10 ANDTS

10.1 Bakgrund

Vi har tagit data från 2020, eftersom två frågor tillkommit 2020.

Frågorna har delats in i tre tänkta områden, som markerats med bakgrundsfärg i tabellen med items längre ner:

• eget bruk
• debutålder
• föräldrarna/familjen

Frågorna har stor variation i svarskategorierna, vilket beskrivs i PDF-filen med frågor, och även framgår om man klickar på vid denna sidas rubrik högst upp och tittar på källkoden till analysen där omkodning (“recode”) av svarskategorierna finns med tidigt i koden (innan denna text).

Exempel på vanliga typer av svarskategorier och deras omkodning:

• ‘Nej, jag har aldrig rökt’=0;
• ‘Nej, bara provat hur det smakar’=1;
• ‘Nej, jag har rökt men slutat’=2;
• ‘Ja, ibland men inte varje dag’=3;
• ‘Ja, dagligen’=4;

och:

• ‘Nej, ingen gång’=0;
• ‘Ja, 1 gång’=1;
• ‘Ja, 2-4 gånger’=2;
• ‘Ja, 5-10 gånger’=3;
• ‘Ja, 11-20 gånger’=4;
• ‘Ja, 21-50 gånger’=5;
• ‘Ja, mer än 50 gånger’=6;

Denna typ av frekvensskattningar med så många svarsalternativ brukar sällan ge psykometriskt meningsfull information, d.v.s. det är inte tillräckligt stor skillnad på de olika svarsalternativen för att var och en av kategorierna ska bidra med mera information om respondenten. Vi kommer med största sannolikhet behöva slå samman flera av dem för att kunna göra en rimlig analys.

För denna analys är målsättningen inte att undersöka möjligheten att ta fram ett eller flera indexvärden utifrån sammansättningar av items/frågor som sedan kan användas på samtliga deltagare. Detta beror på att de flesta deltagare har såpass liten användning av substanser eller ens har svarat på frågorna. Däremot vill vi se hur frågorna fungerar relativt varandra (item-hierarki) och om det skiljer sig mellan kön, årskurs och över tid.

Code

itemlabels %>% 
  kbl(booktabs = T, escape = F) %>%
      # bootstrap options are for HTML output
      kable_styling(bootstrap_options = c("striped", "hover"), 
                    position = "left",
                    full_width = F,
                    font_size = r.fontsize,
                    fixed_thead = T) %>% # when there is a long list in the table
      #  column_spec(c(2:3), color = "red") %>% 
      row_spec(1:9, bold = F, color = "black", background = "lightblue") %>% 
      row_spec(10:14, bold = F, color = "white", background = RISEprimGreen) %>%
      row_spec(15:19, bold = F, color = "white", background = RISEcompPurple) %>%
      column_spec(1, bold = T) %>% 
      kable_classic(html_font = "Lato")

itemnr	item
F14	Röker du?
FNY12020	Röker du e-cigaretter?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F41	Har du sniffat/boffat någon gång?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?
f53	Har du det senaste läsåret varit i kontakt med någon hjälpinstans p.g.a alkohol eller droger?
F73	Hur mycket pengar har du spelat för de senaste 30 dagarna?
F16	Hur gammal var du första gången du rökte?
F20	Hur gammal var du första gången du snusade?
F37	Hur gammal var du första gången du kände dig berusad?
F44	Hur gammal var du första gången du sniffade/boffade?
F51	Hur gammal var du första gången du använde narkotika?
F17	Får du röka för dina föräldrar?
F21	Får du snusa för dina föräldrar?
f22	Använder någon i din familj tobak (röker eller snusar)?
F40	Får du dricka alkohol för dina föräldrar?
FNY22020	Får du satsa pengar på spel för dina föräldrar?

10.2 Bortfall i data

Eftersom ANDTS-frågorna har större bortfall i svar kommer vi inte helt filtrera bort respondenter med saknade svar.

Code

RIlistItemsMargin(df.omit.na, 11)

itemnr	item
F14	Röker du?
FNY12020	Röker du e-cigaretter?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F41	Har du sniffat/boffat någon gång?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?
f53	Har du det senaste läsåret varit i kontakt med någon hjälpinstans p.g.a alkohol eller droger?
F73	Hur mycket pengar har du spelat för de senaste 30 dagarna?
F16	Hur gammal var du första gången du rökte?
F20	Hur gammal var du första gången du snusade?
F37	Hur gammal var du första gången du kände dig berusad?
F44	Hur gammal var du första gången du sniffade/boffade?
F51	Hur gammal var du första gången du använde narkotika?
F17	Får du röka för dina föräldrar?
F21	Får du snusa för dina föräldrar?
f22	Använder någon i din familj tobak (röker eller snusar)?
F40	Får du dricka alkohol för dina föräldrar?
FNY22020	Får du satsa pengar på spel för dina föräldrar?

Code

#---- Create a figure showing % of missing data for each item, based on the complete dataset----
df.omit.na %>%
  select(itemlabels$itemnr) %>% 
  
  t() %>% 
  as.data.frame() %>% 
  mutate(Missing = rowSums(is.na(.))) %>% 
  select(Missing) %>% 
  arrange(desc(Missing)) %>% 
  rownames_to_column(var = "Item") %>% 
  mutate(Percentage = Missing/nrow(df)*100) %>% 
  mutate(Item = factor(Item, levels = rev(Item))) %>%
  ggplot(aes(x = Item, y = Percentage)) +
  geom_col() +
  coord_flip() +
  ggtitle("Missing data per item") +
  xlab("Items") +
  ylab("Percentage of responses missing")

Efter att ha tagit bort respondenter med färre än 12 items besvarade ser bortfallet ut enligt nedan.

Code

#---- Filtering participants based on missing data----

# 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 <- 12

# Select the variables we will work with, and filter out respondents with a lot of missing data
df.omit.na <- df.omit.na %>% 
  filter(length(itemlabels$itemnr)-rowSums(is.na(.[itemlabels$itemnr])) >= min.responses)
# create DIF variables for gender and grade
dif.gender <- df.omit.na$Kön
df.omit.na$Kön <- NULL
dif.arskurs <- df.omit.na$ARSKURS
df.omit.na$ARSKURS <- NULL
dif.stadsdel <- df.omit.na$SkolSDO
df.omit.na$SkolSDO <- NULL

df.omit.na %>%
  select(itemlabels$itemnr) %>% 
  t() %>% 
  as.data.frame() %>% 
  mutate(Missing = rowSums(is.na(.))) %>% 
  select(Missing) %>% 
  arrange(desc(Missing)) %>% 
  rownames_to_column(var = "Item") %>% 
  mutate(Percentage = Missing/nrow(df)*100) %>% 
  mutate(Item = factor(Item, levels = rev(Item))) %>%
  ggplot(aes(x = Item, y = Percentage)) +
  geom_col() +
  coord_flip() +
  ggtitle("Missing data per item") +
  xlab("Items") +
  ylab("Percentage of responses missing")

Code

n2020 <- df %>% filter(ar == "2020") %>% nrow()

Vi har 3978 respondenter i data, av totalt 13065 respondenter för år 2020. Det innebär att samplet vi analyserar består av den delen som använder olika typer av substanser. Vi kan senare jämföra dem med de som filtrerats ut.

10.3 Deskriptiva data

10.3.1 Demografi

Code

RIdemographics(dif.gender, "Kön")
RIdemographics(dif.arskurs, "Årskurs")
#RIdemographics(dif.stadsdel, "Stadsdel")

Kön	n	Percent
Flicka	1828	47.6
Pojke	2009	52.4

Årskurs	n	Percent
Åk 9	1476	37.1
Gy 2	2502	62.9

10.3.2 Item-data

Vi tar bort items om debutålder från tile-plotten, eftersom de skulle göra övriga frågor svårlästa.

Tile plot

Code

df.omit.na %>% 
  select(!any_of(itemsANDTSdebut)) %>% 
  RItileplot()

Barplots

Code

RIbarplot(df.omit.na)

Vi kan se att det är mycket få respondenter i en del kategorier, och flera olika strukturer på svarsfördelningar.

10.4 Eget bruk

Code

df.eget <- df.omit.na %>% 
  select(any_of(itemsANDTSegen))

10.4.1 Svarskategorier

Eftersom frekvensbaserade svarskategorier använts, som ofta har mindre psykometriskt meningsfulla skillnader mellan de högre kategorierna, behöver vi först titta på om de behöver slås samman.

