R Notebook

list.of.packages <- c("dplyr", "tidyr", "foreign","ggplot2","scales","jtools", "plotly", "ggthemes", "sf", "ggrepel", "forcats", "stats", "ggalt", "RColorBrewer", "viridis", "data.table", "ggpubr")

lapply(list.of.packages, require, character.only = TRUE)

# Daten einlesen
# Dateipfad definieren
setwd("/Users/alexandrawuermli/Documents/master polito/daten/Daten_DDJ_HS20_Olat 2/Corona-Monitor/2-Daten")

file_path <- "CoronaMonitorAll.csv"

corona <- read.csv(file_path,
                  sep = ",",
                  encoding = "UTF-8",
                  stringsAsFactors = FALSE)

# neue Variablen erstellen Unterstützung Massnahmen von 1 - 15, werden zusammengerechnet.
# 1 tiefer Skeptizimus - 15 hoher Skeptizimus

karten <- corona  %>%
  select(massnBewegung, massnLockdown, massnLohn, Welle, kanton, schutzmasken) %>% 
  mutate(massnBewegung_num = case_when(
                massnBewegung %in% c("Gehen viel zu weit") ~ 1,
        massnBewegung %in% c("Gehen eher zu weit") ~ 2,
        massnBewegung %in% c("Sind angemessen") ~ 3,
        massnBewegung %in% c("Gehen eher zu wenig weit ") ~ 4,
        massnBewegung %in% c("Gehen viel zu wenig weit") ~ 5)) %>% 
mutate(massnLockdown_num = case_when(
  massnLockdown %in% c("Gehen viel zu weit") ~ 1,
massnLockdown %in% c("Gehen eher zu weit") ~ 2,
        massnLockdown %in% c("Sind angemessen") ~ 3,
    massnLockdown %in% c("Gehen eher zu wenig weit ") ~ 4,
    massnLockdown %in% c("Gehen viel zu wenig weit") ~ 5)) %>% 
mutate(massnLohn_num = case_when(
massnLohn %in% c("Gehen viel zu weit") ~ 1,
    massnLohn %in% c("Gehen eher zu weit") ~ 2,
    massnLohn %in% c("Sind angemessen") ~ 3,
    massnLohn %in% c("Gehen eher zu wenig weit ") ~ 4,
    massnLohn %in% c("Gehen viel zu wenig weit") ~ 5)) %>% 
 mutate(maske_num = case_when( 
  schutzmasken %in% c("Nein") ~ 1,
  schutzmasken %in% c("Eher nein") ~ 2,
  schutzmasken %in% c("Eher Ja") ~ 4,
 schutzmasken %in% c("Ja ") ~ 5))

karten  <- karten   %>% 
   replace(is.na(.), 0) %>%
 mutate(massn = massnLockdown_num + massnLohn_num + massnBewegung_num +maske_num, na.rm = TRUE)

ktnr <-read.csv("kantonnr.csv",
                       sep=";",
                       encoding="UTF-8",
                       stringsAsFactors = F)


# shapefile laden
cantons_geo <- read_sf("ag-b-00/ggg_2020-LV95/shp/g2k20.shp")

#neuer Datensatz mit Berechnungen mit Grafik
karten<- karten %>% 
            group_by(kanton, Welle) %>%
            mutate(massn.gew = weighted.mean(massn, na.rm=T, weight = weight))  %>%
            subset(!(kanton %in% c("- Auslandschweizer/in -", "Auslandschweizer/in"))) %>%
  select(massn.gew, Welle, kanton) %>%
            distinct() %>% 
      left_join(
            ktnr, by = c("kanton" = "Kanton")) %>%
            mutate(Date = case_when(Welle == 1 ~ "21.03. - 23.03",
                                    Welle == 2 ~ "03.04. - 06.04",
                                    Welle == 3 ~ "02.05. - 05.05",
                                    Welle == 4 ~ "05.06. - 08.06",
                                    Welle == 5 ~ "23.10. - 02.11"))
karten$Date <- factor(karten$Date, levels = unique(karten$Date[order(karten$Welle)]))

karten <- left_join(cantons_geo, karten,
                       by = c("KTNR" = "ktnr"))

