Pitchpresentation

milestone_report.Rmd

R plot

# Zusammenhang zwischen Bildungsausgaben und Schulabbrecher:innen in Deutschland (2022) ## Forschungsfrage Besteht ein Zusammenhang zwischen den öffentlichen Bildungsausgaben je Schüler:in und der Zahl früher Schulabgänger:innen in den deutschen Bundesländern? ## Hypothese Bundesländer mit höheren Pro-Kopf-Ausgaben im Bildungsbereich haben eine geringere Quote früher Schulabgänger:innen. ## Daten Die Analyse basiert auf zwei offenen Datensätzen: - **Ausgaben für öffentliche Schulen je Schüler:in nach Bundesländern (2022)** - **Frühe Schulabgänger:innen nach Bundesländern (2022)** Beide Datensätze stammen vom Statistischen Bundesamt und wurden über CSV-Dateien importiert und bereinigt. ## Methode Die beiden Datensätze wurden in R bereinigt, zusammengeführt und anschließend analysiert. Für die Visualisierung wurde ein Scatterplot mit Regressionslinie erstellt. Der Zusammenhang wurde mittels Pearson-Korrelation quantifiziert. ```r correlation <- cor(daten_final$Ausgaben, daten_final$Abbrecher2022) Code: # Pakete laden library(dplyr) library(readr) # Daten einlesen ausgaben <- read_csv2("C:/Users/carme/Desktop/ELMEB/SS 25/Data Science/Forschungsthema/Tabelle-2.1.14.csv", skip = 5) abbrecher <- read_csv2("C:/Users/carme/Desktop/ELMEB/SS 25/Data Science/Forschungsthema/Tabelle-0.64.csv", skip = 5) # Tatsächliche Namen herausfinden von Tabelle Ausgaben names(ausgaben) View(ausgaben) # Namen anpassen in Tabelle Ausgaben ausgaben_clean <- ausgaben %>% select(Bundesland = Land, Jahr, Ausgaben = `Euro...3`) %>% filter(Jahr == 2022) # Tatsächliche Namen herausfinden von Tabelle Abbrecher names(abbrecher) # Passenden Wert aussuchen - frühere Schulabgänger:innen im Jahr 2022. abbrecher_clean <- abbrecher %>% select(Bundesland = `Regionale Aufteilung`, Abbrecher2022 = `Tsd....18`) %>% mutate( Abbrecher2022 = as.numeric(gsub(",", ".", Abbrecher2022)) ) %>% group_by(Bundesland) %>% summarise(Abbrecher2022 = mean(Abbrecher2022, na.rm = TRUE)) # Daten zusammenführen merged <- inner_join(ausgaben_clean, abbrecher_clean, by = "Bundesland") # Ergebnis anzeigen print(merged) # Zeile Länder insgesamt entfernen, damit der Wert nicht verfälscht wird daten_final <- ausgaben_clean %>% left_join(abbrecher_clean, by = "Bundesland") %>% filter(!is.na(Abbrecher2022), Bundesland != "Länder insgesamt") # Korrelation berechnen correlation <- cor(daten_final$Ausgaben, daten_final$Abbrecher2022) # Scatterplot library(ggplot2) ggplot(daten_final, aes(x = Ausgaben, y = Abbrecher2022)) + geom_point(color = "steelblue", size = 3) + geom_smooth(method = "lm", se = FALSE, color = "darkred") + labs( title = "Zusammenhang zwischen Bildungsausgaben und Schulabbrecherquote (2022)", subtitle = paste("Korrelationskoeffizient:", round(correlation, 2)), x = "Ausgaben pro Schüler:in (€)", y = "Frühe Schulabgänger:innen (in Tsd.)" ) + theme_minimal() # Ergebnis: Punkte: Jedes Bundesland als Punkt im Diagramm = unklar - # deshalb nur für BW aussuchen,also BW in blau anzeigen lassen, alles andere grau ggplot(daten_final, aes(x = Ausgaben, y = Abbrecher2022)) + geom_point(aes(color = Bundesland == "Baden-Württemberg"), size = 3) + scale_color_manual(values = c("FALSE" = "lightgray", "TRUE" = "steelblue")) + geom_smooth(method = "lm", se = FALSE, color = "darkred") + labs( title = "Baden-Württemberg im Vergleich", subtitle = paste("Korrelationskoeffizient:", round(correlation, 2)), x = "Ausgaben pro Schüler:in (€)", y = "Frühe Schulabgänger:innen (in Tsd.)", color = "Baden-Württemberg" ) + theme_minimal()

Variable Nominal del caso de estudio de Análisis Estadístico del Consumo de Combustible (MPG) en la ciudad de Ann Arbor, Michigan.

Simulações da Ruína do Jogador, explorando como a quantia inicial influencia na duração média do jogo.

Chapter 6, Exercises 2, 9 and 11, Homework 5

Visualization of the 2025 MLB Season Winning and Losing streaks for all the teams, sorted in descending order based on best Winning Streak.

Winning percentage of MLB AL teams through the 2025 season.

my project