-
Notifications
You must be signed in to change notification settings - Fork 3
/
KSH_NUTS4.tpl
574 lines (522 loc) · 22.3 KB
/
KSH_NUTS4.tpl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
<!--head
Title: Kistérségi adatok térképezése és elemzése
Description: A KSH településszintű adatain alapulva kistérségi szintű térképező és elemző
Author: Gergely Tóth (@tothg)
Packages: classInt, ineq, maptools, RcolorBrewer, sp, spdep
Data required: TRUE
plotvars | *numeric[1,8] | Elemezni kívánt változó | Itt sorolhatja fel azon változókat, amelyek elemzését végre kívánja hajtani. Több változót is megadhat (maximum 8-at egyszerre), amely esetben összehasonlító elemzést is kapunk az elemzés végén.
normvar | numeric[1,1] | Normalizáló változó | A célváltozót normalizálja vissza, és ilyen módon arányt képez (pl.: népesség számához viszonyítás stb.) - Opcionális és csak egy változót adhat meg.
nclr | 5,3,4,6,7,8,9 | Színátmenet kategóriának száma | Azt lehet kiválasztani, hogy a térképezés során hány különböző, a színezéshes szükséges kategóriát hozzunk létre.
szinskala | Blues,BuGn,BuPu,GnBu,Greens,Greys,Oranges,OrRd,PuBu,PuBuGn,PuRd,Purples,RdPu,Reds,YlGn,YlGnBu,YlOrBr,YlOrRd | Alkalmazni kívánt színskála | A térképezés során alkalmazni kívánt színskála.
reverse | FALSE | Fordított színskála | Kiválasztása esetén a térképek színátmenetének sorrendje fordított lesz.
onlymap | FALSE | Csak térképezés | Kiválasztása esetén az elemzés során csak térképek készülnek szöveges elemzés nélkül.
styleb | quantile,sd,pretty,kmeans,hclust,bclust,fisher,jenks,equal | Színskála töréspontjainak meghatározása | Azt a statisztikai eljárást lehet kiválasztani, amely meghatározza a töréspontokat a színskála leképezésekor.
namevar | numeric[1,1] | Kistérség azonosítója (opcionális): | Saját adatbázis esetén a kistérség azonosítóját tartalmazó változó! Megadása csak akkor kötelező, ha eltér a "NUTS4CODE" névtől!
head-->
<%=
evalsOptions('graph.unify', FALSE)
panderOptions('p.copula', ' és ')
data('HUN-maps')
nclr <- as.numeric(nclr)
plotclr <- brewer.pal(nclr, szinskala)
missingclr <- "#333333"
if (szinskala == "Greys") {
missingclr <- "yellow"
}
if (reverse) {
plotclr <- plotclr[nclr:1]
}
emlekezteto <- 1
result_list <- list()
szamlalo <- 1
%>
<%=
if (length(namevar)==0) {
namevar <- rp.data$NUTS4CODE
}
%>
<%
if (!all(HUN_kisterseg@data$NUTS4CODE %in% namevar))
{ %> A megadott kistérség azonosító nem érvényes. Kérjük, olyan csatolóváltozót használjon,
amelyben a következő érvényes NUTS-4 kódok szerepelnek:
<%= kiir <- data.frame(NUTS4CODE = as.character(HUN_kisterseg@data$NUTS4CODE),
kistérségnév = as.character(HUN_kisterseg@data$NUTS4NAME),
stringsAsFactors = FALSE)
kiir
%>
<% } else { %>
<%=
mapping <- function() {
plot(HUN_kisterseg, col=colcode)
title(main="", sub=gsub("_","", cimke, fixed=TRUE))
if (is.null(nas)) {
if (is.null(szazalek)) {
legend("bottomright",
legend=gsub("[", "",
gsub("]", "",
gsub(",", "-",
gsub( ")", "",
names(attr(colcode, "table")),
fixed=TRUE), fixed=TRUE),
fixed=TRUE), fixed=TRUE),
fill=attr(colcode, "palette"))
} else {
legend("bottomright",