# Abb. 1, Karten mit Unterstützung
plot<-ggplot() + 
  geom_sf(
    data = cantons_geo,
    aes(),
    fill = "#FCFCFC",
    color = "#666666",
    size = 0.2
    ) +
  geom_sf(
    data = karten,
    aes(fill = massn.gew),
    color = "white",
    size = 0.2 
  ) +  
     scale_fill_gradientn(colours = c(muted("#0e250e"), ("#c0e7c0")),
                       na.value = "grey50",
                       limits = c(2, 8), 
                       oob = squish,
                       breaks = c(2.5, 3.5, 4.5, 5.5, 6.5, 7.5),
                       labels = c("2.5: tiefe Unterstützung ","3.5", "4.5", 
                                  "5.5", "6.5", "7.5: hohe Unterstützung")) +

                       
  theme_void() +
  theme(
    panel.grid.major = element_line("transparent"),
    strip.text.x = element_text(size = 18),
    title = element_text(size = 20),
    plot.subtitle = element_text(size = 18),
    legend.text = element_text(size=16),
    plot.caption = element_text(size=14, hjust=1.2),

  ) +
  labs(title = ~ bold("Die Unterstützung der Massnahmen des Bundesrates sinkt"),
       subtitle = ("Aggregierte Unterstützung pro Kanton und Befragungswelle von Sotomo"),
       fill = "Stärke der Unterstützung",
       caption = "Daten: Forschungsstelle Sotomo, 1.-5. Welle") +
 
  facet_wrap(~Date, strip.position = c( "bottom"))
plot
ggsave(plot, file="karte_unterstützung.png", width = 12, height = 5)

# neuer Datensatz für Beschäftigungsituation
massnahmen_alle <- corona  %>%
  select(massnBewegung, massnLockdown, massnLohn,arbtyp,sex,erwerbNow, schutzmasken) %>%
  mutate(massnBewegung_num = case_when(
                massnBewegung %in% c("Gehen viel zu weit") ~ 5,
        massnBewegung %in% c("Gehen eher zu weit") ~ 4,
        massnBewegung %in% c("Sind angemessen") ~ 3,
        massnBewegung %in% c("Gehen eher zu wenig weit ") ~ 2,
        massnBewegung %in% c("Gehen viel zu wenig weit") ~ 1)) %>% 
mutate(massnLockdown_num = case_when(
  massnLockdown %in% c("Gehen viel zu weit") ~ 5,
massnLockdown %in% c("Gehen eher zu weit") ~ 4,
        massnLockdown %in% c("Sind angemessen") ~ 3,
    massnLockdown %in% c("Gehen eher zu wenig weit ") ~ 2,
    massnLockdown %in% c("Gehen viel zu wenig weit") ~ 1)) %>% 
mutate(massnLohn_num = case_when(
massnLohn %in% c("Gehen viel zu weit") ~ 5,
    massnLohn %in% c("Gehen eher zu weit") ~ 4,
    massnLohn %in% c("Sind angemessen") ~ 3,
    massnLohn %in% c("Gehen eher zu wenig weit ") ~ 2,
    massnLohn %in% c("Gehen viel zu wenig weit") ~ 1))%>%
 mutate(maske_num = case_when( 
  schutzmasken %in% c("Nein") ~ 5,
  schutzmasken %in% c("Eher nein") ~ 4,
  schutzmasken %in% c("Ja ","Eher Ja") ~ 3))


massnahmen_alle  <- massnahmen_alle   %>% 
   replace(is.na(.), 0) %>%
 mutate(massn1 = massnLockdown_num + massnLohn_num + massnBewegung_num+maske_num, na.rm = TRUE)  %>%
mutate(massn.gew1 = weighted.mean(massn1, na.rm=T, weight = weight))

summary(massnahmen_alle$massn.gew1) # mean: 5.312

massnahmen_alle<-massnahmen_alle %>%
  mutate(skeptizimus = case_when(
                massn1> 5.312 ~ 1,
                massn1< 5.312 ~ 0))

