--- title: "Export Tabellen & Grafiken" # Titel der Seite weight: 202 # Individuelles Gewicht menuTitle: "Export" # Falls Titel zulang ist, hier Kurztitel tags: ["regression", "export", "regressionstabelle", "regressionsgrafik"] # Tags hiereinsetzen; Kurzwort, was auf der Seite passsiert ---

Oftmals sieht man in Veröffentlichungen nicht nur Regressionstabellen, sondern auch Grafiken der einzelnen Regressionskoeffizienten und deren Konfidenzintervalle. Wir haben bisher nur die Tabellen in der R-Ausgabe. Jetzt lernst du, wie du die Tabellen in dein Text-Dokument für deine Abschlussarbeit oder Hausarbeit bekommst und wie du eine einfache Grafik der Regressionskoeffizienten darstellt. Im letzten Lernblock werden wir dann auch hierzu weiterführende Grafiken einführen.

Modelle in Textdateien exportieren

Es gibt verschiedene libraries mit denen Ergebnisse aus R Regressionsmodelle in verschiedene Dateiformate exportiert werden können (z.B. als txt-Datei, als Bilddatei, oder als tex Datei für \(\LaTeX\)). In diesem Abschnitt wird die library modelsummary dargestellt, die es erleichtert Modelle als R grafisch gut aufbereitet in verschiedene Dateiformate zu exportieren. Falls du dich für alternative libraries interessiert, gibt es hier zwei Alternativen: texreg und stargazer vorgestellt.

Wir können aus der Konsole nicht einfach per copy & paste Tabellen oder Ergebnisse in ein Text-Dokument übertragen. Die library modelsummary ermöglicht aber den Export von Regressionstabellen in verschiedene Formate, die dann in Word oder \(LaTeX\) genutzt werden können.

Zuerst musst du die library installieren. Dieses Mal fügen wir ein zweites Argument hinzu: dependencies = TRUE. Damit geben wir an, dass alle libraries, die modelsummary benötigt und noch nicht installiert sind, automatisch mitinstalliert werden sollen.

install.packages(
  "modelsummary",
  dependencies = TRUE
)
library("modelsummary")

Aus der library nutzt du die Funktion modelsummary(), um dir Modelle ausgeben zu lassen. Wir nutzen hierbei die Ergebnisse der Regressionsberechnung aus dem vorherigen Kapitel. Dies waren die Modelle olsModel und olsModel2.

Um nun diese Tabelle in einem exportierbares Format zu bringen, ruft man einfach die Funktion modelsummary() auf.

modelsummary(olsModel)
Model 1
(Intercept) 0.481
(0.069)
stfeco 0.873
(0.014)
Num.Obs. 4904
R2 0.459
R2 Adj. 0.459
AIC 19313.1
BIC 19332.6
Log.Lik. −9653.566
F 4153.153

Auch kann man ganz einfach mehrere Modelle gleichzeitig ausgeben lassen. So z.B. die beiden Modelle zeitgleich. Denn die Modelle bauen ja aufeinander auf. Deshalb macht es Sinn, diese in einer Tabelle darzustellen.

modelsummary(
  list(olsModel, 
       olsModel2
  )
)
Model 1 Model 2
(Intercept) 0.481 0.677
(0.069) (0.093)
stfeco 0.873 0.874
(0.014) (0.014)
trstlgl −0.042
(0.013)
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Alternativ kann man die Liste vorher selbst in einem Objekt speichern und dann das Objekt in modelsummary() aufrufen:

models <- list(
  olsModel, 
  olsModel2
)
modelsummary(models)

Exportformate

In modelsummary kannst du dir entweder direkt ein fertiges Dateiformat ausgeben lassen, oder den rohen Code für die Ausgabe. Im neuen (zweiten) Argument gibst du die Datei an, in der die Ausgabe gespeichert werden soll. Diese wird automatisch im working directory gespeichert.

