Case-Study zur Arbeitslosigkeit in Deutschland

---

## Organisatorische Hinweise

- Viele Deadlines
- Ungewohntes Format (sehr technisch)
- Github, RStudio, R
- Arbeitsschritte mit Github (3. Problem Set von Github herunterladen und lösen)

- Durch die Deadlines sollten Sie sich mit dem Stoff auseinandersetzen
- Github, R, RStudio und RMarkdown müssen Sie in den Projekten nutzen `$\rightarrow$` Üben mit RTutor
- Visualisierung, Interpretation und Präsentation in den Projekten gefragt `$\rightarrow$` Üben mit der Case-Study

---

## Recap letzte Vorlesungseinheit

- Verschiedene Arten einen Datensatz einzulesen
  - `readr`, `readxl`, `haven`...
- Variablenbezeichnungen stehen nicht zwangsläufig in erster Spalte
- Es gibt oft und viele `NA`s in echten Daten
  - Konsistenzchecks wichtig
- Datensätze sind nicht immer in der Form das wir diese direkt Einlesen können
  - Aus verschiedenen Quellen einlesen, z.B. über eine `for`-Schleife
  - Umformen, da die Daten im `wide`-Format vorliegen -> `pivot_longer`
- Es ist wichtig sich selbst ein Bild von den Daten zu machen

---

# Analyse der Daten

---

## Deskriptive vs. induktive Statistik

- Deskriptive Statistik (beschreibende Statistik) ist beschreibend (wer hätte es gedacht)
- Induktive (auch schließende) Statistik versucht aus der Stichprobe auf die Grundgesamtheit zu schließen
--

- Keine Unterscheidung in der Formel
- Keine Unterscheidung in dem Datensatz der verwendet wird

.question[Worin genau besteht der Unterschied zwischen der deskriptiven und der induktiven Statistik?]

---

## Deskriptive Statistik

- Beschreibung des Datensatzes
  - **Beispiel:** Daten von der Agentur für Arbeit über die Arbeitslosenquote in den Landkreisen
- Mehrere Arten denkbar
  - Tabellenform
  - Visualisierung mittels Schaubildern

---

## Induktive Statistik

- Interesse gilt nicht dem Datensatz selbst, sondern der Population
  - Sie haben keine Vollerhebung durchgeführt, sondern nur eine (zufällige) Stichprobe der Population gezogen
- **Beispiel:** Mikrozensus, d.h. eine Befragung von zufällig ausgewählten Haushalten in Deutschland
- Sie wollen aus der Stichprobe schätzen, wie sich die beobachtete Größe in der Population verhält
- Es gibt viele Arten der induktiven Statistik. Die zwei häufigsten:
  - Vorhersage
  - Erkennen kausaler Zusammenhänge

---

# Deskriptive Statistik

---

## Univariate deskriptive Statistik

- Eine Variable wird dargestellt:
  - Verteilung 
  - Mittelwert
  - Standardabweichung
  - Median 
  - Quantile
- Überblick verschaffen, Eigenschaften der Variablen aufzeigen

---

## Univariate deskriptive Statistik

- Darstellung über eine Tabelle
  - Median, Mittelwert, Standardabweichung und Quantile
- Darstellung über einen Boxplot
  - Median, Inter-Quartile-Range (ICR), Ausreißer
- Darstellung über ein Histogram
  - Verteilung mit Anzahl an Beobachtungen
- Darstellung über einen Kerndichteschätzer
  - Verteilung mit Dichte

---

## Univariate deskriptive Statistik (Boxplot)

---

## Bivariate deskriptive Statistik

Darstellung von Zusammenhängen zweier Variablen

- Korrelation zweier Variablen
- Wenn sich eine Variable verändert, wie verändert sich die andere Variable?

Darstellung als:
- Streudiagramm
- Korrelationskoeffizient (meist innerhalb eines Korrelationsmatrix)

---

# Wie sieht die deskriptive Statistik in der Praxis aus?

---

## Zweiter Teil der Case Study

Eingelesene Daten deskriptiv untersuchen

- Erster Schritt: Deskriptive Tabellen mit `kableExtra` und `gt`
- Zweiter Schritt: Grafiken mit `ggplot2`

Ziele des zweiten Teils der Case Study:

- Daten visualisieren und Zusämmenhänge grafisch veranschaulichen 
- Deskriptive Analysen mittels Korrelationstabellen und deskriptiven Tabellen anfertigen
- Das Verständnis wie Sie ihre Informationen zu bestimmten Fragestellungen möglichst effektiv aufbereiten
- Interaktive Grafiken erstellen

.alert[Im dritten RTutor Problem Set werden Sie Visualisierung zu einzelnen Ländern auf europäischer Ebene.]

---

## Daten und Pakete laden

Wir laden die aus Teil 1 erstellten Datensätze:

```r
library(tidyverse)
library(skimr)
library(sf)
library(viridis)
library(plotly)
library(kableExtra)
library(gt)
library(corrr)
```

```r
# Daten einlesen
einkommen <- readRDS("../case-study/data/einkommen.rds")
bundesland <- readRDS("../case-study/data/bundesland.rds")
landkreise <- readRDS("../case-study/data/landkreise.rds")
bip_zeitreihe <- readRDS("../case-study/data/bip_zeitreihe.rds")
gemeinden <- readRDS("../case-study/data/gemeinden.rds")
gesamtdaten <- readRDS("../case-study/data/gesamtdaten.rds")
schulden_bereinigt <- readRDS("../case-study/data/schulden_bereinigt.rds")
```

---

# Deskriptive Analysen

---

## Arbeitslosenquote berechnen

- Wie viele Landkreise haben wir in den Daten?
- Wie ist die Verteilung der Schulden, Arbeitsenquote und des BIP?

Hierzu müssen wir erst noch die Arbeitslosenquote berechnen:

`$Arbeitslosenquote = Erwerbslose / (Erwerbstätige + Erwerbslose)$`

```r
# Zuerst wollen wir uns noch die Arbeitslosenquote pro Landkreis berechnen
gesamtdaten <- gesamtdaten %>%
  mutate(alo_quote = (total_alo / (erw+total_alo))*100)
```

---

## Anzahl an Beobachtungen

**Quick and dirty**(einfacher Tibble Datensatz): Einen Blick auf die Anzahl an Erwerbstätigen und Einwohnern in Deutschland werfen.

```r
# Wie viele Erwerbstätige und Einwohner (ohne Berlin, Hamburg, Bremen und Bremerhaven) hat Deutschland?
gesamtdaten %>% 
  summarise(total_erw = sum(erw, na.rm=TRUE), total_einwohner = sum(Einwohner, na.rm=TRUE))
```

```
## # A tibble: 1 × 2
##   total_erw total_einwohner
##       <dbl>           <dbl>
## 1  41029891        76573483
```
--

- 41 Mio. Erwerbstätige und 76,5 Mio Einwohner in Deutschland
- Folgende Stadtstaaten sind nicht in unseren Berechnungen enthalten:
  - Hamburg (1.8 Mio.)
  - Berlin (3.75 Mio.) 
  - Bremen (0.7 Mio.) 
  - Bremerhaven (0.1 Mio.)

---

## Anzahl an Beobachtungen

```r
# Anschließend wollen wir eine Summary Statistic für alle Variablen ausgeben lassen
# Entfernen der Histogramme, damit alles auch schön in PDF gedruckt werden kann
gesamtdaten %>% 
  select(alo_quote, Schulden_pro_kopf_lk, bip_pro_kopf, landkreis_name) %>%
  skim_without_charts() %>%
  summary()
```

---

## Anzahl an Beobachtungen

<table style='width: auto;'
      class='table table-condensed'>
<caption>Data summary</caption>
<tbody>
  <tr>
   <td style="text-align:left;"> Name </td>
   <td style="text-align:left;"> Piped data </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Number of rows </td>
   <td style="text-align:left;"> 401 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Number of columns </td>
   <td style="text-align:left;"> 4 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> _______________________ </td>
   <td style="text-align:left;">  </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Column type frequency: </td>
   <td style="text-align:left;">  </td>
  </tr>
  <tr>
   <td style="text-align:left;"> character </td>
   <td style="text-align:left;"> 1 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> numeric </td>
   <td style="text-align:left;"> 3 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> ________________________ </td>
   <td style="text-align:left;">  </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Group variables </td>
   <td style="text-align:left;"> None </td>
  </tr>
</tbody>
</table>

---

## Anzahl an Beobachtungen

- 401 individuelle Beobachtungen in unserem Datensatz.

Hierbei handelt es sich um alle Landkreise und kreisfreien Städte in Deutschland.

- In Deutschland gibt es 294 Landkreise. 
- Weiterhin gibt es in Deutschland 107 kreisfreie Städte

(Quelle: Wikipedia)

---

## Anzahl an Beobachtungen

**Variable type: character**

- Nur 379 unterschiedliche Landkreis Namen in unserem Datensatz mit 401 unterschiedlichen Beobachtungen (Regionalschlüsseln).

- Stadt München ist eine Beobachtung 
- Landkreis München eine weitere Beobachtung

Beide haben unterschiedliche Regionalschlüssel. 
D.h. der "landkreis_name" ist der gleiche, jedoch ist der Regionalschlüssel ein anderer.

---

## Anzahl an Beobachtungen

Nun möchten wir uns noch die einzelnen Variablen aus dem Datensatz näher anschauen:

**Variable type: numeric**

<table>
 <thead>
  <tr>
   <th style="text-align:left;"> skim_variable </th>
   <th style="text-align:right;"> n_missing </th>
   <th style="text-align:right;"> complete_rate </th>
   <th style="text-align:right;"> mean </th>
   <th style="text-align:right;"> sd </th>
   <th style="text-align:right;"> p0 </th>
   <th style="text-align:right;"> p25 </th>
   <th style="text-align:right;"> p50 </th>
   <th style="text-align:right;"> p75 </th>
   <th style="text-align:right;"> p100 </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> alo_quote </td>
   <td style="text-align:right;"> 2 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 5.34 </td>
   <td style="text-align:right;"> 2.38 </td>
   <td style="text-align:right;"> 1.64 </td>
   <td style="text-align:right;"> 3.37 </td>
   <td style="text-align:right;"> 5.05 </td>
   <td style="text-align:right;"> 6.90 </td>
   <td style="text-align:right;"> 13.44 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schulden_pro_kopf_lk </td>
   <td style="text-align:right;"> 4 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 2742.91 </td>
   <td style="text-align:right;"> 2147.50 </td>
   <td style="text-align:right;"> 264.28 </td>
   <td style="text-align:right;"> 1295.03 </td>
   <td style="text-align:right;"> 2080.59 </td>
   <td style="text-align:right;"> 3447.76 </td>
   <td style="text-align:right;"> 14580.57 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> bip_pro_kopf </td>
   <td style="text-align:right;"> 2 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 36827.71 </td>
   <td style="text-align:right;"> 16196.93 </td>
   <td style="text-align:right;"> 15737.94 </td>
   <td style="text-align:right;"> 27544.90 </td>
   <td style="text-align:right;"> 32592.40 </td>
   <td style="text-align:right;"> 39857.83 </td>
   <td style="text-align:right;"> 165520.71 </td>
  </tr>
</tbody>
</table>

---

## Anzahl an Beobachtungen

- Fehlende Beobachtungen für Schulden pro Kopf: _vier_ Landkreise
- Fehlende Beobachtungen für BIP pro Kopf: _zwei_ Landkreise
- Fehlende Beobachtung für Einwohner: _vier_ Landkreise

```r
gesamtdaten %>%
  filter(is.na(Einwohner)) %>%
  select(landkreis_name)
```

```
## # A tibble: 4 × 1
##   landkreis_name
##   <chr>         
## 1 Hamburg       
## 2 Bremen        
## 3 Bremerhaven   
## 4 Berlin
```

.instructions[Wir können diese Landkreise nicht mit in unsere Analyse mit einbeziehen auf Grund der fehlenden Informationen zu Einwohnern!]

