Как точно агрегировать значения погрешности подгруппы с помощью tidycensus и tidyverse?

Я пытаюсь рассчитать население моложе 20 лет по расе для каждого округа в Миннесоте, используя опрос американского сообщества в R. Используя Tidycensus, я знаю, что это можно сделать, используя переменные B01001H для каждой расы и возрастной группы в R. Однако мне нужно объединить все переменные для лиц моложе 20 лет для каждой расовой группы. Согласно этой веб-странице (https://www.census.gov/content/dam/Census/library/publications/2018/acs/acs_general_handbook_2018_ch08.pdf), в то время как агрегирование оценок представляет собой просто сумму значений каждой из подгрупп, агрегирование погрешности требует, чтобы я вычислил эта формула:

MOE = sqrt(moe_1^2 + moe_2^2 + ... + moe_n^2)

для каждого из МО в подгруппе. Итак, как именно я могу использовать tidyverse для точного расчета этого агрегированного значения MOE?

Вот как выглядит мой код до сих пор:

## age race 
age_vars_male = c(w1="B01001H_003",w2="B01001H_004",w3="B01001H_005",w4="B01001H_006",
                  b1="B01001B_003",b2="B01001B_004",b3="B01001B_005",b4="B01001B_006",
                  AN1="B01001C_003",AN2="B01001C_004",AN3="B01001C_005",AN4="B01001C_006",
                  AS1="B01001D_003",AS2="B01001D_004",AS3="B01001D_005",AS4="B01001D_006",
                  H1="B01001I_003",H2="B01001I_004",H3="B01001I_005",H4="B01001I_006")

## obtaining variables listed above for MN counties
pop_un20 <- get_acs(geography = "county",
                     variables = age_vars_male,
                     state = "MN",
                     geometry=T)

pop_un20 = pop_un20 %>% mutate(Race = case_when(variable %in% c("w1","w2","w3","w4") ~ "White",
                                                    variable %in% c("b1","b2","b3","b4") ~ "Black",
                                                    variable %in% c("AN1","AN2","AN3","AN4") ~"AI/AN",
                                                    variable %in% c("AS1","AS2","AS3","AS4") ~"Asian",
                                                    variable %in% c("H1","H2","H3","H4") ~"Hispanic/Latino"),
                               moe_sqrd = moe^2) %>% select(-variable)


moe_aggregate = pop_un20 %>% group_by(NAME,Race) %>% summarise(moe_aggregate = sqrt(sum(moe_sqrd,na.rm = T))) %>% st_set_geometry(NULL)
est_aggregate = pop_un20 %>% group_by(NAME,Race) %>% summarise(estimate_aggregate = sum(estimate,na.rm = T)) %>% st_set_geometry(NULL)


pop_under20  = pop_un20 %>% right_join(moe_aggregate, by = c("NAME","Race")) %>% right_join(est_aggregate, by = c("NAME","Race")) %>%
  select(-estimate,-moe,moe_sqrd)

Я рассчитал то, что запросил, сначала создав столбец для моэ в квадрате, а затем взяв квадратный корень из суммы для каждой группы и расы. Однако есть ли способ сделать это за один раз?


r tidyverse tidycensus
person Barayjeemqaf    schedule 31.05.2021    source источник

Ответы (2)


arrow_upward
1
arrow_downward

В tidycensus есть функция moe_sum(), , которая делает это за вас. Адаптация вашего кода:

library(tidycensus)
library(tidyverse)

age_vars_male = c(w1="B01001H_003",w2="B01001H_004",w3="B01001H_005",w4="B01001H_006",
                  b1="B01001B_003",b2="B01001B_004",b3="B01001B_005",b4="B01001B_006",
                  AN1="B01001C_003",AN2="B01001C_004",AN3="B01001C_005",AN4="B01001C_006",
                  AS1="B01001D_003",AS2="B01001D_004",AS3="B01001D_005",AS4="B01001D_006",
                  H1="B01001I_003",H2="B01001I_004",H3="B01001I_005",H4="B01001I_006")

## obtaining variables listed above for MN counties
pop_un20 <- get_acs(geography = "county",
                    variables = age_vars_male,
                    state = "MN")

pop_un20_grouped <- pop_un20 %>% 
  mutate(Race = case_when(variable %in% c("w1","w2","w3","w4") ~ "White",
                          variable %in% c("b1","b2","b3","b4") ~ "Black",
                          variable %in% c("AN1","AN2","AN3","AN4") ~"AI/AN",
                          variable %in% c("AS1","AS2","AS3","AS4") ~"Asian",
                          variable %in% c("H1","H2","H3","H4") ~"Hispanic/Latino")) %>%
           group_by(NAME, Race) %>%
           summarize(group_estimate = sum(estimate, na.rm = TRUE),
                     group_moe = moe_sum(moe = moe, estimate = estimate, na.rm = TRUE))

pop_un20_grouped

# A tibble: 435 x 4
# Groups:   NAME [87]
   NAME                     Race            group_estimate group_moe
   <chr>                    <chr>                    <dbl>     <dbl>
 1 Aitkin County, Minnesota AI/AN                       70      24.5
 2 Aitkin County, Minnesota Asian                        3      14.9
 3 Aitkin County, Minnesota Black                        5      15.1
 4 Aitkin County, Minnesota Hispanic/Latino             71      22.6
 5 Aitkin County, Minnesota White                     1223      59.9
 6 Anoka County, Minnesota  AI/AN                      322      97.9
 7 Anoka County, Minnesota  Asian                     1983     219. 
 8 Anoka County, Minnesota  Black                     4015     303. 
 9 Anoka County, Minnesota  Hispanic/Latino           3176     219. 
10 Anoka County, Minnesota  White                    30557     478. 
# … with 425 more rows
person kwalkertcu    schedule 04.06.2021

arrow_upward
1
arrow_downward

Вместо summarise и объединения вы можете использовать mutate для непосредственного добавления новых столбцов в данные.

library(dplyr)

pop_under20 <- pop_un20 %>% 
  group_by(NAME,Race) %>% 
  mutate(moe_aggregate = sqrt(sum(moe_sqrd,na.rm = TRUE)), 
         estimate_aggregate = sum(estimate,na.rm = TRUE))
person Ronak Shah    schedule 01.06.2021