4 Psykiska/psykosomatiska besvär

4.1 Bakgrund

Item/frågor har etiketter F88-F99 i datafilen, och motsvaras av fråga 90-101 i PDF-filen med frågor.

Samtliga frågor har fem svarskategorier, vilka varierar mellan frågorna. Fem frågor har svarskategorier från “Aldrig” till “Flera gånger i veckan”. Sex frågor har från “Sällan” till “Väldigt ofta”, och en från “Inte alls” till “Väldigt mycket”.

Svarsdata har kodats så att högre poäng innebär mera besvär/högre risk.

Sektionen i enkäten inleds med meningen: “NÅGRA FRÅGOR OM HUR DU MÅR”.

4.2 Lista med enkätfrågorna

Code

RIlistitems(df.omit.na)

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

4.2.1 Demografi

Vi har 9595 deltagare i samplet från 2014, och deras könsfördelning återges i tabellen nedan. Deltagare som saknar data på samtliga frågor är borttagna ur analysen.

4.3 Deskriptiva data

4.3.1 Demografi

Code

RIdemographics(dif.gender, "Kön")
RIdemographics(dif.arskurs, "Årskurs")

Kön	n	Percent
Flicka	5179	54
Pojke	4416	46

Årskurs	n	Percent
Åk 9	4109	42.8
Gy 2	5486	57.2

4.3.2 Item-data

Tile plot

Code

RItileplot(df.omit.na)

Stacked bars

Code

RIbarstack(df.omit.na)

Barplots

Code

RIbarplot(df.omit.na)

4.4 Rasch-analys 1 samtliga items

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item fit

Code

RIitemfitPCM2(df.omit.na, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.06	1.043	0.997	0.865
F89	0.709	0.716	-4.016	-4.231
F90	0.851	0.896	-1.051	-0.868
F91	1.133	1.094	1.003	1.204
F92	0.788	0.794	-2.83	-3.196
F93	1.029	1.015	0.475	0.418
F94	0.839	0.819	-1.711	-2.635
F95	1.059	1.054	0.739	0.517
F96	0.995	0.969	-0.443	-0.466
F97	0.968	0.959	-0.354	-0.432
F98	0.956	0.965	-0.505	-0.584
F99	1.072	0.995	0.82	-0.132

PCA

Code

RIpcmPCA(df.omit.na)

PCA of Rasch model residuals

Eigenvalues
2.02
1.31
1.22
1.11
1.08

Loadings 1st contrast

Code

RIloadLoc(df.omit.na)

Residualkorrelationer

Code

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

	F88	F89	F90	F91	F92	F93	F94	F95	F96	F97	F98	F99
F88
F89	-0.09
F90	-0.06	0.11
F91	-0.05	-0.13	-0.1
F92	-0.2	-0.01	-0.08	-0.12
F93	0.02	-0.08	-0.06	0	-0.1
F94	-0.18	0.06	-0.03	-0.21	0.12	-0.15
F95	-0.02	-0.17	-0.11	-0.02	-0.2	-0.06	-0.24
F96	-0.19	-0.12	-0.12	-0.22	0.29	-0.21	0.17	-0.24
F97	-0.11	-0.02	-0.05	-0.16	-0.07	-0.17	0.02	-0.13	-0.01
F98	0.02	-0.11	-0.04	-0.07	-0.21	-0.06	-0.17	0.18	-0.22	-0.14
F99	-0.19	0.02	-0.1	-0.13	-0.01	-0.17	-0.03	-0.13	0.08	-0.02	-0.17
Note:
Relative cut-off value (highlighted in red) is 0.122, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.omit.na)

Itemhierarki

Code

RIitemHierarchy(df.omit.na)

Svarskategorier

Code

plot(mirt.rasch, type="trace")

PCA på residualer från Rasch-modellen indikerar möjlig multidimensionalitet. Utifrån faktorladdningarna på första residualkontrasten ser vi två potentiella kluster i data. Det ena betecknas av de psykosomatiska frågorna, det andra av psykiska besvär. Vi tittar på klustren separat.

4.5 Rasch-analys 1 - psykosomatiska besvär

Code

items.psm <- c("F88","F91","F93","F95","F98")

df.psm <- df.omit.na %>% 
  select(any_of(items.psm))

RIlistItemsMargin(df.psm, fontsize = 13)

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Item fit

Code

RIitemfitPCM2(df.psm, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	0.897	0.894	-0.964	-1.762
F91	0.908	0.919	-1.076	-0.728
F93	0.894	0.889	-1.406	-1.482
F95	0.783	0.802	-2.964	-2.776
F98	0.77	0.79	-2.731	-2.963

PCA

Code

RIpcmPCA(df.psm)

PCA of Rasch model residuals

Eigenvalues
1.50
1.28
1.17
1.04
0.01

Residualkorrelationer

Code

RIresidcorr(df.psm, cutoff = 0.2)

	F88	F91	F93	F95	F98
F88
F91	-0.23
F93	-0.13	-0.17
F95	-0.22	-0.24	-0.26
F98	-0.14	-0.28	-0.23	0.02
Note:
Relative cut-off value (highlighted in red) is 0.012, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psm)

Itemhierarki

Code

RIitemHierarchy(df.psm)

Svarskategorier

Code

plot(mirt.rasch, type="trace")

Barplots

Code

for (i in 1:ncol(df.psm)) {
    barplot(table(df.psm[, i]), col = "#8dc8c7", main = names(df.psm[i]), 
      ylab = "Number of responses", xlab = (itemlabels %>% 
                                              filter(itemnr %in% names(df.psm)) 
                                            %>% .[i,2]))
  }

Bortsett från svarskategorierna fungerar items acceptabelt.

4.5.1 Omkodning av svarskategorier

Vi behöver åtgärda flera items genom att slå samman svarskategorier:

• F91: 1+2 och 3+4
• F93 och F98: 3+4
• F95: 0+1

Code

df.psm$F91 <- recode(df.psm$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.psm$F93 <- recode(df.psm$F93, "4=3", as.factor = FALSE)
df.psm$F98 <- recode(df.psm$F98, "4=3", as.factor = FALSE)
df.psm$F95 <- recode(df.psm$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)

Svarskategorier

Code

plot(mirt.rasch, type="trace")

Itemhierarki (med konfidensintervall runt svarströsklar)

Code

RIitemHierarchy(df.psm)

4.6 Rasch-analys 2 - psykosomatiska besvär

Efter att ha åtgärdat svarskategorierna.

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Item fit

Code

RIitemfitPCM2(df.psm, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	0.886	0.891	-1.386	-1.605
F91	0.937	0.939	-0.799	-0.762
F93	0.904	0.901	-1.226	-1.235
F95	0.832	0.84	-2.021	-2.174
F98	0.798	0.816	-2.313	-2.921

PCA

Code

RIpcmPCA(df.psm)

PCA of Rasch model residuals

Eigenvalues
1.47
1.30
1.14
1.09
0.00

Loadings 1st contrast

Code

RIloadLoc(df.psm)

Residualkorrelationer

Code

RIresidcorr(df.psm, cutoff = 0.2)

	F88	F91	F93	F95	F98
F88
F91	-0.18
F93	-0.19	-0.08
F95	-0.27	-0.14	-0.28
F98	-0.23	-0.18	-0.26	-0.05
Note:
Relative cut-off value (highlighted in red) is 0.013, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psm)

Itemhierarki

Code

RIitemHierarchy(df.psm)

4.7 Invarians-/DIF

4.7.1 Kön

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Tabell

Code

RIdifTable(df.psm, dif.gender)

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.107	0.033	-0.037	0.099	0.140
F91	0.165	0.131	0.148	0.024	0.034
F93	-0.216	-0.140	-0.178	0.054	0.076
F95	0.103	-0.130	-0.014	0.164	0.232
F98	0.056	0.105	0.080	0.035	0.050

Figur

Code

RIdifFigure(df.psm, dif.gender)

Inga problem med DIF för något item gällande kön.

4.7.2 Årskurs

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Tabell

Code

RIdifTable(df.psm, dif.arskurs)

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.088	0.005	-0.041	0.066	0.093
F91	0.079	0.197	0.138	0.084	0.118
F93	-0.140	-0.217	-0.179	0.055	0.077
F95	-0.017	-0.007	-0.012	0.007	0.010
F98	0.166	0.022	0.094	0.102	0.145

Figur

Code

RIdifFigure(df.psm, dif.arskurs)

4.7.3 Årtal

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Tabell

Code

final.psm.items <- names(df.psm)
# write.csv(final.psm.items, file = "2022-09-18_PSMfinalitems.csv")
df.dif.years.psm <- df.dif.years %>%
  select(any_of(final.psm.items))

df.dif.years.psm$F91 <- recode(df.dif.years.psm$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.dif.years.psm$F93 <- recode(df.dif.years.psm$F93, "4=3", as.factor = FALSE)
df.dif.years.psm$F98 <- recode(df.dif.years.psm$F98, "4=3", as.factor = FALSE)
df.dif.years.psm$F95 <- recode(df.dif.years.psm$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)

RIdifTable(df.dif.years.psm, dif.year)

Item	3	5	6	8	10	11	Mean location	StDev	MaxDiff
F88	-0.096	-0.077	-0.070	-0.043	-0.035	-0.045	-0.061	0.024	0.061
F91	0.104	0.149	0.102	0.132	0.078	0.060	0.104	0.033	0.088
F93	-0.144	-0.142	-0.125	-0.185	-0.211	-0.178	-0.164	0.032	0.085
F95	0.049	0.001	0.004	-0.009	0.038	0.002	0.014	0.024	0.058
F98	0.087	0.069	0.090	0.105	0.130	0.161	0.107	0.033	0.092

Figur 1

Code

RIdifFigure(df.dif.years.psm, dif.year)

Figur 2

Code

RIdifFigTime(df.dif.years.psm, dif.year)

Items är stabila och jämförbara över tid.

4.8 Reliabilitet - psykosomatiska besvär

Code

RItif(df.psm)

Vi har acceptabel reliabilitet för ca 68% av respondenterna.

4.9 Item-parametrar

Code

RIitemparams(df.dif.years.psm, "PsyksomItemParams.csv")

	Threshold 1	Threshold 2	Threshold 3	Threshold 4	Item location
F88	-1.09	-0.28	0.85	1.23	0.18
F91	0.01	0.70	NA	NA	0.35
F93	-0.37	0.09	0.51	NA	0.08
F95	-0.05	0.22	0.57	NA	0.25
F98	-0.08	0.25	0.86	NA	0.34

4.10 Transformeringstabell

Med mätosäkerheter angivna som Logit std.error, där värden under 0.54 motsvarar reliabilitet över PSI = 0.7.