---

## Beschreibung der Tabelle

**Variable type: numeric**

Gehen Sie hierbei bitte auf eine Variable (alo_quote, Schulden_pro_Kopf_lk, bip_pro_kopf) und einen der folgenden Punkte ein:
- Mittelwert
- Standardabweichung
- Median

---

## Arbeitslosenquote

Mittelwert: 5,33 Prozent
  - Sehr hoch
  - Jedoch SGB II und SGB III
  - Konsistenzcheck auf [Statista](https://de.statista.com/statistik/daten/studie/1224/umfrage/arbeitslosenquote-in-deutschland-seit-1995/) zeigt eine Arbeitslosenquote von 5,8% für 2017
  - **Jedoch:** Wir haben nicht Berlin und Hamburg in den Daten

Standardabweichung: 2,36
  - Sehr hohe Streuung
  - Deutliche regionale Unterschiede
  - Ist in Prozentpunkten 
 
Median: 4,99 Prozent
  - Nahe am Mittelwert
  - Deutet darauf hin das es wenige Landkreise mit sehr extremen Ausreißern gibt

---

## Verschuldung pro Kopf

Mittelwert: 2743€
  - Moderat von der Höhe her

Standardabweichung: 2148€
  - Sehr hohe Streuung
  - Deutliche regionale Unterschiede
 
Median: 2081€
  - Weiter weg vom Mittelwert
  - Deutet darauf hin das es einzelne Landkreise mit sehr extremen Ausreißern gibt

---

## BIP pro Kopf

Mittelwert: 36828€
  - Insgesamt recht hoch
  - Starker Wirtschaftsstandort Deutschland

Standardabweichung: 16197€
  - Sehr hohe Streuung
  - Deutliche regionale Unterschiede
  - Könnte von einzelnen Landkreisen getrieben werden
 
Median: 32592€
  - Weiter weg vom Mittelwert
  - Deutet darauf hin das es einzelne Landkreise mit sehr extremen Ausreißern gibt

---

# Die Arbeitslosenquote auf Bundeslandebene

---

## Die Arbeitslosenquote auf Bundeslandebene

Wir betrachten:
  - Querschnittsdaten aus 2017
  - Alle Landkreise
  - Für einige Landkreise haben wir keine Informationen (sogenannte "Missing values" -> `n_missing`)
  
.question[Was wollen wir?]

Die regionale Verteilung der Arbeitslosenquote in Deutschland im Jahr 2017 näher betrachten.

---

## Die Arbeitslosenquote auf Bundeslandebene

Zuerst aggregieren wir die Daten auf Bundeslandebene:

```r
bula_data <- gesamtdaten %>% 
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), median_alo = median(alo_quote)) %>%
  ungroup()
```

---

## Die Arbeitslosenquote auf Bundeslandebene

```r
*gesamtdaten
```
]
 
.panel2-bula_data-auto[

```
## # A tibble: 401 × 12
##    Regionalsch…¹ total…² landk…³ bunde…⁴ bunde…⁵ Schul…⁶ Einwo…⁷ Schul…⁸     bip
##    <chr>           <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>   <dbl>   <dbl>
##  1 01001            4512 Flensb… 01      Schles…   5791.   87770  5.08e8 3.67e 9
##  2 01002           12345 Kiel    01      Schles…   3839.  247135  9.49e8 1.14e10
##  3 01003            9692 Lübeck  01      Schles…   5567.  216739  1.21e9 9.16e 9
##  4 01004            3836 Neumün… 01      Schles…   5409.   78759  4.26e8 3.34e 9
##  5 01051            4632 Dithma… 01      Schles…   1670.  133684  2.23e8 4.47e 9
##  6 01053            5592 Herzog… 01      Schles…   1293.  195677  2.53e8 4.50e 9
##  7 01054            5657 Nordfr… 01      Schles…   2624.  165642  4.35e8 5.74e 9
##  8 01055            5748 Osthol… 01      Schles…   1890.  200931  3.80e8 5.27e 9
##  9 01056            8599 Pinneb… 01      Schles…   2225.  311713  6.94e8 9.07e 9
## 10 01057            3264 Plön    01      Schles…   1532.  128763  1.97e8 2.55e 9
## # … with 391 more rows, 3 more variables: bip_pro_kopf <dbl>, erw <dbl>,
## #   alo_quote <dbl>, and abbreviated variable names ¹Regionalschluessel,
## #   ²total_alo, ³landkreis_name, ⁴bundesland, ⁵bundesland_name,
## #   ⁶Schulden_pro_kopf_lk, ⁷Einwohner, ⁸Schulden_gesamt
```
]

---
count: false

```r
gesamtdaten %>%
* group_by( bundesland_name )
```
]
 
.panel2-bula_data-auto[

```
## # A tibble: 401 × 12
## # Groups:   bundesland_name [16]
##    Regionalsch…¹ total…² landk…³ bunde…⁴ bunde…⁵ Schul…⁶ Einwo…⁷ Schul…⁸     bip
##    <chr>           <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>   <dbl>   <dbl>
##  1 01001            4512 Flensb… 01      Schles…   5791.   87770  5.08e8 3.67e 9
##  2 01002           12345 Kiel    01      Schles…   3839.  247135  9.49e8 1.14e10
##  3 01003            9692 Lübeck  01      Schles…   5567.  216739  1.21e9 9.16e 9
##  4 01004            3836 Neumün… 01      Schles…   5409.   78759  4.26e8 3.34e 9
##  5 01051            4632 Dithma… 01      Schles…   1670.  133684  2.23e8 4.47e 9
##  6 01053            5592 Herzog… 01      Schles…   1293.  195677  2.53e8 4.50e 9
##  7 01054            5657 Nordfr… 01      Schles…   2624.  165642  4.35e8 5.74e 9
##  8 01055            5748 Osthol… 01      Schles…   1890.  200931  3.80e8 5.27e 9
##  9 01056            8599 Pinneb… 01      Schles…   2225.  311713  6.94e8 9.07e 9
## 10 01057            3264 Plön    01      Schles…   1532.  128763  1.97e8 2.55e 9
## # … with 391 more rows, 3 more variables: bip_pro_kopf <dbl>, erw <dbl>,
## #   alo_quote <dbl>, and abbreviated variable names ¹Regionalschluessel,
## #   ²total_alo, ³landkreis_name, ⁴bundesland, ⁵bundesland_name,
## #   ⁶Schulden_pro_kopf_lk, ⁷Einwohner, ⁸Schulden_gesamt
```
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
* summarise(mean_alo = mean(alo_quote),
*           sd_alo = sd(alo_quote),
*           median_alo = median(alo_quote))
```
]
 
.panel2-bula_data-auto[

```
## # A tibble: 16 × 4
##    bundesland_name        mean_alo sd_alo median_alo
##    <chr>                     <dbl>  <dbl>      <dbl>
##  1 Baden-Württemberg          3.31  0.644       3.33
##  2 Bayern                     3.04  0.770       3.00
##  3 Berlin                    NA    NA          NA   
##  4 Brandenburg                7.99  1.95        8.28
##  5 Bremen                     8.95  2.54        8.95
##  6 Hamburg                   NA    NA          NA   
##  7 Hessen                     5.01  1.35        5.06
##  8 Mecklenburg-Vorpommern     8.45  1.58        8.00
##  9 Niedersachsen              6.16  1.77        6.01
## 10 Nordrhein-Westfalen        7.15  2.43        6.88
## 11 Rheinland-Pfalz            5.31  1.47        5.26
## 12 Saarland                   5.85  1.73        5.32
## 13 Sachsen                    6.65  1.08        6.31
## 14 Sachsen-Anhalt             9.03  1.59        8.91
## 15 Schleswig-Holstein         6.36  1.00        6.82
## 16 Thüringen                  6.30  1.80        5.70
```
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote),
            sd_alo = sd(alo_quote),
            median_alo = median(alo_quote)) %>%
* ungroup() -> bula_data
```
]
 
.panel2-bula_data-auto[

]

---

## Die Arbeitslosenquote auf Bundeslandebene

Anschließend wollen wir uns eine ansprechende und informative deskriptive Tabelle erstellen:

```
## # A tibble: 14 × 4
##    bundesland_name        mean_alo sd_alo median_alo
##    <chr>                     <dbl>  <dbl>      <dbl>
##  1 Bayern                     3.04  0.770       3.00
##  2 Baden-Württemberg          3.31  0.644       3.33
##  3 Hessen                     5.01  1.35        5.06
##  4 Rheinland-Pfalz            5.31  1.47        5.26
##  5 Saarland                   5.85  1.73        5.32
##  6 Niedersachsen              6.16  1.77        6.01
##  7 Thüringen                  6.30  1.80        5.70
##  8 Schleswig-Holstein         6.36  1.00        6.82
##  9 Sachsen                    6.65  1.08        6.31
## 10 Nordrhein-Westfalen        7.15  2.43        6.88
## 11 Brandenburg                7.99  1.95        8.28
## 12 Mecklenburg-Vorpommern     8.45  1.58        8.00
## 13 Bremen                     8.95  2.54        8.95
## 14 Sachsen-Anhalt             9.03  1.59        8.91
```
]

.pull-right[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 8px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.91 </td>
  </tr>
</tbody>
<tfoot>
<tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup></sup> Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup>1</sup> Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr>
</tfoot>
</table>
]

---

## Die Arbeitslosenquote auf Bundeslandebene

Die Darstellung mit dem Paket `kableExtra` ist deutlich ansprechender als nur einen Tibble zu zeigen!

Folgender Code wurde hier verwendet, welchen wir in der nächsten Folie Schritt für Schritt durchgehen werden:

---

```r
*bula_data
```
]
 
.panel2-bula_kable-auto[

---
count: false

```r
bula_data %>%
* arrange( mean_alo )
```
]
 
.panel2-bula_kable-auto[

```
## # A tibble: 16 × 4
##    bundesland_name        mean_alo sd_alo median_alo
##    <chr>                     <dbl>  <dbl>      <dbl>
##  1 Bayern                     3.04  0.770       3.00
##  2 Baden-Württemberg          3.31  0.644       3.33
##  3 Hessen                     5.01  1.35        5.06
##  4 Rheinland-Pfalz            5.31  1.47        5.26
##  5 Saarland                   5.85  1.73        5.32
##  6 Niedersachsen              6.16  1.77        6.01
##  7 Thüringen                  6.30  1.80        5.70
##  8 Schleswig-Holstein         6.36  1.00        6.82
##  9 Sachsen                    6.65  1.08        6.31
## 10 Nordrhein-Westfalen        7.15  2.43        6.88
## 11 Brandenburg                7.99  1.95        8.28
## 12 Mecklenburg-Vorpommern     8.45  1.58        8.00
## 13 Bremen                     8.95  2.54        8.95
## 14 Sachsen-Anhalt             9.03  1.59        8.91
## 15 Berlin                    NA    NA          NA   
## 16 Hamburg                   NA    NA          NA
```
]

---
count: false

```r
bula_data %>%
  arrange( mean_alo ) %>%
* filter( !is.na(mean_alo) )
```
]
 
.panel2-bula_kable-auto[

---
count: false

```r
bula_data %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_alo) ) %>%
* kbl(col.names = c("Bundesland",
*                   "Mittelwert",
*                   "Std.",
*                   "Median"), digits = 2)
```
]
 