Code

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

Vi ser många problem här som behöver åtgärdas:

• F14 - kategori 2 slås samman med kategori 3
• FNY12020 - slår samman de tre högsta
• F18 - slår samman 2+1 och 3+4
• F34 - slår samman 1+2
• F41 - tas bort - mycket få svar över 0
• F47 - vi slår samman 3+4 och 5+6
• F48 - dikotomiseras mellan 0 och övriga kategorier
• F73 - vi slår samman mittenkategorierna 1-5, och låter 0 och 6 vara kvar.

Det innebär att boffning/sniffning tas bort.

10.4.2 Omkodning av svarskategorier

10.4.2.1 Tileplot

Code

df.eget$F14 <- recode(df.eget$F14,"3=2;4=3")
df.eget$FNY12020 <- recode(df.eget$FNY12020,"3:4=2")
df.eget$F18 <- recode(df.eget$F18,"2=1;3:4=2")
df.eget$F34 <- recode(df.eget$F34,"2=1;3=2;4=3;5=4")

df.eget$F41 <- NULL
df.eget$F47 <- recode(df.eget$F47,"4=3;5:6=4")
df.eget$F48 <- recode(df.eget$F48,"2=1;3:6=2")
df.eget$F73 <- recode(df.eget$F73,"2:5=1;6=2")

RItileplot(df.eget)

10.4.2.2 Analys av svarskategorier

Code

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

F48 ser tveksam ut. Vi provar 1=0;2:3=1;4:6=2 i stället.

Code

df.eget$F48 <- recode(df.omit.na$F48,"1=0;2:3=1;4:6=2")
df.erm <- PCM(df.eget)
plotICC(df.erm, item.subset = "F48")

Ser bättre ut.

Code

RIlistItemsMargin(df.eget, fontsize = 11)

itemnr	item
F14	Röker du?
FNY12020	Röker du e-cigaretter?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?
F73	Hur mycket pengar har du spelat för de senaste 30 dagarna?

Item fit

Code

RIitemfitPCM2(df.eget, 500, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F14	0.833	0.83	-0.525	-0.302
FNY12020	0.915	0.911	0.283	0.239
F18	0.909	0.89	-0.163	-0.138
F34	0.773	0.772	-0.829	-0.841
F47	0.722	0.725	-1.318	-1.425
F48	0.787	0.795	-0.493	-0.808
F73	1.436	1.433	0.447	-0.152

PCA

Code

RIpcmPCA(df.eget)

PCA of Rasch model residuals

Eigenvalues
1.56
1.40
1.28
1.14
1.03

Loadings 1st contrast

Code

RIloadLoc(na.omit(df.eget))

Residualkorrelationer

Code

RIresidcorr(df.eget, cutoff = 0.2)

	F14	FNY12020	F18	F34	F47	F48	F73
F14
FNY12020	-0.14
F18	-0.18	-0.04
F34	-0.13	-0.2	-0.08
F47	-0.1	-0.18	-0.12	-0.31
F48	-0.08	-0.11	-0.18	-0.2	0.14
F73	-0.23	-0.19	-0.08	-0.2	-0.23	-0.08
Note:
Relative cut-off value (highlighted in red) is 0.061, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.eget)

Itemhierarki

Code

RIitemHierarchy(df.eget)

Vi kan se att de två högsta svarskategorierna för F47 behöver slås samman, de är oordnade. Det är också tydligt att F73 har hög item fit och behöver tas bort.

Code

df.eget$F47 <- recode(df.eget$F47,"4=3")
df.eget$F73 <- NULL

10.5 Eget bruk 2

Code

RIlistItemsMargin(df.eget, fontsize = 11)

itemnr	item
F14	Röker du?
FNY12020	Röker du e-cigaretter?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?

Item fit

Code

RIitemfitPCM2(df.eget, 500, 32, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F14	0.847	0.849	-0.29	-0.483
FNY12020	0.91	0.908	-0.546	-0.755
F18	0.925	0.909	-0.779	-1.419
F34	0.754	0.748	-2.203	-1.834
F47	0.765	0.816	-2.365	-2.496
F48	0.823	0.83	-1.679	-2.207

PCA

Code

RIpcmPCA(df.eget)

PCA of Rasch model residuals

Eigenvalues
1.52
1.38
1.29
1.04
0.95

Loadings 1st contrast

Code

RIloadLoc(na.omit(df.eget))

Residualkorrelationer

Code

RIresidcorr(df.eget, cutoff = 0.2)

	F14	FNY12020	F18	F34	F47	F48
F14
FNY12020	-0.15
F18	-0.2	-0.05
F34	-0.16	-0.23	-0.1
F47	-0.09	-0.16	-0.09	-0.25
F48	-0.08	-0.11	-0.17	-0.21	0.09
Note:
Relative cut-off value (highlighted in red) is 0.069, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.eget)

Itemhierarki

Code

RIitemHierarchy(df.eget)

10.5.1 Summering av åtgärder för svarskategorier

Code

df.eget$F14 <- recode(df.eget$F14,"3=2;4=3")
df.eget$FNY12020 <- recode(df.eget$FNY12020,"3:4=2")
df.eget$F18 <- recode(df.eget$F18,"2=1;3:4=2")
df.eget$F34 <- recode(df.eget$F34,"2=1;3=2;4=3;5=4")

df.eget$F41 <- NULL
df.eget$F47 <- recode(df.eget$F47,"4=3;5:6=4")
df.eget$F47 <- recode(df.eget$F47,"4=3") # i praktiken 4:6=3 

df.eget$F73 <- recode(df.eget$F73,"2:5=1;6=2")
df.eget$F48 <- recode(df.omit.na$F48,"1=0;2:3=1;4:6=2")

10.6 Invarians/DIF

10.6.1 Kön

Code

RIlistItemsMargin(df.eget, 13)

itemnr	item
F14	Röker du?
FNY12020	Röker du e-cigaretter?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?

Tabell

Code

RIdifTable(df.eget, dif.gender)

Item	2	3	Mean location	StDev	MaxDiff
F14	0.933	1.764	1.348	0.587	0.831
FNY12020	-0.004	-0.056	-0.030	0.037	0.052
F18	-0.473	-1.078	-0.776	0.428	0.606
F34	-0.160	0.027	-0.066	0.133	0.188
F47	-1.324	-1.539	-1.431	0.152	0.215
F48	1.028	0.882	0.955	0.104	0.147

Figur item

Code

RIdifFigure(df.eget, dif.gender)

Figur svarströsklar

Code

RIdifFigThresh(df.eget, dif.gender)

Det är röker och snusar som skiljer sig mellan könen. Figuren med itemtrösklar visar på mera detaljinformation.

10.6.2 Årskurs

Code

RIlistItemsMargin(df.eget, 13)

itemnr	item
F14	Röker du?
FNY12020	Röker du e-cigaretter?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?

Tabell

Code

RIdifTable(df.eget, dif.arskurs)

Item	2	3	Mean location	StDev	MaxDiff
F14	1.288	1.275	1.282	0.009	0.013
FNY12020	-0.428	0.188	-0.120	0.436	0.616
F18	-0.707	-0.698	-0.702	0.007	0.009
F34	-0.041	-0.077	-0.059	0.025	0.036
F47	-1.152	-1.604	-1.378	0.319	0.451
F48	1.039	0.915	0.977	0.088	0.125

Figur item

Code

RIdifFigure(df.eget, dif.arskurs)

Figur svarströsklar

Code

RIdifFigThresh(df.eget, dif.arskurs)

FNY12020 går över gränsvärdet, medan F47 är mycket nära. Det verkar huvudsakligen vara den lägsta tröskeln som förändrats för F47.

10.6.3 Årtal

Här exkluderas FNY122020 eftersom den bara finns för 2020.

Code

final.items <- names(df.eget)
df.dif.years <- df %>% 
  select(any_of(final.items),ar) %>% 
  select(!FNY12020) %>% 
  na.omit()

dif.year <- df.dif.years$ar
df.dif.years$ar <- NULL

df.dif.years$F14 <- recode(df.dif.years$F14,"3=2;4=3")
df.dif.years$F18 <- recode(df.dif.years$F18,"2=1;3:4=2")
df.dif.years$F34 <- recode(df.dif.years$F34,"2=1;3=2;4=3;5=4")

df.dif.years$F41 <- NULL
df.dif.years$F47 <- recode(df.dif.years$F47,"4=3;5:6=4")
df.dif.years$F47 <- recode(df.dif.years$F47,"4=3") # i praktiken 4:6=3 

df.dif.years$F48 <- recode(df.dif.years$F48,"1=0;2:3=1;4:6=2")

Code

RIlistItemsMargin(df.dif.years, 13)

itemnr	item
F14	Röker du?
F18	Snusar du?
F34	Hur ofta dricker du vid ett och samma tillfälle alkohol motsvarande minst 18cl sprit?
F47	Hur många gånger totalt har du använt hasch/marijuana?
F48	Hur många gånger totalt har du använt annan narkotika än hasch/marijuana?