# Beschäftigungsituation filtern und Anteile ausrechnen
massnahmen_alle<-massnahmen_alle   %>% 
  select(skeptizimus,erwerbNow, sex)  %>%
 mutate(arbeit = case_when(
    erwerbNow %in% c("Arbeitslos" ,"Arbeitslos / Stellensuchend", "Kurzarbeit") ~ "Arbeitslos",
    erwerbNow %in% c("Hausfrau / Hausmann") ~"Hausfrau / Hausmann",
    erwerbNow %in% c("Kurzarbeit / kurzfristig stellenlos",  "Kurzarbeit") ~ "Kurzarbeit",
    erwerbNow %in% c("In Ausbildung / Studium") ~ "In Ausbildung / Studium",
    erwerbNow %in% c("Pensioniert / IV") ~ "Pensioniert / IV",
    erwerbNow %in% c("Selbständig erwerbend") ~ "Selbständig erwerbend",
erwerbNow %in% c("Vollzeit angestellt", "Teilzeit angestellt","Vollzeit angestellt (80-100%)", "Teilzeit angestellt (weniger als 80%)") ~ "Angestellt")) %>%
na.exclude %>%
    group_by(arbeit) %>%
    summarize(pcent = 100*mean(skeptizimus), n = n())%>%
 mutate(arbeit = fct_reorder(arbeit, pcent)) 

# Beschäfigungssituation lollipop plot

alle<-ggplot(massnahmen_alle, aes(x=fct_reorder(arbeit, pcent), y=pcent)) +
  geom_point(size=2, color="#ffa700") + 
  geom_segment(aes(x=arbeit, xend=arbeit, y=0, yend=pcent), color="grey") +
  geom_text(aes(label = sprintf("%.0f%%", pcent)), vjust = 0.5, hjust = -0.5, size = 6, color = "black") +
    labs(title = "Kurzarbeit fördert die Skepsis gegenüber den Massnahnen", subtitle= "Anteil SkeptikerInnen pro Beschäfigungssituation (in %)", caption = "Daten: Forschungsstelle Sotomo, 1.-5. Welle", x = "",y = "") +
  theme_light() +
  theme(plot.title = element_text(hjust = -5, face="bold", size= 20),
        plot.subtitle= element_text(hjust = -1.14, size= 18),
        plot.caption = element_text(size= 14),
        axis.text.y = element_text(size=16),
        axis.text.x = element_text(size=16),
    panel.grid.major.x = element_blank(),
    panel.border = element_blank(),
    axis.ticks.x = element_blank()) +
  scale_y_continuous(limits=c(0, 80),labels = scales::label_percent(scale=1)) +
    coord_flip() 
alle
ggsave(alle, file = "lollipop_skep.png", width = 11, height = 5)

# neuer Datensatz mit Berechnungen mit Grafik mit Berufsgruppen
# 1 hohe Unterstützung 15 tiefe Unterstützung
massnahmen <- corona  %>%
  select(massnBewegung, massnLockdown, massnLohn,arbtyp,sex, schutzmasken) %>%
  mutate(massnBewegung_num = case_when(
                massnBewegung %in% c("Gehen viel zu weit") ~ 5,
        massnBewegung %in% c("Gehen eher zu weit") ~ 4,
        massnBewegung %in% c("Sind angemessen") ~ 3,
        massnBewegung %in% c("Gehen eher zu wenig weit ") ~ 2,
        massnBewegung %in% c("Gehen viel zu wenig weit") ~ 1)) %>% 
mutate(massnLockdown_num = case_when(
  massnLockdown %in% c("Gehen viel zu weit") ~ 5,
massnLockdown %in% c("Gehen eher zu weit") ~ 4,
        massnLockdown %in% c("Sind angemessen") ~ 3,
    massnLockdown %in% c("Gehen eher zu wenig weit ") ~ 2,
    massnLockdown %in% c("Gehen viel zu wenig weit") ~ 1)) %>% 
mutate(massnLohn_num = case_when(
massnLohn %in% c("Gehen viel zu weit") ~ 5,
    massnLohn %in% c("Gehen eher zu weit") ~ 4,
    massnLohn %in% c("Sind angemessen") ~ 3,
    massnLohn %in% c("Gehen eher zu wenig weit ") ~ 2,
    massnLohn %in% c("Gehen viel zu wenig weit") ~ 1)) %>% 
 mutate(maske_num = case_when( 
  schutzmasken %in% c("Nein") ~ 5,
  schutzmasken %in% c("Eher nein") ~ 4,
  schutzmasken %in% c("Ja ","Eher Ja") ~ 3))
  
