoim1_tiedot) %>% mutate(tiedot = fct_recode(tiedot, !!!ptoim1_tiedot)) %>% group_by(tiedot, vuosi) %>% summarise(value = sum(value)) %>% ungroup() muutto_ptoim1_pdat %>% ggplot(aes(x = vuosi, y = value)) + geom_area(aes(fill = tiedot)) + theme_light(14) + theme( legend.title = element_blank(), legend.position = "bottom", legend.justification = "left" ) + scale_fill_manual(values = brewer.pal(8, "Blues")) + scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) + scale_y_continuous(labels = deci_comma) + labs(x = NULL, y = "Seutukuntien välisiä muuttoja") + stat_summary(fun.y = "sum", geom = "line", color = "black", linetype = 1, size = 1, show.legend = FALSE)
muutto_ptoim1_pdat %>% filter(vuosi == max(vuosi)) %>% mutate(osuus = 100 * value / sum(value)) %>% add_row(tiedot = "Yhteensä", value = sum(.$value), osuus = sum(.$osuus)) %>% knitr::kable(digits = 0) # muutto_ptoim1_dat %>% # filter(vuosi == 2015, tiedot == "asukkaat")
Työn siirtyminen seutukuntien välillä
tyon_siirtyminen_tiedot <- c( "Muutto" = "seutukuntien_valinen_muutto", "Työikäisten muutto" = "seutukuntien_valinen_tyoikaisten_muutto", "Työpaikan siirtyminen" = "seutukuntien_valinen_tyon_siirtyminen", "Työtä siirtävä muutto" = "seutukuntien_valinen_tyota_siirtava_muutto", "Työllisten muutto" = "seutukuntien_valinen_tyollisten_muutto", "Työllistävä muutto" = "seutukuntien_valinen_tyottomien_tyollistava_muutto", "Työllistävä muutto" = "seutukuntien_valinen_tyovoiman_ulkopuolelta_tyollistava_muutto" ) tyon_siirtyminen_pdat <- dat_muutto_aikasarja_km %>% filter(tiedot %in% tyon_siirtyminen_tiedot) %>% mutate(tiedot = fct_recode(tiedot, !!!tyon_siirtyminen_tiedot), tiedot = fct_reorder(tiedot, value, .desc = TRUE)) %>% group_by(tiedot, time) %>% summarise(value = sum(value)) %>% ungroup() tyon_siirtyminen_pdat %>% ggplot(aes(time, value/1000, colour = tiedot)) + geom_line() + geom_h0() + scale_x_continuous(breaks = scales::pretty_breaks()) + scale_colour_manual(values = rev(atyyppi_colour[2:7])) + the_legend_bot() + labs(y = "1000 henkeä", x = NULL, colour = NULL)
dat_muuttotiedot_kunnittain %>% filter(Tiedot == "nettomuutto") %>% mutate(aluetyyppi = fct_recode(aluetyyppi, "Muut keskukset" = "Muut työssäkäyntialueden keskukset")) %>% group_by(aluetyyppi, Vuosi) %>% summarize(nettomuutto = sum(values)) %>% ungroup() %>% ggplot(aes(x = Vuosi, y = nettomuutto, color = aluetyyppi)) + geom_line() + geom_hline(yintercept = 0, color = "grey", size = 1) + scale_colour_manual(values = atyyppi_colour) + the_title_blank("l") + # the_legend_bot() + labs(x = NULL, y = NULL, caption = "Lähde: PTT, Tilastokeskus", title = "Nettomuutot", subtitle = "Tulo- ja lähtömuuttojen erotus vuosittain")
Työmuutto
time_range <- range(tyo_muutto_atyyppi$time) tyo_muutto_atyyppi %>% select(time, aluetyyppi, 'Työperäinen' = tyo_muutto_netto, '18-80-vuotiaat' = tmuutto_netto) %>% mutate(aluetyyppi = fct_recode(aluetyyppi, 'Muu maaseutu' = "Ydinmaaseutu", 'Muu maaseutu' = "Harvaan asuttu maaseutu", 'Muut keskukset' = "Muut työssäkäyntialueen keskukset"), aluetyyppi = ggptt::line_wrap(aluetyyppi, 25)) %>% group_by(time, aluetyyppi) %>% summarise_all(sum) %>% ungroup() %>% gather(vars, values, -time, -aluetyyppi) %>% ggplot(aes(time, values, colour = vars)) + facet_wrap( ~ aluetyyppi) + geom_line() + geom_h0() + # scale_colour_manual(values = atyyppi_colour) + the_title_blank(c("x", "l")) + the_legend_bot() + labs(subtitle = glue("Samana vuonna asuin- ja työpaikan kuntaan vaihtaneiden ja 18-80-vuotiaiden nettomuutto vuosina {time_range[1]}-{time_range[2]}."), caption = "Lähde: PTT, Tilastokeskus", y = "henkeä") # ggsave("tyo_muutto_atyyppi.png", height = 6, width = 12)
Pendelöivien osuus työllisistä
Pendelöivien osuus kunnassa työssäkäyvistä