Tabell

Code

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

Item	4	5	7	8	12	13	14	15	Mean location	StDev	MaxDiff
F14	-0.820	-0.771	-0.759	-0.800	-0.753	-0.574	-0.363	-0.147	-0.623	0.246	0.673
F18	-0.143	0.027	0.145	0.251	0.372	0.342	0.227	-0.263	0.120	0.229	0.635
F34	-0.095	-0.227	-0.185	-0.030	0.088	0.084	0.213	0.333	0.023	0.194	0.560
F47	-0.639	-0.603	-0.808	-1.025	-1.176	-1.240	-1.469	-1.275	-1.030	0.317	0.866
F48	1.697	1.575	1.607	1.605	1.469	1.388	1.393	1.352	1.511	0.127	0.345

Figur item

Code

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

Figur tid

Code

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

Figur svarströsklar

Code

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

Här sker en del intressanta förändringar över tid hos samtliga items.

10.7 Debutålder

Här är det förmodligen mest intressant att ta fram medelvärde, median, och spridningsmått, samt visualiseringar.

Det finns dock låga svar som är tvivelaktiga att ta med. När frågor om debutålder besvaras med exempelvis intervallet 0-4 år förefaller det osannolikt att svaret är uppriktigt.

Code

df.debut <- df.omit.na %>%
  select(any_of(itemsANDTSdebut))

10.7.1 Övergripande svarsfördelning

Tabellen nedan gäller samtliga fem items, enbart år 2020.

Code

df.debutAge %>% 
  filter(ar == 2020) %>% 
  select(all_of(itemsANDTSdebut)) %>% 
  RIallresp()

Response category	Number of responses	Percent
0	32	0.0
1	28	0.0
2	24	0.0
3	34	0.1
4	74	0.1
5	90	0.1
6	39	0.1
7	44	0.1
8	33	0.1
9	43	0.1
10	111	0.2
11	155	0.2
12	553	0.8
13	1190	1.8
14	2822	4.3
15	3567	5.5
16	2403	3.7
17	1269	1.9
18	211	0.3
19	35	0.1
20	3	0.0
NA	52565	80.5

Förslagsvis kodas alla svar under 9 års ålder som missing/NA innan andra beräkningar genomförs.

10.7.2 Omkodning av låga svar

Code

RIlistItemsMargin(df.debut, 13)

itemnr	item
F16	Hur gammal var du första gången du rökte?
F20	Hur gammal var du första gången du snusade?
F37	Hur gammal var du första gången du kände dig berusad?
F44	Hur gammal var du första gången du sniffade/boffade?
F51	Hur gammal var du första gången du använde narkotika?

Code

df.debdist <- df.debutAge %>%
  mutate(across(itemsANDTSdebut, ~ recode(.x, "0:8=NA")))
df.debdist %>% 
  filter(ar == 2020) %>% 
  select(all_of(itemsANDTSdebut)) %>% 
  RItileplot()

10.7.3 Visualisering av debutålder

Code

df.debdist %>% 
  filter(ar == 2020) %>% 
  select(all_of(itemsANDTSdebut)) %>% 
  pivot_longer(everything()) %>%
  rename(Item = name,
         Ålder = value) %>% 
  ggplot(aes(x = Ålder, group = Item, fill = Item)) +
  geom_histogram(bins = 20,
                 position = "stack",
                 alpha = 0.9) +
  scale_fill_viridis_d() +
  scale_x_continuous(breaks = c(9:21))

Ovan finns alla svar samlade från både Åk 9 och Gy 2, och båda kön tillsammans.

Nedan finns svaren uppdelade på årskurs.

Code

df.debdist %>% 
  filter(ar == 2020) %>%
  filter(!ARSKURS == "<NA>") %>% 
  select(any_of(c(itemsANDTSdebut,"ARSKURS","ar"))) %>% 
  pivot_longer(itemsANDTSdebut) %>%
  rename(Item = name,
         Ålder = value,
         Årskurs = ARSKURS) %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = Ålder, group = Item, fill = Item)) +
  geom_histogram(bins = 20,
                 position = "stack",
                 alpha = 0.9) +
  scale_fill_viridis_d() +
  scale_x_continuous(breaks = c(9:21)) +
  facet_wrap(~Årskurs)

Code

df.debdist %>% 
  filter(ar == 2020) %>%
  filter(!ARSKURS == "<NA>") %>% 
  filter(Kön %in% c("Pojke","Flicka")) %>% 
  select(any_of(c(itemsANDTSdebut,"ARSKURS","ar","Kön"))) %>% 
  pivot_longer(itemsANDTSdebut) %>%
  rename(Item = name,
         Ålder = value,
         Årskurs = ARSKURS) %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = Ålder, group = Item, fill = Item)) +
  geom_histogram(bins = 20,
                 position = "stack",
                 alpha = 0.9) +
  scale_fill_viridis_d() +
  scale_x_continuous(breaks = c(9:21)) +
  facet_grid(Kön~Årskurs)

Nedan enbart åk2.

Code

df.debdist %>% 
  #filter(ar == 2020) %>%
  filter(ARSKURS == "Gy 2") %>% 
  filter(Kön %in% c("Pojke","Flicka")) %>% 
  select(any_of(c(itemsANDTSdebut,"ARSKURS","ar","Kön"))) %>% 
  pivot_longer(itemsANDTSdebut) %>%
  rename(Item = name,
         Ålder = value,
         Årskurs = ARSKURS) %>%
  mutate(År = factor(ar)) %>% 
  ggplot(aes(x = Ålder, group = Item, fill = Item)) +
  geom_histogram(bins = 20,
                 position = "stack",
                 alpha = 0.9) +
  scale_fill_viridis_d() +
  scale_x_continuous(breaks = c(9:21),
                     guide = guide_axis(n.dodge = 2)) +
  facet_grid(Kön~År)

10.7.4 Debutålder över tid, Gy 2 enbart

Eftersom frågan ställs till både åk 9 och årskurs 2 på gymnasiet verkar det mest relevant att enbart redovisa rapporteringen som görs när eleverna är äldre.

Code

df.debdist %>%
  #filter(ar == 2020) %>%
  filter(ARSKURS %in% c("Gy 2")) %>%
  filter(Kön %in% c("Pojke","Flicka")) %>%
  select(any_of(c(itemsANDTSdebut,"ARSKURS","ar","Kön"))) %>%
  pivot_longer(itemsANDTSdebut) %>%
  rename(Item = name,
         Ålder = value,
         Årskurs = ARSKURS) %>%
  filter(!is.na(Ålder)) %>% 
  mutate(År = factor(ar)) %>% #group_by(År,Årskurs) %>% count(Kön)
  group_by(År,Kön,Item) %>% 
  summarise(
    Medelvärde = mean(Ålder),
    SD = sd(Ålder)
  ) %>% 
  ggplot(aes(x = År, y = Medelvärde, group = Item, color = Item)) +
  geom_point(size = 2) +
  geom_line() +
  #geom_ribbon(aes(ymin = Medelvärde - SD, ymax = Medelvärde + SD, fill = Item, color = NULL), alpha = 0.1) +
  #scale_color_viridis_d(begin = 0.1) +
  scale_x_discrete(breaks = årtal,
                     guide = guide_axis(n.dodge = 2)) +
  labs(title = "Genomsnittslig debutålder per substans över tid") +
  facet_grid(~Kön)

10.7.4.1 Komplement med båda åk

Code

df.debdist %>%
  #filter(ar == 2020) %>%
  filter(ARSKURS %in% c("Åk 9","Gy 2")) %>%
  filter(Kön %in% c("Pojke","Flicka")) %>%
  select(any_of(c(itemsANDTSdebut,"ARSKURS","ar","Kön"))) %>%
  pivot_longer(itemsANDTSdebut) %>%
  rename(Item = name,
         Ålder = value,
         Årskurs = ARSKURS) %>%
  filter(!is.na(Ålder)) %>% 
  mutate(År = factor(ar)) %>% #group_by(År,Årskurs) %>% count(Kön)
  group_by(År,Kön,Årskurs,Item) %>% 
  summarise(
    Medelvärde = mean(Ålder),
    SD = sd(Ålder)
  ) %>% 
  ggplot(aes(x = År, y = Medelvärde, group = Item, color = Item)) +
  geom_point(size = 2) +
  geom_line() +
  #geom_ribbon(aes(ymin = Medelvärde - SD, ymax = Medelvärde + SD, fill = Item, color = NULL), alpha = 0.1) +
  #scale_color_viridis_d(begin = 0.1) +
  scale_x_discrete(breaks = årtal,
                     guide = guide_axis(n.dodge = 2)) +
  labs(title = "Genomsnittslig debutålder per substans över tid") +
  facet_grid(Årskurs~Kön)

10.7.5 Bortfall av svar

Code

RIlistItemsMargin(df.debut, 13)

itemnr	item
F16	Hur gammal var du första gången du rökte?
F20	Hur gammal var du första gången du snusade?
F37	Hur gammal var du första gången du kände dig berusad?
F44	Hur gammal var du första gången du sniffade/boffade?
F51	Hur gammal var du första gången du använde narkotika?