legend=gsub("[", "",
gsub("]", "%",
gsub(",", "%-",
gsub(")", "%",
names(attr(colcode, "table")),
fixed=TRUE), fixed=TRUE),
fixed=TRUE), fixed=TRUE),
fill=attr(colcode, "palette"))
}
} else {
if (is.null(szazalek)) {
legend("bottomright",
legend=c("NA/Inf",
gsub("[", ""
gsub("]", "",
gsub(",", "-",
gsub( ")", "",
names(attr(colcode, "table")),
fixed=TRUE), fixed=TRUE),
fixed=TRUE), fixed=TRUE)),
fill=c(missingclr, attr(colcode, "palette")))
} else {
legend("bottomright",
legend=c("NA/Inf",
gsub("[", "",
gsub("]", "%",
gsub(",", "%-",
gsub(")", "%",
names(attr(colcode, "table")),
fixed=TRUE), fixed=TRUE),
fixed=TRUE), fixed=TRUE)),
fill=c(missingclr, attr(colcode, "palette")))
}
}
}
mapping2 <- function() {
plot(HUN_kisterseg, col = colcode)
title(main = "",
sub = gsub("_", "", cimke, fixed = TRUE))
legend("bottomright",
legend = attr(colcode, "table"),
fill = attr(colcode, "palette"))
}
lcp <- function() {
plot(Lc(na.omit(plotvar.2)), main = "", sub = "")
title(main = "Lorenz görbe")
abline(0, 1, col = "red", lwd = 2)
}
ineq_s <- function (x,
parameter = NULL,
type = c("Gini", "RS", "Atkinson", "Theil", "Kolm", "var", "square.var", "entropy")) {
parameter <<- "no"
if (type == "Atkinson") { parameter <<- 0.5 }
if (type == "Theil") { parameter <<- 0 }
if (type == "Kolm") { parameter <<- 1 }
if (type == "entropy") { parameter <<- 0.5 }
switch(match.arg(type),
Gini = Gini(x),
RS = RS(x),
Atkinson = Atkinson(x, parameter = 0.5),
Theil = Theil(x, parameter = 0),
Kolm = Kolm(x, parameter = 1),
var = var.coeff(x),
square.var = var.coeff(x, square = TRUE),
entropy = entropy(x, parameter = 0.5))
}
%>
<%= if (is.null(dim(plotvars))) {
plotvars <- as.data.frame(plotvars) } %>
<%= kist.nb <- poly2nb(HUN_kisterseg)
col.W <- nb2listw(kist.nb, style="W") %>
<% for (ix in 1:length(plotvars)) { %>
<%=
result_list[[szamlalo]] <- list()
plotvar <- plotvars[,ix]
cimke <- rp.label(plotvar)
if (!is.null(normvar)) {
cimke <- paste0(cimke, " _normalizálva -_ ", rp.label(normvar), " _változóval_")
} %>
<%=
felirat <- rp.label(plotvar)
if (!is.null(normvar)) {
felirat <- paste0(felirat, " -normalizált")
}
cimke <- rp.label(plotvar)
if (!is.null(normvar)) {
cimke <- paste0(strwrap(paste(cimke,
"_normalizálva_ ",
rp.label(normvar),
" _változóval._"), 80), collapse="\n")
}
result_list[[szamlalo]][['név']] <- gsub("_",
"", gsub("\n", " ",
cimke,
fixed = TRUE), fixed = TRUE)
%>
<%=
if (!is.null(normvar)) {
plotvar <- plotvar/normvar
}
result_list[[szamlalo]][['plotvar']] <- plotvar
### A célváltozó eloszlásának vizsgálata
if (length(plotvars)>1) {
set.caption(paste0('Leíró statisztikák -', as.roman(ix), '.')) } else {
set.caption('Leíró statisztikák') }
summary(plotvar) %>
<%if (any(is.na(plotvar)) | any(plotvar == Inf)) { %>
<%=
invalid <- NULL
invalid <- c(invalid, namevar[which(is.na(plotvar))])
invalid <- c(invalid, namevar[which(plotvar != Inf)])
paste0('A célváltozó a következő kistérségek esetén érvénytelen-', rp.label(namevar), ':')
p(invalid)
plotvar.valid <- plotvar[which(!is.na(plotvar))]
plotvar.valid <- plotvar.valid[which(plotvar.valid != Inf)]
set.caption('A célváltozó érvényes értékeinek az eloszlása')
