2 Arbetets organisation

Code

library(foreign)
library(readxl)
library(RISEkbmRasch) # devtools::install_github("pgmj/RISEkbmRasch")
library(grateful)
library(ggrepel)
library(car)
library(kableExtra)
library(readxl)
library(tidyverse)
library(eRm)
library(mirt)
library(psych)
library(ggplot2)
library(psychotree)
library(matrixStats)
library(reshape)
library(knitr)
library(cowplot)
library(formattable) 
library(glue)
library(hexbin)
library(skimr)

### some commands exist in multiple packages, here we define preferred ones that are frequently used
select <- dplyr::select
count <- dplyr::count
recode <- car::recode
rename <- dplyr::rename

# file paths will need to have "../" added at the beginning to be able to render document

spssDatafil <- "../data/2023-04-26 Prevent OSA-enkat.sav"

# get itemlabels
itemlabels <- read_excel("../data/Itemlabels.xlsx") %>% 
  filter(str_detect(itemnr, pattern = "ao")) %>% 
  select(!Dimension)

# read SurveyMonkey data
df <- read.spss(spssDatafil, to.data.frame = TRUE) %>% 
  select(starts_with("q0005"),q0001,q0002,q0003,q0004) %>% 
  rename(Kön = q0002,
         Ålder = q0001,
         Bransch = q0003,
         Hemarbete = q0004)

# SPSS format provides itemlabels too, we can save them in a dataframe
spssLabels <- df %>% attr('variable.labels') %>% as.data.frame()

dif.kön <- df$Kön
dif.ålder <- df$Ålder
dif.bransch <- df$Bransch
dif.hemarbete <- df$Hemarbete

df <- df %>% 
  select(starts_with("q0005"))

names(df) <- itemlabels$itemnr

2.1 Items

Code

kbl_rise(itemlabels, options = "hover", width = 45)

itemnr	item
ao1	Jag vet vilka arbetsuppgifter jag har.
ao2	Jag vet hur mitt arbete ska utföras.
ao3	Jag vet vilka resultat som jag ska uppnå med mitt arbete.
ao4	Det finns tydliga mål för min arbetsgrupp.
ao5	Det finns tydliga mål för min organisation.

2.2 Bakgrundsdata

Kön

Code

RIdemographics(dif.kön,"Kön")

Kön	n	Percent
Kvinna	402	69.7
Man	172	29.8
Annat	1	0.2
Vill ej uppge	2	0.3

Ålder

Code

RIdemographics(dif.ålder,"Ålder") # kanske även fixa en figur?

Ålder	n	Percent
18-29	22	3.8
30-39	103	17.8
40-49	175	30.2
50-59	215	37.1
60+	64	11.1

Bransch

Code

RIdemographics(dif.bransch,"Bransch")

Bransch	n	Percent
Kontorsarbete (oavsett bransch)	284	49.1
Industri	26	4.5
Hotell, restaurang, service	8	1.4
Handel	16	2.8
Skola, utbildning	67	11.6
Vård, omsorg	99	17.1
Byggverksamhet	7	1.2
Annat	71	12.3

Arbete hemifrån

Code

RIdemographics(dif.hemarbete,"Antal dagar med arbete hemifrån")

Antal dagar med arbete hemifrån	n	Percent
En dag	136	23.5
Två dagar	105	18.1
Tre dagar	35	6.0
Fyra dagar	10	1.7
Fem dagar	2	0.3
Jag arbetar aldrig eller sällan hemifrån	291	50.3

2.2.1 Svarsbortfall items

Vi filtrerar bort respondenter som har färre än två svar på frågorna i delskalan.

Code

# If you want to include participants with missing data, input the minimum number of items responses that a participant should have to be included in the analysis:
min.responses <- 2
scale.items <- itemlabels$itemnr

# Select the variables we will work with, and filter out respondents with a lot of missing data
df.omit.na <- df %>% 
  filter(length(scale.items)-rowSums(is.na(.[scale.items])) >= min.responses)

RImissing(df.omit.na,"ao")

Vi har extremt få saknade svar, och tar därför bort respondenterna som inte har kompletta svar.