massnahmen  <- massnahmen   %>% 
   replace(is.na(.), 0) %>%
 mutate(massn1 = massnLockdown_num + massnLohn_num + massnBewegung_num+ maske_num, na.rm = TRUE) 

# Skeptiker pro Beruf
skep1 <- massnahmen %>% # gewichtetet Mittelwert ausrechnen, um danach nach Skeptiker und Unterstützer unterteilen zu können
mutate(massn.gew1 = weighted.mean(massn1, na.rm=T, weight = weight))

summary(skep1$massn.gew1) # mean: 5.312

skep1<-skep1 %>%
  mutate(skeptizimus = case_when(
                massn1> 5.312 ~ 1,
                massn1< 5.312 ~ 0))

# Grafik Berufsgruppen, Geschlecht
SKEP <- ggplot(data = skep_gap) +
    aes(y = fct_reorder(arbtyp, Mann), x = Frau, xend = Mann) +
    geom_dumbbell(size = 1.5, size_x = 2, size_xend = 2, colour = "gray", colour_x = "#ffa700", colour_xend = "#006a4e") +
    geom_text(x = 38, y = "Produktion, Reparatur, Reinigung", label = "♀", color = "#ffa700", hjust = 2, size=8) +
    geom_text(x = 44, y = "Produktion, Reparatur, Reinigung", label = "♂", color = "#006a4e", hjust = -10, size=8) +
    labs(title = "In der Führung/Strategie und in der Landwirtschaft/Forstwirtschaft ist die Skepsis am grössten", subtitle= "Anteil der SkeptikerInnen pro Berufsgruppe in Prozent und pro Geschlecht ", caption = "Daten: Forschungsstelle Sotomo, 1.-5. Welle", y= "", x="") +
    theme_light() +
  theme(axis.text.y = element_text(size=16),
        axis.text.x = element_text(size=16),
        plot.title = element_text(hjust = 1.02, face="bold", size = 20,vjust=2),
        plot.subtitle = element_text(hjust = -4.7, size = 18,vjust=2),
        plot.caption=  element_text( size = 14),
        plot.title.position =  )


SKEP
ggsave(SKEP, file = "dumbbell_berufe.png", width = 13, height = 7)

# Vergleich landwirtschaft, stratetie /  medien, kunst
# neuer Datensatz erstellen mit neuen zusaätzen Variablen

vergl<-skep1 %>% 
  select(skeptizimus,sex,arbtyp)
vergl$homeoffice<-corona$homeoffice 
vergl$edu<-corona$edu 
vergl$age<-corona$age
vergl$HHeinkommen<-corona$HHeinkommen
vergl$party<-corona$party
vergl$erwerbNow<-corona$erwerbNow
vergl$zurechtkomm<-corona$zurechtkomm
vergl$medien<-corona$medien_SQ003
vergl$medien1<-corona$medien_SQ005
vergl$vertrauen<-corona$vertrauen