.panel2-bula_kable-auto[
<table>
 <thead>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Thüringen </td>
   <td style="text-align:right;"> 6.30 </td>
   <td style="text-align:right;"> 1.80 </td>
   <td style="text-align:right;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen </td>
   <td style="text-align:right;"> 6.65 </td>
   <td style="text-align:right;"> 1.08 </td>
   <td style="text-align:right;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Brandenburg </td>
   <td style="text-align:right;"> 7.99 </td>
   <td style="text-align:right;"> 1.95 </td>
   <td style="text-align:right;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;"> 8.45 </td>
   <td style="text-align:right;"> 1.58 </td>
   <td style="text-align:right;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen-Anhalt </td>
   <td style="text-align:right;"> 9.03 </td>
   <td style="text-align:right;"> 1.59 </td>
   <td style="text-align:right;"> 8.91 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
bula_data %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_alo) ) %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Median"), digits = 2) %>%
* kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"))
```
]
 
.panel2-bula_kable-auto[
<table class="table table-striped table-hover table-condensed table-responsive" style="margin-left: auto; margin-right: auto;">
 <thead>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Thüringen </td>
   <td style="text-align:right;"> 6.30 </td>
   <td style="text-align:right;"> 1.80 </td>
   <td style="text-align:right;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen </td>
   <td style="text-align:right;"> 6.65 </td>
   <td style="text-align:right;"> 1.08 </td>
   <td style="text-align:right;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Brandenburg </td>
   <td style="text-align:right;"> 7.99 </td>
   <td style="text-align:right;"> 1.95 </td>
   <td style="text-align:right;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;"> 8.45 </td>
   <td style="text-align:right;"> 1.58 </td>
   <td style="text-align:right;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen-Anhalt </td>
   <td style="text-align:right;"> 9.03 </td>
   <td style="text-align:right;"> 1.59 </td>
   <td style="text-align:right;"> 8.91 </td>
  </tr>
</tbody>
</table>
]

---
count: false

---
count: false

```r
bula_data %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_alo) ) %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Median"), digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  kable_paper(full_width = F) %>%
* row_spec(c(7,9, 11,12,14), bold = T, color = "white", background = "#BBBBBB")
```
]
 
.panel2-bula_kable-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'>
 <thead>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.91 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
bula_data %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_alo) ) %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Median"), digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  kable_paper(full_width = F) %>%
  row_spec(c(7,9, 11,12,14), bold = T, color = "white", background = "#BBBBBB") %>%
* add_header_above(c(" " = 1, "Arbeitslosenquote" = 3), align = "c")
```
]
 
.panel2-bula_kable-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.91 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
bula_data %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_alo) ) %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Median"), digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  kable_paper(full_width = F) %>%
  row_spec(c(7,9, 11,12,14), bold = T, color = "white", background = "#BBBBBB") %>%
  add_header_above(c(" " = 1, "Arbeitslosenquote" = 3), align = "c") %>%
* footnote(general = "Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.",
*          general_title = "Bitte beachten: ",
*          number = "Die ostdeutschen Bundesländer sind grau hinterlegt.")
```
]
 
.panel2-bula_kable-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.91 </td>
  </tr>
</tbody>
<tfoot>
<tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup></sup> Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup>1</sup> Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr>
</tfoot>
</table>
]

---

<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 11px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="3"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Median </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 3.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 3.33 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 5.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.26 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 5.32 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 6.01 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.70 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 6.82 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.31 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 6.88 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.28 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.00 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.95 </td>
   <td style="text-align:right;"> 2.54 </td>
   <td style="text-align:right;"> 8.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.91 </td>
  </tr>
</tbody>
<tfoot>
<tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup></sup> Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup>1</sup> Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr>
</tfoot>
</table>

---

## Die Arbeitslosenquote auf Bundeslandebene

--
- Landkreise im Süden Deutschlands haben durchschnittlich eine sehr niedrige Arbeitslosenquote (<4%)
--

- Landkreise in den ostdeutschen Bundesländern leiden unter hohen Arbeitslosenquoten (>8%)
--

- Standardabweichung bei allen Bundesländern vergleichbar   
  - Es gibt hier vermutlich keine großen Ausreißer bei den Arbeitslosenquoten in den Landkreisen

--
- Median liegt recht nahe am Mittelwert für die Bundesländern

.alert[Sehr große Unterschiede in den durchschnittlichen Arbeitslosenquoten zwischen Landkreisen in Ost- und Westdeutschland!]

---

## Die Arbeitslosenquote zwischen Ost- und Westdeutschland

Wir wollen uns eine neue Variable "ost", bzw. "ost_name" generieren.
Anschließend können wir uns die Arbeitslosigkeit für Ost- und Westdeutschland anschauen.

```r
gesamtdaten <- gesamtdaten %>%
  mutate( ost = as.factor(ifelse(bundesland_name %in% c("Brandenburg", "Mecklenburg-Vorpommern", "Sachsen", "Sachsen-Anhalt", "Thüringen"), 1, 0)),
          ost_name = ifelse(ost == 1, "Ostdeutschland", "Westdeutschland"))
```

---

```r
*gesamtdaten
```
]
 
.panel2-ost-auto[

---
count: false

```r
gesamtdaten %>%
* mutate( ost = as.factor(ifelse(bundesland_name %in% c("Brandenburg", "Mecklenburg-Vorpommern", "Sachsen", "Sachsen-Anhalt", "Thüringen"), 1, 0)),
*         ost_name = ifelse(ost == 1, "Ostdeutschland", "Westdeutschland"))
```
]
 
.panel2-ost-auto[

```
## # A tibble: 401 × 14
##    Regionalsch…¹ total…² landk…³ bunde…⁴ bunde…⁵ Schul…⁶ Einwo…⁷ Schul…⁸     bip
##    <chr>           <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>   <dbl>   <dbl>
##  1 01001            4512 Flensb… 01      Schles…   5791.   87770  5.08e8 3.67e 9
##  2 01002           12345 Kiel    01      Schles…   3839.  247135  9.49e8 1.14e10
##  3 01003            9692 Lübeck  01      Schles…   5567.  216739  1.21e9 9.16e 9
##  4 01004            3836 Neumün… 01      Schles…   5409.   78759  4.26e8 3.34e 9
##  5 01051            4632 Dithma… 01      Schles…   1670.  133684  2.23e8 4.47e 9
##  6 01053            5592 Herzog… 01      Schles…   1293.  195677  2.53e8 4.50e 9
##  7 01054            5657 Nordfr… 01      Schles…   2624.  165642  4.35e8 5.74e 9
##  8 01055            5748 Osthol… 01      Schles…   1890.  200931  3.80e8 5.27e 9
##  9 01056            8599 Pinneb… 01      Schles…   2225.  311713  6.94e8 9.07e 9
## 10 01057            3264 Plön    01      Schles…   1532.  128763  1.97e8 2.55e 9
## # … with 391 more rows, 5 more variables: bip_pro_kopf <dbl>, erw <dbl>,
## #   alo_quote <dbl>, ost <fct>, ost_name <chr>, and abbreviated variable names
## #   ¹Regionalschluessel, ²total_alo, ³landkreis_name, ⁴bundesland,
## #   ⁵bundesland_name, ⁶Schulden_pro_kopf_lk, ⁷Einwohner, ⁸Schulden_gesamt
```
]

---

## Die Arbeitslosenquote zwischen Ost- und Westdeutschland

---

```r
*gesamtdaten
```
]
 
.panel2-ost_deskriptiv-auto[

---
count: false

```r
gesamtdaten %>%
* group_by(ost_name)
```
]
 
.panel2-ost_deskriptiv-auto[

```
## # A tibble: 401 × 14
## # Groups:   ost_name [2]
##    Regionalsch…¹ total…² landk…³ bunde…⁴ bunde…⁵ Schul…⁶ Einwo…⁷ Schul…⁸     bip
##    <chr>           <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>   <dbl>   <dbl>
##  1 01001            4512 Flensb… 01      Schles…   5791.   87770  5.08e8 3.67e 9
##  2 01002           12345 Kiel    01      Schles…   3839.  247135  9.49e8 1.14e10
##  3 01003            9692 Lübeck  01      Schles…   5567.  216739  1.21e9 9.16e 9
##  4 01004            3836 Neumün… 01      Schles…   5409.   78759  4.26e8 3.34e 9
##  5 01051            4632 Dithma… 01      Schles…   1670.  133684  2.23e8 4.47e 9
##  6 01053            5592 Herzog… 01      Schles…   1293.  195677  2.53e8 4.50e 9
##  7 01054            5657 Nordfr… 01      Schles…   2624.  165642  4.35e8 5.74e 9
##  8 01055            5748 Osthol… 01      Schles…   1890.  200931  3.80e8 5.27e 9
##  9 01056            8599 Pinneb… 01      Schles…   2225.  311713  6.94e8 9.07e 9
## 10 01057            3264 Plön    01      Schles…   1532.  128763  1.97e8 2.55e 9
## # … with 391 more rows, 5 more variables: bip_pro_kopf <dbl>, erw <dbl>,
## #   alo_quote <dbl>, ost <fct>, ost_name <chr>, and abbreviated variable names
## #   ¹Regionalschluessel, ²total_alo, ³landkreis_name, ⁴bundesland,
## #   ⁵bundesland_name, ⁶Schulden_pro_kopf_lk, ⁷Einwohner, ⁸Schulden_gesamt
```
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
* summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T))
```
]
 
.panel2-ost_deskriptiv-auto[

```
## # A tibble: 2 × 8
##   ost_name        mean_alo sd_alo min_alo   q25 median_alo   q75 max_alo
##   <chr>              <dbl>  <dbl>   <dbl> <dbl>      <dbl> <dbl>   <dbl>
## 1 Ostdeutschland      7.49   1.96    3.76  6.04       7.34  8.87    12.9
## 2 Westdeutschland     4.84   2.18    1.64  3.21       4.25  6.22    13.4
```
]

---
count: false

---
count: false

---
count: false

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>%
  ungroup() %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Minimum",
                    "P25",
                    "Median",
                    "P75",
                    "Maximum"), digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
* kable_paper(full_width = F)
```
]
 
.panel2-ost_deskriptiv-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'>
 <thead>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Minimum </th>
   <th style="text-align:right;"> P25 </th>
   <th style="text-align:right;"> Median </th>
   <th style="text-align:right;"> P75 </th>
   <th style="text-align:right;"> Maximum </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Ostdeutschland </td>
   <td style="text-align:right;"> 7.49 </td>
   <td style="text-align:right;"> 1.96 </td>
   <td style="text-align:right;"> 3.76 </td>
   <td style="text-align:right;"> 6.04 </td>
   <td style="text-align:right;"> 7.34 </td>
   <td style="text-align:right;"> 8.87 </td>
   <td style="text-align:right;"> 12.90 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Westdeutschland </td>
   <td style="text-align:right;"> 4.84 </td>
   <td style="text-align:right;"> 2.18 </td>
   <td style="text-align:right;"> 1.64 </td>
   <td style="text-align:right;"> 3.21 </td>
   <td style="text-align:right;"> 4.25 </td>
   <td style="text-align:right;"> 6.22 </td>
   <td style="text-align:right;"> 13.44 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>%
  ungroup() %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Minimum",
                    "P25",
                    "Median",
                    "P75",
                    "Maximum"), digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  kable_paper(full_width = F) %>%
* add_header_above(c(" " = 1, "Arbeitslosenquote" = 7), align = "c")
```
]
 