Code

df <- read.spss(spssDatafil, to.data.frame = TRUE) %>% 
  select(starts_with("q0005"),q0001,q0002,q0003,q0004) %>% 
  rename(Kön = q0002,
         Ålder = q0001,
         Bransch = q0003,
         Hemarbete = q0004) %>% 
  na.omit()

dif.kön <- df$Kön
dif.ålder <- df$Ålder
dif.bransch <- df$Bransch
dif.hemarbete <- df$Hemarbete

df <- df %>% 
  select(starts_with("q0005"))

names(df) <- itemlabels$itemnr

df.omit.na <- df

2.2.2 Alla svar för alla frågor

Code

RIallresp(df.omit.na)

Response category	Number of responses	Percent
Instämmer helt och hållet	1429	52.9
Instämmer till stor del	904	33.5
Instämmer till viss del	313	11.6
Instämmer inte alls	54	2.0

Code

# koda om svarskategorier till siffror
df.omit.na <- df.omit.na %>% 
  mutate(across(everything(), ~ car::recode(.x,"'Instämmer inte alls'=0;
                                            'Instämmer till viss del' =1;
                                            'Instämmer till stor del'=2;
                                            'Instämmer helt och hållet'=3",
                                            as.factor = FALSE)))

2.2.3 Descriptives - all items

Tile plot

Code

RItileplot(df.omit.na)

Stacked bars

Code

RIbarstack(df.omit.na) + ylab("Item")

Barplots

Code

RIbarplot(df.omit.na)

Fördelning av summerade svar

Code

RIrawdist(df.omit.na)

Vi har väldigt få svar i de lägsta svarskategorierna för items 1-3, men det kan bero på underlaget. Tillsvidare slår vi ihop de två lägsta svarskategorierna för dessa items för att kunna utföra analyserna.

Code

#Temporärt slå ihop svarskategorier så att analyserna funkar

df.omit.na$ao1<-recode(df.omit.na$ao1,"0=0;1=0;2=1;3=2",as.factor=FALSE)
df.omit.na$ao2<-recode(df.omit.na$ao2,"0=0;1=0;2=1;3=2",as.factor=FALSE)
df.omit.na$ao3<-recode(df.omit.na$ao3,"0=0;1=0;2=1;3=2",as.factor=FALSE)

2.3 Rasch-analys 1

itemnr	item
ao1	Jag vet vilka arbetsuppgifter jag har.
ao2	Jag vet hur mitt arbete ska utföras.
ao3	Jag vet vilka resultat som jag ska uppnå med mitt arbete.
ao4	Det finns tydliga mål för min arbetsgrupp.
ao5	Det finns tydliga mål för min organisation.

Item fit

Code

RIitemfitPCM(df.omit.na, samplesize = 250, nsamples = 32)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
ao1	0.847	0.815	-1.473	-2.121
ao2	1.101	1.033	0.971	0.379
ao3	0.683	0.678	-2.989	-3.58
ao4	0.712	0.726	-3.072	-2.86
ao5	0.984	0.987	-0.18	-0.166

PCA

Code

RIpcmPCA(na.omit(df.omit.na))

PCA of Rasch model residuals

Eigenvalues
2.13
1.10
0.91
0.87
0.00

Residual correlations

Code

RIresidcorr(df.omit.na, cutoff = 0.2)

	ao1	ao2	ao3	ao4	ao5
ao1
ao2	0.14
ao3	-0.05	0.08
ao4	-0.32	-0.47	-0.33
ao5	-0.46	-0.53	-0.33	0.14
Note:
Relative cut-off value (highlighted in red) is -0.012, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df.omit.na)

Analysis of response categories

Code

RIitemCats(df.omit.na, items = "all", xlims = c(-5,5))

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df.omit.na, xlim = c(-6,6))

Item hierarchy

Code

RIitemHierarchy(df.omit.na)

Vi testar att ta bort ao2 eftersom detta item har residualkorrelationer med både ao1 och ao3.

Code

# create vector with eliminated items
removed_items <- c("ao2")

# select all items except those removed
df2 <- df.omit.na %>%
  select(!all_of(removed_items))

2.4 Rasch-analys 2

itemnr	item
ao1	Jag vet vilka arbetsuppgifter jag har.
ao3	Jag vet vilka resultat som jag ska uppnå med mitt arbete.
ao4	Det finns tydliga mål för min arbetsgrupp.
ao5	Det finns tydliga mål för min organisation.