summary(plotvar.valid)
result_list[[szamlalo]][['plotvar.valid']] <- plotvar.valid
%>
<% } %>
### A célváltozó területi eloszlásának vizsgálata
<%=
plotvar.2 <- plotvar[match( HUN_kisterseg@data$NUTS4CODE, namevar)]
namevar.2 <- namevar[match( HUN_kisterseg@data$NUTS4CODE, namevar)]
totvar <- data.frame(Kistérség=HUN_kisterseg@data$NUTS4NAME, NUTS4CODE = namevar.2, Érték = plotvar.2)
totvar <- totvar[sort(totvar$Érték, decreasing = TRUE, index.return = T)$ix, ]
rownames(totvar) <- 1:length(namevar.2)
result_list[[szamlalo]][['totvar']] <- totvar
%>
<% if (length(unique(plotvar)) > 2) { %>
<%=
szazalek <- NULL
nas <- NULL
if (max(plotvar.2) < 1) {
plotvar.2 <- plotvar.2*100
szazalek <- 1
}
plotvar.2[which(plotvar.2==Inf)] <- NA
class <- suppressWarnings(classIntervals(plotvar.2, nclr, style = styleb))
class$brks <- as.numeric(sprintf("%.2f", class$brks))
colcode <- suppressWarnings(findColours(class, plotclr))
if (length(which(is.na(plotvar.2))) >0) {
colcode[which(is.na(plotvar.2))] <- missingclr
nas <- 1
}
if (length(plotvars) > 1) {
set.caption(paste0('Kistérségi szintű térképi ábra - ', as.roman(ix), '. változó'))
} else {
set.caption('Kistérségi szintű térképi ábra')
}
mapping()
%>
<% if (!onlymap) { %>
<%= set.caption('Legmagasabb értékű kistérségek')
ira <- totvar[(!is.na(totvar$Érték)),]
ira <- ira[ira$Érték != Inf,]
ira <- ira[(1:6)[(1:6) <= nrow(ira)],]
ira$Érték <- round(ira$Érték, 3)
rownames(ira) <- 1:nrow(ira)
ira
result_list[[szamlalo]][['maxi']] <- ira
maxi <- ira[1, ] %>
<%= set.caption('Legalacsonyabb értékű kistérségek')
ir <- totvar[(!is.na(totvar$Érték)), ]
ir <- ir[ir$Érték != Inf, ]
ir <- ir[-(1:(nrow(ir) - 6))[(1:(nrow(ir) - 6)) > 0], ]
ir$Érték <- round(ir$Érték, 3)
rownames(ir) <- 1:nrow(ir)
ir
result_list[[szamlalo]][['mini']] <- ir
mini <- tail(ir, 1)%>
* Tehát a legmagasabb értékkel bíró <%= nrow(ira) %> kistérség: <%= as.character(ira$Kistérség) %>,
míg a legalacsonyabb értékkel bíró <%= nrow(ir) %> kistérség: <%= as.character(ir$Kistérség)%>.
Az adatok alapján elmondhatjuk, hogy <%= maxi$Kistérség %> kistérség értékei a <%= mini$Kistérség %>
kistérség értékeit <%=rata =maxi$Érték/mini$Érték; if (rata>2) {
'sokszorosan'
} else {
'nem túl nagy mértékben'
} %> múlják felül. <% if (rata!=Inf) { %> A két szélső érték egymáshoz viszonyított aránya <%= rata %>. <% } %>
### A célváltozó eloszlásának vizsgálata egyenlőtlenségi szempontból
<%=
plotvar.2b <- na.omit(plotvar.2)
gni <- round(ineq_s(plotvar.2b, type = "Gini"),3)
if (gni<0.3) {
beir <- ' nem mutat túlzott területi egyenlőtlenséget'
} else {
if (gni<0.7) {
beir <- ' közepesen erős területi egyenlőtlenséget mutat'
} else {
beir <- ' szélsőségesen erős egyenlőtlenséget mutat'
}
}%>
<%= paste0("* Az elemzett változóra számítótt Gini-index (", gni, ")", beir, ".") %>
<% if (emlekezteto == 1) { %>
_Emlékeztetőül: A [Gini-index](http://en.wikipedia.org/wiki/Gini_coefficient) egy olyan mérőszám, melyet legfőképpen a közgazdaságtanban alkalmaznak a statisztikai eloszlások egyenlőtlenségeinek mérésére (így például jövedelemi egyenlőtlenségek vizsgálatára).