.panel2-ost_deskriptiv-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="7"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Minimum </th>
   <th style="text-align:right;"> P25 </th>
   <th style="text-align:right;"> Median </th>
   <th style="text-align:right;"> P75 </th>
   <th style="text-align:right;"> Maximum </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Ostdeutschland </td>
   <td style="text-align:right;"> 7.49 </td>
   <td style="text-align:right;"> 1.96 </td>
   <td style="text-align:right;"> 3.76 </td>
   <td style="text-align:right;"> 6.04 </td>
   <td style="text-align:right;"> 7.34 </td>
   <td style="text-align:right;"> 8.87 </td>
   <td style="text-align:right;"> 12.90 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Westdeutschland </td>
   <td style="text-align:right;"> 4.84 </td>
   <td style="text-align:right;"> 2.18 </td>
   <td style="text-align:right;"> 1.64 </td>
   <td style="text-align:right;"> 3.21 </td>
   <td style="text-align:right;"> 4.25 </td>
   <td style="text-align:right;"> 6.22 </td>
   <td style="text-align:right;"> 13.44 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(mean_alo = mean(alo_quote, na.rm = T), sd_alo = sd(alo_quote, na.rm = T), min_alo = min(alo_quote, na.rm = T), q25 = quantile(alo_quote, c(0.25), na.rm = T), median_alo = median(alo_quote, na.rm = T), q75 = quantile(alo_quote, 0.75, na.rm = T), max_alo = max(alo_quote, na.rm = T)) %>%
  ungroup() %>%
  kbl(col.names = c("Bundesland",
                    "Mittelwert",
                    "Std.",
                    "Minimum",
                    "P25",
                    "Median",
                    "P75",
                    "Maximum"), digits = 2) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  kable_paper(full_width = F) %>%
  add_header_above(c(" " = 1, "Arbeitslosenquote" = 7), align = "c") %>%
* footnote(general = "Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Berechnung enthalten sind.",
*          general_title = "Bitte beachten: ")
```
]
 
.panel2-ost_deskriptiv-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="7"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Minimum </th>
   <th style="text-align:right;"> P25 </th>
   <th style="text-align:right;"> Median </th>
   <th style="text-align:right;"> P75 </th>
   <th style="text-align:right;"> Maximum </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Ostdeutschland </td>
   <td style="text-align:right;"> 7.49 </td>
   <td style="text-align:right;"> 1.96 </td>
   <td style="text-align:right;"> 3.76 </td>
   <td style="text-align:right;"> 6.04 </td>
   <td style="text-align:right;"> 7.34 </td>
   <td style="text-align:right;"> 8.87 </td>
   <td style="text-align:right;"> 12.90 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Westdeutschland </td>
   <td style="text-align:right;"> 4.84 </td>
   <td style="text-align:right;"> 2.18 </td>
   <td style="text-align:right;"> 1.64 </td>
   <td style="text-align:right;"> 3.21 </td>
   <td style="text-align:right;"> 4.25 </td>
   <td style="text-align:right;"> 6.22 </td>
   <td style="text-align:right;"> 13.44 </td>
  </tr>
</tbody>
<tfoot>
<tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup></sup> Wir haben keine Informationen zu Berlin und Hamburg, weshalb sie nicht in der Berechnung enthalten sind.</td></tr>
</tfoot>
</table>
]

---

## Die Arbeitslosenquote zwischen Ost- und Westdeutschland

Große Unterschiede werden sichtbar:
- Fast 3 Prozentpunkte niedriger in den Landkreisen der westdeutschen Bundesländer
- Die Standardabweichung ist vergleichbar
- Der Median liegt in den westdeutschen Landkreisen sogar noch deutlicher unter dem Mittelwert als in ostdeutschen
- Im **25% Quantil** in den **ostdeutschen Landkreisen** ist die Arbeitslosenquote bei **6,04%**
- Bei den **westdeutschen Landkreisen** ist das **75% Quantil** bei einer Arbeitslosenquote von **6,22%**!

---

## Arbeitslosenquote, BIP pro Kopf und Schulden pro Kopf

```r
gesamtdaten %>% 
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

---

```r
*gesamtdaten
```
]
 
.panel2-alo_schulden_bip-auto[

---
count: false

```r
gesamtdaten %>%
* group_by( bundesland_name )
```
]
 
.panel2-alo_schulden_bip-auto[

```
## # A tibble: 401 × 14
## # Groups:   bundesland_name [16]
##    Regionalsch…¹ total…² landk…³ bunde…⁴ bunde…⁵ Schul…⁶ Einwo…⁷ Schul…⁸     bip
##    <chr>           <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>   <dbl>   <dbl>
##  1 01001            4512 Flensb… 01      Schles…   5791.   87770  5.08e8 3.67e 9
##  2 01002           12345 Kiel    01      Schles…   3839.  247135  9.49e8 1.14e10
##  3 01003            9692 Lübeck  01      Schles…   5567.  216739  1.21e9 9.16e 9
##  4 01004            3836 Neumün… 01      Schles…   5409.   78759  4.26e8 3.34e 9
##  5 01051            4632 Dithma… 01      Schles…   1670.  133684  2.23e8 4.47e 9
##  6 01053            5592 Herzog… 01      Schles…   1293.  195677  2.53e8 4.50e 9
##  7 01054            5657 Nordfr… 01      Schles…   2624.  165642  4.35e8 5.74e 9
##  8 01055            5748 Osthol… 01      Schles…   1890.  200931  3.80e8 5.27e 9
##  9 01056            8599 Pinneb… 01      Schles…   2225.  311713  6.94e8 9.07e 9
## 10 01057            3264 Plön    01      Schles…   1532.  128763  1.97e8 2.55e 9
## # … with 391 more rows, 5 more variables: bip_pro_kopf <dbl>, erw <dbl>,
## #   alo_quote <dbl>, ost <fct>, ost_name <chr>, and abbreviated variable names
## #   ¹Regionalschluessel, ²total_alo, ³landkreis_name, ⁴bundesland,
## #   ⁵bundesland_name, ⁶Schulden_pro_kopf_lk, ⁷Einwohner, ⁸Schulden_gesamt
```
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
* summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner))
```
]
 
.panel2-alo_schulden_bip-auto[

```
## # A tibble: 16 × 7
##    bundesland_name        mean_alo sd_alo mean_bip_kopf sd_bip…¹ mean_…² sd_sc…³
##    <chr>                     <dbl>  <dbl>         <dbl>    <dbl>   <dbl>   <dbl>
##  1 Baden-Württemberg          3.31  0.644        43674.   12935.   2185.   1613.
##  2 Bayern                     3.04  0.770        42891.   20008.   1897.   1400.
##  3 Berlin                    NA    NA               NA       NA      NA      NA 
##  4 Brandenburg                7.99  1.95         28803.    5854.   2831.   1474.
##  5 Bremen                     8.95  2.54         42780.   10291.     NA      NA 
##  6 Hamburg                   NA    NA               NA       NA      NA      NA 
##  7 Hessen                     5.01  1.35         40083.   16756.   3731.   2870.
##  8 Mecklenburg-Vorpommern     8.45  1.58         28194.    6239.   3565.   1667.
##  9 Niedersachsen              6.16  1.77         35274.   22952.   1941.   1381.
## 10 Nordrhein-Westfalen        7.15  2.43         35808.   10895.   4243.   2483.
## 11 Rheinland-Pfalz            5.31  1.47         33954.   13965.   3131.   3593.
## 12 Saarland                   5.85  1.73         32923.    7384.   5959.   1363.
## 13 Sachsen                    6.65  1.08         28562.    5243.   2306.    674.
## 14 Sachsen-Anhalt             9.03  1.59         26810.    4097.   2809.   1092.
## 15 Schleswig-Holstein         6.36  1.00         32494.    7691.   2602.   1701.
## 16 Thüringen                  6.30  1.80         28009.    5926.   2832.    547.
## # … with abbreviated variable names ¹sd_bip_kopf, ²mean_schulden_kopf,
## #   ³sd_schulden
```
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
* ungroup() -> bula_data_all
```
]
 
.panel2-alo_schulden_bip-auto[

]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

*bula_data_all
```
]
 
.panel2-alo_schulden_bip-auto[

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

bula_data_all %>%
* arrange( mean_alo )
```
]
 
.panel2-alo_schulden_bip-auto[

```
## # A tibble: 16 × 7
##    bundesland_name        mean_alo sd_alo mean_bip_kopf sd_bip…¹ mean_…² sd_sc…³
##    <chr>                     <dbl>  <dbl>         <dbl>    <dbl>   <dbl>   <dbl>
##  1 Bayern                     3.04  0.770        42891.   20008.   1897.   1400.
##  2 Baden-Württemberg          3.31  0.644        43674.   12935.   2185.   1613.
##  3 Hessen                     5.01  1.35         40083.   16756.   3731.   2870.
##  4 Rheinland-Pfalz            5.31  1.47         33954.   13965.   3131.   3593.
##  5 Saarland                   5.85  1.73         32923.    7384.   5959.   1363.
##  6 Niedersachsen              6.16  1.77         35274.   22952.   1941.   1381.
##  7 Thüringen                  6.30  1.80         28009.    5926.   2832.    547.
##  8 Schleswig-Holstein         6.36  1.00         32494.    7691.   2602.   1701.
##  9 Sachsen                    6.65  1.08         28562.    5243.   2306.    674.
## 10 Nordrhein-Westfalen        7.15  2.43         35808.   10895.   4243.   2483.
## 11 Brandenburg                7.99  1.95         28803.    5854.   2831.   1474.
## 12 Mecklenburg-Vorpommern     8.45  1.58         28194.    6239.   3565.   1667.
## 13 Bremen                     8.95  2.54         42780.   10291.     NA      NA 
## 14 Sachsen-Anhalt             9.03  1.59         26810.    4097.   2809.   1092.
## 15 Berlin                    NA    NA               NA       NA      NA      NA 
## 16 Hamburg                   NA    NA               NA       NA      NA      NA 
## # … with abbreviated variable names ¹sd_bip_kopf, ²mean_schulden_kopf,
## #   ³sd_schulden
```
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

bula_data_all %>%
  arrange( mean_alo ) %>%
* filter( !is.na(mean_schulden_kopf) )
```
]
 
.panel2-alo_schulden_bip-auto[

```
## # A tibble: 13 × 7
##    bundesland_name        mean_alo sd_alo mean_bip_kopf sd_bip…¹ mean_…² sd_sc…³
##    <chr>                     <dbl>  <dbl>         <dbl>    <dbl>   <dbl>   <dbl>
##  1 Bayern                     3.04  0.770        42891.   20008.   1897.   1400.
##  2 Baden-Württemberg          3.31  0.644        43674.   12935.   2185.   1613.
##  3 Hessen                     5.01  1.35         40083.   16756.   3731.   2870.
##  4 Rheinland-Pfalz            5.31  1.47         33954.   13965.   3131.   3593.
##  5 Saarland                   5.85  1.73         32923.    7384.   5959.   1363.
##  6 Niedersachsen              6.16  1.77         35274.   22952.   1941.   1381.
##  7 Thüringen                  6.30  1.80         28009.    5926.   2832.    547.
##  8 Schleswig-Holstein         6.36  1.00         32494.    7691.   2602.   1701.
##  9 Sachsen                    6.65  1.08         28562.    5243.   2306.    674.
## 10 Nordrhein-Westfalen        7.15  2.43         35808.   10895.   4243.   2483.
## 11 Brandenburg                7.99  1.95         28803.    5854.   2831.   1474.
## 12 Mecklenburg-Vorpommern     8.45  1.58         28194.    6239.   3565.   1667.
## 13 Sachsen-Anhalt             9.03  1.59         26810.    4097.   2809.   1092.
## # … with abbreviated variable names ¹sd_bip_kopf, ²mean_schulden_kopf,
## #   ³sd_schulden
```
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

bula_data_all %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_schulden_kopf) ) %>%
* kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html",
*     caption = "Deskriptive Tabelle komplett")
```
]
 