Code

#---- Create a figure showing % of missing data for each item, based on the complete dataset----
df.debut %>%
  t() %>% 
  as.data.frame() %>% 
  mutate(Missing = rowSums(is.na(.))) %>% 
  select(Missing) %>% 
  arrange(desc(Missing)) %>% 
  rownames_to_column(var = "Item") %>% 
  mutate(Percentage = Missing/nrow(df)*100) %>% 
  mutate(Item = factor(Item, levels = rev(Item))) %>%
  ggplot(aes(x = Item, y = Percentage)) +
  geom_col() +
  coord_flip() +
  ggtitle("Missing data per item") +
  xlab("Items") +
  ylab("Percentage of responses missing")

Enbart de som besvarat åtminstone tre av de fem frågorna kan vara med i analysen.

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 <- 3

# Select the variables we will work with, and filter out respondents with a lot of missing data
df.deb2 <- df.debdist %>% 
  filter(length(itemsANDTSdebut)-rowSums(is.na(.[itemsANDTSdebut])) >= min.responses) %>% 
  select(any_of(itemsANDTSdebut))

Detta reducerar sampelstorleken från 3978 till 15283 respondenter.

10.7.6 Svarskategorier

Code

RIallresp(df.deb2)

Response category	Number of responses	Percent
9.0	486	0.6
10.0	1011	1.3
11.0	1774	2.3
12.0	4953	6.5
13.0	8670	11.3
13.5	1	0.0
14.0	12253	16.0
15.0	11593	15.2
16.0	7005	9.2
16.5	1	0.0
17.0	3624	4.7
18.0	491	0.6
19.0	136	0.2
20.0	4	0.0
NA	24413	31.9

Vi slår samman alla upp till 11 år i samma kategori, som betecknas med siffran 0, därefter blir 12 år = kategori 1, 13 år = 2, och så vidare upp till 18-20 år = 7.

Code

df.deb2 <- df.deb2 %>%
  mutate(across(everything(), ~ recode(.x, "1:11=0;12=1;13=2;13.5=2;14=3;15=4;16=5;16.5=6;17=6;18:20=7")))

Code

RItileplot(df.deb2)

Code

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

Enbart item F16 (rökning) uppvisar ordnade svarskategorier. Vi går ändå vidare och tittar på andra parametrar innan några eventuella åtgärder görs.

Det är dock svårt att få modellen att konvergera, vilket också bekräftar att debutålder inte är meningsfullt att bygga något index av.

10.8 Explorativa indexberäkningar och visualisering

Smolkowski och kollegor (smolkowski2006?) skriver på sidan 241: “We created an index of substance use by summing the number of reported substances used in the last month: cigarettes, alcohol, marijuana, or any of the other drugs.”

Det ter sig lite märkligt att inte alls vikta substanserna, men vi kan prova ett liknande upplägg.

Vi har fem items som kan användas, som avser tobaksrökning, snus, alkohol, narkotika (inkl cannabis), samt e-cigaretter. Dock har den sistnämna enbart funnits sedan 2020, så den utelämnas tills vi har hittat ett sätt att se till att den inte förvränger jämförbarheten över tid. Det kan ev. vara lämpligt att på något vis integrera tobaksanvändning, oavsett form.

• Fråga 37 (f36 i data), Hur många gånger har du druckit så mycket alkohol att du känt dig berusad under den senaste 4-veckorsperioden? Fördelningen av svaren är märklig, se histogram nedan

Code

hist(as.numeric(df$f36), col = RISEprimGreen)

Vi kodar om enligt: “4:12=3;13:31=NA”

Code

hist(df$f36r, col = RISEprimGreen)

Samma sak gäller frågan om narkotika-användning.

• 50. Hur många gånger har du använt narkotika (cannabis eller annan narkotika) den senaste 4-veckors perioden?

Code

hist(as.numeric(df$F49), col = RISEprimGreen)

Omkodning: “4:12=3;13:100=NA”

Code

hist(df$F49r, col = RISEprimGreen)

Item F14 är inte formulerad enligt samma tydliga frekvensfråga som de två tidigare frågorna. Den har sedan tidigare kodats enligt nedan:

recode(df$F14,“‘Nej, jag har aldrig rökt’=0; ‘Nej, bara provat hur det smakar’=1; ‘Nej, jag har rökt men slutat’=2; ‘Ja, ibland men inte varje dag’=3; ‘Ja, dagligen’=4; ‘’=NA”, as.factor = F)

Och inför test av index kodas den “0:2=0;3=1;4=2”

Code

hist(df$F14r, col = RISEprimGreen)

Samma gäller FNY12020 (e-cigaretter)

recode(df$FNY12020,“‘Nej, jag har aldrig rökt e-cigaretter’=0; ‘Nej, bara provat hur det smakar’=1; ‘Nej, jag har rökt e-cigaretter men slutat’=2; ‘Ja, ibland men inte varje dag’=3; ‘Ja, dagligen’=4; ‘’=NA”, as.factor = F)

Som blir “0:2=0;3=1;4=2”

Code

hist(df$FNY12020r, col = RISEprimGreen)

Och även F18 för snus.

Code

hist(df$F18r, col = RISEprimGreen)

10.8.1 Separerade på respektive substans

Code

# for FNY12020r and F14r (e-cig and smoking)

itemlabelsPlotFaktor <- cbind(senaste4v,
                              c("Rökning","Snus","Alkohol","Narkotika (inkl. cannabis)","E-cigaretter")) %>% 
  as.data.frame() %>% 
  rename(itemnr = senaste4v,
         item = V2)
  

andtsUseShare <- function(andts) {
  plotFaktor <- andts
  plotFaktorName <- itemlabelsPlotFaktor %>% 
    filter(itemnr == plotFaktor) %>% 
    pull(item)
  
  df %>%
    filter(Kön %in% c("Pojke", "Flicka"),
           !ARSKURS == "<NA>") %>%
    select(all_of(senaste4v), ar, Kön, ARSKURS) %>%
    mutate(
      bruk4v = case_when(
        .data[[plotFaktor]] == 0 ~ "Ej använt",
        .data[[plotFaktor]] == 1 ~ "Ibland men inte varje dag",
        .data[[plotFaktor]] == 2 ~ "Dagligen",
        TRUE ~ "Svar saknas"
      )
    ) %>% 
    mutate(bruk4v = factor(bruk4v, levels = c("Dagligen","Ibland men inte varje dag","Ej använt","Svar saknas"))) %>% 
    group_by(ar, Kön, ARSKURS) %>%
    count(bruk4v, .drop = FALSE) %>%
    mutate(Andel = (100 * n / sum(n)) %>% round(digits = 1)) %>%
    ggplot(aes(x = ar, y = Andel)) +
    geom_area(aes(fill = bruk4v),
      position = "stack",
      alpha = 0.85
    ) +
    scale_fill_manual(values = c("#D55E00", "#F0E442", "#009E73", "lightgrey")) +
    scale_y_continuous(breaks = c(0, 20, 40, 60, 80, 100)) +
    scale_x_continuous(breaks = årtal, guide = guide_axis(n.dodge = 2)) +
    xlab("Årtal") +
    ylab("Andel i %") +
    theme(
      axis.text.x = element_text(size = ax.size, family = "sans"),
      axis.text.y = element_text(size = ax.size, family = "sans"),
      title = element_text(size = title.size),
      legend.text = element_text(size = legend.size),
      strip.text.x = element_text(size = 14),
      panel.spacing = unit(0.5, "cm", data = NULL)
    ) +
    labs(
      title = paste0(plotFaktorName),
      subtitle = "Uppdelat på kön"
    ) +
    facet_grid(ARSKURS ~ Kön)
}