A Gini-index értéke 0-1 értéket veheti fel, ahol az elméleti 0 érték fejezi ki a tökéletesen egyenletes eloszlást, míg minél inkább közelít az egyhez, annál egyenlőtlenebb az eloszlás._
<% } %>
<%= evalsOptions('graph.unify', TRUE) %>
<%=
result_list[[szamlalo]][['plotvar.2']] <- plotvar.2
set.caption(felirat)
lcp() %>
<%= evalsOptions('graph.unify', FALSE)
atkinson <- ineq_s(plotvar.2b, type = "Atkinson")
theil <- ineq_s(plotvar.2b, type = "Theil")
entrop <- ineq_s(plotvar.2b, type = "entropy")
kolm <- ineq_s(plotvar.2b, type = "Kolm")
%>
<% if (emlekezteto == 1) { %>
_Emlékeztetőül: Az egyenlőtlenséget vizsgálni szokták grafikus módon is, az úgynevezett [Lorenz-görbe](http://en.wikipedia.org/wiki/Lorenz_curve) segítségével, amelyet Max Otto Lorenz fejlesztett ki a 20. század elején. A Lorenz-görbe esetén az eloszlás egyenlőtlenségét egy négyzet alakú koordinátarendszerben felrajzolt görbe segítségével elemezhetjük: minél inkább közelít a görbe az átlóhoz (hasonlóan, mint Gini-index értéke a 0-hoz), annál inkább egyenletes az eloszlás, míg a görbének az átlótól való távolodása az egyenlőtlenség fokmérője._
* Ugyanakkor a Gini-index mellett más egyenlőtlenségi mutatók is ismertek, így többek között az Atkinson féle mutató (amelynek értéke=<%= atkinson%> - <%=parameter%> paraméter esetén), a Theil-index (amelynek értéke=<%= theil %> - <%=parameter%> paraméter esetén), az Entrópia-index (amelynek értéke=<%= entrop%> - <%=parameter%> paraméter esetén), és a Kolm-féle együttható (amelynek értéke=<%= kolm%> - <%=parameter%> paraméter esetén).
<%= emlekezteto <- 2 %>
<% } %>
<%=
ineqs <- rbind(c("Gini-index", gni),
c("Atkinson-index", round(atkinson,3)),
c("Theil-index", round(theil,3)),
c("Entrópia-index", round(entrop,3)),
c("Kolm-index", round(kolm, 3)))
colnames(ineqs) <- c('Mutató', 'Értékek')
set.caption('Egyenlőtlenségi mutatók értékei táblázatosan')
ineqs
result_list[[szamlalo]][['ineqs']] <- ineqs
result_list[[szamlalo]][['morani']] <-NA %>
### Az adatok térbeli eloszlásának autokorrelációs vizsgálata
<%=
plotvar.3 <- plotvar[match( HUN_kisterseg@data$NUTS4CODE, namevar)]
plotvar.3[which(plotvar.3 == Inf)] <- NA
plotvar.3[which(plotvar.3 == -Inf)] <- NA
moran_hiba <- any(is.na(plotvar.3))
plotvar.3[which(is.na(plotvar.3))] <- mean(plotvar.3, na.rm = T)
%>
<%=
err <- try(szig_moran <- moran.mc(plotvar.3,
col.W,
nsim=999,
zero.policy=FALSE,
alternative="greater",
spChk=NULL),
TRUE)
%>
<% if (class(err) == "try-error" ) { %>
**Az adatok strukturálódása nem teszi lehetővé az autokorrelációs vizsgálat végrehajtását!**
<% } else { %>
<%=
szig_moran <- moran.mc(plotvar.3,
col.W,
nsim = 999,
zero.policy = FALSE,
alternative = "greater",
spChk = NULL)
alsoCI <- round(sort(szig_moran $res)[25], 3)
felsoCI <- round(sort(szig_moran $res)[975], 3)
moran.limit <- round((-1 / (174 - 1)), 3) %>
* Az Moran féle I autokorrelációs mutató értéke <%= szig_moran$statistic %>, azaz a változó térben <%= if (szig_moran$statistic < moran.limit) {
'negatívan'
} else {
'pozitívan' } %> <%= if (abs(szig_moran$statistic) < 0.3) {
'de gyengén'
} else {
if (abs(szig_moran$statistic) < 0.5) {
'és közepesen'
} else {
'és erősen'
}} %> autokorrelált, tehát a véletlenszerű eloszláshoz viszonyítva <%=
if (szig_moran$statistic < moran.limit) {
'*inkább alternáló, azaz sakktáblaszerű*'
} else {
'*csomósodásra hajlamos*'
} %> a kistérségek értékeinek térbeli eloszlása.