.panel2-alo_schulden_bip-auto[
<table>
<caption>Deskriptive Tabelle komplett</caption>
 <thead>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 42891.12 </td>
   <td style="text-align:right;"> 20008.07 </td>
   <td style="text-align:right;"> 1896.94 </td>
   <td style="text-align:right;"> 1399.73 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 43673.84 </td>
   <td style="text-align:right;"> 12934.97 </td>
   <td style="text-align:right;"> 2185.49 </td>
   <td style="text-align:right;"> 1612.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 40082.52 </td>
   <td style="text-align:right;"> 16755.57 </td>
   <td style="text-align:right;"> 3730.85 </td>
   <td style="text-align:right;"> 2870.38 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 33954.05 </td>
   <td style="text-align:right;"> 13965.48 </td>
   <td style="text-align:right;"> 3130.70 </td>
   <td style="text-align:right;"> 3593.36 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 32923.33 </td>
   <td style="text-align:right;"> 7383.88 </td>
   <td style="text-align:right;"> 5958.80 </td>
   <td style="text-align:right;"> 1363.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 35274.47 </td>
   <td style="text-align:right;"> 22951.65 </td>
   <td style="text-align:right;"> 1941.34 </td>
   <td style="text-align:right;"> 1381.10 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Thüringen </td>
   <td style="text-align:right;"> 6.30 </td>
   <td style="text-align:right;"> 1.80 </td>
   <td style="text-align:right;"> 28009.18 </td>
   <td style="text-align:right;"> 5925.85 </td>
   <td style="text-align:right;"> 2832.09 </td>
   <td style="text-align:right;"> 547.15 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 32494.36 </td>
   <td style="text-align:right;"> 7691.09 </td>
   <td style="text-align:right;"> 2601.65 </td>
   <td style="text-align:right;"> 1700.98 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen </td>
   <td style="text-align:right;"> 6.65 </td>
   <td style="text-align:right;"> 1.08 </td>
   <td style="text-align:right;"> 28562.48 </td>
   <td style="text-align:right;"> 5242.58 </td>
   <td style="text-align:right;"> 2305.58 </td>
   <td style="text-align:right;"> 674.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 35807.86 </td>
   <td style="text-align:right;"> 10894.53 </td>
   <td style="text-align:right;"> 4243.47 </td>
   <td style="text-align:right;"> 2483.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Brandenburg </td>
   <td style="text-align:right;"> 7.99 </td>
   <td style="text-align:right;"> 1.95 </td>
   <td style="text-align:right;"> 28803.45 </td>
   <td style="text-align:right;"> 5853.89 </td>
   <td style="text-align:right;"> 2831.16 </td>
   <td style="text-align:right;"> 1473.58 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;"> 8.45 </td>
   <td style="text-align:right;"> 1.58 </td>
   <td style="text-align:right;"> 28193.92 </td>
   <td style="text-align:right;"> 6239.42 </td>
   <td style="text-align:right;"> 3564.62 </td>
   <td style="text-align:right;"> 1667.49 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen-Anhalt </td>
   <td style="text-align:right;"> 9.03 </td>
   <td style="text-align:right;"> 1.59 </td>
   <td style="text-align:right;"> 26810.40 </td>
   <td style="text-align:right;"> 4096.90 </td>
   <td style="text-align:right;"> 2809.25 </td>
   <td style="text-align:right;"> 1092.19 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

bula_data_all %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_schulden_kopf) ) %>%
  kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html",
      caption = "Deskriptive Tabelle komplett") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                font_size = 9) %>%
  kable_paper(full_width = F) %>%
* row_spec(c(7,9, 11,12,13), bold = T, color = "white", background = "#BBBBBB")
```
]
 
.panel2-alo_schulden_bip-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'>
<caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption>
 <thead>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 42891.12 </td>
   <td style="text-align:right;"> 20008.07 </td>
   <td style="text-align:right;"> 1896.94 </td>
   <td style="text-align:right;"> 1399.73 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 43673.84 </td>
   <td style="text-align:right;"> 12934.97 </td>
   <td style="text-align:right;"> 2185.49 </td>
   <td style="text-align:right;"> 1612.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 40082.52 </td>
   <td style="text-align:right;"> 16755.57 </td>
   <td style="text-align:right;"> 3730.85 </td>
   <td style="text-align:right;"> 2870.38 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 33954.05 </td>
   <td style="text-align:right;"> 13965.48 </td>
   <td style="text-align:right;"> 3130.70 </td>
   <td style="text-align:right;"> 3593.36 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 32923.33 </td>
   <td style="text-align:right;"> 7383.88 </td>
   <td style="text-align:right;"> 5958.80 </td>
   <td style="text-align:right;"> 1363.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 35274.47 </td>
   <td style="text-align:right;"> 22951.65 </td>
   <td style="text-align:right;"> 1941.34 </td>
   <td style="text-align:right;"> 1381.10 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28009.18 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5925.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2832.09 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 547.15 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 32494.36 </td>
   <td style="text-align:right;"> 7691.09 </td>
   <td style="text-align:right;"> 2601.65 </td>
   <td style="text-align:right;"> 1700.98 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28562.48 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5242.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2305.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 674.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 35807.86 </td>
   <td style="text-align:right;"> 10894.53 </td>
   <td style="text-align:right;"> 4243.47 </td>
   <td style="text-align:right;"> 2483.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28803.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5853.89 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2831.16 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1473.58 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28193.92 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6239.42 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3564.62 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1667.49 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 26810.40 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 4096.90 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2809.25 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1092.19 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

bula_data_all %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_schulden_kopf) ) %>%
  kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html",
      caption = "Deskriptive Tabelle komplett") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                font_size = 9) %>%
  kable_paper(full_width = F) %>%
  row_spec(c(7,9, 11,12,13), bold = T, color = "white", background = "#BBBBBB") %>%
* add_header_above(c(" " = 1, "Arbeitslosenquote" = 2, "BIP pro Kopf" = 2, "Schulden pro Kopf" = 2), align = "c")
```
]
 
.panel2-alo_schulden_bip-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;'>
<caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">BIP pro Kopf</div></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Schulden pro Kopf</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 42891.12 </td>
   <td style="text-align:right;"> 20008.07 </td>
   <td style="text-align:right;"> 1896.94 </td>
   <td style="text-align:right;"> 1399.73 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 43673.84 </td>
   <td style="text-align:right;"> 12934.97 </td>
   <td style="text-align:right;"> 2185.49 </td>
   <td style="text-align:right;"> 1612.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 40082.52 </td>
   <td style="text-align:right;"> 16755.57 </td>
   <td style="text-align:right;"> 3730.85 </td>
   <td style="text-align:right;"> 2870.38 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 33954.05 </td>
   <td style="text-align:right;"> 13965.48 </td>
   <td style="text-align:right;"> 3130.70 </td>
   <td style="text-align:right;"> 3593.36 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 32923.33 </td>
   <td style="text-align:right;"> 7383.88 </td>
   <td style="text-align:right;"> 5958.80 </td>
   <td style="text-align:right;"> 1363.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 35274.47 </td>
   <td style="text-align:right;"> 22951.65 </td>
   <td style="text-align:right;"> 1941.34 </td>
   <td style="text-align:right;"> 1381.10 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28009.18 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5925.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2832.09 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 547.15 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 32494.36 </td>
   <td style="text-align:right;"> 7691.09 </td>
   <td style="text-align:right;"> 2601.65 </td>
   <td style="text-align:right;"> 1700.98 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28562.48 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5242.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2305.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 674.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 35807.86 </td>
   <td style="text-align:right;"> 10894.53 </td>
   <td style="text-align:right;"> 4243.47 </td>
   <td style="text-align:right;"> 2483.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28803.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5853.89 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2831.16 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1473.58 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28193.92 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6239.42 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3564.62 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1667.49 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 26810.40 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 4096.90 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2809.25 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1092.19 </td>
  </tr>
</tbody>
</table>
]

---
count: false

```r
gesamtdaten %>%
  group_by( bundesland_name ) %>%
  summarise(mean_alo = mean(alo_quote), sd_alo = sd(alo_quote), mean_bip_kopf = mean(bip_pro_kopf), sd_bip_kopf = sd(bip_pro_kopf), mean_schulden_kopf = mean(Schulden_gesamt/Einwohner), sd_schulden = sd(Schulden_gesamt/Einwohner)) %>%
  ungroup() -> bula_data_all

bula_data_all %>%
  arrange( mean_alo ) %>%
  filter( !is.na(mean_schulden_kopf) ) %>%
  kbl(col.names = c("Bundesland", "Mittelwert","Std.","Mittelwert","Std.", "Mittelwert","Std."), digits = 2, format = "html",
      caption = "Deskriptive Tabelle komplett") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                font_size = 9) %>%
  kable_paper(full_width = F) %>%
  row_spec(c(7,9, 11,12,13), bold = T, color = "white", background = "#BBBBBB") %>%
  add_header_above(c(" " = 1, "Arbeitslosenquote" = 2, "BIP pro Kopf" = 2, "Schulden pro Kopf" = 2), align = "c") %>%
* footnote(general = "Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.",
*          general_title = "Bitte beachten: ",
*          number = "Die ostdeutschen Bundesländer sind grau hinterlegt.")
```
]
 
.panel2-alo_schulden_bip-auto[
<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'>
<caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">BIP pro Kopf</div></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Schulden pro Kopf</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 42891.12 </td>
   <td style="text-align:right;"> 20008.07 </td>
   <td style="text-align:right;"> 1896.94 </td>
   <td style="text-align:right;"> 1399.73 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 43673.84 </td>
   <td style="text-align:right;"> 12934.97 </td>
   <td style="text-align:right;"> 2185.49 </td>
   <td style="text-align:right;"> 1612.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 40082.52 </td>
   <td style="text-align:right;"> 16755.57 </td>
   <td style="text-align:right;"> 3730.85 </td>
   <td style="text-align:right;"> 2870.38 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 33954.05 </td>
   <td style="text-align:right;"> 13965.48 </td>
   <td style="text-align:right;"> 3130.70 </td>
   <td style="text-align:right;"> 3593.36 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 32923.33 </td>
   <td style="text-align:right;"> 7383.88 </td>
   <td style="text-align:right;"> 5958.80 </td>
   <td style="text-align:right;"> 1363.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 35274.47 </td>
   <td style="text-align:right;"> 22951.65 </td>
   <td style="text-align:right;"> 1941.34 </td>
   <td style="text-align:right;"> 1381.10 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28009.18 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5925.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2832.09 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 547.15 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 32494.36 </td>
   <td style="text-align:right;"> 7691.09 </td>
   <td style="text-align:right;"> 2601.65 </td>
   <td style="text-align:right;"> 1700.98 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28562.48 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5242.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2305.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 674.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 35807.86 </td>
   <td style="text-align:right;"> 10894.53 </td>
   <td style="text-align:right;"> 4243.47 </td>
   <td style="text-align:right;"> 2483.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28803.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5853.89 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2831.16 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1473.58 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28193.92 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6239.42 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3564.62 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1667.49 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 26810.40 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 4096.90 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2809.25 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1092.19 </td>
  </tr>
</tbody>
<tfoot>
<tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup></sup> Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup>1</sup> Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr>
</tfoot>
</table>
]