Code

andtsUseShare("F14r")

Code

andtsUseShare("F18r")

Code

# for f36r and F49r
andtsUseShare2 <- function(andts) {
  plotFaktor <- andts
  plotFaktorName <- itemlabelsPlotFaktor %>% 
    filter(itemnr == plotFaktor) %>% 
    pull(item)
  
  df %>%
    filter(Kön %in% c("Pojke", "Flicka"),
           !ARSKURS == "<NA>") %>%
    select(all_of(senaste4v), ar, Kön, ARSKURS) %>%
    mutate(
      bruk4v = case_when(
        .data[[plotFaktor]] == 0 ~ "Ej använt",
        .data[[plotFaktor]] == 1 ~ "En gång",
        .data[[plotFaktor]] == 2 ~ "Två gånger",
        .data[[plotFaktor]] == 3 ~ "Tre gånger eller fler",
        TRUE ~ "Svar saknas"
      )
    ) %>% 
    mutate(bruk4v = factor(bruk4v, levels = c("Tre gånger eller fler","Två gånger","En gång","Ej använt","Svar saknas"))) %>% 
    group_by(ar, Kön, ARSKURS) %>%
    count(bruk4v, .drop = FALSE) %>%
    mutate(Andel = (100 * n / sum(n)) %>% round(digits = 1)) %>%
    ggplot(aes(x = ar, y = Andel)) +
    geom_area(aes(fill = bruk4v),
      position = "stack",
      alpha = 0.85
    ) +
    scale_fill_manual(values = c("#D55E00", "orange", "#F0E442", "#009E73", "lightgrey")) +
    scale_y_continuous(breaks = c(0, 20, 40, 60, 80, 100)) +
    scale_x_continuous(breaks = årtal, guide = guide_axis(n.dodge = 2)) +
    xlab("Årtal") +
    ylab("Andel i %") +
    theme(
      axis.text.x = element_text(size = ax.size, family = "sans"),
      axis.text.y = element_text(size = ax.size, family = "sans"),
      title = element_text(size = title.size),
      legend.text = element_text(size = legend.size),
      strip.text.x = element_text(size = 14),
      panel.spacing = unit(0.5, "cm", data = NULL)
    ) +
    labs(
      title = paste0(plotFaktorName, ", användning senaste 4 veckorna"),
      subtitle = "Uppdelat på kön"
    ) +
    facet_grid(ARSKURS ~ Kön)
}

Code

andtsUseShare2("F36new")

Code

andtsUseShare2("F49new")

10.8.2 Indexvärde för bruk under senaste 4v

Om vi slår samman “F14r”,“F18r”,“F36new”,“F49new”,“FNY12020r” kan man max ha 2+2+3+3+3 = 12

Code

hist(df$Senaste4v, col = RISEprimGreen)

Code

df %>% count(Senaste4v) %>% formattable()

Senaste4v	n
0	63514
1	12001
2	10284
3	8489
4	5579
5	3968
6	1901
7	743
8	382
9	181
10	88
11	3
12	2

Dock finns ingen viktning i ovanstående, så allt bruk likställs, utöver att det går att rapportera högre nivå av alkohol och narkotika, där det är viktigt att notera att den sistnämna inkluderar cannabis.

Code

df %>% 
  select(all_of(senaste4v)) %>% 
  pivot_longer(everything()) %>% 
  ggplot(aes(x = value, fill = name)) +
  geom_histogram()

F14r = rökning F18r = snus f36r = alkohol F49r = narkotika (cannabis eller annan narkotika) GNY12020r = e-cigaretter

Ovanstående är alla år sammanslaget. Nedan fördelat på årtal.

Code

df %>% 
  select(all_of(senaste4v),ar) %>% 
  pivot_longer(senaste4v) %>% 
  ggplot(aes(x = value, fill = name)) +
  geom_histogram() +
  facet_wrap(~ factor(ar))

Code

df %>% 
  select(all_of(senaste4v),ar) %>% 
  pivot_longer(senaste4v) %>% 
  ggplot(aes(x = value, fill = name)) +
  geom_histogram() +
  facet_grid(factor(ar) ~ name)

10.8.2.1 Test visualisering oviktat index “Bruk senaste 4v”

Utifrån siffrorna i tabellen tidigare ter det sig rimligt att slå samman de som har värden på 6 eller mer. Vi ska också testa att gruppera de som har x antal bruk.

Code

plotFaktor = "Senaste4v"
df %>%
  filter(Kön %in% c("Pojke", "Flicka"),
         !ARSKURS == "<NA>") %>%
  select(Senaste4v, ar, Kön, ARSKURS) %>%
  mutate(Senaste4v = recode(Senaste4v,"7:10=6")) %>% 
  mutate(Senaste4v = factor(Senaste4v,
         levels = rev(c(0:6))
         )
         ) %>% 
  #levels = c("Tre gånger eller fler","Två gånger","En gång","Ej använt","Svar saknas"))) %>% 
  group_by(ar, Kön, ARSKURS) %>%
  count(Senaste4v, .drop = FALSE) %>%
  mutate(Andel = (100 * n / sum(n)) %>% round(digits = 1)) %>%
  ggplot(aes(x = ar, y = Andel)) +
  geom_area(aes(fill = Senaste4v),
            position = "stack",
            alpha = 0.85
  ) +
  #scale_fill_manual(values = c("#D55E00", "orange", "#F0E442", "#009E73", "lightgrey")) +
  scale_fill_viridis_d() +
  scale_y_continuous(breaks = c(0, 20, 40, 60, 80, 100)) +
  scale_x_continuous(breaks = årtal, guide = guide_axis(n.dodge = 2)) +
  xlab("Årtal") +
  ylab("Andel i %") +
  theme(
    axis.text.x = element_text(size = ax.size, family = "sans"),
    axis.text.y = element_text(size = ax.size, family = "sans"),
    title = element_text(size = title.size),
    legend.text = element_text(size = legend.size),
    strip.text.x = element_text(size = 14),
    panel.spacing = unit(0.5, "cm", data = NULL)
  ) +
  labs(
    title = paste0("Användning senaste 4 veckorna, oviktat index"),
    subtitle = "Uppdelat på kön"
  ) +
  facet_grid(ARSKURS ~ Kön)

Code

#c("6","5","4","3","2","1","0")

10.8.3 Blandbruk

E-cigaretter ej med pga enbart data från 2020. Snusning finns ej med, kan läggas till om så önskas.

Code

plotFaktor = "Senaste4v"

df %>%
  filter(Kön %in% c("Pojke", "Flicka"),
         !ARSKURS == "<NA>") %>%
  select(all_of(senaste4v), Senaste4v, ar, Kön, ARSKURS) %>%
  mutate(
    bruk4v = case_when(
      Senaste4v == 0 ~ "Ej använt",
      F14r == 1 | F36new == 1 | F49new == 1 ~ "En substans en gång",
      F14r >= 1 & F36new >= 1 ~ "Rökning och alkohol en gång eller oftare",
      F14r >= 1 & F49new >= 1 ~ "Rökning och narkotika en gång eller oftare",
      F36new >= 1 & F49new >= 1 ~ "Alkohol och narkotika en gång eller oftare",
      F14r >= 1 & F36new >= 1 & F49new >= 1 ~ "Alla tre substanser en gång eller oftare",
      TRUE ~ "Svar saknas"
    )
  ) %>% 
  mutate(bruk4v = recode(bruk4v,"NA='Svar saknas'")) %>% 
  mutate(bruk4v = factor(bruk4v, levels = c("Alla tre substanser en gång eller oftare",
                                            "Alkohol och narkotika en gång eller oftare",
                                            "Rökning och narkotika en gång eller oftare",
                                            "Rökning och alkohol en gång eller oftare",
                                            "En substans en gång",
                                            "Ej använt",
                                            "Svar saknas")
  )) %>% 
  select(bruk4v,ar,Kön,ARSKURS) %>% 
  group_by(ar, Kön, ARSKURS) %>%
  count(bruk4v, .drop = FALSE) %>%
  mutate(Andel = (100 * n / sum(n)) %>% round(digits = 1)) %>%
  ggplot(aes(x = ar, y = Andel)) +
  geom_area(aes(fill = bruk4v),
            position = "stack",
            alpha = 0.85
  ) +
  scale_fill_viridis_d(labels = function(x) str_wrap(x, width = 14)) +
  scale_y_continuous(breaks = c(0, 20, 40, 60, 80, 100)) +
  scale_x_continuous(breaks = årtal, guide = guide_axis(n.dodge = 2)) +
  xlab("Årtal") +
  ylab("Andel i %") +
  theme(
    axis.text.x = element_text(size = ax.size, family = "sans"),
    axis.text.y = element_text(size = ax.size, family = "sans"),
    title = element_text(size = title.size),
    legend.text = element_text(size = legend.size),
    strip.text = element_text(size = 12),
    panel.spacing = unit(0.5, "cm", data = NULL)
  ) +
  labs(
    title = paste0("Blandbruk, användning senaste 4 veckorna"),
    subtitle = "Uppdelat på kön"
  ) +
  facet_grid(ARSKURS ~ Kön)