Code

RIscoreSE(df.dif.years.psm)

Ordinal sum score	Logit score	Logit std.error
0	-2.80	NA
1	-2.02	1.00
2	-1.32	0.72
3	-0.90	0.60
4	-0.58	0.53
5	-0.32	0.49
6	-0.09	0.47
7	0.13	0.46
8	0.34	0.46
9	0.56	0.47
10	0.79	0.49
11	1.04	0.53
12	1.35	0.59
13	1.77	0.71
14	2.45	0.99
15	3.20	NA

4.11 Rasch-analys 1 - psykiska besvär

Code

items.psm <- c("F88","F91","F93","F95","F98")

df.psy <- df.omit.na %>% 
  select(!any_of(items.psm))

itemnr	item
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F92	Hur mycket skulle du vilja ändra på dig själv?
F94	Hur ofta tycker du att du inget duger till?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item fit

Code

RIitemfitPCM2(df.psy, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F89	0.773	0.79	-2.567	-3.012
F90	0.958	1.007	-0.387	0.087
F92	0.778	0.784	-2.868	-2.836
F94	0.765	0.763	-2.467	-3.051
F96	0.879	0.882	-1.574	-1.526
F97	1.031	1.021	0.446	0.438
F99	1.059	1.016	0.759	-0.102

PCA

Code

RIpcmPCA(df.psy)

PCA of Rasch model residuals

Eigenvalues
1.60
1.28
1.18
1.09
0.98

Residualkorrelationer

Code

RIresidcorr(df.psy, cutoff = 0.2)

	F89	F90	F92	F94	F96	F97	F99
F89
F90	0.06
F92	-0.17	-0.18
F94	-0.11	-0.15	-0.08
F96	-0.34	-0.26	0.12	-0.05
F97	-0.14	-0.12	-0.24	-0.16	-0.2
F99	-0.12	-0.18	-0.18	-0.22	-0.11	-0.16
Note:
Relative cut-off value (highlighted in red) is 0.058, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psy)

Itemhierarki

Code

RIitemHierarchy(df.psy)

Svarskategorier

Code

plot(mirt.rasch, type="trace")

Barplots

Code

for (i in 1:ncol(df.psy)) {
    barplot(table(df.psy[, i]), col = "#8dc8c7", main = names(df.psy[i]), 
      ylab = "Number of responses", xlab = (itemlabels %>% 
                                              filter(itemnr %in% names(df.psy)) 
                                            %>% .[i,2]))
  }

Items

Code

RIlistitems(df.psy)

itemnr	item
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F92	Hur mycket skulle du vilja ändra på dig själv?
F94	Hur ofta tycker du att du inget duger till?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Många items har problem med oordnade svarskategorier.

Items 92 och 96 har en för stor residualkorrelation, men vi avvaktar med åtgärd tills svarskategorierna är åtgärdade.

4.12 Omkodning av svarskategorier

Vi behöver åtgärda flera items:

• F89, 90, 96: 1+2 och 3+4
• F92, 99: 3+4
• F97: 0+1

(flera varianter testades, och ovanstående fungerade minst dåligt)

Code

df.psy$F89 <- recode(df.psy$F89, "2=1;3=2;4=2", as.factor = FALSE)
df.psy$F90 <- recode(df.psy$F90, "2=1;3=2;4=2", as.factor = FALSE)
df.psy$F96 <- recode(df.psy$F96, "2=1;3=2;4=2", as.factor = FALSE)
df.psy$F97 <- recode(df.psy$F97, "1=0;2=1;3=2;4=3", as.factor = FALSE)

df.psy$F92 <- recode(df.psy$F92, "4=3", as.factor = FALSE)
df.psy$F99 <- recode(df.psy$F99, "4=3", as.factor = FALSE)

Svarskategorier

Code

plot(mirt.rasch, type="trace")

Itemhierarki (med konfidensintervall runt svarströsklar)

Code

RIitemHierarchy(df.psy)

4.13 Rasch-analys 2 - psykiska besvär

Efter att ha åtgärdat svarskategorierna.

itemnr	item
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F92	Hur mycket skulle du vilja ändra på dig själv?
F94	Hur ofta tycker du att du inget duger till?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item fit

Code

RIitemfitPCM2(df.psy, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F89	0.777	0.79	-3.123	-3.288
F90	0.912	0.951	-0.877	-0.605
F92	0.832	0.841	-1.801	-1.989
F94	0.774	0.792	-2.442	-2.526
F96	0.845	0.845	-1.944	-2.055
F97	1.071	1.024	0.784	0.346
F99	1.076	1.045	0.755	0.377

PCA

Code

RIpcmPCA(df.psy)

PCA of Rasch model residuals

Eigenvalues
1.52
1.33
1.21
1.13
0.91

Residualkorrelationer

Code

RIresidcorr(df.psy, cutoff = 0.2)

	F89	F90	F92	F94	F96	F97	F99
F89
F90	0.12
F92	-0.13	-0.13
F94	-0.11	-0.13	-0.17
F96	-0.2	-0.18	0.12	-0.07
F97	-0.11	-0.11	-0.24	-0.22	-0.17
F99	-0.11	-0.16	-0.24	-0.31	-0.12	-0.16
Note:
Relative cut-off value (highlighted in red) is 0.065, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psy)

Itemhierarki

Code

RIitemHierarchy(df.psy)

Vi har två residualkorrelationer ca 0.26 över medelvärdet för samtliga residualkorrelationer.

• F96 tas bort (F92 behålls pga bättre targeting)
• F90 tas bort (F89 behålls pga bättre targeting)

4.13.1 Reliabilitet

Även om vi inte undersökt DIF, vilket bör göras innan reliabiliteten bedöms, så har de påtagliga problemen med svarskategorierna medfört att vi kan ha såpass låg reliabilitet att det inte är meningsfullt med DIF-analysen.

Code

df.psy$F96 <- NULL
df.psy$F90 <- NULL

RItif(df.psy)

Eftersom många items uppvisade problem med svarskategorierna blir reliabiliteten låg, men ändå över gränsvärdet nära mitten på skalan.

Code

RIitemparams(df.psy, "PsykBesvItemParams.csv")

	Threshold 1	Threshold 2	Threshold 3	Threshold 4	Item location
F89	-1.19	0.73	NA	NA	-0.23
F92	-1.92	-0.25	0.45	NA	-0.57
F94	-0.19	0.01	1.06	1.6	0.62
F97	0.09	1.13	1.74	NA	0.99
F99	-0.73	0.54	1.28	NA	0.36

4.14 Explorativ analys

Vi provar att slå samman items från psykiska besvär med de items som utgör psykosomatiska besvär.

4.15 Rasch-analys 1 psykiska/psykosomatiska besvär

Code

items.psm <- c("F88","F91","F93","F95","F98")

df.psm <- df.omit.na %>% 
  select(any_of(items.psm))

df.psm$F91 <- recode(df.psm$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.psm$F93 <- recode(df.psm$F93, "4=3", as.factor = FALSE)
df.psm$F98 <- recode(df.psm$F98, "4=3", as.factor = FALSE)
df.psm$F95 <- recode(df.psm$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)

df.psy <- df.omit.na %>% 
  select(!any_of(items.psm))

df.psy$F89 <- recode(df.psy$F89, "2=1;3=2;4=2", as.factor = FALSE)
df.psy$F90 <- recode(df.psy$F90, "2=1;3=2;4=2", as.factor = FALSE)
df.psy$F96 <- recode(df.psy$F96, "2=1;3=2;4=2", as.factor = FALSE)
df.psy$F97 <- recode(df.psy$F97, "1=0;2=1;3=2;4=3", as.factor = FALSE)
df.psy$F92 <- recode(df.psy$F92, "4=3", as.factor = FALSE)
df.psy$F99 <- recode(df.psy$F99, "4=3", as.factor = FALSE)


df.psf <- cbind(df.psm,df.psy)

df.psf <- df.psf |> 
  relocate(F92, .after = "F91") |> 
  relocate(F97, .before = "F98") |> 
  relocate(F89, .after = "F88") |>
  relocate(F94, .before = "F95")

RItileplot(df.psf)

Code

# psf.items <- names(df.psf)
# 
# df.psf <- df.omit.na |> 
#   select(any_of(psf.items))

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F96	Är du nöjd med ditt utseende?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item fit

Code

RIitemfitPCM2(df.psf, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.145	1.114	1.685	1.637
F89	0.715	0.726	-4.221	-4.494
F91	1	0.988	-0.208	-0.099
F92	0.835	0.844	-1.905	-2.206
F93	1.071	1.035	0.576	0.54
F94	0.896	0.88	-1.062	-1.737
F95	1.074	1.042	0.586	0.123
F97	0.995	0.976	0.153	-0.346
F98	1.003	0.999	0.047	-0.175
F90	0.784	0.847	-1.794	-1.771
F96	0.906	0.898	-1.454	-1.395
F99	1.072	1.023	0.805	0.556

PCA

Code

RIpcmPCA(df.psf)

PCA of Rasch model residuals

Eigenvalues
1.99
1.27
1.23
1.12
1.08

Loadings 1st contrast

Code

RIloadLoc(df.psf)

Residualkorrelationer

Code

RIresidcorr(df.psf, cutoff = 0.2)

	F88	F89	F91	F92	F93	F94	F95	F97	F98	F90	F96	F99
F88
F89	-0.1
F91	-0.05	-0.04
F92	-0.23	0.02	-0.07
F93	-0.01	-0.08	0.01	-0.11
F94	-0.23	0.05	-0.17	0.08	-0.18
F95	-0.05	-0.14	-0.02	-0.21	-0.08	-0.26
F97	-0.13	0	-0.13	-0.07	-0.17	0	-0.12
F98	-0.02	-0.1	-0.06	-0.21	-0.08	-0.21	0.13	-0.16
F90	-0.08	0.17	-0.03	-0.04	-0.03	-0.02	-0.1	-0.04	-0.02
F96	-0.2	-0.03	-0.13	0.29	-0.18	0.16	-0.21	0.01	-0.19	-0.06
F99	-0.22	0.03	-0.11	-0.02	-0.19	-0.04	-0.13	0	-0.19	-0.08	0.08
Note:
Relative cut-off value (highlighted in red) is 0.127, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psf)

Itemhierarki

Code

RIitemHierarchy(df.psf)

Svarskategorier

Code

plot(mirt.rasch, type="trace")

Starkaste korrelationen är mellan F92 (Hur mycket skulle du vilja ändra på dig själv?) och F96 (Är du nöjd med ditt utseende?). Båda korrelerar dessutom med F94 (Hur ofta tycker du att du inget duger till?). Vi tar bort F96 som ter sig innehållsmässigt minst relevant.