---

## Arbeitslosenquote, BIP pro Kopf und Schulden pro Kopf

<table class="table table-striped table-hover table-condensed table-responsive lightable-paper" style='font-size: 9px; margin-left: auto; margin-right: auto; font-family: "Arial Narrow", arial, helvetica, sans-serif; width: auto !important; margin-left: auto; margin-right: auto;border-bottom: 0;'>
<caption style="font-size: initial !important;">Deskriptive Tabelle komplett</caption>
 <thead>
<tr>
<th style="empty-cells: hide;" colspan="1"></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Arbeitslosenquote</div></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">BIP pro Kopf</div></th>
<th style="padding-bottom:0; padding-left:3px;padding-right:3px;text-align: center; " colspan="2"><div style="border-bottom: 1px solid #00000020; padding-bottom: 5px; ">Schulden pro Kopf</div></th>
</tr>
  <tr>
   <th style="text-align:left;"> Bundesland </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
   <th style="text-align:right;"> Mittelwert </th>
   <th style="text-align:right;"> Std. </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Bayern </td>
   <td style="text-align:right;"> 3.04 </td>
   <td style="text-align:right;"> 0.77 </td>
   <td style="text-align:right;"> 42891.12 </td>
   <td style="text-align:right;"> 20008.07 </td>
   <td style="text-align:right;"> 1896.94 </td>
   <td style="text-align:right;"> 1399.73 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Baden-Württemberg </td>
   <td style="text-align:right;"> 3.31 </td>
   <td style="text-align:right;"> 0.64 </td>
   <td style="text-align:right;"> 43673.84 </td>
   <td style="text-align:right;"> 12934.97 </td>
   <td style="text-align:right;"> 2185.49 </td>
   <td style="text-align:right;"> 1612.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Hessen </td>
   <td style="text-align:right;"> 5.01 </td>
   <td style="text-align:right;"> 1.35 </td>
   <td style="text-align:right;"> 40082.52 </td>
   <td style="text-align:right;"> 16755.57 </td>
   <td style="text-align:right;"> 3730.85 </td>
   <td style="text-align:right;"> 2870.38 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.31 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 33954.05 </td>
   <td style="text-align:right;"> 13965.48 </td>
   <td style="text-align:right;"> 3130.70 </td>
   <td style="text-align:right;"> 3593.36 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.85 </td>
   <td style="text-align:right;"> 1.73 </td>
   <td style="text-align:right;"> 32923.33 </td>
   <td style="text-align:right;"> 7383.88 </td>
   <td style="text-align:right;"> 5958.80 </td>
   <td style="text-align:right;"> 1363.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.16 </td>
   <td style="text-align:right;"> 1.77 </td>
   <td style="text-align:right;"> 35274.47 </td>
   <td style="text-align:right;"> 22951.65 </td>
   <td style="text-align:right;"> 1941.34 </td>
   <td style="text-align:right;"> 1381.10 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Thüringen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.30 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.80 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28009.18 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5925.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2832.09 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 547.15 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.36 </td>
   <td style="text-align:right;"> 1.00 </td>
   <td style="text-align:right;"> 32494.36 </td>
   <td style="text-align:right;"> 7691.09 </td>
   <td style="text-align:right;"> 2601.65 </td>
   <td style="text-align:right;"> 1700.98 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.65 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.08 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28562.48 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5242.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2305.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 674.06 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.15 </td>
   <td style="text-align:right;"> 2.43 </td>
   <td style="text-align:right;"> 35807.86 </td>
   <td style="text-align:right;"> 10894.53 </td>
   <td style="text-align:right;"> 4243.47 </td>
   <td style="text-align:right;"> 2483.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Brandenburg </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.99 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.95 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28803.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5853.89 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2831.16 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1473.58 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.45 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.58 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28193.92 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6239.42 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3564.62 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1667.49 </td>
  </tr>
  <tr>
   <td style="text-align:left;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> Sachsen-Anhalt </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 9.03 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 26810.40 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 4096.90 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 2809.25 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1092.19 </td>
  </tr>
</tbody>
<tfoot>
<tr><td style="padding: 0; " colspan="100%"><span style="font-style: italic;">Bitte beachten: </span></td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup></sup> Wir haben keine Informationen zu Berlin, Hamburg und Bremen bzgl. ihrer Schulden pro Kopf, weshalb sie nicht in der Tabelle aufgeführt wurden.</td></tr>
<tr><td style="padding: 0; " colspan="100%">
<sup>1</sup> Die ostdeutschen Bundesländer sind grau hinterlegt.</td></tr>
</tfoot>
</table>

---

## Arbeitslosenquote, BIP pro Kopf und Schulden pro Kopf

- Landkreise in Bundesländer mit niedrigen Arbeitslosenquoten haben durchschnittlich ein hohes BIP pro Kopf
- Ostdeutsche Landkreise haben im Durchschnitt ein BIP pro Kopf < 30000€
- Westdeutsche Landkreise haben im Durchschnitt ein BIP pro Kopf > 30000€
- Kein klares Bild der Landkreise hinsichtlich der Schulden pro Kopf

.alert[Allein durch Mittelwert und Standardabweichung können wir bereits sehr viel über regionale Unterschiede lernen.]

---

## Entwicklung des BIP

Auch zeitliche Entwicklungen können in einer Tabelle dargestellt werden

.instructions[Als Beispiel sollten Sie sich die Tabelle zur Entwicklung des BIP pro Kopf in der Case-Study anschauen]

---

# Datenvisualisierung

---

## Arbeitslosenquote

.alert[Das Auge verarbeitet Informationen deutlich schneller und intuitiver wenn diese in einer Grafik präsentiert werden, anstatt in Tabellenform.]

Daher ist es wichtig Grafiken in den desktiptiven Analysen mit einzubeziehen

**Daten:** Querschnittsdaten zur Arbeitslosigkeit in den Landkreisen aus dem Jahr 2017

Die folgende Grafik sollte enthalten:
- **Zeige alle Daten**: Jeder Landkreis wird durch einen Punkt in der Grafik repräsentiert
- Boxplot der Arbeitslosigkeit wird über die Punktewolke gelegt

---

```r
*gesamtdaten
```
]
 
.panel2-alo_jitter-auto[

---
count: false

```r
gesamtdaten %>%
* select(alo_quote, landkreis_name, bundesland_name, ost_name)
```
]
 
.panel2-alo_jitter-auto[

```
## # A tibble: 401 × 4
##    alo_quote landkreis_name      bundesland_name    ost_name       
##        <dbl> <chr>               <chr>              <chr>          
##  1      7.01 Flensburg           Schleswig-Holstein Westdeutschland
##  2      6.72 Kiel                Schleswig-Holstein Westdeutschland
##  3      7.04 Lübeck              Schleswig-Holstein Westdeutschland
##  4      6.82 Neumünster          Schleswig-Holstein Westdeutschland
##  5      7.11 Dithmarschen        Schleswig-Holstein Westdeutschland
##  6      7.43 Herzogtum Lauenburg Schleswig-Holstein Westdeutschland
##  7      5.90 Nordfriesland       Schleswig-Holstein Westdeutschland
##  8      5.97 Ostholstein         Schleswig-Holstein Westdeutschland
##  9      6.23 Pinneberg           Schleswig-Holstein Westdeutschland
## 10      6.92 Plön                Schleswig-Holstein Westdeutschland
## # … with 391 more rows
```
]

---
count: false

```r
gesamtdaten %>%
  select(alo_quote, landkreis_name, bundesland_name, ost_name) %>%
* mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0)))
```
]
 
.panel2-alo_jitter-auto[

```
## # A tibble: 401 × 5
##    alo_quote landkreis_name      bundesland_name    ost_name        baden_wuer…¹
##        <dbl> <chr>               <chr>              <chr>           <fct>       
##  1      7.01 Flensburg           Schleswig-Holstein Westdeutschland 0           
##  2      6.72 Kiel                Schleswig-Holstein Westdeutschland 0           
##  3      7.04 Lübeck              Schleswig-Holstein Westdeutschland 0           
##  4      6.82 Neumünster          Schleswig-Holstein Westdeutschland 0           
##  5      7.11 Dithmarschen        Schleswig-Holstein Westdeutschland 0           
##  6      7.43 Herzogtum Lauenburg Schleswig-Holstein Westdeutschland 0           
##  7      5.90 Nordfriesland       Schleswig-Holstein Westdeutschland 0           
##  8      5.97 Ostholstein         Schleswig-Holstein Westdeutschland 0           
##  9      6.23 Pinneberg           Schleswig-Holstein Westdeutschland 0           
## 10      6.92 Plön                Schleswig-Holstein Westdeutschland 0           
## # … with 391 more rows, and abbreviated variable name ¹baden_wuerttemberg
```
]

---
count: false

```r
gesamtdaten %>%
  select(alo_quote, landkreis_name, bundesland_name, ost_name) %>%
  mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>%
* ggplot(aes(x = ost_name, y=alo_quote))
```
]
 
.panel2-alo_jitter-auto[
![](VL_case-study-Teil2_files/figure-html/alo_jitter_auto_04_output-1.png)
]

---
count: false

---
count: false

---
count: false

---
count: false

---
count: false

```r
gesamtdaten %>%
  select(alo_quote, landkreis_name, bundesland_name, ost_name) %>%
  mutate(baden_wuerttemberg = as.factor(ifelse(bundesland_name == "Baden-Württemberg", 1, 0))) %>%
  ggplot(aes(x = ost_name, y=alo_quote)) +
  geom_jitter(aes(color = ifelse(baden_wuerttemberg == 1, "darkred", "darkgrey")), alpha=0.5) +
  scale_color_identity() +
  geom_boxplot(alpha = 0.1) +
  theme_minimal() +
* labs(title = "Arbeitslosenquote in Deutschland",
*      subtitle = "Eine Beobachtung repräsentiert einen Landkreis, Baden-Württemberg rot eingefärbt",
*      x = "",
*      y = "Arbeitslosenquote",
*      caption = "Quelle: Daten der Agentur für Arbeit aus dem Jahr 2017")
```
]
 
.panel2-alo_jitter-auto[
![](VL_case-study-Teil2_files/figure-html/alo_jitter_auto_09_output-1.png)
]

---

## Arbeitslosenquote

---

## Arbeitslosenquote

**Beschreibung** des Schaubilds:
- Rote Datenpunkte Baden-Württemberg, fast alle unter dem Median in Westdeutschland
- Median in Westdeutschland deutlich geringer als in Ostdeutschland
- 75% Quantil in Westdeutschland entspricht (fast) 25% Quantil in Ostdeutschland
- Alle Landkreise unter 15% Arbeitslosenquote; Verglichen mit den europäischen Daten sehr gut

---

## Bruttoinlandsprodukt pro Kopf

Es gibt deutliche regionale Unterschiede zwischen den Landkreisen. Doch ist dies auch beim BIP pro Kopf der Fall?
Und war das schon immer so?

Hier können wir sehen:
- ob es auch regionale Unterschiede im BIP pro Kopf gibt
- ob die regionalen Unterschiede schon längere Zeit bestehen
- ob die regionalen Unterschiede sich vergrößern oder verkleinern

---

## Bruttoinlandsprodukt pro Kopf

Das Bruttoinlandsprodukt stellt die wichtigste gesamtwirtschaftliche Kenngröße dar. Falls das BIP in einem Landkreis hoch ist könnte dies unter anderem daran liegen, dass

- viele Personen in diesem Landkreis erwerbstätig sind, 
- oder das die Erwerbstätigen in Branchen mit hoher Produktivität arbeiten.

Falls der erste Punkt zutrifft sollte ein hohes BIP pro Kopf (berechnet als BIP pro **Einwohner**) tendenziell auch mit einer niedrigeren Arbeitslosenquote einhergehen.

---

```r
*options(scipen = 5)
```
]
 
.panel2-bip1-auto[

]

---
count: false

```r
options(scipen = 5)
*bip_zeitreihe_namen
```
]
 
.panel2-bip1-auto[

```
## # A tibble: 11,172 × 8
##    Regionalschluessel  Jahr         bip einwoh…¹ bip_p…² bunde…³ landk…⁴ ost_n…⁵
##    <chr>              <dbl>       <dbl>    <dbl>   <dbl> <chr>   <chr>   <chr>  
##  1 08111               1992 32946884000   593628  55501. Baden-… Stuttg… Westde…
##  2 08115               1992 12090930000   343190  35231. Baden-… Böblin… Westde…
##  3 08116               1992 12275605000   487370  25187. Baden-… Esslin… Westde…
##  4 08117               1992  5062037000   248688  20355. Baden-… Göppin… Westde…
##  5 08118               1992 11714160000   475248  24649. Baden-… Ludwig… Westde…
##  6 08119               1992  8500405000   389670  21814. Baden-… Rems-M… Westde…
##  7 08121               1992  4219259000   118566  35586. Baden-… Heilbr… Westde…
##  8 08125               1992  6073525000   283163  21449. Baden-… Heilbr… Westde…
##  9 08126               1992  2273334000    96072  23663. Baden-… Hohenl… Westde…
## 10 08127               1992  3432175000   169617  20235. Baden-… Schwäb… Westde…
## # … with 11,162 more rows, and abbreviated variable names ¹einwohner,
## #   ²bip_pro_kopf, ³bundesland_name, ⁴landkreis_name, ⁵ost_name
```
]

---
count: false

```r
options(scipen = 5)
bip_zeitreihe_namen %>%
* filter( Jahr >= 2000 )
```
]
 