time_range <- range(dat_tulopendelointi$time) dat_tulopendelointi_tyyppi %>% filter(koulutusaste == "Yhteensä", ika == "Yhteensä", aluetyyppi != "Koko maa") %>% select(-ika, -koulutusaste) %>% mutate(aluetyyppi = fct_recode(aluetyyppi, 'Muu maaseutu' = "Ydinmaaseutu", 'Muu maaseutu' = "Harvaan asuttu maaseutu"), aluetyyppi = ggptt::line_wrap(aluetyyppi, 25)) %>% group_by(time, aluetyyppi, pendelointi) %>% summarise_all(sum) %>% ungroup() %>% mutate(pendelointi = fct_recode(pendelointi, kaikki = "Yhteensä", asuinkunnassa = "Asuinkunnassaan työssäkäyvät", pendeloivat = "Alueelle pendelöivät")) %>% spread(pendelointi, values) %>% mutate(values = 100 * pendeloivat / kaikki) %>% ggplot(aes(time, values, colour = aluetyyppi)) + geom_line() + scale_colour_manual(values = atyyppi_colour) + the_title_blank(c("x", "l")) + # the_legend_bot() + labs(subtitle = glue("Muissa kunnissa asuvien osuus työssäkäyvistä alueilla", " vuosina {time_range[1]}-{time_range[2]}."), title = "Muista kunnista työssäkäyvien osuus", caption = "Lähde: PTT, Tilastokeskus", y = "%") # ggsave("fig/pend_atyyppi.png", height = 6, width = 12)
Kohtaanto
tyot_vakanssi_dat %>% select(time, aluetyyppi, "Työttömyysaste" = tyottomyysaste_trend, "Vakanssiaste" = vakanssiaste_trend) %>% gather(vars, values, - time, -aluetyyppi) %>% mutate(aluetyyppi = fct_relevel(aluetyyppi, aluetyyppit), aluetyyppi = fct_recode(aluetyyppi, !!!aluetyyppit)) %>% ggplot(aes(x = time, y = 100 * values, col = aluetyyppi)) + facet_wrap(~ vars, scales = "free") + geom_line() + geom_h0() + labs(y = "%, trendi", x = NULL, color = NULL) + scale_color_manual(values = atyyppi_colour) + theme(legend.position = "bottom", legend.justification = "left") + guides(col = guide_legend(nrow = 3))
tyot_vakanssi_dat %>% select(time, aluetyyppi, "Työttömät" = tyottomat_trend, "Avoimet työpaikat" = avoimet_tyopaikat_trend) %>% gather(vars, values, - time, -aluetyyppi) %>% mutate(aluetyyppi = fct_relevel(aluetyyppi, aluetyyppit), aluetyyppi = fct_recode(aluetyyppi, !!!aluetyyppit), vars = fct_rev(vars)) %>% ggplot(aes(x = time, y = values, col = aluetyyppi)) + facet_wrap(~ vars, scales = "free") + geom_line() + geom_h0() + labs(y = "henkeä/paikkaa, trendi", x = NULL, color = NULL) + scale_color_manual(values = atyyppi_colour) + theme(legend.position = "bottom", legend.justification = "left", legend.text = element_text(size = 12)) + guides(col = guide_legend(nrow = 3))
tyot_vakanssi_ku_dat %>% filter(Maakunta != "Ahvenanmaa - Åland") %>% filter(vuosi == 2018) %>% group_by(Seutukunta) %>% summarise(tyottomyysaste = 100 * sum(Tyottomat, na.rm = TRUE) / sum(Tyovoima, na.rm = TRUE), vakanssiaste = 100 * sum(Avoimet_tyopaikat, na.rm = TRUE) / sum(Avoimet_tyopaikat + Tyovoima - Tyottomat, na.rm = TRUE), Tyottomat = sum(Tyottomat, na.rm = TRUE)) %>% ungroup() %>% ggplot(aes(tyottomyysaste, vakanssiaste, size = Tyottomat)) + geom_point(alpha = 0.5) + stat_smooth(method = "lm") + geom_h0() + scale_size(guide = "none") + labs(x = "Työttömyysaste, %", y = "Vakanssiaste, %")
Liikkuvuustulemat ja liikkuvuusmuotovalinnat, työttömät
Liikkuvuustulemat
marginal_effects_selection_personal_unemp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_selection_personal_unemployed.rds")) personal_labels = c("Sukupuoli (ref: mies)", "Ikä, vuosia", "Opiskelija, ptoim2, (ref: ei opiskelija)", "Syntynyt ulkomailla (ref: ei syntynyt ulkomailla", "Keskiasteen koulutus (ref: peruskoulu)", "Korkea-asteen koulutus (ref: peruskoulu)", "Tutkija-asteen koulutus (ref: peruskoulu)", "Puoliso töissä", "Pari, lapsia (ref: pari, ei lapsia)", "Asuu yksin (ref: pari, ei lapsia)", "Yksinhuoltaja (ref: pari, ei lapsia)", "Asuu vuokralla (ref: omistuasuja)", "Omistuoikeusasunto (ref: omistusasuja)", "Muu asumismuoto (ref: omistusasuja)", "Muuttokokemus", "Pendelöintikokemus")[16:1] me_labels <- c( `Pendelöintikokemus` = "comm_exp_t0TRUE", `Muuttokokemus` = "migr_exp_t0TRUE", `Muu asumismuoto (ref: omistusasuja)` = "hape_t0Other tenure status", `Omistuoikeusasunto (ref: omistusasuja)` = "hape_t0Right of occupancy dwelling", `Asuu vuokralla (ref: omistuasuja)` = "hape_t0Rents the dwelling", `Yksinhuoltaja (ref: pari, ei lapsia)` = "pety_t0Single parent", `Asuu yksin (ref: pari, ei lapsia)` = "pety_t0Living alone", `Pari, lapsia (ref: pari, ei lapsia)` = "pety_t0Couple with children", `Puoliso töissä` = "spouse_working_t1TRUE", `Tutkija-asteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Doctoral or equivalent level", `Korkea-asteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Tertiary education", `Keskiasteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Secondary education", `Syntynyt ulkomailla (ref: syntynyt Suomessa` = "syntyp2Born abroad", `Opiskelija, ptoim2, (ref: ei opiskelija)` = "opiskelija_t1Student", `Ikä, vuosia` = "ika_t1", `Sukupuoli (ref: mies)` = "sukup_t1Female" ) marginal_effects_selection_personal_unemp %>% ggplot(aes(y = coefficient, x = var, label = coefficient)) + geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) + geom_segment(aes(y = 0, x = var, yend = coefficient, xend = var), color = "#0ABBEC", size = 3) + #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se), # color = "red", size = 1.2, linetype = 2) + geom_point(stat = "identity", color = "#006FB9", size = 10) + geom_text(color = "white", size = 3) + coord_flip() + theme(axis.text.y = element_text(size = rel(0.8), face = "bold")) + labs(x = NULL, y = "Keskimääräinen marginaalivaikutus, %-yksikköä", title = "Liikkuvuuden todennäköisyys, työttömät") + scale_x_discrete(labels = personal_labels) #ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_selection_personal_unemployed.png", # width = 5, height = 6)
Liikkuvuusmuotovalinnat
marginal_effects_outcome_personal_unemp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_outcome_personal_unemployed.rds")) marginal_effects_outcome_personal_unemp %>% ggplot(aes(y = coefficient, x = var, label = coefficient)) + geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) + geom_segment(aes(y = 0, x = var, yend = coefficient, xend = var), color = "#0ABBEC", size = 3) + #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se), # color = "red", size = 1.2, linetype = 2) + geom_point(stat = "identity", color = "#006FB9", size = 10) + geom_text(color = "white", size = 3) + coord_flip() + theme(axis.text.y = element_text(size = rel(0.8), face = "bold"), title = element_text(size = rel(0.8))) + labs(x = NULL, y = "Keskimääräinen marginaalivaikutus, %-yksikköä", title = "Muuttamisen todennäköisyys, työttömät") + scale_x_discrete(labels = personal_labels) #ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_outcome_personal_unemployed.png", # width = 5, height = 6)
me_unemp <- bind_rows("Liikkuvuuden todennäköisyys" = marginal_effects_selection_personal_unemp, "Muuton todennäköisyys liikkujilla" = marginal_effects_outcome_personal_unemp, .id = "step") %>% mutate(var = fct_recode(var, !!!me_labels)) me_unemp %>% ggplot(aes(y = coefficient, x = var, label = coefficient)) + facet_wrap(~ step) + geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) + geom_segment(aes(y = 0, x = var, yend = coefficient, xend = var), color = "#0ABBEC", size = 3) + #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se), # color = "red", size = 1.2, linetype = 2) + geom_point(stat = "identity", color = "#006FB9", size = 10) + geom_text(color = "white", size = 3) + coord_flip() + theme(axis.text.y = element_text(size = rel(0.8), face = "bold"), title = element_text(size = rel(0.8))) + labs(x = NULL, y = "Keskimääräinen marginaalivaikutus, %-yksikköä", title = "Liikkuvuusvalinnat, työttömät")