10.8.4 Utan icke-brukare/saknade svar

Code

df %>%
  filter(Kön %in% c("Pojke", "Flicka"),
         !ARSKURS == "<NA>") %>%
  select(all_of(senaste4v), Senaste4v, ar, Kön, ARSKURS) %>%
  mutate(
    bruk4v = case_when(
      Senaste4v == 0 ~ "Ej använt",
      F14r == 1 ~ "Enbart rökning",
      F36new == 1 ~ "Enbart alkohol",
      F49new == 1 ~ "Enbart narkotika",
      F14r >= 1 & F36new >= 1 ~ "Rökning och alkohol en gång eller oftare",
      F14r >= 1 & F49new >= 1 ~ "Rökning och narkotika en gång eller oftare",
      F36new >= 1 & F49new >= 1 ~ "Alkohol och narkotika en gång eller oftare",
      F14r >= 1 & F36new >= 1 & F49new >= 1 ~ "Alla tre substanser en gång eller oftare",
      TRUE ~ "Svar saknas"
    )
  ) %>% 
  mutate(bruk4v = recode(bruk4v,"'Svar saknas'=NA;'Ej använt'=NA")) %>% 
  mutate(bruk4v = factor(bruk4v, levels = c("Alla tre substanser en gång eller oftare",
                                            "Alkohol och narkotika en gång eller oftare",
                                            "Rökning och narkotika en gång eller oftare",
                                            "Rökning och alkohol en gång eller oftare",
                                            "Enbart narkotika",
                                            "Enbart alkohol",
                                            "Enbart rökning")
  )) %>% 
  filter(!is.na(bruk4v)) %>% 
  select(bruk4v,ar,Kön,ARSKURS) %>% 
  group_by(ar, Kön, ARSKURS) %>%
  count(bruk4v, .drop = FALSE) %>%
  mutate(Andel = (100 * n / sum(n)) %>% round(digits = 1)) %>%
  ggplot(aes(x = ar, y = Andel)) +
  geom_area(aes(fill = bruk4v),
            position = "stack",
            alpha = 0.85
  ) +
  #scale_fill_manual(values = c("#D55E00", "orange", "#F0E442", "#009E73", "lightgrey")) +
  scale_fill_viridis_d(labels = function(x) str_wrap(x, width = 14)) +
  scale_y_continuous(breaks = c(0, 20, 40, 60, 80, 100)) +
  scale_x_continuous(breaks = årtal, guide = guide_axis(n.dodge = 2)) +
  xlab("Årtal") +
  ylab("Andel i %") +
  theme(
    axis.text.x = element_text(size = ax.size, family = "sans"),
    axis.text.y = element_text(size = ax.size, family = "sans"),
    title = element_text(size = title.size),
    legend.text = element_text(size = legend.size),
    strip.text = element_text(size = 12),
    panel.spacing = unit(0.5, "cm", data = NULL)
  ) +
  labs(
    title = paste0("Blandbruk, användning senaste 4 veckorna"),
    subtitle = "Uppdelat på kön"
  ) +
  facet_grid(ARSKURS ~ Kön)

10.8.5 Tabell

Code

library(gt)
library(gtExtras)

andtsTable <- function(year) {
df %>%
  filter(Kön %in% c("Pojke", "Flicka"),
         !ARSKURS == "<NA>") %>%
  filter(ar == year) %>% 
  select(all_of(senaste4v), Senaste4v, ar, Kön, ARSKURS) %>%
  # mutate(
  #   bruk4v = case_when(
  #     Senaste4v == 0 ~ "Ej använt",
  #     F14r == 1 | F36new == 1 | F49new == 1 ~ "En substans en gång",
  #     F14r > 1 & F36new > 1 ~ "Rökning och alkohol mer än en gång",
  #     F14r > 1 & F49new > 1 ~ "Rökning och narkotika mer än en gång",
  #     F36new > 1 & F49new > 1 ~ "Alkohol och narkotika mer än en gång",
  #     F14r > 1 & F36new > 1 & F49new > 1 ~ "Alla tre substanser mer än en gång",
  #     TRUE ~ "Svar saknas"
  #   )
  # ) %>% 
  # mutate(bruk4v = recode(bruk4v,"NA='Svar saknas'")) %>% 
  # mutate(bruk4v = factor(bruk4v, levels = c("Alla tre substanser mer än en gång",
  #                                           "Alkohol och narkotika mer än en gång",
  #                                           "Rökning och narkotika mer än en gång",
  #                                           "Rökning och alkohol mer än en gång",
  #                                           "En substans en gång",
  #                                           "Ej använt",
  #                                           "Svar saknas")
  # )) %>% 
  mutate(
    bruk4v = case_when(
      Senaste4v == 0 ~ "Ej använt",
      F14r == 1 ~ "Enbart rökning",
      F36new == 1 ~ "Enbart alkohol",
      F49new == 1 ~ "Enbart narkotika",
      F14r >= 1 & F36new >= 1 ~ "Rökning och alkohol en gång eller oftare",
      F14r >= 1 & F49new >= 1 ~ "Rökning och narkotika en gång eller oftare",
      F36new >= 1 & F49new >= 1 ~ "Alkohol och narkotika en gång eller oftare",
      F14r >= 1 & F36new >= 1 & F49new >= 1 ~ "Alla tre substanser en gång eller oftare",
      TRUE ~ "Svar saknas"
    )
  ) %>% 
  mutate(bruk4v = recode(bruk4v,"'Svar saknas'=NA;'Ej använt'=NA")) %>% 
  mutate(bruk4v = factor(bruk4v, levels = c("Alla tre substanser en gång eller oftare",
                                            "Alkohol och narkotika en gång eller oftare",
                                            "Rökning och narkotika en gång eller oftare",
                                            "Rökning och alkohol en gång eller oftare",
                                            "Enbart narkotika",
                                            "Enbart alkohol",
                                            "Enbart rökning")
  )) %>% 
  select(bruk4v,ar,Kön,ARSKURS) %>% 
  group_by(ar, ARSKURS, Kön) %>%
  count(bruk4v, .drop = FALSE) %>%
  mutate(Andel = (100 * n / sum(n)) %>% round(digits = 1)) %>% 
  rename(År = ar,
         Årskurs = ARSKURS,
         Bruk = bruk4v) %>% 
  gt(.,
   groupname_col = c("Årskurs","Kön"),
   rowname_col = "År") %>% 
  gt_theme_espn() %>% 
  tab_options(table.font.name = "Lato",
              container.width = 500,
              heading.align = "left") %>% 
  cols_align(align = "right")
}

2006

Code

andtsTable(2006)

	Bruk	n	Andel
Åk 9 - Flicka
2006	Alla tre substanser en gång eller oftare	0	0.0
2006	Alkohol och narkotika en gång eller oftare	1	0.0
2006	Rökning och narkotika en gång eller oftare	3	0.1
2006	Rökning och alkohol en gång eller oftare	145	4.8
2006	Enbart narkotika	15	0.5
2006	Enbart alkohol	288	9.6
2006	Enbart rökning	421	14.0
2006	NA	2125	70.9
Åk 9 - Pojke
2006	Alla tre substanser en gång eller oftare	0	0.0
2006	Alkohol och narkotika en gång eller oftare	6	0.2
2006	Rökning och narkotika en gång eller oftare	11	0.4
2006	Rökning och alkohol en gång eller oftare	71	2.4
2006	Enbart narkotika	21	0.7
2006	Enbart alkohol	222	7.6
2006	Enbart rökning	234	8.0
2006	NA	2352	80.6
Gy 2 - Flicka
2006	Alla tre substanser en gång eller oftare	0	0.0
2006	Alkohol och narkotika en gång eller oftare	7	0.2
2006	Rökning och narkotika en gång eller oftare	7	0.2
2006	Rökning och alkohol en gång eller oftare	273	8.4
2006	Enbart narkotika	37	1.1
2006	Enbart alkohol	425	13.1
2006	Enbart rökning	570	17.6
2006	NA	1913	59.2
Gy 2 - Pojke
2006	Alla tre substanser en gång eller oftare	0	0.0
2006	Alkohol och narkotika en gång eller oftare	14	0.5
2006	Rökning och narkotika en gång eller oftare	3	0.1
2006	Rökning och alkohol en gång eller oftare	112	3.8
2006	Enbart narkotika	30	1.0
2006	Enbart alkohol	373	12.5
2006	Enbart rökning	526	17.7
2006	NA	1919	64.5