Code

df.psf$F96 <- NULL

Item F94 har problem med oordnade svarskategorier.

ICC plot

Code

df.erm <- PCM(df.psf)
plotICC(df.erm, item.subset = "F94")
df.psf %>% 
  select(F94) %>% 
  RIbarplot()

Konfidensintervall för svarströsklar

Code

RIitemHierarchy(df.psf)

Vi slår samman 1 och 2, samt 3 och 4.

ICC plot

Code

df.psf$F94 <- recode(df.psf$F94, "4=2;3=2;2=1", as.factor = FALSE)
df.erm <- PCM(df.psf)
plotICC(df.erm, item.subset = "F94")

Konfidensintervall för svarströsklar

Code

RIitemHierarchy(df.psf)

4.16 Rasch-analys 2 psykiska/psykosomatiska besvär

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F90	Händer det att du känner dig rädd utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F94	Hur ofta tycker du att du inget duger till?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item fit

Code

RIitemfitPCM2(df.psf, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.101	1.082	1.109	0.967
F89	0.716	0.727	-4.208	-4.307
F91	0.977	0.973	-0.138	-0.535
F92	0.9	0.898	-1.17	-1.443
F93	1.035	1.009	0.555	0.4
F94	0.824	0.818	-2.507	-2.86
F95	1.033	1.005	0.38	0.019
F97	1.021	1	-0.113	-0.165
F98	0.964	0.969	-0.42	-0.422
F90	0.787	0.844	-1.91	-1.588
F99	1.117	1.053	1.28	0.503

PCA

Code

RIpcmPCA(df.psf)

PCA of Rasch model residuals

Eigenvalues
1.79
1.27
1.20
1.13
1.06

Loadings 1st contrast

Code

RIloadLoc(df.psf)

Residualkorrelationer

Code

RIresidcorr(df.psf, cutoff = 0.2)

	F88	F89	F91	F92	F93	F94	F95	F97	F98	F90	F99
F88
F89	-0.12
F91	-0.08	-0.05
F92	-0.22	0.04	-0.06
F93	-0.05	-0.1	-0.01	-0.11
F94	-0.18	0.15	-0.1	0.17	-0.12
F95	-0.09	-0.16	-0.06	-0.21	-0.13	-0.2
F97	-0.14	0	-0.14	-0.04	-0.18	0.04	-0.13
F98	-0.06	-0.12	-0.1	-0.21	-0.12	-0.14	0.09	-0.18
F90	-0.1	0.16	-0.04	-0.03	-0.05	0.04	-0.13	-0.04	-0.04
F99	-0.24	0.03	-0.12	0.01	-0.21	0.01	-0.14	0.01	-0.2	-0.08
Note:
Relative cut-off value (highlighted in red) is 0.122, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psf)

Itemhierarki

Code

RIitemHierarchy(df.psf)

F89 och 94 är något låga på item fit ZSTD, men MSQ ser bra ut.

Vi har flera par av items som korrelerar över gränsvärdet 0.2, men ingen över 0.25:

• F94 med både 89 och 92 (duger inget till, ledsen/deppig, vill ändra dig själv)
• F89 med både 94 och 90 (ledsen/deppig, duger inget till, rädd)

Vi tar bort 94 och 90.

Code

df.psf$F90 <- NULL
df.psf$F94 <- NULL

4.17 Rasch-analys 3 psykiska/psykosomatiska besvär

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Item fit

Code

RIitemfitPCM2(df.psf, 300, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F88	1.018	1.009	0.313	0.02
F89	0.735	0.744	-3.997	-4.104
F91	0.933	0.939	-0.896	-1.065
F92	0.903	0.9	-1.292	-1.513
F93	0.973	0.961	-0.49	-0.663
F95	0.946	0.931	-0.5	-1.079
F97	0.998	0.974	-0.234	-0.091
F98	0.907	0.919	-0.976	-1.266
F99	1.079	1.022	1.136	0.468

PCA

Code

RIpcmPCA(df.psf)

PCA of Rasch model residuals

Eigenvalues
1.61
1.29
1.16
1.04
1.02

Loadings 1st contrast

Code

RIloadLoc(df.psf)

Residualkorrelationer

Code

RIresidcorr(df.psf, cutoff = 0.2)

	F88	F89	F91	F92	F93	F95	F97	F98	F99
F88
F89	-0.1
F91	-0.1	-0.03
F92	-0.22	0.08	-0.05
F93	-0.07	-0.07	-0.02	-0.1
F95	-0.13	-0.14	-0.08	-0.21	-0.16
F97	-0.15	0.03	-0.14	-0.02	-0.18	-0.14
F98	-0.09	-0.09	-0.11	-0.2	-0.13	0.07	-0.18
F99	-0.25	0.06	-0.13	0.03	-0.21	-0.16	0.02	-0.21
Note:
Relative cut-off value (highlighted in red) is 0.1, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.psf)

Itemhierarki

Code

RIitemHierarchy(df.psf)

4.18 DIF/invarians

4.18.1 Kön

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Tabell

Code

#dif.gender<-recode(dif.gender,"'Pojke'=1;'Flicka'=2",as.factor=FALSE)
RIdifTable(df.psf, dif.gender)

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.141	-0.017	-0.079	0.088	0.124
F89	-0.554	0.055	-0.250	0.431	0.609
F91	0.126	0.078	0.102	0.035	0.049
F92	-0.570	-0.463	-0.516	0.076	0.107
F93	-0.249	-0.192	-0.220	0.040	0.057
F95	0.067	-0.183	-0.058	0.176	0.249
F97	0.872	0.641	0.757	0.163	0.231
F98	0.019	0.052	0.035	0.023	0.032
F99	0.430	0.030	0.230	0.283	0.400

Figur

Code

RIdifFigure(df.psf, dif.gender)

F89 har något hög DIF, i övrigt ser det bra ut. F99 ligger något högre än övriga också.

4.18.2 Årskurs

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Tabell

Code

RIdifTable(df.psf, dif.arskurs)

Item	2	3	Mean location	StDev	MaxDiff
F88	-0.137	-0.042	-0.090	0.067	0.095
F89	-0.189	-0.296	-0.243	0.075	0.107
F91	0.025	0.149	0.087	0.087	0.124
F92	-0.575	-0.496	-0.536	0.056	0.079
F93	-0.192	-0.259	-0.225	0.047	0.067
F95	-0.070	-0.051	-0.060	0.013	0.018
F97	0.794	0.760	0.777	0.024	0.034
F98	0.112	-0.023	0.044	0.096	0.136
F99	0.231	0.259	0.245	0.020	0.028

Figur

Code

RIdifFigure(df.psf, dif.arskurs)

Inga skillnader mellan årskurser.

4.18.3 Årtal

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Tabell

Code

final.items.psf <- names(df.psf)
#write.csv(final.items, file = "2022-09-16 IFoptimalItems.csv")
df.dif.years <- df.dif.years %>% 
  select(any_of(final.items.psf))

df.dif.years$F89 <- recode(df.dif.years$F89, "2=1;3=2;4=2", as.factor = FALSE)
df.dif.years$F91 <- recode(df.dif.years$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.dif.years$F92 <- recode(df.dif.years$F92, "4=3", as.factor = FALSE)
df.dif.years$F93 <- recode(df.dif.years$F93, "4=3", as.factor = FALSE)
#df.dif.years$F94 <- recode(df.dif.years$F94, "2=1;3=2;4=2", as.factor = FALSE)
df.dif.years$F95 <- recode(df.dif.years$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)
df.dif.years$F97 <- recode(df.dif.years$F97, "4=3;3=2;2=1;1=0", as.factor = FALSE)
df.dif.years$F98 <- recode(df.dif.years$F98, "4=3", as.factor = FALSE)
df.dif.years$F99 <- recode(df.dif.years$F99, "4=3", as.factor = FALSE)

Code

RIdifTable(df.dif.years, dif.year)

Item	3	6	7	8	11	12	14	15	Mean location	StDev	MaxDiff
F88	-0.154	-0.161	-0.163	-0.138	-0.083	-0.123	-0.082	-0.109	-0.127	0.033	0.081
F89	-0.240	-0.171	-0.184	-0.217	-0.245	-0.239	-0.266	-0.297	-0.232	0.041	0.126
F91	0.044	0.066	0.060	0.032	0.091	0.051	0.029	-0.001	0.047	0.028	0.091
F92	-0.487	-0.499	-0.487	-0.507	-0.529	-0.494	-0.478	-0.481	-0.495	0.017	0.051
F93	-0.198	-0.228	-0.218	-0.191	-0.225	-0.257	-0.256	-0.239	-0.226	0.024	0.066
F95	-0.009	-0.104	-0.061	-0.064	-0.061	-0.075	-0.011	-0.058	-0.055	0.032	0.095
F97	0.833	0.861	0.831	0.796	0.775	0.825	0.751	0.804	0.809	0.035	0.110
F98	0.027	-0.025	-0.007	0.020	0.032	0.052	0.079	0.100	0.035	0.042	0.125
F99	0.184	0.262	0.229	0.269	0.246	0.260	0.233	0.280	0.245	0.030	0.096

Figur items

Code

RIdifFigure(df.dif.years, dif.year)

Över tid

Code

RIdifFigTime(df.dif.years, dif.year)

Items fungerar stabilt över tid.

4.18.4 Interaktion årskurs och kön

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Code

RIdifTable2(df.psf, dif.gender, dif.arskurs)

Item	3	4	6	7	Mean location	StDev	MaxDiff
F88	-0.170	-0.122	-0.092	0.045	-0.085	0.092	0.214
F89	-0.564	-0.549	0.172	-0.040	-0.245	0.370	0.736
F91	0.040	0.185	0.022	0.124	0.093	0.076	0.163
F92	-0.639	-0.523	-0.474	-0.453	-0.522	0.083	0.186
F93	-0.178	-0.298	-0.194	-0.191	-0.215	0.056	0.120
F95	0.089	0.050	-0.210	-0.159	-0.058	0.149	0.300
F97	0.913	0.846	0.626	0.651	0.759	0.142	0.287
F98	0.147	-0.069	0.074	0.034	0.046	0.090	0.216
F99	0.361	0.480	0.077	-0.011	0.227	0.232	0.491

Även här ligger F89 högt, vilket primärt beror på könsskillnaden som tidigare påvisades. Samtidigt är det sannolikt att det har mindre inverkan på beräkningen av indexvärden, när övriga items fungerar stabilt.