Als fertige Formate gibt es folgende Ausgabeoptionen:

modelsummary(
  models, 
  output = "table.docx" # Word-Datei (package flextable nötig)
)

modelsummary(
  models, 
  output = "table.html" # HTML-Datei
)

modelsummary(
  models, 
  output = "table.tex" # Tex-Datei
)

modelsummary(
  models, 
  output = "table.md" # Markdown-Datei
)

modelsummary(
  models, 
  output = "table.txt" # Text-Datei 
)

modelsummary(
  models, 
  output = "table.png" # Bild-Datei 
)

Wie du siehst, gibt es für jeden Bedarf ein Format!

Wenn du mit Textprogrammen arbeitest, die auf Code basieren (z.B. LaTeX oder Websites), kannst du dir die Ausgabe auch in der Konsole ausgeben lassen und dann von dort kopieren. Du gibst dann im zweiten Argument keine Datei an, sondern nur ein Schlagwort!

modelsummary(
  models, 
  output = "html"
)

modelsummary(
  models, 
  output = "latex"
)

modelsummary(
  models, 
  output = "markdown"
)

Ausgabe anpassen

Anzahl Dezimalzeichen

Als erste kann man mit dem Argument fmt die Darstellung der Werte anpassen:

# 4 Dezimalstellen nach dem Dezimaltrennzeichen
modelsummary(
  models, 
  fmt = 4
)
Model 1 Model 2
(Intercept) 0.4808 0.6766
(0.0694) (0.0932)
stfeco 0.8727 0.8736
(0.0135) (0.0136)
trstlgl −0.0421
(0.0132)
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Sollten im oberen Block der Koeffizienten Zahlen vorhanden sein, die in der vierten Nachkommastelle eine \(0\) haben, enden diese nach drei Nachkommastellen. Um das zu vereinheitlichen, kannst du dann du folgendes eingeben:

# 4 Dezimalzeichen und 0 am Ende
modelsummary(
  models, 
  fmt = "%.4f"
)
Model 1 Model 2
(Intercept) 0.4808 0.6766
(0.0694) (0.0932)
stfeco 0.8727 0.8736
(0.0135) (0.0136)
trstlgl −0.0421
(0.0132)
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Alternativ kann man auch die wissenschaftliche Notation nutzen:

# wissenschaftliche Notation
modelsummary(
  models, 
  fmt = "%.4e"
)
Model 1 Model 2
(Intercept) 4.8085e−01 6.7658e−01
(6.9387e−02) (9.3178e−02)
stfeco 8.7271e−01 8.7361e−01
(1.3542e−02) (1.3551e−02)
trstlgl −4.2120e−02
(1.3188e−02)
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Wenn man im Output tatsächlich vom Dezimalzeichen . zu , wechseln möchte, muss man dies global ändern. modelsummary() übernimmt diese Einstellung dann. Wichtig: Du solltest das anschließend wieder ändern!

options(OutDec = ",")

modelsummary(
  olsModel, 
  fmt = 2
)
Model 1
(Intercept) 0,48
(0,07)
stfeco 0,87
(0,01)
Num.Obs. 4904
R2 0,459
R2 Adj. 0,459
AIC 19313,1
BIC 19332,6
Log.Lik. −9653,566
F 4153,153 
options(OutDec = ".")

Koeffizienten anpassen

In der Standardeinstellung wird jeder Koeffizient bzw. Wert in einer einzelnen Zeile dargestellt. Darunter ist jeweils der Standardfehler in runden () (Klammern) angegeben. Abweichend davon kann man individuelle Einstellungen vornehmen und auch das Konfidenzintervall ausgeben lassen.