vergl1 <-  vergl %>%
  select(arbtyp,erwerbNow,skeptizimus) %>%
  filter(!arbtyp %in% c("-oth-", "", "0", "Politik, Verwaltung", "Kontrolle, Sicherheit", "Analyse, Forschung, Entwicklung" )) %>%
  mutate(kurzarbeit_ja=case_when(
  erwerbNow %in% c("Kurzarbeit / kurzfristig stellenlos",  "Kurzarbeit") ~ 1,
  erwerbNow %in% c("Arbeitslos" ,"Arbeitslos / Stellensuchend", "Hausfrau / Hausmann", "In Ausbildung / Studium", "Pensioniert / IV","Selbständig erwerbend","Vollzeit angestellt", "Teilzeit angestellt","Vollzeit angestellt (80-100%)", "Teilzeit angestellt (weniger als 80%)")~ 0))%>% 
group_by(arbtyp, kurzarbeit_ja, skeptizimus) %>%
  summarise(Percentage=n()) %>% 
  na.omit() %>%
  group_by(arbtyp) %>% 
  mutate(pcent=Percentage/sum(Percentage)*100) %>%
  filter(skeptizimus == 1, kurzarbeit_ja  == 1) 

#Erklärung Kurzarbeit
kurzarbeit<-ggplot(vergl1, aes(x=reorder(arbtyp,pcent), y=pcent)) +
  geom_point(color=ifelse(vergl1$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), "#006a4e", "#ffa700"), size=ifelse(vergl1$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), 3, 2)) + 
  geom_segment(aes(x=arbtyp, xend=arbtyp, y=0, yend=pcent), color="grey") +
  geom_text(aes(label = sprintf("%.0f%%", pcent)), vjust = 0.5, hjust = -0.5, size = 4, color = "black") +
    labs(title = "Abb. 4: Kurzarbeit", subtitle= "in %", caption = "", x = "",y = "") +
  theme_light() +
  theme(
    axis.text.y = element_text(size=14),
        axis.text.x = element_text(size=14),
    panel.grid.major.x = element_blank(),
    panel.border = element_blank(),
    axis.ticks.x = element_blank()) +
  scale_y_continuous(limits=c(0, 20),labels = scales::label_percent(scale=1,accuracy = 1)) +
    coord_flip() 

#Erklärung Stress
vergl3 <-  vergl %>%
  select(arbtyp,skeptizimus,zurechtkomm)  %>%
  filter(!arbtyp %in% c("-oth-", "", "0", "Politik, Verwaltung", "Kontrolle, Sicherheit", "Analyse, Forschung, Entwicklung" )) %>%
  mutate(zurecht = case_when(
    zurechtkomm %in% c("1 – sehr schlecht", "2") ~ 1,
    zurechtkomm %in% c("5 – sehr gut", "4", "3") ~ 0)) %>%
  na.exclude %>%
    group_by(arbtyp, zurecht,skeptizimus) %>%
  summarise(Percentage=n()) %>% 
  group_by(arbtyp) %>% 
  mutate(pcent=Percentage/sum(Percentage)*100) %>%
  filter(zurecht == 1, skeptizimus==1) 

`summarise()` regrouping output by 'arbtyp', 'zurecht' (override with `.groups` argument)

#Plot Stress
stress<-ggplot(vergl3, aes(x=reorder(arbtyp,pcent), y=pcent)) +
  geom_point(color=ifelse(vergl3$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), "#006a4e", "#ffa700"), size=ifelse(vergl3$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), 3, 2)) + 
  geom_segment(aes(x=arbtyp, xend=arbtyp, y=0, yend=pcent), color="grey") +
  geom_text(aes(label = sprintf("%.0f%%", pcent)), vjust = 0.5, hjust = -0.5, size = 4, color = "black") +
    labs(title = "Abb. 5: Stress", subtitle= "in %", caption = "", x = "",y = "") +
  theme_light() +
  theme(
    axis.text.y = element_text(size=14),
        axis.text.x = element_text(size=14),
    panel.grid.major.x = element_blank(),
    panel.border = element_blank(),
    axis.ticks.x = element_blank()) +
  scale_y_continuous(limits=c(0, 20),labels = scales::label_percent(scale=1, accuracy = 1)) +
    coord_flip() 
stress