4.18.5 Item fit över tid

DIF-analyserna visar på stabilitet i item locations över tid. Det kan också vara av intresse att se hur item fit ser ut över tid (2006-2020).

Code

final.items <- names(df.psf)

# final.items <- read_csv("PSFitemnr.csv") %>% 
#   pull(itemnr)

df.fit <- df.all %>%
  select(all_of(c(final.items,"ar"))) %>% 
  na.omit()

df.fit$F89 <- recode(df.fit$F89, "2=1;3=2;4=2", as.factor = FALSE)
df.fit$F91 <- recode(df.fit$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.fit$F92 <- recode(df.fit$F92, "4=3", as.factor = FALSE)
df.fit$F93 <- recode(df.fit$F93, "4=3", as.factor = FALSE)
#df.fit$F94 <- recode(df.fit$F94, "2=1;3=2;4=2", as.factor = FALSE)
df.fit$F98 <- recode(df.fit$F98, "4=3", as.factor = FALSE)
df.fit$F99 <- recode(df.fit$F99, "4=3", as.factor = FALSE)
df.fit$F95 <- recode(df.fit$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)
df.fit$F97 <- recode(df.fit$F97, "4=3;3=2;2=1;1=0", as.factor = FALSE)

Code

library(furrr)
plan(multisession, workers = 8)

itemfit.time <- df.fit %>% 
  split(.$ar) %>% 
  future_map(~ RIitemfitPCM(subset(., select = -ar), table = FALSE), 
             .options = furrr_options(seed = TRUE))

årtal <- c("2006", "2008", "2010", "2012", "2014", "2016", "2018", "2020")
itemfit.all <- data.frame(matrix(ncol = 4, nrow = 0))
colnames(itemfit.all) <- c("Item", "År", 'InfitMSQ','OutfitMSQ')

for (i in årtal) {
  itemfit.add <- itemfit.time[[i]] %>% 
    rownames_to_column("Item") %>% 
    add_column(År = i)
  
  itemfit.all <- rbind(itemfit.all, itemfit.add)
}

Code

itemfit.all %>%
  group_by(Item) %>%
  summarise(
    mean_Out = mean(OutfitMSQ),
    sd_Out = sd(OutfitMSQ),
    max_Out = max(OutfitMSQ),
    min_Out = min(OutfitMSQ),
    mean_In = mean(InfitMSQ),
    sd_In = sd(InfitMSQ),
    max_In = max(InfitMSQ),
    min_In = min(InfitMSQ)
  ) %>%
  mutate(
    diffmax_OutfitMSQ = max_Out - min_Out,
    diffmax_InfitMSQ = max_In - min_In,
    item = Item
  ) %>%
  mutate(across(where(is.numeric), ~ round(.x, 2))) %>%
  mutate(across(starts_with(c("max", "min")), ~ cell_spec(.x, color = ifelse(.x < msq_min, "red",
    ifelse(.x > msq_max, "red", "black")
  )))) %>%
  kbl(booktabs = T, escape = F,
      col.names = c("Item","Mean","SD","Max","Min","Mean","SD","Max","Min","OutfitMSQ","InfitMSQ","Item")) %>%
  # bootstrap options are for HTML output
  kable_styling(
    bootstrap_options = c("striped", "hover"),
    position = "left",
    full_width = F,
    font_size = 15,
    fixed_thead = T
  ) %>%
  column_spec(c(1, 12), bold = T) %>%
  kable_classic(html_font = "Lato") %>%
  # latex_options are for PDF output
  kable_styling(latex_options = c("striped", "scale_down")) %>%
  add_header_above(c(" " = 1, 
                     "OutfitMSQ" = 4, 
                     "InfitMSQ" = 4, 
                     "Max differences" = 2,
                     " " = 1))

	OutfitMSQ				InfitMSQ				Max differences
Item	Mean	SD	Max	Min	Mean	SD	Max	Min	OutfitMSQ	InfitMSQ	Item
F88	1.03	0.02	1.07	1.01	1.01	0.02	1.05	1	0.05	0.05	F88
F89	0.74	0.01	0.75	0.73	0.74	0.01	0.75	0.74	0.02	0.02	F89
F91	0.91	0.01	0.94	0.89	0.92	0.01	0.94	0.9	0.05	0.04	F91
F92	0.93	0.02	0.98	0.91	0.92	0.02	0.96	0.9	0.07	0.05	F92
F93	0.98	0.01	0.99	0.96	0.96	0.01	0.98	0.95	0.04	0.03	F93
F95	0.94	0.03	1	0.9	0.94	0.02	0.98	0.91	0.10	0.08	F95
F97	0.98	0.04	1.03	0.92	0.96	0.02	0.99	0.92	0.11	0.07	F97
F98	0.90	0.01	0.91	0.89	0.91	0.01	0.92	0.9	0.02	0.02	F98
F99	1.07	0.02	1.09	1.04	1.01	0.01	1.02	0.99	0.06	0.03	F99

Inget item går utanför gränsvärden 0.7-1.3.

4.19 Reliabilitet - psykiska/psykosomatiska besvär

Code

RItif(df.psf)

Klart bättre reliabilitet än vad någon av delskalorna uppnår separat.

4.20 Person fit

Code

RIpfit(df.psf)

4.21 Item-parametrar

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Code

RIitemparams(df.dif.years)

	Threshold 1	Threshold 2	Threshold 3	Threshold 4	Item location
F88	-1.12	-0.36	0.78	1.1	0.1
F89	-0.83	0.83	NA	NA	0
F91	-0.05	0.61	NA	NA	0.28
F92	-1.39	0.08	0.52	NA	-0.27
F93	-0.43	0.02	0.42	NA	0
F95	-0.11	0.16	0.47	NA	0.17
F97	0.38	1.12	1.62	NA	1.04
F98	-0.14	0.18	0.75	NA	0.26
F99	-0.32	0.64	1.11	NA	0.48

Code

itemlabels %>% 
  filter(itemnr %in% names(df.dif.years)) %>% 
  write_csv("PSFitemnr.csv")

Code

RIscoreSE(df.dif.years)

Ordinal sum score	Logit score	Logit std.error
0	-3.55	NA
1	-2.75	1.02
2	-2.02	0.73
3	-1.59	0.60
4	-1.27	0.53
5	-1.02	0.48
6	-0.80	0.44
7	-0.62	0.42
8	-0.45	0.40
9	-0.30	0.39
10	-0.15	0.38
11	-0.01	0.37
12	0.12	0.36
13	0.25	0.36
14	0.38	0.36
15	0.52	0.37
16	0.65	0.37
17	0.80	0.38
18	0.95	0.39
19	1.11	0.41
20	1.29	0.43
21	1.49	0.47
22	1.73	0.51
23	2.02	0.58
24	2.43	0.71
25	3.12	0.99
26	3.87	NA

4.22 Exempel med single-item vs index

Data från enbart 2020.

OBS! Viktigt att komma ihåg att höga värden = hög risk, vilket även gäller svar på enskilda frågor. En positiv fråga som F99 har alltså omvända svarskategorier (3 och 4 sammanslagna):

• 3-4 - Sällan / Någon enstaka gång
• 2 - Ibland
• 1 - Ganska ofta
• 0 - Väldigt ofta

Code

#---- create df with only 2020 respondents as example----
df.if <- df %>% 
  filter(ar == 2020) %>% 
  select(any_of(names(df.psf)),Kön) %>% 
  na.omit()

F99o <- df.if$F99

df.if$F89 <- recode(df.if$F89, "2=1;3=2;4=2", as.factor = FALSE)
df.if$F91 <- recode(df.if$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.if$F92 <- recode(df.if$F92, "4=3", as.factor = FALSE)
df.if$F93 <- recode(df.if$F93, "4=3", as.factor = FALSE)
df.if$F95 <- recode(df.if$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)
df.if$F97 <- recode(df.if$F97, "4=3;3=2;2=1;1=0", as.factor = FALSE)
df.if$F98 <- recode(df.if$F98, "4=3", as.factor = FALSE)
df.if$F99 <- recode(df.if$F99, "4=3", as.factor = FALSE)
df.if.gender <- df.if$Kön
df.if$Kön <- NULL
#---- estimate person locations----
library(catR)

# create matrix with item parameters
df.erm <- PCM(df.psf)
item.estimates <- eRm::thresholds(df.erm)
item_difficulty <- as.data.frame(item.estimates[["threshtable"]][["1"]])
item_difficulty$Location <- NULL
items <- item_difficulty %>% 
  mutate_if(is.character, as.numeric) %>% 
  as.matrix()

# loop through all participants to calculate theta for each one
thetaEstScores <- c()
#p1 <- c()
for (i in 1:nrow(df.if)){
  p1 <- as.numeric(as.vector(df.if[i,]))
  ptheta <- thetaEst(items, p1, model = "PCM", method = "WL") # several method options available for theta calculation
  thetaEstScores <- c(thetaEstScores,ptheta)
}

# # loop through all participants theta scores to calculate SE for each one
# thetaEstSE <- c()
# for (i in 1:length(thetaEstScores)) {
#   p1theta <- thetaEstScores[i]
#   p1 <- as.numeric(as.vector(df.if[i,]))
#   pthetaSE <- semTheta(thEst = p1theta, it = items, x = p1, model = "PCM", method = "ML") # several method options available for theta calculation
#   thetaEstSE <- c(thetaEstSE,pthetaSE)
# }

df.if$SumScores <- thetaEstScores
df.if$Kön <- df.if.gender
df.if$F99o <- F99o
#write_parquet(df.if, sink = "PSF2020.parquet")

#---- barplot for single item----
barplot(table(df.if$F99), col = "#8dc8c7", main = "Svarsfördelning för item F99")

Code

#---- visualize single item vs index score----
# some code from https://dallasnova.rbind.io/post/efficient-data-visualization-with-faded-raincloud-plots-delete-boxplot/
library(ggdist) # for shadeable density slabs
library(gghalves) # for half-half geoms
library(ggpp) # for position_dodge2nudge
library(colorspace) # for lightening color palettes
library(extrafont) # for Lato, RISE font
library(stringr)
# Setting colorblind-friendly palette
cbPalette <-c("#999999","#E69F00", "#56B4E9","#009E73",
              "#F0E442", "#0072B2", "#D55E00","#CC79A7")

cbPalette <- lighten(cbPalette, amount = 0.6, space = "HLS")