<%= if (moran_hiba) {
'* **Fontos megjegyzés: A területi autokorreláció számításánál a térfolytonosság megőrzése
érdekében a hiányzó, illetőleg a 0-val normalizálásból adódó értelmezhetetlen értékeket
az átlag értékkel imputáltuk!**'
}%>
<%=
result_list[[szamlalo]][['morani']] <- round(szig_moran$statistic, 3)
evalsOptions('graph.unify', TRUE) %>
<%=
if (length(plotvars)>1) {
set.caption(paste0("A Moran's I statisztikához tartozó szomszédsági értékek eloszlása -", as.roman(ix), "."))
} else {
set.caption("A Moran's I statisztikához tartozó szomszédsági értékek eloszlása")
}
moran.plot(plotvar.3, col.W, xlab="", ylab="" )
%>
<%=
hist_i <- function() {
hist(szig_moran$res, 20, main="", xlab="")
abline(v=alsoCI, col="red")
abline(v=felsoCI, col="red")
}
if (length(plotvars)>1) {
set.caption(paste0(
"A Moran's I statisztikához tartozó Monte-Carlo szimulációs értékek eloszlása és a 95%-os konfidencia határok -",
as.roman(ix),
"."))
} else {
set.caption("A Moran's I statisztikához tartozó Monte-Carlo szimulációs értékek eloszlása és a 95%-os konfidencia határok")
}
hist_i() %>
* A 174 kistérséghez tartozó tökéletes autokorrelálatlanságot jelentő elvi Moran érték <%= moran.limit %>
(a _-1/N-1_ [képlet alapján](http://geogr.elte.hu/REF/REF_Kiadvanyok/REF_RTT_10/RTT-10-10resz.pdf)). Ugyanakkor az adott eloszlás esetén az adott értékhez a hisztogrammon is látható konfidencia-intervallum tartozik amely értéktől az adatokból számított Moran fele I érték 95%-os valószínűséggel
<%=
if (!((alsoCI > szig_moran$statistic) | (felsoCI < szig_moran$statistic))) {
'**nem** tér el.'
} else {
'eltér.'
} %> A Moran mutatóhoz Monte-Carlo szimuláció révén számított 95%-os konfidencia intervallum határok
<%= paste0(alsoCI, '-', felsoCI) %> (ismétlések száma=_1000_), azaz a kapott eredmény **szignifikánsnak**
<%= if (!((alsoCI > szig_moran$statistic) | (felsoCI < szig_moran$statistic))) { '**nem**' } %> **tekinthető**!