#Erklärung Medien
unique(vergl$medien)

vergl5 <-  vergl %>%
  select(arbtyp,skeptizimus, medien,medien1)  %>%
  filter(!arbtyp %in% c("-oth-", "", "0", "Politik, Verwaltung", "Kontrolle, Sicherheit", "Analyse, Forschung, Entwicklung" )) %>%
  mutate(medien.kri = case_when(medien == "Sie tragen zu Panik bei: Not selected" ~ 0,
                            medien == "Sie tragen zu Panik bei: Selected" ~ 1)) %>%
  group_by(arbtyp, medien.kri, skeptizimus) %>%
  summarise(Percentage=n()) %>% 
  na.omit() %>%
  group_by(arbtyp) %>% 
  mutate(pcent=Percentage/sum(Percentage)*100) %>%
  filter(medien.kri == 1, skeptizimus==1)

#Plot medien
medien.kr<-ggplot(vergl5, aes(x=reorder(arbtyp,pcent), y=pcent)) +
  geom_point(color=ifelse(vergl3$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), "#006a4e", "#ffa700"), size=ifelse(vergl3$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), 3, 2)) + 
  geom_segment(aes(x=arbtyp, xend=arbtyp, y=0, yend=pcent), color="grey") +
  geom_text(aes(label = sprintf("%.0f%%", pcent)), vjust = 0.5, hjust = -0.5, size = 4, color = "black") +
    labs(title = "Abb. 6: Medienkritik", subtitle= "in %", caption = "", x = "",y = "") +
  theme_light() +
  theme(
    axis.text.y = element_text(size=14),
        axis.text.x = element_text(size=14),
    panel.grid.major.x = element_blank(),
    panel.border = element_blank(),
    axis.ticks.x = element_blank()) +
  scale_y_continuous(limits=c(0, 20),labels = scales::label_percent(scale=1, accuracy = 1)) +
    coord_flip() 
medien.kr

#Erklärung vertrauen
unique(vergl$vertrauen)

vergl6 <-  vergl %>%
  select(arbtyp,skeptizimus, vertrauen)  %>%
  filter(!arbtyp %in% c("-oth-", "", "0", "Politik, Verwaltung", "Kontrolle, Sicherheit", "Analyse, Forschung, Entwicklung" )) %>%
  mutate(vertrauen.br = case_when(vertrauen %in% c( "1: Sehr klein", "2") ~ 1,
                            vertrauen %in% c("3", "4", "5: Sehr gross") ~ 0)) %>%
  group_by(arbtyp, vertrauen.br, skeptizimus) %>%
  summarise(Percentage=n()) %>% 
  na.omit() %>%
  group_by(arbtyp) %>% 
  mutate(pcent=Percentage/sum(Percentage)*100) %>%
  filter(skeptizimus == 1, vertrauen.br  == 1)

#plot vertrauen
br.kr<-ggplot(vergl6, aes(x=reorder(arbtyp,pcent), y=pcent)) +
  geom_point(color=ifelse(vergl6$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), "#006a4e", "#ffa700"), size=ifelse(vergl6$arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung"), 3, 2)) + 
  geom_segment(aes(x=arbtyp, xend=arbtyp, y=0, yend=pcent), color="grey") +
  geom_text(aes(label = sprintf("%.0f%%", pcent)), vjust = 0.5, hjust = -0.5, size = 4, color = "black") +
    labs(title = "Abb. 7: Fehlendes Vertrauen in BR", subtitle= "in %", caption = "", x = "",y = "") +
  theme_light() +
  theme(
    axis.text.y = element_text(size=14),
        axis.text.x = element_text(size=14),
    panel.grid.major.x = element_blank(),
    panel.border = element_blank(),
    axis.ticks.x = element_blank()) +
  scale_y_continuous(limits=c(0, 20),labels = scales::label_percent(scale=1, accuracy = 1)) +
    coord_flip() 
br.kr