.panel2-bip1-auto[

```
## # A tibble: 8,379 × 8
##    Regionalschluessel  Jahr         bip einwoh…¹ bip_p…² bunde…³ landk…⁴ ost_n…⁵
##    <chr>              <dbl>       <dbl>    <dbl>   <dbl> <chr>   <chr>   <chr>  
##  1 08111               2000 35273886000   571528  61719. Baden-… Stuttg… Westde…
##  2 08115               2000 13867882000   359476  38578. Baden-… Böblin… Westde…
##  3 08116               2000 14404617000   492914  29223. Baden-… Esslin… Westde…
##  4 08117               2000  6000420000   253970  23626. Baden-… Göppin… Westde…
##  5 08118               2000 14657540000   492014  29791. Baden-… Ludwig… Westde…
##  6 08119               2000 10367512000   403830  25673. Baden-… Rems-M… Westde…
##  7 08121               2000  5273634000   115590  45624. Baden-… Heilbr… Westde…
##  8 08125               2000  8453750000   316406  26718. Baden-… Heilbr… Westde…
##  9 08126               2000  3083030000   106494  28950. Baden-… Hohenl… Westde…
## 10 08127               2000  4503834000   184222  24448. Baden-… Schwäb… Westde…
## # … with 8,369 more rows, and abbreviated variable names ¹einwohner,
## #   ²bip_pro_kopf, ³bundesland_name, ⁴landkreis_name, ⁵ost_name
```
]

---
count: false

```r
options(scipen = 5)
bip_zeitreihe_namen %>%
  filter( Jahr >= 2000 ) %>%
* group_by(ost_name, Jahr)
```
]
 
.panel2-bip1-auto[

```
## # A tibble: 8,379 × 8
## # Groups:   ost_name, Jahr [42]
##    Regionalschluessel  Jahr         bip einwoh…¹ bip_p…² bunde…³ landk…⁴ ost_n…⁵
##    <chr>              <dbl>       <dbl>    <dbl>   <dbl> <chr>   <chr>   <chr>  
##  1 08111               2000 35273886000   571528  61719. Baden-… Stuttg… Westde…
##  2 08115               2000 13867882000   359476  38578. Baden-… Böblin… Westde…
##  3 08116               2000 14404617000   492914  29223. Baden-… Esslin… Westde…
##  4 08117               2000  6000420000   253970  23626. Baden-… Göppin… Westde…
##  5 08118               2000 14657540000   492014  29791. Baden-… Ludwig… Westde…
##  6 08119               2000 10367512000   403830  25673. Baden-… Rems-M… Westde…
##  7 08121               2000  5273634000   115590  45624. Baden-… Heilbr… Westde…
##  8 08125               2000  8453750000   316406  26718. Baden-… Heilbr… Westde…
##  9 08126               2000  3083030000   106494  28950. Baden-… Hohenl… Westde…
## 10 08127               2000  4503834000   184222  24448. Baden-… Schwäb… Westde…
## # … with 8,369 more rows, and abbreviated variable names ¹einwohner,
## #   ²bip_pro_kopf, ³bundesland_name, ⁴landkreis_name, ⁵ost_name
```
]

---
count: false

```r
options(scipen = 5)
bip_zeitreihe_namen %>%
  filter( Jahr >= 2000 ) %>%
  group_by(ost_name, Jahr) %>%
* mutate( durchschnitt = mean(bip_pro_kopf),
*         ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA))
```
]
 
.panel2-bip1-auto[

```
## # A tibble: 8,379 × 10
## # Groups:   ost_name, Jahr [42]
##    Regiona…¹  Jahr     bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ durch…⁷   ulm
##    <chr>     <dbl>   <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl> <dbl>
##  1 08111      2000 3.53e10  571528  61719. Baden-… Stuttg… Westde…  25714.    NA
##  2 08115      2000 1.39e10  359476  38578. Baden-… Böblin… Westde…  25714.    NA
##  3 08116      2000 1.44e10  492914  29223. Baden-… Esslin… Westde…  25714.    NA
##  4 08117      2000 6.00e 9  253970  23626. Baden-… Göppin… Westde…  25714.    NA
##  5 08118      2000 1.47e10  492014  29791. Baden-… Ludwig… Westde…  25714.    NA
##  6 08119      2000 1.04e10  403830  25673. Baden-… Rems-M… Westde…  25714.    NA
##  7 08121      2000 5.27e 9  115590  45624. Baden-… Heilbr… Westde…  25714.    NA
##  8 08125      2000 8.45e 9  316406  26718. Baden-… Heilbr… Westde…  25714.    NA
##  9 08126      2000 3.08e 9  106494  28950. Baden-… Hohenl… Westde…  25714.    NA
## 10 08127      2000 4.50e 9  184222  24448. Baden-… Schwäb… Westde…  25714.    NA
## # … with 8,369 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷durchschnitt
```
]

---
count: false

```r
options(scipen = 5)
bip_zeitreihe_namen %>%
  filter( Jahr >= 2000 ) %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf),
          ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>%
* ggplot()
```
]
 
.panel2-bip1-auto[
![](VL_case-study-Teil2_files/figure-html/bip1_auto_06_output-1.png)
]

---
count: false

---
count: false

---
count: false

---
count: false

---
count: false

---
count: false

---
count: false

```r
options(scipen = 5)
bip_zeitreihe_namen %>%
  filter( Jahr >= 2000 ) %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf),
          ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>%
  ggplot() +
  geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") +
  geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") +
  geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") +
  scale_y_continuous(trans = "log10") +
  theme_minimal() +
  facet_wrap(ost_name ~ .) +
* theme(legend.position = "none")
```
]
 
.panel2-bip1-auto[
![](VL_case-study-Teil2_files/figure-html/bip1_auto_13_output-1.png)
]

---
count: false

```r
options(scipen = 5)
bip_zeitreihe_namen %>%
  filter( Jahr >= 2000 ) %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf),
          ulm = ifelse(landkreis_name == "Ulm", bip_pro_kopf,NA)) %>%
  ggplot() +
  geom_line(aes(x = Jahr, y = bip_pro_kopf, group = Regionalschluessel), color = "grey") +
  geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel), color = "darkblue") +
  geom_line(aes(x = Jahr, y = ulm, group = Regionalschluessel), color = "darkgreen") +
  scale_y_continuous(trans = "log10") +
  theme_minimal() +
  facet_wrap(ost_name ~ .) +
  theme(legend.position = "none") +
* labs(title = "Ein Vergleich des BIP pro Kopf von ost- und westdeutschen Landkreisen",
*      subtitle = "Durchschnittswerte in Dunkelblau, Ulm in Dunkelgrün",
*      caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.",
*      x = "Jahr",
*      y = "BIP pro Kopf")
```
]
 
.panel2-bip1-auto[
![](VL_case-study-Teil2_files/figure-html/bip1_auto_14_output-1.png)
]

---

## Bruttoinlandsprodukt pro Kopf

**Beschreibung:**
- Logarithmische Skalierung der y-Achse
- Das Niveau des BIP pro Kopf ist in den ostdeutschen Landkreisen deutlich niedriger als in den westdeutschen. 
- Stadtkreis Ulm hat ein sehr hohes BIP pro Kopf, auch im Zeitablauf
- Das BIP Pro Kopf nimmt im Zeitablauf in den ostdeutschen Landkreisen zu, doch erreicht es mit durchschnittlich 28091€ den Wert, welchen die westdeutschen Landkreise durchschnittlich in 2006 hatten!
- In 2008/2009 gibt es überall einen Einbruch beim BIP pro Kopf, jedoch scheint dieser in den ostdeutschen Bundesländern nicht so stark gewesen zu sein

**Interpretation:**
- Eine Wachstumsprozess im BIP pro Kopf findet in allen Landkreisen statt, jedoch gibt es für die ostdeutschen Landkreise, welche deutlich niedriger gestartet sind, keinen erkennbaren Anpassungsprozess in Form eines schnelleren Wachstums
- Wir sehen auch keinen Anpassungsprozess der Landkreise in Westdeutschland
- Fraglich ist, ob wir hier mit einem Anpassungsprozess von strukturschwachen Landkreisen überhaupt rechnen sollten

---

## Bruttoinlandsprodukt pro Kopf

Daten ab 1992 vorhanden, d.h. wir können auch weiter zuück gehen:
- **Allerdings:** Keine Daten zu _allen_ Landkreisen, daher Vorsicht!
- Hier sehen wir einen Anpassungsprozess in den 1990er Jahren
- Anpassung verlangsamt sich, ab 2010 praktisch parallel

---

---

## Wachstum des BIP pro Kopf

Paneldaten beim BIP pro Kopf vorhanden, d.h. wir können:

- Das **Wachstum** des BIP pro Kopf
- Für alle Landkreise in Deutschland
- Seit 2000 bis 2017

berechnen und visualisieren.

---

```r
*bip_zeitreihe_namen
```
]
 
.panel2-bip2-auto[

---
count: false

```r
bip_zeitreihe_namen %>%
* group_by(Regionalschluessel)
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 11,172 × 8
## # Groups:   Regionalschluessel [399]
##    Regionalschluessel  Jahr         bip einwoh…¹ bip_p…² bunde…³ landk…⁴ ost_n…⁵
##    <chr>              <dbl>       <dbl>    <dbl>   <dbl> <chr>   <chr>   <chr>  
##  1 08111               1992 32946884000   593628  55501. Baden-… Stuttg… Westde…
##  2 08115               1992 12090930000   343190  35231. Baden-… Böblin… Westde…
##  3 08116               1992 12275605000   487370  25187. Baden-… Esslin… Westde…
##  4 08117               1992  5062037000   248688  20355. Baden-… Göppin… Westde…
##  5 08118               1992 11714160000   475248  24649. Baden-… Ludwig… Westde…
##  6 08119               1992  8500405000   389670  21814. Baden-… Rems-M… Westde…
##  7 08121               1992  4219259000   118566  35586. Baden-… Heilbr… Westde…
##  8 08125               1992  6073525000   283163  21449. Baden-… Heilbr… Westde…
##  9 08126               1992  2273334000    96072  23663. Baden-… Hohenl… Westde…
## 10 08127               1992  3432175000   169617  20235. Baden-… Schwäb… Westde…
## # … with 11,162 more rows, and abbreviated variable names ¹einwohner,
## #   ²bip_pro_kopf, ³bundesland_name, ⁴landkreis_name, ⁵ost_name
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
* arrange(Regionalschluessel, Jahr)
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 11,172 × 8
## # Groups:   Regionalschluessel [399]
##    Regionalschluessel  Jahr        bip einwohner bip_p…¹ bunde…² landk…³ ost_n…⁴
##    <chr>              <dbl>      <dbl>     <dbl>   <dbl> <chr>   <chr>   <chr>  
##  1 01001               1992 2555393000     86642  29494. Schles… Flensb… Westde…
##  2 01001               1994 2624290000     86287  30414. Schles… Flensb… Westde…
##  3 01001               1995 2628469000     85506  30740. Schles… Flensb… Westde…
##  4 01001               1996 2578880000     84499  30520. Schles… Flensb… Westde…
##  5 01001               1997 2725086000     83344  32697. Schles… Flensb… Westde…
##  6 01001               1998 2872187000     82112  34979. Schles… Flensb… Westde…
##  7 01001               1999 2712126000     81276  33369. Schles… Flensb… Westde…
##  8 01001               2000 2487282000     80758  30799. Schles… Flensb… Westde…
##  9 01001               2001 2465393000     80489  30630. Schles… Flensb… Westde…
## 10 01001               2002 2635779000     80414  32778. Schles… Flensb… Westde…
## # … with 11,162 more rows, and abbreviated variable names ¹bip_pro_kopf,
## #   ²bundesland_name, ³landkreis_name, ⁴ost_name
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
* mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf)
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 11,172 × 9
## # Groups:   Regionalschluessel [399]
##    Regionalschlue…¹  Jahr    bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ bip_p…⁷
##    <chr>            <dbl>  <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl>
##  1 01001             1992 2.56e9   86642  29494. Schles… Flensb… Westde…  NA    
##  2 01001             1994 2.62e9   86287  30414. Schles… Flensb… Westde…   3.02 
##  3 01001             1995 2.63e9   85506  30740. Schles… Flensb… Westde…   1.06 
##  4 01001             1996 2.58e9   84499  30520. Schles… Flensb… Westde…  -0.723
##  5 01001             1997 2.73e9   83344  32697. Schles… Flensb… Westde…   6.66 
##  6 01001             1998 2.87e9   82112  34979. Schles… Flensb… Westde…   6.52 
##  7 01001             1999 2.71e9   81276  33369. Schles… Flensb… Westde…  -4.82 
##  8 01001             2000 2.49e9   80758  30799. Schles… Flensb… Westde…  -8.34 
##  9 01001             2001 2.47e9   80489  30630. Schles… Flensb… Westde…  -0.552
## 10 01001             2002 2.64e9   80414  32778. Schles… Flensb… Westde…   6.55 
## # … with 11,162 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷bip_pro_kopf_wachstum
```
]