#---- plot for index value distributions divided by gender----

ggplot(df.if, aes(x = Kön, y = SumScores)) +
  stat_slab(side = "right", show.legend = F,
            scale = 0.6, # defines the height that a slab can reach
            position = position_dodge(width=.6), # distance between elements for dodging
            aes(fill_ramp = stat(level), fill=Kön), 
            .width = c(.50,.95,1)) +  # set shading
  stat_summary(fun.data = "mean_cl_normal",show.legend = F, size = .4,
               position = position_dodge2nudge(x=.05,width = .8)) +
# styling
  scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color
  guides( # change name and display of legend elements
          color="none") + # suppresses color legend item) 
  scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+
  theme(plot.caption = element_text(face = "italic")) +
  #xlab(str_wrap("Svarskategorier för item F99", width = 40)) +
  ylab("Indexvärde") +
  ggtitle("Svarsfördelning för psykisk och psykosomatisk hälsa") +
  #labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.",
  #     subtitle = "Item F99 - Hur ofta tycker du att det är riktigt härligt att leva?") +
  coord_flip()

Code

#---- plots for index value vs single item response ----
ggplot(df.if, aes(x = as.factor(F99), y = SumScores)) +
  #geom_violin()
  # density distribution slab
  #geom_boxplot(size = 0.2) +
  stat_slab(side = "right", show.legend = F,
            scale = 0.6, # defines the height that a slab can reach
            position = position_dodge(width=.6), # distance between elements for dodging
            aes(fill_ramp = stat(level), fill=as.factor(F99)), 
            .width = c(.50,.95,1)) +  # set shading
  stat_summary(fun.data = "mean_cl_normal", show.legend = F, size = .4,
               position = position_dodge2nudge(x=.05,width = .8)) +
# styling
  scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color
  guides( # change name and display of legend elements
          color="none") + # suppresses color legend item) 
  scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+
  theme(plot.caption = element_text(face = "italic")) +
  xlab(str_wrap("Svarskategorier för item F99", width = 40)) +
  ylab("Indexvärde") +
  ggtitle("Jämförelse av ett item och indexvärde") +
  labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.",
       subtitle = "Item F99 - Hur ofta tycker du att det är riktigt härligt att leva?") +
  coord_flip()

Code

ggplot(df.if, aes(x = as.factor(F99), y = SumScores)) +
  #geom_violin()
  # density distribution slab
  #geom_boxplot(size = 0.2) +
  stat_slab(side = "right", show.legend = T,
            scale = 0.6, # defines the height that a slab can reach
            position = position_dodge(width=.6), # distance between elements for dodging
            aes(fill_ramp = stat(level), fill=Kön), 
            .width = c(.50,.95,1)) +  # set shading
  stat_summary(fun.data = "mean_cl_normal",show.legend = F, size = .4,
               position = position_dodge2nudge(x=.05,width = .8)) +
# styling
  scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color
  guides( # change name and display of legend elements
          color="none") + # suppresses color legend item) 
  scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+
  theme(plot.caption = element_text(face = "italic")) +
  xlab(str_wrap("Svarskategorier för item F99", width = 40)) +
  ylab("Indexvärde") +
  ggtitle("Jämförelse av ett item och indexvärde") +
  labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.",
       subtitle = "Item F99 - Hur ofta tycker du att det är riktigt härligt att leva?") +
  coord_flip()

Code

# stat_dotsinterval(scale = 0.5, quantiles = 100, position = "dodge") +

4.22.1 Distribution med ej omkodade svarskategorier

Code

barplot(table(df.if$F99o), col = "#8dc8c7", main = "Svarsfördelning för item F99 innan recode")

Code

#plotICC(df.ermo, item.subset = "F99")

ggplot(df.if, aes(x = as.factor(F99o), y = SumScores)) +
  #geom_violin()
  # density distribution slab
  #geom_boxplot(size = 0.2) +
  stat_slab(side = "right", show.legend = F,
            scale = 0.6, # defines the height that a slab can reach
            position = position_dodge(width=.6), # distance between elements for dodging
            aes(fill_ramp = stat(level), fill=as.factor(F99o)), 
            .width = c(.50,.95,1)) +  # set shading
  stat_summary(fun.data = "mean_cl_normal", show.legend = F, size = .4,
               position = position_dodge2nudge(x=.05,width = .8)) +
# styling
  scale_fill_ramp_discrete(from='black', aesthetics = "fill_ramp")+ # set ramping color
  guides( # change name and display of legend elements
          color="none") + # suppresses color legend item) 
  scale_colour_manual(values = cbPalette, aesthetics = c("colour","fill"))+
  theme(plot.caption = element_text(face = "italic")) +
  xlab(str_wrap("Svarskategorier för item F99", width = 40)) +
  ylab("Indexvärde") +
  ggtitle("Jämförelse av ett item och indexvärde") +
  labs(caption = "Punkterna visar medelvärden för indexvärde, fälten motsvarar 50% och 95% av distributionen.",
       subtitle = "Item F99o - Hur ofta tycker du att det är riktigt härligt att leva?") +
  coord_flip()

4.23 Jämförelser befintligt och nytt index

Rapporter utifrån Stockholmsenkäten har hittills räknat samman ett index för “Psykisk hälsa”, baserat på enkätsvar för de fem items som i denna analys återfinns under rubriken “Psykosomatiska besvär”

Code

items.psm <- c("F88","F91","F93","F95","F98")

df.index <- df.all %>%
  select(items.psm, Kön, ARSKURS, ar, SkolSDO)

RIlistitems(df.index)

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F91	Hur ofta har du dålig aptit?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?

Indexberäkningen som använts utgår från att svaren översätts till siffror och sedan beräknas ett medelvärde av alla items. Lägsta svarsalternativet (“Aldrig”) ersätts med siffran 100, näst lägsta med 75, och så vidare. Det innebär att ett högt värde motsvarar låg förekomst av besvär.

I Stockholm Stads rapport för år 2022 återges resultatet på detta vis:

Vi kan återskapa figuren utifrån data från 2020 för årskurs 9.

Code

df.indexR <- df.index %>%
  mutate(across(items.psm, ~ recode(.x, "0=100;1=75;2=50;3=25;4=0"))) %>%
  na.omit() %>%
  mutate(PSFindex = rowMeans(across(items.psm)))

library(ggchicklet)
# create a wide palette based on RISE colors
RISEpalette1 <- colorRampPalette(colors = c("#009ca6", "#e83c63", "#ffe500"))(6)
# "#009CA6" "#5C758B" "#B94F70" "#EC5D4F" "#F5A127" "#FFE500"
RISEpalette2 <- colorRampPalette(colors = c("#009ca6", "#e83c63", "#ffe500"))(8)

df.indexR %>%
  filter(ar == 2020) %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>% 
  group_by(SkolSDO, Kön) %>%
  summarise(PSFmean = round(mean(PSFindex, na.rm = T), 0)) %>%
  ggplot(aes(y = PSFmean, x = SkolSDO, fill = Kön, color = Kön)) +
  geom_chicklet(
    radius = grid::unit(1.5, "mm"),
    position = "dodge"
  ) +
  geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "darkgrey") +
  geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black") +
  geom_text(aes(label = PSFmean, y = PSFmean + 2),
    position = position_dodge(width = .9),
    color = "black", size = 3.8
  ) +

  # annotate("text", label = "Medelvärde", y = 57, x = 3, color = "darkgrey") +
  scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
  scale_x_discrete("Stadsdel", guide = guide_axis(n.dodge = 3)) +
  scale_y_continuous(limits = c(0,100)) +
  theme_minimal(base_size = 12) +
  theme_rise(axissize = 14, titlesize = 16) +
  theme(text = element_text(family = "Lato")) +
  ylab("Medelvärde") +
  labs(
    title = "Psykisk hälsa indexvärde",
    subtitle = "Befintligt index, 2020, åk 9",
    caption = "Streckade linjer betecknar medelvärde för samtliga stadsdelar"
  )

4.23.1 Nytt index (5 items)

Här utgår vi från samma fem items som i det befintliga indexet, men kodar om svarskategorierna som inte fungerade korrekt, och estimerar fram ett indexvärde för varje individ utifrån Rasch-parametrarna. För jämförbarhet skalas sedan mätvärdet om till att matcha omfånget 0-100. OBS att alla värden mellan 0 och 100 inte är möjliga mätvärden.

Frågorna mäter i huvudsak besvär, vilket medfört att indexet uppkallats efter det. För jämförbarhet med det befintliga indexet “psykisk hälsa”, har mätvärden reverserats, så högre värden = lägre nivåer av besvär. Samma gäller det nya indexet med 9 items.

Code

# read item parameters from previous analysis
itemParams.psm <- read_csv("PsyksomItemParams.csv") %>% 
  as.matrix()

# create id variable to re-join thetas
df.index <- df.index %>% 
  mutate(id = seq.int(nrow(.)))

# recode items to correct response categories
df.indexNew <- df.index %>% 
  select(all_of(c(items.psm,"id"))) %>% 
  na.omit()

df.indexNew$F91 <- recode(df.indexNew$F91, "2=1;3=2;4=2", as.factor = FALSE)
df.indexNew$F93 <- recode(df.indexNew$F93, "4=3", as.factor = FALSE)
df.indexNew$F98 <- recode(df.indexNew$F98, "4=3", as.factor = FALSE)
df.indexNew$F95 <- recode(df.indexNew$F95, "4=3;3=2;2=1;1=0", as.factor = FALSE)

#RItileplot(df.indexNew %>% select(!id))
#itemParams.psm
df.indexNew$PSMscore <- df.indexNew %>% 
  select(!id) %>% 
  RIestThetas2(cpu = 8, itemParams = itemParams.psm)
df.index <- df.indexNew %>% 
  select(id,PSMscore) %>% 
  left_join(df.index,df.indexNew, by = "id")

# reverse score to match old index
df.index$PSMscore <- df.index$PSMscore*-1

Code

# rescale to match 0-100 range
df.index$PSMscore100 <- round(scales::rescale(df.index$PSMscore, to = c(0,100)),0)

4.23.2 Nytt index (9 items)

Det index som både representerar psykosomatiska och psykiska besvär innehåller 9 (5+4) frågor, och mätvärden beräknas på samma vis utifrån items efter korrigering av svarskategorier.