Item fit

Code

RIitemfitPCM(df2, samplesize = 250, nsamples = 32)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
ao1	1.034	0.948	0.34	-0.334
ao3	0.844	0.779	-1.534	-2.503
ao4	0.621	0.622	-4.508	-4.427
ao5	0.844	0.844	-1.638	-1.617

2.4.1 PCA

Code

RIpcmPCA(na.omit(df2))

PCA of Rasch model residuals

Eigenvalues
1.84
1.16
0.99
0.01

2.4.2 Residual correlations

Code

RIresidcorr(df2, cutoff = 0.2)

	ao1	ao3	ao4	ao5
ao1
ao3	0.04
ao4	-0.35	-0.38
ao5	-0.52	-0.41	-0.05
Note:
Relative cut-off value (highlighted in red) is -0.081, which is 0.2 above the average correlation.

2.4.3 1st contrast loadings

Code

RIloadLoc(df2)

2.4.4 Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df2)

2.4.5 Item hierarchy

Code

RIitemHierarchy(df2)

2.4.6 Person fit

Code

RIpfit(df2)

Det finns inte längre något problem med residualkorrelationer. Dock finns det fortfarande en något låg item fit för ao4 och en bristfällig matchning mellan items och respondenter. Vi går vidare och undersöker DIF och reliabilitet.

2.5 DIF-analysis

En DIF-analys bör inte inkludera svarskategorier med för få svar. Därför har svarskategorier med färre än 50 svar antingen exkluderas eller slagits ihop med andra svarskategorier (se avsnittet om bakgrundsdata för exakt antal svar per ordinarie kategori). DIF-variablerna omkodades till att innehålla följande kategorier:

• Kön: man, kvinna
• Ålder: 30-39, 40-49, 50-59, 60+
• Bransch: kontorsarbete, ej kontorsarbete
• Hemarbete: aldrig eller sällan, en dag, minst två dagar

Koden nedan specificerar exakt hur omkodningen gick till.

Code

# Omkodning för kön
dif.kön <- recode(dif.kön,"'Annat'=NA;'Vill ej uppge'=NA")

# Omkodning för ålder
dif.ålder <- recode(dif.ålder,"'18-29'=NA")

# Omkodning för bransch
dif.bransch <- recode(dif.bransch,"'Industri'='Ej kontorsarbete';'Hotell, restaurang, service'='Ej kontorsarbete';'Handel'='Ej kontorsarbete';'Skola, utbildning'='Ej kontorsarbete';'Vård, omsorg'='Ej kontorsarbete';'Byggverksamhet'='Ej kontorsarbete';'Annat'='Ej kontorsarbete'")

#Omkodning för hemarbete
dif.hemarbete <- recode(dif.hemarbete,"'Fem dagar'='Minst två dagar';'Fyra dagar'='Minst två dagar';'Tre dagar'='Minst två dagar';'Två dagar'='Minst två dagar'")

Gender

Code

RIdifTable(df2, dif.kön)

[1] "No significant DIF found."

Age

Code

RIdifTable(df2, dif.ålder)

[1] "No significant DIF found."

Bransch

Code

RIdifTable(df2, dif.bransch)

[1] "No significant DIF found."

Hemarbete

Code

RIdifTable(df2, dif.hemarbete)

[1] "No significant DIF found."

Ingen DIF baserat på kön, ålder, bransch eller hemarbete.

2.6 Reliability

Code

RItif(df2, lo = -5, hi = 5)

Reliabiliteten är låg och kommer inte upp i önskvärda nivåer någonstans på skalan. Vi går därför inte vidare och tar fram mätvärden. Frågorna i detta område bör enbart redovisas med svarsfördelning för frågorna enskilt och ej summeras på något vis.

2.7 Rekommenderade items

Code

itemlabels %>% 
  filter(itemnr %in% names(df2)) %>% 
  write_csv("finalItems.csv")

itemlabels %>% 
  filter(!itemnr %in% names(df2)) %>% 
  write_csv("removedItems.csv")

itemlabels %>% 
  kbl_rise(width = 45, options = "hover") %>% 
  row_spec(2, background = "lightpink") %>% 
  footnote(general_title = "Notera: ",
           "Borttaget item markerat med färg.")

itemnr	item
ao1	Jag vet vilka arbetsuppgifter jag har.
ao2	Jag vet hur mitt arbete ska utföras.
ao3	Jag vet vilka resultat som jag ska uppnå med mitt arbete.
ao4	Det finns tydliga mål för min arbetsgrupp.
ao5	Det finns tydliga mål för min organisation.
Notera:
Borttaget item markerat med färg.