2010

Code

andtsTable(2010)

	Bruk	n	Andel
Åk 9 - Flicka
2010	Alla tre substanser en gång eller oftare	0	0.0
2010	Alkohol och narkotika en gång eller oftare	2	0.1
2010	Rökning och narkotika en gång eller oftare	9	0.3
2010	Rökning och alkohol en gång eller oftare	157	4.8
2010	Enbart narkotika	36	1.1
2010	Enbart alkohol	255	7.7
2010	Enbart rökning	497	15.0
2010	NA	2348	71.1
Åk 9 - Pojke
2010	Alla tre substanser en gång eller oftare	0	0.0
2010	Alkohol och narkotika en gång eller oftare	6	0.2
2010	Rökning och narkotika en gång eller oftare	18	0.5
2010	Rökning och alkohol en gång eller oftare	143	4.1
2010	Enbart narkotika	32	0.9
2010	Enbart alkohol	219	6.3
2010	Enbart rökning	373	10.7
2010	NA	2694	77.3
Gy 2 - Flicka
2010	Alla tre substanser en gång eller oftare	0	0.0
2010	Alkohol och narkotika en gång eller oftare	11	0.2
2010	Rökning och narkotika en gång eller oftare	14	0.3
2010	Rökning och alkohol en gång eller oftare	423	9.1
2010	Enbart narkotika	70	1.5
2010	Enbart alkohol	607	13.0
2010	Enbart rökning	887	19.0
2010	NA	2650	56.8
Gy 2 - Pojke
2010	Alla tre substanser en gång eller oftare	0	0.0
2010	Alkohol och narkotika en gång eller oftare	30	0.8
2010	Rökning och narkotika en gång eller oftare	18	0.5
2010	Rökning och alkohol en gång eller oftare	238	6.0
2010	Enbart narkotika	82	2.1
2010	Enbart alkohol	483	12.2
2010	Enbart rökning	648	16.3
2010	NA	2466	62.2

2014

Code

andtsTable(2014)

	Bruk	n	Andel
Åk 9 - Flicka
2014	Alla tre substanser en gång eller oftare	0	0.0
2014	Alkohol och narkotika en gång eller oftare	1	0.0
2014	Rökning och narkotika en gång eller oftare	2	0.1
2014	Rökning och alkohol en gång eller oftare	48	1.8
2014	Enbart narkotika	29	1.1
2014	Enbart alkohol	182	7.0
2014	Enbart rökning	298	11.4
2014	NA	2050	78.5
Åk 9 - Pojke
2014	Alla tre substanser en gång eller oftare	0	0.0
2014	Alkohol och narkotika en gång eller oftare	3	0.1
2014	Rökning och narkotika en gång eller oftare	3	0.1
2014	Rökning och alkohol en gång eller oftare	47	1.7
2014	Enbart narkotika	20	0.7
2014	Enbart alkohol	133	4.9
2014	Enbart rökning	171	6.4
2014	NA	2313	86.0
Gy 2 - Flicka
2014	Alla tre substanser en gång eller oftare	0	0.0
2014	Alkohol och narkotika en gång eller oftare	1	0.0
2014	Rökning och narkotika en gång eller oftare	9	0.2
2014	Rökning och alkohol en gång eller oftare	198	5.4
2014	Enbart narkotika	40	1.1
2014	Enbart alkohol	444	12.1
2014	Enbart rökning	614	16.8
2014	NA	2355	64.3
Gy 2 - Pojke
2014	Alla tre substanser en gång eller oftare	0	0.0
2014	Alkohol och narkotika en gång eller oftare	18	0.6
2014	Rökning och narkotika en gång eller oftare	12	0.4
2014	Rökning och alkohol en gång eller oftare	100	3.3
2014	Enbart narkotika	53	1.7
2014	Enbart alkohol	348	11.4
2014	Enbart rökning	424	13.9
2014	NA	2086	68.6

2018

Code

andtsTable(2018)

	Bruk	n	Andel
Åk 9 - Flicka
2018	Alla tre substanser en gång eller oftare	0	0.0
2018	Alkohol och narkotika en gång eller oftare	2	0.1
2018	Rökning och narkotika en gång eller oftare	9	0.3
2018	Rökning och alkohol en gång eller oftare	33	1.2
2018	Enbart narkotika	18	0.7
2018	Enbart alkohol	130	4.8
2018	Enbart rökning	263	9.6
2018	NA	2272	83.3
Åk 9 - Pojke
2018	Alla tre substanser en gång eller oftare	0	0.0
2018	Alkohol och narkotika en gång eller oftare	7	0.3
2018	Rökning och narkotika en gång eller oftare	5	0.2
2018	Rökning och alkohol en gång eller oftare	15	0.5
2018	Enbart narkotika	25	0.9
2018	Enbart alkohol	110	3.9
2018	Enbart rökning	116	4.2
2018	NA	2516	90.1
Gy 2 - Flicka
2018	Alla tre substanser en gång eller oftare	0	0.0
2018	Alkohol och narkotika en gång eller oftare	8	0.3
2018	Rökning och narkotika en gång eller oftare	11	0.4
2018	Rökning och alkohol en gång eller oftare	104	3.4
2018	Enbart narkotika	49	1.6
2018	Enbart alkohol	352	11.4
2018	Enbart rökning	526	17.1
2018	NA	2033	65.9
Gy 2 - Pojke
2018	Alla tre substanser en gång eller oftare	0	0.0
2018	Alkohol och narkotika en gång eller oftare	25	0.9
2018	Rökning och narkotika en gång eller oftare	4	0.1
2018	Rökning och alkohol en gång eller oftare	47	1.6
2018	Enbart narkotika	68	2.4
2018	Enbart alkohol	304	10.6
2018	Enbart rökning	328	11.4
2018	NA	2089	72.9

2020

Code

andtsTable(2020)

	Bruk	n	Andel
Åk 9 - Flicka
2020	Alla tre substanser en gång eller oftare	0	0.0
2020	Alkohol och narkotika en gång eller oftare	7	0.2
2020	Rökning och narkotika en gång eller oftare	1	0.0
2020	Rökning och alkohol en gång eller oftare	50	1.5
2020	Enbart narkotika	27	0.8
2020	Enbart alkohol	208	6.4
2020	Enbart rökning	312	9.7
2020	NA	2627	81.3
Åk 9 - Pojke
2020	Alla tre substanser en gång eller oftare	0	0.0
2020	Alkohol och narkotika en gång eller oftare	7	0.2
2020	Rökning och narkotika en gång eller oftare	5	0.2
2020	Rökning och alkohol en gång eller oftare	19	0.6
2020	Enbart narkotika	41	1.2
2020	Enbart alkohol	172	5.2
2020	Enbart rökning	208	6.3
2020	NA	2870	86.4
Gy 2 - Flicka
2020	Alla tre substanser en gång eller oftare	0	0.0
2020	Alkohol och narkotika en gång eller oftare	9	0.3
2020	Rökning och narkotika en gång eller oftare	7	0.2
2020	Rökning och alkohol en gång eller oftare	103	3.3
2020	Enbart narkotika	38	1.2
2020	Enbart alkohol	352	11.1
2020	Enbart rökning	552	17.4
2020	NA	2104	66.5
Gy 2 - Pojke
2020	Alla tre substanser en gång eller oftare	0	0.0
2020	Alkohol och narkotika en gång eller oftare	28	1.0
2020	Rökning och narkotika en gång eller oftare	5	0.2
2020	Rökning och alkohol en gång eller oftare	40	1.4
2020	Enbart narkotika	57	1.9
2020	Enbart alkohol	331	11.3
2020	Enbart rökning	361	12.3
2020	NA	2106	71.9

10.8.6 Missing data över tid

Code

df %>% 
  select(all_of(senaste4v),ar) %>% 
  pivot_longer(senaste4v) %>% 
  filter(is.na(value),
         !name == "FNY12020r") %>% 
  group_by(ar,name) %>% 
  summarise(n = n()) %>% 
  #mutate(Value = recode(value,"NA=1")) %>% 
  ggplot(aes(x = factor(ar), y = n, color = name, group = name)) +
  geom_point(size = 2) +
  geom_line()

10.9 Föräldrafrågor

Code

itemsANDTSfldr <- c("F17","F21","f22","F40","FNY22020")
df.fldr <- df %>% 
  select(all_of(itemsANDTSfldr)) %>% 
  na.omit()

Fråga f22 är summerad utifrån antalet familjemedlemmar som röker eller snusar, och har därför fler möjliga svarsalternativ.