Code

newIndex <- read_csv("PSFitemnr.csv")

items.psnew <- newIndex$itemnr

df.index9 <- df.all %>%
  select(items.psnew, Kön, ARSKURS, ar, SkolSDO)

RIlistitems(df.index9)

itemnr	item
F88	Hur ofta har du haft huvudvärk detta läsår?
F89	Känner du dig ledsen och deppig utan att veta varför?
F91	Hur ofta har du dålig aptit?
F92	Hur mycket skulle du vilja ändra på dig själv?
F93	Hur ofta har du under detta läsår haft ”nervös mage” (t.ex. magknip, magkramper, orolig mage, illamående, gaser, förstoppning eller diarré)?
F95	Hur ofta har du under detta läsår haft svårt att somna?
F97	Känner du dig slö och olustig?
F98	Hur ofta har det hänt under detta läsår att du sovit oroligt och vaknat under natten?
F99	Hur ofta tycker du att det är riktigt härligt att leva?

Code

# read item parameters from previous analysis
itemParams.psnew <- read_csv("itemParameters.csv") %>% 
  as.matrix()

# create id variable to re-join thetas
df.index9 <- df.index9 %>% 
  mutate(id = seq.int(nrow(.)))

# recode items to correct response categories
df.indexNew9 <- df.index9 %>% 
  select(all_of(c(items.psnew,"id"))) %>% 
  na.omit()

rcat1 <- c("F91", "F89")
rcat2 <- c("F95", "F97")
rcat3 <- c("F92", "F93", "F98", "F99")

for (i in rcat1) {
  df.indexNew9[[i]] <- recode(df.indexNew9[[i]], "2=1;3=2;4=2", as.factor = FALSE)
}
for (i in rcat2) {
  df.indexNew9[[i]] <- recode(df.indexNew9[[i]], "1=0;2=1;3=2;4=3", as.factor = FALSE)
}
for (i in rcat3) {
  df.indexNew9[[i]] <- recode(df.indexNew9[[i]], "4=3", as.factor = FALSE)
}

#RItileplot(df.indexNew %>% select(!id))
#itemParams.psm
df.indexNew9$PS9score <- df.indexNew9 %>% 
  select(!id) %>% 
  RIestThetas2(cpu = 8, itemParams = itemParams.psnew)
df.index9 <- df.indexNew9 %>% 
  select(id,PS9score) %>% 
  left_join(df.index9,df.indexNew9, by = "id")

# reverse score to match old index
df.index9$PS9score <- df.index9$PS9score*-1
# and rescaled version
df.index9$PS9score100 <- round(scales::rescale(df.index9$PS9score, to = c(0,100)),0)

Code

df.index %>% 
  filter(ar == 2020) %>% 
  filter(Kön %in% c("Pojke","Flicka")) %>% 
  filter(ARSKURS == "Åk 9") %>% 
  filter(!is.na(SkolSDO)) %>% 
  group_by(SkolSDO,Kön) %>% 
  summarise(PSFmean = round(mean(PSMscore100, na.rm = T),0)) %>% 
  ggplot(aes(y = PSFmean, x = SkolSDO, fill = Kön, color = Kön)) +
  geom_chicklet(
    radius = grid::unit(1.5, "mm"),
    position = "dodge"
  ) +
  geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "darkgrey") +
  geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black") +
  geom_text(aes(label = PSFmean, y = PSFmean + 2),
    position = position_dodge(width = .9),
    color = "black", size = 3.8
  ) +

  # annotate("text", label = "Medelvärde", y = 57, x = 3, color = "darkgrey") +
  scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
  scale_x_discrete("Stadsdel", guide = guide_axis(n.dodge = 3)) +
  scale_y_continuous(limits = c(0,100)) +
  theme_minimal(base_size = 12) +
  theme_rise(axissize = 14, titlesize = 16) +
  theme(text = element_text(family = "Lato")) +
  ylab("Medelvärde") +
  labs(title = "Psykosomatiska besvär indexvärde",
       subtitle = "5 items, år 2020, åk 9",
       caption = "Streckade linjer betecknar medelvärde per kön för samtliga stadsdelar")

Code

df.index9 %>% 
  filter(ar == 2020) %>% 
  filter(Kön %in% c("Pojke","Flicka")) %>% 
  filter(ARSKURS == "Åk 9") %>% 
  filter(!is.na(SkolSDO)) %>% 
  group_by(SkolSDO,Kön) %>% 
  summarise(PSFmean = round(mean(PS9score100, na.rm = T),0)) %>% 
  ggplot(aes(y = PSFmean, x = SkolSDO, fill = Kön, color = Kön)) +
  geom_chicklet(
    radius = grid::unit(1.5, "mm"),
    position = "dodge"
  ) +
  geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), linetype = 2, color = "darkgrey") +
  geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), linetype = 3, color = "black") +
  geom_text(aes(label = PSFmean, y = PSFmean + 2),
    position = position_dodge(width = .9),
    color = "black", size = 3.8
  ) +

  # annotate("text", label = "Medelvärde", y = 57, x = 3, color = "darkgrey") +
  scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
  scale_x_discrete("Stadsdel", guide = guide_axis(n.dodge = 3)) +
  scale_y_continuous(limits = c(0,100)) +
  theme_minimal(base_size = 12) +
  theme_rise(axissize = 14, titlesize = 16) +
  theme(text = element_text(family = "Lato")) +
  ylab("Medelvärde") +
  labs(title = "Psykiska/psykosomatiska besvär indexvärde",
       subtitle = "9 items, år 2020, åk 9",
       caption = "Streckade linjer betecknar medelvärde per kön för samtliga stadsdelar")

4.23.3 Indexvärde över tid, åk 9

Code

årtal <- c(2006,2008,2010,2012,2014,2016,2018,2020,2022)
# library(ggiraph)
# psfTid <- df.indexR %>%
#   filter(Kön %in% c("Pojke", "Flicka")) %>%
#   filter(!is.na(SkolSDO)) %>%
#   group_by(ar, SkolSDO, Kön) %>%
#   summarise(PSFmean = round(mean(PSFindex, na.rm = T), 0),
#             stdev = round(sd(PSFindex, na.rm = T))) %>%
#   ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) +
#   geom_line(linewidth = 1) +
#   geom_point_interactive(aes(tooltip = PSFmean),
#                          size = 1.5) +
#   geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), 
#               alpha = 0.15, linetype = 0) +
#   geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), 
#              linetype = 2, color = "black", alpha = 0.8) +
#   geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), 
#              linetype = 3, color = "black", alpha = 0.8) +
#   scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
#   scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) +
#   scale_y_continuous("Medelvärde", limits = c(0,100)) +
#   labs(title = "Psykisk ohälsa indexvärde",
#        caption = "Skuggade fält indikerar en standardavvikelse") +
#   facet_wrap(~SkolSDO) +
#   theme_minimal(base_size = 11) +
#   theme_rise()
# 
# ggiraph(ggobj = psfTid)

df.indexR %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>% 
  group_by(ar, SkolSDO, Kön) %>%
  summarise(PSFmean = round(mean(PSFindex, na.rm = T), 0),
            stdev = round(sd(PSFindex, na.rm = T))) %>%
  ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), 
              alpha = 0.15, linetype = 0) +
  geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), 
             linetype = 2, color = "black", alpha = 0.8) +
  geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), 
             linetype = 3, color = "black", alpha = 0.8) +
  scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
  scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) +
  scale_y_continuous("Medelvärde", limits = c(0,100)) +
  labs(title = "Psykisk hälsa indexvärde",
        subtitle = "5 items, befintligt index",
       caption = "Skuggade fält indikerar en standardavvikelse") +
  facet_wrap(~SkolSDO) +
  theme_minimal(base_size = 11) +
  theme_rise() +
  theme(text = element_text(family = "Lato"))

Code

# psfTidscore <- df.index %>%
#   filter(Kön %in% c("Pojke", "Flicka")) %>%
#   filter(!is.na(SkolSDO)) %>%
#   group_by(ar, SkolSDO, Kön) %>%
#   summarise(PSFmean = round(mean(PSMscore100, na.rm = T), 0),
#             stdev = round(sd(PSMscore100, na.rm = T))) %>%
#   ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) +
#   geom_line(linewidth = 1) +
#   geom_point_interactive(aes(tooltip = PSFmean),
#                          size = 1.5) +
#   geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), 
#               alpha = 0.15, linetype = 0) +
#   geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), 
#              linetype = 2, color = "black", alpha = 0.8) +
#   geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), 
#              linetype = 3, color = "black", alpha = 0.8) +
#   scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
#   scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) +
#   scale_y_continuous("Medelvärde", limits = c(0,100)) +
#   labs(title = "Psykosomatiska besvär indexvärde",
#        caption = "Skuggade fält indikerar en standardavvikelse") +
#   facet_wrap(~SkolSDO) +
#   theme_minimal(base_size = 11) +
#   theme_rise()
# 
# ggiraph(ggobj = psfTidscore)

df.index %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>% 
  group_by(ar, SkolSDO, Kön) %>%
  summarise(PSFmean = round(mean(PSMscore100, na.rm = T), 0),
            stdev = round(sd(PSMscore100, na.rm = T))) %>%
  ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), 
              alpha = 0.15, linetype = 0) +
  geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), 
             linetype = 2, color = "black", alpha = 0.8) +
  geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), 
             linetype = 3, color = "black", alpha = 0.8) +
  scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
  scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) +
  scale_y_continuous("Medelvärde", limits = c(0,100)) +
  labs(title = "Psykosomatiska besvär indexvärde",
              subtitle = "5 items, nytt index",
       caption = "Skuggade fält indikerar en standardavvikelse") +
  facet_wrap(~SkolSDO) +
  theme_minimal(base_size = 11) +
  theme_rise() +
  theme(text = element_text(family = "Lato"))

Code

df.index9 %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>% 
  group_by(ar, SkolSDO, Kön) %>%
  summarise(PSFmean = round(mean(PS9score100, na.rm = T), 0),
            stdev = round(sd(PS9score100, na.rm = T))) %>%
  ggplot(aes(y = PSFmean, x = ar, color = Kön, group = Kön)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  geom_ribbon(aes(ymin = PSFmean-stdev, ymax = PSFmean+stdev, fill = Kön), 
              alpha = 0.15, linetype = 0) +
  geom_hline(data = . %>% filter(Kön == "Pojke"), aes(yintercept = mean(PSFmean)), 
             linetype = 2, color = "black", alpha = 0.8) +
  geom_hline(data = . %>% filter(Kön == "Flicka"), aes(yintercept = mean(PSFmean)), 
             linetype = 3, color = "black", alpha = 0.8) +
  scale_fill_manual("Kön", values = RISEpalette1[c(1, 5)], aesthetics = c("color", "fill")) +
  scale_x_continuous("År",guide = guide_axis(n.dodge = 2), breaks = årtal) +
  scale_y_continuous("Medelvärde", limits = c(0,100)) +
  labs(title = "Psykiska/psykosomatiska besvär indexvärde",
              subtitle = "9 items, nytt index",
       caption = "Skuggade fält indikerar en standardavvikelse") +
  facet_wrap(~SkolSDO) +
  theme_minimal(base_size = 11) +
  theme_rise() +
  theme(text = element_text(family = "Lato"))