Dazu nutzen wir zwei neue Argumente: estimates und statistics. Bei estimate geben wir in geschweiften {...} Klammern an, was angezeigt werden soll in der Zeile der jeweiligen Variable. Im Beispiel lassen wir den Koeffizienten und dann in eckigen Klammern [] die untere und obere Grenze des Konfidenzintervvalls ausgeben. Alternativ könnte man auch den p-Wert ({p.value}) oder Signifikanzsternchen ({stars}) ausgeben lassen. Die gesamten Optionen können im Nutzerguide nachgeschlagen werden. Mit dem Argument statistics = NULL schalten wir die vorher vorhandene zweite Zeile nach jeder Variablen aus.

modelsummary(
  models,
  fmt = 1,
  estimate  = "{estimate} [{conf.low}, {conf.high}]",
  statistic = NULL
)
Model 1 Model 2
(Intercept) 0.5 [0.3, 0.6] 0.7 [0.5, 0.9]
stfeco 0.9 [0.8, 0.9] 0.9 [0.8, 0.9]
trstlgl 0.0 [−0.1, 0.0]
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Wir geben nun einfach den Regressionskoeffizienten plus Signifikanzsternchen aus:

modelsummary(
  models,
  fmt = 1,
  estimate  = "{estimate}{stars}",
  statistic = NULL
)
Model 1 Model 2
(Intercept) 0.5*** 0.7***
stfeco 0.9*** 0.9***
trstlgl 0.0**
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Wie man nun sieht ist aber keine Legende hinzugefügt für die Signifikanzsternchen. Immer wenn man manuell die Option {stars} hinzufügt, muss auch manuell über das Argument notes die Legende hinzugefügt werden:

modelsummary(
  models,
  fmt = 1,
  estimate  = "{estimate}{stars}",
  statistic = NULL,
  notes = list('$^{*} p< 0.1$, $^{**} p<0.05$, $^{***} p<0.01$')
)
Model 1 Model 2
(Intercept) 0.5*** 0.7***
stfeco 0.9*** 0.9***
trstlgl 0.0**
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151
\(^{*} p&lt; 0.1\), \(^{**} p&lt;0.05\), \(^{***} p&lt;0.01\)

Alternativ kann man das Argument stars nutzen, so wird automatisch eine Caption hinzugefügt.

modelsummary(
  models, 
  stars = TRUE # standardmäßig an!
) 
## Warning: In version 0.8.0 of the `modelsummary` package, the default significance markers produced by the `stars=TRUE` argument were changed to be consistent with R's defaults.
## This warning is displayed once per session.
Model 1 Model 2
(Intercept) 0.481*** 0.677***
(0.069) (0.093)
stfeco 0.873*** 0.874***
(0.014) (0.014)
trstlgl −0.042**
(0.013)
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Zuguterletzt könnten wir in einer zweiten Zeile auch noch das Konfidenzintervall ausgeben lassen. Dies geschieht im Argument statistics:

modelsummary(
  models,
  fmt = 1,
  estimate  = "{estimate}{stars}",
  statistic = "[{conf.low}, {conf.high}]"
)
Model 1 Model 2
(Intercept) 0.5*** 0.7***
[0.3, 0.6] [0.5, 0.9]
stfeco 0.9*** 0.9***
[0.8, 0.9] [0.8, 0.9]
trstlgl 0.0**
[−0.1, 0.0]
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Für das Argument statistics gibt es die folgenden hilfreichen Standardausgaben:

Wenn wir die Option statistics = "conf.int" kann man zusätzlich noch über das Argument conf_level das Intervall angeben:

modelsummary(
  models,
  fmt = 1,
  stars = TRUE,
  statistic = "conf.int", 
  conf_level = .95
)
Model 1 Model 2
(Intercept) 0.5*** 0.7***
[0.3, 0.6] [0.5, 0.9]
stfeco 0.9*** 0.9***
[0.8, 0.9] [0.8, 0.9]
trstlgl 0.0**
[−0.1, 0.0]
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Man kann auch verschiedene Ausgaben kombinieren und auch mehrere Zeilen ausgeben lassen. Dazu nutzt du die Funktion c() innerhalb des Arguments statistic:

modelsummary(
  models, 
  statistic = c("conf.int",
                "s.e. = {std.error}", 
                "t = {statistic}",
                "p = {p.value}"
  )
)
Model 1 Model 2
(Intercept) 0.481 0.677
[0.345, 0.617] [0.494, 0.859]
s.e. = 0.069 s.e. = 0.093
t = 6.930 t = 7.261
p = 0.000 p = 0.000
stfeco 0.873 0.874
[0.846, 0.899] [0.847, 0.900]
s.e. = 0.014 s.e. = 0.014
t = 64.445 t = 64.468
p = 0.000 p = 0.000
trstlgl −0.042
[−0.068, −0.016]
s.e. = 0.013
t = −3.194
p = 0.001
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Oftmals wollen wir in Darstellungen nicht die Variablennamen aus dem Datensatz anzeigen lassen, sondern bessere Strings, die es der Leser:in erleichtern die Tabelle zu verstehen. Hierzu nutzen wir das Argument coef_rename:

modelsummary(
  models, 
  coef_rename=c("stfeco" = "Zufriedenheit Ökonomie", 
                "trstlgl" = "Vertrauen Rechtssystem"
  )
)
Model 1 Model 2
(Intercept) 0.481 0.677
(0.069) (0.093)
Zufriedenheit Ökonomie 0.873 0.874
(0.014) (0.014)
Vertrauen Rechtssystem −0.042
(0.013)
Num.Obs. 4904 4893
R2 0.459 0.460
R2 Adj. 0.459 0.460
AIC 19313.1 19265.4
BIC 19332.6 19291.4
Log.Lik. −9653.566 −9628.717
F 4153.153 2081.151

Dotwhisker

Als Alternative zur Tabellenausgabe werden vermehrt sogenannte Koeffizientenplots genutzt, In diesen ist der Regressionskoeffizient sowie dessen Konfidenzintervall abgebildet. Dazu kann man die library dotwhisker nutzen. Mithilfe dieser library können Objekte aus lm()-Funktionen direkt geplottet werden.

Zuerst installierst und lädtst du das Paket:

install.packages("dotwhisker")

library("dotwhisker")

Anschließend ruft man die Funktion dwplot() auf, die die Koeffizienten grafisch darstellt. Dies ist ebenfalls ein ggplot, dessen Funktionsumfang du im fünften Lernblock kennenlernst.

dwplot(olsModel2)

Du kannst auch direkt mehrere aufeinander aufbauende Modelle in den Plot integrieren. Dazu nutzt du einfach wieder die Funktion list():

dwplot(
  list(
    olsModel,
    olsModel2
  )
)

So kannst du auch besser sehen, ob sich Koeffizienten verändern, wenn du zusätzliche Variable oder Kontrollvariablen zum Modell hinzufügst.

Das sieht noch etwas unschön aus und du kannst das leicht mit ggplot überarbeite: Du siehst hier nun ein Beispiel, wie es genau funktioniert siehst du im Lernblock 5.

Wir fügen bei 0 eine Linie ein (Signifikanz), wir ändern die Achsenbeschriftung auf der y-Achese und wir ändern die Skala auf der x-Achse und fügen Titel ein.

dwplot(
  list(
    olsModel, 
    olsModel2
  )
) +
  # Linie bei 0
  geom_vline(
    xintercept = 0,
    linetype = "dashed"
  ) +
  # Renaming der y-Achse
  scale_y_discrete(labels = rev(
    c(
      "Zufriedenheit \n Ökonomie", 
      "Vertrauen \n Rechtssystem"
    )
  )
  ) + 
  # x-Achse modifiziert
  scale_x_continuous(
    breaks = seq(
      -1, 
      1,
      0.2
    ),
    limits = c(-1, 1)
  ) +
  # Titel und Caption hinzugefügt
  labs(title = "Lin. Regressionsmodelle auf stfdem",
       caption = "Data: Panem Social Survey."
       )

So erstellst du einfache Grafiken und Tabellen in R, die du leicht in deiner Abschlussarbeit oder in Hausarbeiten nutzen kannst.