Övriga frågor har tre möjliga svar, utifrån frågan om huruvida eleven “får” använda en substans för föräldrarna:

• ‘Nej’=0;
• ‘Vet inte’=1;
• ‘Ja’=2;

Code

RIlistItemsMargin(df.fldr, 13)

itemnr	item
F17	Får du röka för dina föräldrar?
F21	Får du snusa för dina föräldrar?
f22	Använder någon i din familj tobak (röker eller snusar)?
F40	Får du dricka alkohol för dina föräldrar?
FNY22020	Får du satsa pengar på spel för dina föräldrar?

10.9.1 Deskriptiv statistik

Code

RItileplot(df.fldr)

Code

RIlistItemsMargin(df.fldr, fontsize = 11)

itemnr	item
F17	Får du röka för dina föräldrar?
F21	Får du snusa för dina föräldrar?
f22	Använder någon i din familj tobak (röker eller snusar)?
F40	Får du dricka alkohol för dina föräldrar?
FNY22020	Får du satsa pengar på spel för dina föräldrar?

Item fit

Code

RIitemfitPCM2(df.fldr, 400, 16, 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
F17	0.517	0.654	-3.442	-3.358
F21	0.6	0.666	-3.781	-3.91
f22	0.988	1.043	-0.325	0.578
F40	0.869	0.896	-1.443	-1.678
FNY22020	1.121	1.065	1.542	0.882

PCA

Code

RIpcmPCA(df.fldr)

PCA of Rasch model residuals

Eigenvalues
1.98
1.23
1.15
0.62
0.01

Loadings 1st contrast

Code

RIloadLoc(na.omit(df.fldr))

Residualkorrelationer

Code

RIresidcorr(df.fldr, cutoff = 0.2)

	F17	F21	f22	F40	FNY22020
F17
F21	0.49
f22	-0.3	-0.34
F40	0.09	0.14	-0.44
FNY22020	-0.06	-0.02	-0.31	-0.1
Note:
Relative cut-off value (highlighted in red) is 0.115, which is 0.2 above the average correlation.

Targeting

Code

RItargeting(df.fldr)

Itemhierarki

Code

RIitemHierarchy(df.fldr)

Som väntat passar inte f22 in bland övriga frågor, vilket syns tydligt på figuren med faktorladdning på första residualkontrasten.

Gällande residualkorrelationer finns ett mycket starkt samband mellan röka och snusa. Det finns även ett samband mellan snusa och alkohol som är något över gränsvärdet.

Vi tar bort f22 och tittar på svarskategorier för övriga frågor

Code

df.fldr$f22 <- NULL

10.9.2 Svarskategorier

Code

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

Att koda “Vet ej” som mitten på svarsskalan var ett test, och det verkar ha fungerat acceptabelt förutom för F40. Vi kodar om “Vet ej” som missing/NA.

Code

df.fldr$F40 <- recode(df.fldr$F40,"1=NA;2=1")
df.erm <- PCM(df.fldr)
plotICC(df.erm, item.subset = "F40")

Code

RItargeting(df.fldr)

Code

RIitemparams(df.fldr,"ANDTSfldr.csv")

	Threshold 1	Threshold 2	Item location
F17	0.39	0.96	0.67
F21	-0.26	0.78	0.26
F40	-0.89	NA	-0.89
FNY22020	-1.12	1.13	0.01

Det är inte möjligt att ta fram något indexvärde, men det bör vara möjligt att ta fram en variabel som säger något om föräldrarnas tillåtande attityd, vilket är en känd riskfaktor för bruk av ANDTS.

En utgångspunkt kan vara ett gränsvärdet på person location -1.5, utifrån item-parametrarna i tabellen ovan.

Code

df.fldr$FLDRscore <- RIestThetas2(df.fldr, cpu = 8)

hist(df.fldr$FLDRscore, col = RISEprimGreen)

Code

ggplot(df.fldr,(aes(x = FLDRscore))) +
  geom_histogram(fill = RISEprimGreen, bins = 40)

Code

df.fldr %>% 
  mutate(Score = case_when(FLDRscore < -1.5 ~ "Låg risk",
                           TRUE ~ "Förhöjd risk")
         )%>% 
  count(Score)

         Score    n
1 Förhöjd risk 5646
2     Låg risk 4988

Eller så kan vi skilja ut de som svarat “Vet ej” eller “Ja” på någon av frågorna som “Förhöjd risk”.

Code

df.fldr %>%
  mutate(Fldr = rowSums(across(any_of(itemsANDTSfldr)))) %>%
  mutate(Score = case_when(Fldr > 0 ~ "Förhöjd risk",
                           TRUE ~ "Låg risk")
         )%>%
  count(Score)

         Score    n
1 Förhöjd risk 4503
2     Låg risk 6131

Alternativt att skilja ut de som svarat “Ja” på någon av dessa fyra frågor, jämfört med övriga.

Code

df.fldr %>% 
  mutate(Score = case_when(F17 == 2 | F21 == 2 | F40 == 1 | FNY22020 == 2 ~ "Förhöjd risk",
                           TRUE ~ "Låg risk")
         )%>%
  count(Score)

         Score    n
1 Förhöjd risk 3070
2     Låg risk 7564

Båda dessa varianter kan testas i sambandsanalyser med andra variabler för att identifiera vilken som förefaller mest korrekt att använda.

10.10 Programvara som använts

Code

pkgs <- cite_packages(cite.tidyverse = TRUE, 
                      output = "table",
                      bib.file = "grateful-refs.bib",
                      include.RStudio = TRUE)
formattable(pkgs, 
            table.attr = 'class=\"table table-striped\" style="font-size: 14px; font-family: Lato; width: 80%"')

Package	Version	Citation
arrow	10.0.0	Richardson et al. (2022)
base	4.2.2	R Core Team (2022)
car	3.1.1	Fox and Weisberg (2019)
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)
foreach	1.5.2	Microsoft and Weston (2022)
formattable	0.2.1	Ren and Russell (2021)
ggrepel	0.9.3	Slowikowski (2023)
glue	1.6.2	Hester and Bryan (2022)
grateful	0.1.11	Rodríguez-Sánchez, Jackson, and Hutchins (2022)
gt	0.8.0	Iannone et al. (2022)
gtExtras	0.4.3	Mock (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)
psych	2.2.9	Revelle (2022)
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	0.1.12	Johansson (2023)
rmarkdown	2.20	Xie, Allaire, and Grolemund (2018); Xie, Dervieux, and Riederer (2020); Allaire et al. (2023)
tidyverse	2.0.0	Wickham et al. (2019)

10.11 Referenser

Allaire, JJ, Yihui Xie, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, Hadley Wickham, Joe Cheng, Winston Chang, and Richard Iannone. 2023. Rmarkdown: Dynamic Documents for r. https://github.com/rstudio/rmarkdown.

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.

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.

Iannone, Richard, Joe Cheng, Barret Schloerke, Ellis Hughes, and JooYoung Seo. 2022. Gt: Easily Create Presentation-Ready Display Tables. https://CRAN.R-project.org/package=gt.

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

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.

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.

Mock, Thomas. 2022. gtExtras: Extending ’Gt’ for Beautiful HTML Tables. https://CRAN.R-project.org/package=gtExtras.

R Core Team. 2022. 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.

Revelle, William. 2022. Psych: Procedures for Psychological, Psychometric, and Personality Research. Evanston, Illinois: Northwestern University. https://CRAN.R-project.org/package=psych.

Richardson, Neal, Ian Cook, Nic Crane, Dewey Dunnington, Romain François, Jonathan Keane, Dragoș Moldovan-Grünfeld, Jeroen Ooms, and Apache Arrow. 2022. Arrow: Integration to ’Apache’ ’Arrow’. https://CRAN.R-project.org/package=arrow.

Rodríguez-Sánchez, Francisco, Connor P. Jackson, and Shaurita D. Hutchins. 2022. Grateful: Facilitate Citation of r Packages. https://github.com/Pakillo/grateful.

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.

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.

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

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.

Wilke, Claus O. 2020. Cowplot: Streamlined Plot Theme and Plot Annotations for ’Ggplot2’. https://CRAN.R-project.org/package=cowplot.

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.

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