### Az adatok lokális térbeli autokorrelációs értékei alapján homogén térségek azonosítása
<%= evalsOptions('graph.unify', FALSE) %>
<%=
locI <- localmoran(plotvar.3, col.W)
value_i <- locI[, 1]
szig_i <- locI[, 5]
value_ikat <- rep("Vegyes értékű környezet", length(szig_i))
value_ikat[which((value_i >= locI[, 2]) & (plotvar.3 > mean(plotvar.3, na.rm = T)))] <- "Magas-Magas környezet"
value_ikat[which((value_i >= locI[, 2]) & (plotvar.3 < mean(plotvar.3, na.rm = T)))] <- "Alacsony-Alacsony környezet"
value_ikat[which(szig_i>0.05)] <- "Nem szignifikáns"
id_i <- names(locI[, 1])
value_ikat <- as.character(value_ikat[match(HUN_kisterseg@data$NUTS4CODE, id_i)])
ikats <- sort(unique(as.character(value_ikat)))
colcode <- rep("#FFFFFF", length(value_ikat))
for (mi in 1:length(ikats)) {
colcode[which(value_ikat==ikats[mi])] <- panderOptions('graph.colors')[mi]
}
attr(colcode, "palette") <- unique(colcode)
attr(colcode, "table") <- unique(value_ikat)
if (length(ikats)>1) {
if (length(plotvars)>1) {
set.caption(paste0("A lokális Moran's I értékek alapján a különböző térbeli zónák azonosítása-",
as.roman(ix), "."))
} else {
set.caption("A lokális Moran's I értékek alapján a különböző térbeli zónák azonosítása")
}
mapping2()
} else {
'Nem azonosítható egyetlen egy statisztikai értelemben vett szignifánsnak nevezhető speciális régió sem.'
}
szamlalo <- szamlalo+1
%>
<% if (any(ikats=="Magas-Magas környezet")) { %>
* A következő kistérségek helyezkednek el homogén magas értékű zónákban:
<%=
sort(as.character(HUN_kisterseg@data$NUTS4NAME[which(value_ikat=="Magas-Magas környezet")]))%>.
<% } %>
<% } %>
<% } %>
<% } else { %>
* Sajnáljuk, de a kért változóra ( <%= strwrap(rp.label(plotvar), 40) %>...) a kért feltételekkel nem lehetséges az elemzés végrehajtása, mivel - ahogyan az összegző táblából is kiolvasható,- a térképezni kívánt változó eloszlása nem teszi lehetővé, hogy elemezzük az eltéréseket, ugyanis nincs szórása!
<% } %>
<% } %>
<% if ((ix > 1) & (!onlymap)) { %>
## Összehasonlító elemzés
<%=
set.caption('A vizsgált változók különböző mutatóinak összehasonlító táblázata')
ineqss <- matrix(unlist(lapply(result_list, function(x) x[['ineqs']][,2])), ncol=nrow(result_list[[1]][['ineqs']]), byrow=TRUE)
kiir <- cbind(data.frame(
változó=unlist(lapply(result_list, function(x) x[['név']])),
stringsAsFactors=FALSE),
ineqss,
unlist(lapply(result_list, function(x) x[['morani']])))
colnames(kiir) <- c('Változó', result_list[[1]][['ineqs']][,1], "Moran's-I")
for (z in 1:nrow(kiir)) {
kiir$Változó[z] <- paste0(as.roman(z), '. változó- ', kiir$Változó[z])
}
attr(kiir, 'alignment') <- 'left'
kiir
evalsOptions('graph.unify', TRUE)
%>
<%=
lorenz_allin <- function() {
plot(Lc(na.omit(result_list[[1]][['plotvar.2']])), main="", sub="", xlab="")
title(main="Lorenz görbe")
abline(0,1, col="red", lwd=2)
for (lix in 2:length(plotvars)) {
lines(Lc(na.omit(result_list[[lix]][['plotvar.2']])), col=panderOptions('graph.colors')[lix])
}
legend("topleft",
paste0(as.character(as.roman(1:length(plotvars))), '. változó'),
lty=c(rep(1, length(plotvars))),
col=panderOptions('graph.colors')[1:length(plotvars)],
text.col="black")
}
set.caption(paste0('Összehasonlító grafikon - Lorenz görbék ',
as.roman(1), '-',
as.roman(length(plotvars)), '. változók'))
lorenz_allin()
evalsOptions('graph.unify', FALSE) %>
<%=
mini_values <- data.frame(
Kistérség = unlist(lapply(result_list, function(x) x[['mini']]$Kistérség)),
Érték = unlist(lapply(result_list, function(x) x[['mini']]$Érték)),
stringsAsFactors = FALSE)
maxi_values <- data.frame(
Kistérség = unlist(lapply(result_list, function(x) x[['maxi']]$Kistérség)),
Érték = unlist(lapply(result_list, function(x) x[['maxi']]$Érték)),
stringsAsFactors = FALSE)
kotoszo <- FALSE
%>
<% if (max(table(mini_values$Kistérség)) > 1) { %>
<% if (length(names(which(table(mini_values$Kistérség) == max(table(mini_values$Kistérség)))))>1) { %>
* A vizsgált változók alapján a <%=
sort(names(which(table(mini_values$Kistérség) == max(table(mini_values$Kistérség)))))
%> kistérségek emelkednek ki, mint többszörösen alacsony értékű területek.