#alle erklärungsfakturen zusammen
figure <- ggarrange(kurzarbeit, stress,medien.kr, br.kr,
                    labels = c(""),
                    ncol = 2, nrow=2) 
#title <- expression(atop(bold("Eine kritische Haltung gegenüber den Medien und dem Bundesrat führt zur Ablehnung der #Massnahmen"), scriptstyle("Verschiedene Erklärungsfaktoren für die Skepsis gegenüber den Massnahmen im Vergleich (in % pro #Berufsgruppe)")))

figure<-annotate_figure(figure,
               top = text_grob(title, size = 20),
               bottom = text_grob("Daten: Forschungsstelle Sotomo, 1.-5. Welle", hjust = -1, size = 14))
figure


ggsave(figure, file = "alle.png", width = 15, height = 20)

figure <- ggarrange(kurzarbeit, stress,medien.kr, br.kr,
                    labels = c(""),
                    ncol = 2, nrow=2) 
#title <- expression(atop(bold("Eine kritische Haltung gegenüber den Medien und dem Bundesrat führt zur Ablehnung der #Massnahmen"), scriptstyle("Verschiedene Erklärungsfaktoren für die Skepsis gegenüber den Massnahmen im Vergleich (in % pro #Berufsgruppe)")))

figure<-annotate_figure(figure,
               top = text_grob(title, size = 20),
               bottom = text_grob("Daten: Forschungsstelle Sotomo, 1.-5. Welle.", hjust = -1, size = 14))
figure


ggsave(figure, file = "alle.png", width = 16, height = 20)

#Erklärung Perteien
unique(corona$party)

vergl4 <-  vergl %>%
  select(arbtyp,skeptizimus, party,)  %>%
  filter(arbtyp %in% c("Landwirtschaft, Forstwirtschaft", "Kunst, Kultur" , "Gestaltung, Kommunikation" , "Strategie, Führung")) %>%
  filter(party %in% c("FDP", "CVP", "Grüne", "SP", "SVP")) %>%
  na.exclude %>%
    group_by(arbtyp, party, skeptizimus) %>%
  summarise(Percentage=n()) %>%
  group_by(arbtyp) %>% 
  mutate(Percentage=Percentage/sum(Percentage)*100) %>%
mutate(arbtyp = fct_reorder(arbtyp, Percentage))%>%
filter(skeptizimus == 1)

vergl4

#plot parteien
partei <- ggplot(data = vergl4) +
    aes(x = party, y = Percentage, color= party) +
  scale_color_manual(values=c("#ffa500", "#0080ff", "#00cd00", "#e60000", "#008000")) +
    facet_wrap(~arbtyp ) +
    geom_point(size=3) +
    coord_flip() +
    labs(title = ~ bold ("Skepsis wird bestärkt durch SVP- und FDP-Parteipräferenzen "), subtitle = "Vergleich der skeptischten Berufsgruppen mit der am wenigsten skeptischten Berufsgruppe bezüglich Parteipräferenz", caption = "Daten: Forschungsstelle Sotomo, 1.-5. Welle", y = "", x = "") +

    theme_light() +
  theme(legend.position = "none", 
        axis.text.y = element_text(size=16),
        axis.text.x = element_text(size=16),
        strip.text.x = element_text(size = 16),
        title=element_text(size = 20),
        plot.caption = element_text(size = 14),
        plot.subtitle = element_text(size = 16)) +
  scale_y_continuous(limits=c(0, 30), labels = scales::label_percent(scale=1))+
    theme(strip.background = element_blank(), strip.text = element_text(color = "black", face = "italic"))
partei

ggsave(partei, file = "partei.png",  width = 11, height = 7)

# 5 Regression für die 5 Wellen 
# nur zur Kontrolle, was einen noch Einfluss haben könnte
reg.w1<- glm(skeptizimus ~ party +age + arbtyp+ sex  + edu + HHeinkommen + medien+ vertrauen ,
          family = binomial(link = logit), data = vergl)