Liikkuvuustulemat ja liikkuvuusmuotovalinnat, työlliset
Liikkuvuustulemat
marginal_effects_selection_personal_emp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_selection_personal_employed.rds")) marginal_effects_selection_personal_emp %>% ggplot(aes(y = coefficient, x = var, label = coefficient)) + geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) + geom_segment(aes(y = 0, x = var, yend = coefficient, xend = var), color = "#0ABBEC", size = 3) + #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se), # color = "red", size = 1.2, linetype = 2) + geom_point(stat = "identity", color = "#006FB9", size = 10) + geom_text(color = "white", size = 3) + coord_flip() + theme_light() + theme(text = element_text(size = 10, family = "sans")) + labs(x = NULL, y = "Keskimääräinen marginaalivaikutus, %-yksikköä", title = "Liikkuvuuden todennäköisyys, työlliset") + scale_x_discrete(labels = personal_labels) #ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_selection_personal_employed.png", # width = 5, height = 6)
Liikkuvuusmuotovalinnat
marginal_effects_outcome_personal_emp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_outcome_personal_employed.rds")) marginal_effects_outcome_personal_emp %>% ggplot(aes(y = coefficient, x = var, label = coefficient)) + geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) + geom_segment(aes(y = 0, x = var, yend = coefficient, xend = var), color = "#0ABBEC", size = 3) + #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se), # color = "red", size = 1.2, linetype = 2) + geom_point(stat = "identity", color = "#006FB9", size = 10) + geom_text(color = "white", size = 3) + coord_flip() + theme_light() + theme(text = element_text(size = 10, family = "sans")) + labs(x = NULL, y = "Keskimääräinen marginaalivaikutus, %-yksikköä", title = "Muuttamisen todennäköisyys pendelöinnin sijaan, työlliset") + scale_x_discrete(labels = personal_labels) #ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_outcome_personal_employed.png", # width = 5, height = 6)
me_emp <- bind_rows("Liikkuvuuden todennäköisyys" = marginal_effects_selection_personal_emp, "Muuton todennäköisyys liikkujilla" = marginal_effects_outcome_personal_emp, .id = "step") %>% mutate(var = fct_recode(var, !!!me_labels)) me_emp %>% ggplot(aes(y = coefficient, x = var, label = coefficient)) + geom_blank(data = me_unemp) + facet_wrap(~ step) + geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) + geom_segment(aes(y = 0, x = var, yend = coefficient, xend = var), color = "#0ABBEC", size = 3) + #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se), # color = "red", size = 1.2, linetype = 2) + geom_point(stat = "identity", color = "#006FB9", size = 10) + geom_text(color = "white", size = 3) + coord_flip() + theme(axis.text.y = element_text(size = rel(0.8), face = "bold"), title = element_text(size = rel(0.8))) + labs(x = NULL, y = "Keskimääräinen marginaalivaikutus, %-yksikköä", title = "Liikkuvuusvalinnat, työlliset")
Työmatkat kaupunki-maaseutuluokituksella
Ruutuaineistosta laskettu
dat_matkat_aluokka %>% gather(vars, values, tyomatka_asuin, tyomatka_tyo) %>% mutate(vars = fct_recode(vars, "Asuinpaikan mukaan" = "tyomatka_asuin", "Työpaikan mukaan" = "tyomatka_tyo")) %>% ggplot(aes(time, values, colour = aluokka)) + facet_wrap(~ vars) + geom_line() + geom_h0() + scale_colour_manual(values = atyyppi_colour) + scale_x_continuous(labels = no_century) + labs(title = "Keskimääräiset työmatkat", subtitle = "Ruutuaineistosta kaupunki-maaseutuluokituksella", caption = "© YKR / SYKE ja TK 2018", y = "km") + the_title_blank(c("x", "l")) # ggsave("matkat.png", height = 8, width = 16)
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.