4.23.4 Fördelningar

Code

df.indexR %>% 
  filter(ar == 2020) %>% 
  filter(ARSKURS == "Åk 9") %>% 
  select(PSFindex) %>% 
  summary()

    PSFindex     
 Min.   :  0.00  
 1st Qu.: 40.00  
 Median : 55.00  
 Mean   : 55.49  
 3rd Qu.: 75.00  
 Max.   :100.00  

Code

df.indexR %>% 
  filter(ar == 2020) %>% 
  filter(ARSKURS == "Åk 9") %>% 
  select(PSFindex) %>% 
  pull() %>% 
  hist(., col = RISEprimGreen, main = "Psykisk ohälsa indexvärden")

Code

summary(df.indexR$PSFindex)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.00   40.00   60.00   57.54   75.00  100.00 

Code

df.index %>% 
  filter(ar == 2020) %>% 
  filter(ARSKURS == "Åk 9") %>% 
  select(PSMscore100) %>% 
  summary()

  PSMscore100    
 Min.   :  0.00  
 1st Qu.: 41.00  
 Median : 51.00  
 Mean   : 50.29  
 3rd Qu.: 62.00  
 Max.   :100.00  

Code

df.index %>% 
  filter(ar == 2020) %>%  
  filter(ARSKURS == "Åk 9") %>% 
  select(PSMscore100) %>% 
  pull() %>% 
  hist(., col = RISEprimGreen, main = "Psykosomatiska besvär 5 item")

Code

df.index9 %>% 
  filter(ar == 2020) %>% 
  filter(ARSKURS == "Åk 9") %>% 
  select(PS9score100) %>% 
  summary()

  PS9score100    
 Min.   :  0.00  
 1st Qu.: 43.00  
 Median : 50.00  
 Mean   : 50.56  
 3rd Qu.: 58.00  
 Max.   :100.00  

Code

df.index9 %>% 
  filter(ar == 2020) %>%
  filter(ARSKURS == "Åk 9") %>% 
  select(PS9score100) %>% 
  pull() %>% 
  hist(., col = RISEprimGreen, main = "Psykosomatiska besvär 9 item")

4.23.5 Violin- & boxplot jämförelse

Code

library(PrettyCols)
df.indexR %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = År, y = PSFindex, group = År)) +
  geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) +
  geom_violin(aes(fill = År), alpha= 0.85) +
  geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) +
  xlab("År") +
  ylab("Indexvärde") +
  # scale_color_manual(
  #   values = RISEpalette1[c(1, 5)],
  #   aesthetics = c("fill", "color")
  # ) +
   scale_fill_pretty_d(name = "TealGreens") +
  labs(
    title = "Psykisk hälsa",
    subtitle = "Befintligt index",
    caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet"
  ) +
  theme_minimal() +
  theme_rise() +
  theme(
    text = element_text(family = "Lato")
  )

Code

df.index %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = År, y = PSMscore100, group = År)) +
  geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) +
  geom_violin(aes(fill = År), alpha= 0.85) +
  geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) +
  xlab("År") +
  ylab("Indexvärde") +
  # scale_color_manual(
  #   values = RISEpalette1[c(1, 5)],
  #   aesthetics = c("fill", "color")
  # ) +
   scale_fill_pretty_d(name = "TealGreens") +
  labs(
    title = "Psykosomatiska besvär",
    subtitle = "Nytt 5-item index",
    caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet"
  ) +
  theme_minimal() +
  theme_rise() +
  theme(
    text = element_text(family = "Lato")
  )

Code

df.index9 %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = År, y = PS9score100, group = År)) +
  geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) +
  geom_violin(aes(fill = År), alpha= 0.85) +
  geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) +
  xlab("År") +
  ylab("Indexvärde") +
  # scale_color_manual(
  #   values = RISEpalette1[c(1, 5)],
  #   aesthetics = c("fill", "color")
  # ) +
   scale_fill_pretty_d(name = "TealGreens") +
  labs(
    title = "Psykiska/psykosomatiska besvär",
    subtitle = "Nytt 9-item index",
    caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet"
  ) +
  theme_minimal() +
  theme_rise() +
  theme(
    text = element_text(family = "Lato")
  )

4.23.5.1 Fördelat på kön

Code

library(PrettyCols)
df.indexR %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = År, y = PSFindex, group = År)) +
  geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) +
  geom_violin(aes(fill = År), alpha= 0.85) +
  geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) +
  xlab("År") +
  ylab("Indexvärde") +
  # scale_color_manual(
  #   values = RISEpalette1[c(1, 5)],
  #   aesthetics = c("fill", "color")
  # ) +
   scale_fill_pretty_d(name = "Rainbow") +
  labs(
    title = "Psykisk hälsa",
    subtitle = "Befintligt index",
    caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet"
  ) +
  theme_minimal() +
  theme_rise() +
  theme(
    text = element_text(family = "Lato")
  ) + 
  facet_wrap(~Kön)

Code

df.index %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = År, y = PSMscore100, group = År)) +
  geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) +
  geom_violin(aes(fill = År), alpha= 0.85) +
  geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) +
  xlab("År") +
  ylab("Indexvärde") +
  # scale_color_manual(
  #   values = RISEpalette1[c(1, 5)],
  #   aesthetics = c("fill", "color")
  # ) +
   scale_fill_pretty_d(name = "Rainbow") +
  labs(
    title = "Psykosomatiska besvär",
    subtitle = "Nytt 5-item index",
    caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet"
  ) +
  theme_minimal() +
  theme_rise() +
  theme(
    text = element_text(family = "Lato")
  ) +
  facet_wrap(~Kön)

Code

df.index9 %>%
  filter(Kön %in% c("Pojke", "Flicka")) %>%
  filter(!is.na(SkolSDO)) %>%
  filter(ARSKURS == "Åk 9") %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = År, y = PS9score100, group = År)) +
  geom_jitter(shape = 16, position = position_jitter(0.3), alpha = 0.05) +
  geom_violin(aes(fill = År), alpha= 0.85) +
  geom_boxplot(width = .3, outlier.shape = NA, alpha = 0.3, notch = TRUE) +
  xlab("År") +
  ylab("Indexvärde") +
  # scale_color_manual(
  #   values = RISEpalette1[c(1, 5)],
  #   aesthetics = c("fill", "color")
  # ) +
   scale_fill_pretty_d(name = "Rainbow") +
  labs(
    title = "Psykiska/psykosomatiska besvär",
    subtitle = "Nytt 9-item index",
    caption = "I boxen ryms 50% av respondenterna. Strecket indikerar medianvärdet"
  ) +
  theme_minimal() +
  theme_rise() +
  theme(
    text = element_text(family = "Lato")
  ) + 
  facet_wrap(~Kön)

4.23.6 Tak-/golveffekter

Code

df.indexR %>% 
  group_by(PSFindex) %>% 
  reframe(n = n()) %>% 
  mutate(Procent = round(100*n/sum(n),1)) %>% 
  formattable(., table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 50%"')

PSFindex	n	Procent
0	577	0.7
5	865	1.0
10	1213	1.4
15	1654	1.9
20	2332	2.6
25	2937	3.3
30	3580	4.0
35	4307	4.9
40	5332	6.0
45	5841	6.6
50	6639	7.5
55	7077	8.0
60	7320	8.3
65	7190	8.1
70	7028	7.9
75	6367	7.2
80	5752	6.5
85	4339	4.9
90	3362	3.8
95	2271	2.6
100	2537	2.9

Code

df.index %>% 
  group_by(PSMscore100) %>% 
  reframe(n = n()) %>% 
  mutate(Procent = round(100*n/sum(n),1)) %>% 
  formattable(., table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 50%"')

PSMscore100	n	Procent
0	1958	2.0
18	2503	2.5
26	3512	3.6
32	4807	4.9
37	5733	5.8
41	6804	6.9
44	8239	8.4
48	9286	9.4
51	9385	9.5
54	9501	9.6
58	9154	9.3
62	8324	8.5
66	7015	7.1
72	5374	5.5
81	3564	3.6
100	3307	3.4

Code

df.index9 %>% 
  group_by(PS9score100) %>% 
  reframe(n = n()) %>% 
  mutate(Procent = round(100*n/sum(n),1)) %>% 
  formattable(., table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 50%"')

PS9score100	n	Procent
0	320	0.3
15	556	0.6
22	825	0.9
26	1154	1.2
30	1600	1.7
33	1973	2.1
35	2531	2.7
37	2960	3.1
39	3471	3.6
41	3998	4.2
43	4592	4.8
45	4941	5.2
47	5403	5.7
48	5771	6.1
50	6095	6.4
52	6299	6.6
54	6227	6.5
56	6132	6.4
58	5647	5.9
60	5460	5.7
62	4814	5.1
65	4173	4.4
68	3346	3.5
72	2863	3.0
77	1942	2.0
84	1301	1.4
100	883	0.9

4.24 Programvara som använts för analyserna

Code

pkgs <- cite_packages(cite.tidyverse = TRUE, 
                      output = "table",
                      bib.file = "grateful-refs.bib",
                      include.RStudio = TRUE,
                      out.dir = getwd())
formattable(pkgs, 
            table.attr = 'class=\"table table-striped\" style="font-size: 15px; font-family: Lato; width: 80%"')