<% } else { %>
* A vizsgált változók alapján a <%=
names(which(table(mini_values$Kistérség) == max(table(mini_values$Kistérség))))
%> kistérség emelkedik ki, mint többszörösen alacsony értékű terület.
<% } %>
<%= kotoszo <- TRUE %>
<% } %>
<% if (max(table(maxi_values$Kistérség)) > 1) { %>
<%
if (length(names(which(
table(maxi_values$Kistérség) == max(table(maxi_values$Kistérség)))))>1) {
%>
<% if (kotoszo) { %> * Továbbá a <% } else { %> A vizsgált változók alapján a <% } %><%=
sort(names(which(table(maxi_values$Kistérség)==max(table(maxi_values$Kistérség)))))
%> kistérségek emelkednek ki, mint többszörösen magas értékű területek.
<% } else { %>
<% if (kotoszo) { %> * Továbbá a <% } else { %> A vizsgált változók alapján a <% } %><%=
names(which(table(maxi_values$Kistérség)==max(table(maxi_values$Kistérség))))
%> kistérség emelkedik ki, mint többszörösen magas értékű terület.
<% } %>
<% } %>
<% if ((max(table(maxi_values$Kistérség)) == 1) & (max(table(mini_values$Kistérség)) == 1)) { %>
* Az vizsgálatba bevont változók alapján nem volt azonosítható töbszörösen kiemelkedő kistérség.
<% } %>
* Egyenlőtlenségi szempontból a <%=
as.character(as.roman(which(as.numeric(kiir[,2]) == max(as.numeric(kiir[,2]), na.rm=TRUE))[1]))
%>. változó esetén (<%=
strwrap(result_list[[which(as.numeric(kiir[,2]) == max(as.numeric(kiir[,2]), na.rm=TRUE))[1]]][['név']], 60)[1]
%>...) találtuk a legnagyobb egyenlőtlenségeket, amelynek Gini értéke <%=
if (max(as.numeric(kiir[,2])) < 0.4) {
'ugyanakkor nem nevezhető szélsőségesnek.'
} else {
'erős egyenlőtlenségre utal.'
} %>
<% if (max(as.numeric(kiir[,7]), na.rm=TRUE)>0) { %>
* A Moran féle autokorrelációs értékek alapján elmondható, hogy leginkább a <%=
as.character(as.roman(which(as.numeric(kiir[,7]) == max(as.numeric(kiir[,7]), na.rm=TRUE))[1]))
%>. változó (<%=
strwrap(result_list[[which(as.numeric(kiir[,7]) == max(as.numeric(kiir[,7]), na.rm=TRUE))[1]]][['név']], 60)[1]
%>...) klasztereződik térben, <%
if (max(as.numeric(kiir[,7]), na.rm=TRUE) < 0.3) {
%>amely ugyanakkor nem túl erős, azaz nem eredményez egyértelműen azonosítható térstrukturát. <%
} else { %>amelynek mértéke olyan, ami már *látható* makrostruktúrát eredményez. <% } %>
<% } %>
<% if (min(as.numeric(kiir[,7]), na.rm=TRUE) < -0.1) { %>
* A vizsgált változók közül különlegesnek nevezhető a <%=
as.character(as.roman(which(as.numeric(kiir[,7]) == min(as.numeric(kiir[,7]), na.rm=TRUE))[1]))
%>. változó, mivel *negatív* az autokorrelációs értéke, azaz a térbeli strukturájára nem hogy térbeli sűrűsödés jellemző, hanem - társadalmi/gazdasági adatokra nem jellemző módon- a sakktáblához hasonló, alternáló jellegű.
<% } %>
<% } %>
<% } %>