Package	Version	Citation
arrow	11.0.0.3	Richardson et al. (2023)
base	4.2.3	R Core Team (2023)
car	3.1.1	Fox and Weisberg (2019)
catR	3.17	Magis and Raîche (2012); Magis and Barrada (2017)
colorspace	2.1.0	Zeileis, Hornik, and Murrell (2009); Stauffer et al. (2009); Zeileis et al. (2020)
cowplot	1.1.1	Wilke (2020)
eRm	1.0.2	Mair and Hatzinger (2007b); Mair and Hatzinger (2007a); Hatzinger and Rusch (2009); Rusch, Maier, and Hatzinger (2013); Koller, Maier, and Hatzinger (2015); Debelak and Koller (2019); Mair, Hatzinger, and Maier (2021)
extrafont	0.18	Chang (2022)
foreach	1.5.2	Microsoft and Weston (2022)
formattable	0.2.1	Ren and Russell (2021)
furrr	0.3.1	Vaughan and Dancho (2022)
ggchicklet	0.6.0	Rudis (2022)
ggdist	3.2.1	Kay (2023)
gghalves	0.1.4	Tiedemann (2022)
ggpp	0.5.1	Aphalo (2023)
ggrepel	0.9.3	Slowikowski (2023)
glue	1.6.2	Hester and Bryan (2022)
kableExtra	1.3.4	Zhu (2021)
knitr	1.42	Xie (2014); Xie (2015); Xie (2023)
matrixStats	0.63.0	Bengtsson (2022)
mirt	1.37.1	Chalmers (2012)
PrettyCols	1.0.1	Rennie (2023)
psych	2.3.3	William Revelle (2023)
psychotree	0.16.0	Trepte and Verbeet (2010); Strobl, Wickelmaier, and Zeileis (2011); Strobl, Kopf, and Zeileis (2015); Komboz, Zeileis, and Strobl (2018); Wickelmaier and Zeileis (2018)
reshape	0.8.9	Wickham (2007)
RISEkbmRasch	0.1.14.3	Johansson (2023)
rmarkdown	2.21	Xie, Allaire, and Grolemund (2018); Xie, Dervieux, and Riederer (2020); Allaire et al. (2023)
scales	1.2.1	Wickham and Seidel (2022)
tidyverse	2.0.0	Wickham et al. (2019)

4.25 Referenser

Allaire, JJ, Yihui Xie, Christophe Dervieux, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, et al. 2023. rmarkdown: Dynamic Documents for r. https://github.com/rstudio/rmarkdown.

Aphalo, Pedro J. 2023. ggpp: Grammar Extensions to “ggplot2”. https://CRAN.R-project.org/package=ggpp.

Bengtsson, Henrik. 2022. matrixStats: Functions That Apply to Rows and Columns of Matrices (and to Vectors). https://CRAN.R-project.org/package=matrixStats.

Chalmers, R. Philip. 2012. “mirt: A Multidimensional Item Response Theory Package for the R Environment.” Journal of Statistical Software 48 (6): 1–29. https://doi.org/10.18637/jss.v048.i06.

Chang, Winston. 2022. extrafont: Tools for Using Fonts. https://CRAN.R-project.org/package=extrafont.

Debelak, Rudolf, and Ingrid Koller. 2019. “Testing the Local Independence Assumption of the Rasch Model With Q3-Based Nonparametric Model Tests.” Applied Psychological Measurement. https://doi.org/10.1177/0146621619835501.

Fox, John, and Sanford Weisberg. 2019. An R Companion to Applied Regression. Third. Thousand Oaks CA: Sage. https://socialsciences.mcmaster.ca/jfox/Books/Companion/.

Hatzinger, Reinhold, and Thomas Rusch. 2009. “IRT models with relaxed assumptions in eRm: A manual-like instruction.” Psychology Science Quarterly 51.

Hester, Jim, and Jennifer Bryan. 2022. glue: Interpreted String Literals. https://CRAN.R-project.org/package=glue.

Johansson, Magnus. 2023. RISEkbmRasch: Psychometric Analysis in r with Rasch Measurement Theory. https://github.com/pgmj/RISEkbmRasch.

Kay, Matthew. 2023. ggdist: Visualizations of Distributions and Uncertainty. https://doi.org/10.5281/zenodo.3879620.

Koller, Ingrid, Marco Johannes Maier, and Reinhold Hatzinger. 2015. “An Empirical Power Analysis of Quasi-Exact Tests for the Rasch Model: Measurement Invariance in Small Samples.” Methodology 11. https://doi.org/10.1027/1614-2241/a000090.

Komboz, Basil, Achim Zeileis, and Carolin Strobl. 2018. “Tree-Based Global Model Tests for Polytomous Rasch Models.” Educational and Psychological Measurement 78 (1): 128–66. https://doi.org/10.1177/0013164416664394.

Magis, David, and Juan Ramon Barrada. 2017. “Computerized Adaptive Testing with R: Recent Updates of the Package catR.” Journal of Statistical Software, Code Snippets 76 (1): 1–19. https://doi.org/10.18637/jss.v076.c01.

Magis, David, and Gilles Raîche. 2012. “Random Generation of Response Patterns Under Computerized Adaptive Testing with the R Package catR.” Journal of Statistical Software 48 (8): 1–31. https://doi.org/10.18637/jss.v048.i08.

Mair, Patrick, and Reinhold Hatzinger. 2007a. “CML based estimation of extended Rasch models with the eRm package in R.” Psychology Science 49.

———. 2007b. “Extended Rasch modeling: The eRm package for the application of IRT models in R.” Journal of Statistical Software 20. https://www.jstatsoft.org/v20/i09.

Mair, Patrick, Reinhold Hatzinger, and Marco Johannes Maier. 2021. eRm: Extended Rasch Modeling. https://cran.r-project.org/package=eRm.

Microsoft, and Steve Weston. 2022. foreach: Provides Foreach Looping Construct. https://CRAN.R-project.org/package=foreach.

R Core Team. 2023. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.

Ren, Kun, and Kenton Russell. 2021. formattable: Create “Formattable” Data Structures. https://CRAN.R-project.org/package=formattable.

Rennie, Nicola. 2023. PrettyCols: Pretty Colour Palettes. https://CRAN.R-project.org/package=PrettyCols.

Richardson, Neal, Ian Cook, Nic Crane, Dewey Dunnington, Romain François, Jonathan Keane, Dragoș Moldovan-Grünfeld, Jeroen Ooms, and Apache Arrow. 2023. arrow: Integration to “Apache” “Arrow”. https://CRAN.R-project.org/package=arrow.

Rudis, Bob. 2022. ggchicklet: Create “Chicklet” (Rounded Segmented Column) Charts. https://git.rud.is/hrbrmstr/ggchicklet.

Rusch, Thomas, Marco Johannes Maier, and Reinhold Hatzinger. 2013. “Linear logistic models with relaxed assumptions in R.” In Algorithms from and for Nature and Life, edited by Berthold Lausen, Dirk van den Poel, and Alfred Ultsch. Studies in Classification, Data Analysis, and Knowledge Organization. New York: Springer. https://doi.org/10.1007/978-3-319-00035-0_34.

Slowikowski, Kamil. 2023. ggrepel: Automatically Position Non-Overlapping Text Labels with “ggplot2”. https://CRAN.R-project.org/package=ggrepel.

Stauffer, Reto, Georg J. Mayr, Markus Dabernig, and Achim Zeileis. 2009. “Somewhere over the Rainbow: How to Make Effective Use of Colors in Meteorological Visualizations.” Bulletin of the American Meteorological Society 96 (2): 203–16. https://doi.org/10.1175/BAMS-D-13-00155.1.

Strobl, Carolin, Julia Kopf, and Achim Zeileis. 2015. “Rasch Trees: A New Method for Detecting Differential Item Functioning in the Rasch Model.” Psychometrika 80 (2): 289–316. https://doi.org/10.1007/s11336-013-9388-3.

Strobl, Carolin, Florian Wickelmaier, and Achim Zeileis. 2011. “Accounting for Individual Differences in Bradley-Terry Models by Means of Recursive Partitioning.” Journal of Educational and Behavioral Statistics 36 (2): 135–53. https://doi.org/10.3102/1076998609359791.

Tiedemann, Frederik. 2022. gghalves: Compose Half-Half Plots Using Your Favourite Geoms. https://CRAN.R-project.org/package=gghalves.

Trepte, Sabine, and Markus Verbeet, eds. 2010. Allgemeinbildung in Deutschland – Erkenntnisse Aus Dem SPIEGEL Studentenpisa-Test. Wiesbaden: VS Verlag.

Vaughan, Davis, and Matt Dancho. 2022. furrr: Apply Mapping Functions in Parallel Using Futures. https://CRAN.R-project.org/package=furrr.

Wickelmaier, Florian, and Achim Zeileis. 2018. “Using Recursive Partitioning to Account for Parameter Heterogeneity in Multinomial Processing Tree Models.” Behavior Research Methods 50 (3): 1217–33. https://doi.org/10.3758/s13428-017-0937-z.

Wickham, Hadley. 2007. “Reshaping Data with the Reshape Package.” Journal of Statistical Software 21 (12). https://www.jstatsoft.org/v21/i12/.

Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.

Wickham, Hadley, and Dana Seidel. 2022. scales: Scale Functions for Visualization. https://CRAN.R-project.org/package=scales.

Wilke, Claus O. 2020. cowplot: Streamlined Plot Theme and Plot Annotations for “ggplot2”. https://CRAN.R-project.org/package=cowplot.

William Revelle. 2023. psych: Procedures for Psychological, Psychometric, and Personality Research. Evanston, Illinois: Northwestern University. https://CRAN.R-project.org/package=psych.

Xie, Yihui. 2014. “knitr: A Comprehensive Tool for Reproducible Research in R.” In Implementing Reproducible Computational Research, edited by Victoria Stodden, Friedrich Leisch, and Roger D. Peng. Chapman; Hall/CRC.

———. 2015. Dynamic Documents with R and Knitr. 2nd ed. Boca Raton, Florida: Chapman; Hall/CRC. https://yihui.org/knitr/.

———. 2023. knitr: A General-Purpose Package for Dynamic Report Generation in r. https://yihui.org/knitr/.

Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.

Xie, Yihui, Christophe Dervieux, and Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.

Zeileis, Achim, Jason C. Fisher, Kurt Hornik, Ross Ihaka, Claire D. McWhite, Paul Murrell, Reto Stauffer, and Claus O. Wilke. 2020. “colorspace: A Toolbox for Manipulating and Assessing Colors and Palettes.” Journal of Statistical Software 96 (1): 1–49. https://doi.org/10.18637/jss.v096.i01.

Zeileis, Achim, Kurt Hornik, and Paul Murrell. 2009. “Escaping RGBland: Selecting Colors for Statistical Graphics.” Computational Statistics & Data Analysis 53 (9): 3259–70. https://doi.org/10.1016/j.csda.2008.11.033.

Zhu, Hao. 2021. kableExtra: Construct Complex Table with “kable” and Pipe Syntax. https://CRAN.R-project.org/package=kableExtra.