---
count: false

```
## # A tibble: 11,172 × 9
##    Regionalschlue…¹  Jahr    bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ bip_p…⁷
##    <chr>            <dbl>  <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl>
##  1 01001             1992 2.56e9   86642  29494. Schles… Flensb… Westde…  NA    
##  2 01001             1994 2.62e9   86287  30414. Schles… Flensb… Westde…   3.02 
##  3 01001             1995 2.63e9   85506  30740. Schles… Flensb… Westde…   1.06 
##  4 01001             1996 2.58e9   84499  30520. Schles… Flensb… Westde…  -0.723
##  5 01001             1997 2.73e9   83344  32697. Schles… Flensb… Westde…   6.66 
##  6 01001             1998 2.87e9   82112  34979. Schles… Flensb… Westde…   6.52 
##  7 01001             1999 2.71e9   81276  33369. Schles… Flensb… Westde…  -4.82 
##  8 01001             2000 2.49e9   80758  30799. Schles… Flensb… Westde…  -8.34 
##  9 01001             2001 2.47e9   80489  30630. Schles… Flensb… Westde…  -0.552
## 10 01001             2002 2.64e9   80414  32778. Schles… Flensb… Westde…   6.55 
## # … with 11,162 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷bip_pro_kopf_wachstum
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
* group_by(ost_name, Jahr)
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 11,172 × 9
## # Groups:   ost_name, Jahr [56]
##    Regionalschlue…¹  Jahr    bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ bip_p…⁷
##    <chr>            <dbl>  <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl>
##  1 01001             1992 2.56e9   86642  29494. Schles… Flensb… Westde…  NA    
##  2 01001             1994 2.62e9   86287  30414. Schles… Flensb… Westde…   3.02 
##  3 01001             1995 2.63e9   85506  30740. Schles… Flensb… Westde…   1.06 
##  4 01001             1996 2.58e9   84499  30520. Schles… Flensb… Westde…  -0.723
##  5 01001             1997 2.73e9   83344  32697. Schles… Flensb… Westde…   6.66 
##  6 01001             1998 2.87e9   82112  34979. Schles… Flensb… Westde…   6.52 
##  7 01001             1999 2.71e9   81276  33369. Schles… Flensb… Westde…  -4.82 
##  8 01001             2000 2.49e9   80758  30799. Schles… Flensb… Westde…  -8.34 
##  9 01001             2001 2.47e9   80489  30630. Schles… Flensb… Westde…  -0.552
## 10 01001             2002 2.64e9   80414  32778. Schles… Flensb… Westde…   6.55 
## # … with 11,162 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷bip_pro_kopf_wachstum
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
* mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE))
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 11,172 × 10
## # Groups:   ost_name, Jahr [56]
##    Region…¹  Jahr    bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ bip_p…⁷ durch…⁸
##    <chr>    <dbl>  <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>
##  1 01001     1992 2.56e9   86642  29494. Schles… Flensb… Westde…  NA     NaN    
##  2 01001     1994 2.62e9   86287  30414. Schles… Flensb… Westde…   3.02    2.81 
##  3 01001     1995 2.63e9   85506  30740. Schles… Flensb… Westde…   1.06    2.43 
##  4 01001     1996 2.58e9   84499  30520. Schles… Flensb… Westde…  -0.723   0.924
##  5 01001     1997 2.73e9   83344  32697. Schles… Flensb… Westde…   6.66    1.73 
##  6 01001     1998 2.87e9   82112  34979. Schles… Flensb… Westde…   6.52    2.87 
##  7 01001     1999 2.71e9   81276  33369. Schles… Flensb… Westde…  -4.82    1.95 
##  8 01001     2000 2.49e9   80758  30799. Schles… Flensb… Westde…  -8.34    2.40 
##  9 01001     2001 2.47e9   80489  30630. Schles… Flensb… Westde…  -0.552   2.19 
## 10 01001     2002 2.64e9   80414  32778. Schles… Flensb… Westde…   6.55    0.772
## # … with 11,162 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷bip_pro_kopf_wachstum, ⁸durchschnitt
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
* ungroup() -> bip_wachstum
```
]
 
.panel2-bip2-auto[

]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

*bip_wachstum
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 11,172 × 10
##    Region…¹  Jahr    bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ bip_p…⁷ durch…⁸
##    <chr>    <dbl>  <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>
##  1 01001     1992 2.56e9   86642  29494. Schles… Flensb… Westde…  NA     NaN    
##  2 01001     1994 2.62e9   86287  30414. Schles… Flensb… Westde…   3.02    2.81 
##  3 01001     1995 2.63e9   85506  30740. Schles… Flensb… Westde…   1.06    2.43 
##  4 01001     1996 2.58e9   84499  30520. Schles… Flensb… Westde…  -0.723   0.924
##  5 01001     1997 2.73e9   83344  32697. Schles… Flensb… Westde…   6.66    1.73 
##  6 01001     1998 2.87e9   82112  34979. Schles… Flensb… Westde…   6.52    2.87 
##  7 01001     1999 2.71e9   81276  33369. Schles… Flensb… Westde…  -4.82    1.95 
##  8 01001     2000 2.49e9   80758  30799. Schles… Flensb… Westde…  -8.34    2.40 
##  9 01001     2001 2.47e9   80489  30630. Schles… Flensb… Westde…  -0.552   2.19 
## 10 01001     2002 2.64e9   80414  32778. Schles… Flensb… Westde…   6.55    0.772
## # … with 11,162 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷bip_pro_kopf_wachstum, ⁸durchschnitt
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
* filter( Jahr >= 2000 )
```
]
 
.panel2-bip2-auto[

```
## # A tibble: 8,379 × 10
##    Region…¹  Jahr    bip einwo…² bip_p…³ bunde…⁴ landk…⁵ ost_n…⁶ bip_p…⁷ durch…⁸
##    <chr>    <dbl>  <dbl>   <dbl>   <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>
##  1 01001     2000 2.49e9   80758  30799. Schles… Flensb… Westde…  -8.34    2.40 
##  2 01001     2001 2.47e9   80489  30630. Schles… Flensb… Westde…  -0.552   2.19 
##  3 01001     2002 2.64e9   80414  32778. Schles… Flensb… Westde…   6.55    0.772
##  4 01001     2003 2.71e9   80538  33590. Schles… Flensb… Westde…   2.42    0.260
##  5 01001     2004 2.87e9   80783  35500. Schles… Flensb… Westde…   5.38    2.39 
##  6 01001     2005 2.90e9   80892  35860. Schles… Flensb… Westde…   1.00    1.28 
##  7 01001     2006 3.02e9   81052  37283. Schles… Flensb… Westde…   3.82    4.13 
##  8 01001     2007 3.05e9   81634  37377. Schles… Flensb… Westde…   0.251   4.45 
##  9 01001     2008 3.11e9   82403  37692. Schles… Flensb… Westde…   0.835   2.22 
## 10 01001     2009 2.99e9   82478  36300. Schles… Flensb… Westde…  -3.83   -3.92 
## # … with 8,369 more rows, and abbreviated variable names ¹Regionalschluessel,
## #   ²einwohner, ³bip_pro_kopf, ⁴bundesland_name, ⁵landkreis_name, ⁶ost_name,
## #   ⁷bip_pro_kopf_wachstum, ⁸durchschnitt
```
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
  filter( Jahr >= 2000 ) %>%
* ggplot()
```
]
 
.panel2-bip2-auto[
![](VL_case-study-Teil2_files/figure-html/bip2_auto_11_output-1.png)
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
  filter( Jahr >= 2000 ) %>%
  ggplot() +
* geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey")
```
]
 
.panel2-bip2-auto[
![](VL_case-study-Teil2_files/figure-html/bip2_auto_12_output-1.png)
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
  filter( Jahr >= 2000 ) %>%
  ggplot() +
  geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") +
* geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name))
```
]
 
.panel2-bip2-auto[
![](VL_case-study-Teil2_files/figure-html/bip2_auto_13_output-1.png)
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
  filter( Jahr >= 2000 ) %>%
  ggplot() +
  geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") +
  geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) +
  scale_color_manual(values = c("#D55E00", "#0072B2")) +
  theme_minimal() +
  labs(color = "Durchschnitt der Landkreise",
       title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen",
       caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.",
       x = "Jahr",
       y = "Veränderung des BIP pro Kopf") +
* theme(legend.position = "none")
```
]
 
.panel2-bip2-auto[
![](VL_case-study-Teil2_files/figure-html/bip2_auto_17_output-1.png)
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
  filter( Jahr >= 2000 ) %>%
  ggplot() +
  geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") +
  geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) +
  scale_color_manual(values = c("#D55E00", "#0072B2")) +
  theme_minimal() +
  labs(color = "Durchschnitt der Landkreise",
       title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen",
       caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.",
       x = "Jahr",
       y = "Veränderung des BIP pro Kopf") +
  theme(legend.position = "none") +
* geom_text(aes(x=2000, y=40, label = "-- Durchschnitt für ostdeutsche Landkreise"), color = "#D55E00", hjust=0, size=4, alpha = 0.1)
```
]
 
.panel2-bip2-auto[
![](VL_case-study-Teil2_files/figure-html/bip2_auto_18_output-1.png)
]

---
count: false

```r
bip_zeitreihe_namen %>%
  group_by(Regionalschluessel) %>%
  arrange(Regionalschluessel, Jahr) %>%
  mutate( bip_pro_kopf_wachstum = 100*(bip_pro_kopf - lag(bip_pro_kopf)) / bip_pro_kopf) %>%
  ungroup() %>%
  group_by(ost_name, Jahr) %>%
  mutate( durchschnitt = mean(bip_pro_kopf_wachstum, na.rm=TRUE)) %>%
  ungroup() -> bip_wachstum

bip_wachstum %>%
  filter( Jahr >= 2000 ) %>%
  ggplot() +
  geom_line(aes(x = Jahr, y = bip_pro_kopf_wachstum, group = Regionalschluessel), color = "grey") +
  geom_line(aes(x = Jahr, y = durchschnitt, group = Regionalschluessel, color = ost_name)) +
  scale_color_manual(values = c("#D55E00", "#0072B2")) +
  theme_minimal() +
  labs(color = "Durchschnitt der Landkreise",
       title = "Die Wachstumsrate des BIP pro Kopf von ost- und westdeutschen\nLandkreisen",
       caption = "Quelle: Daten der Statistischen Ämter der Länder und des Bundes.",
       x = "Jahr",
       y = "Veränderung des BIP pro Kopf") +
  theme(legend.position = "none") +
  geom_text(aes(x=2000, y=40, label = "-- Durchschnitt für ostdeutsche Landkreise"), color = "#D55E00", hjust=0, size=4, alpha = 0.1) +
* geom_text(aes(x=2000, y=35, label = "-- Durchschnitt für westdeutsche Landkreise"), color = "#0072B2", hjust=0, size=4, alpha = 0.1)
```
]
 
.panel2-bip2-auto[
![](VL_case-study-Teil2_files/figure-html/bip2_auto_19_output-1.png)
]

---

## Wachstum des BIP pro Kopf

**Beschreibung**:
- Im Durchschnitt sehr ähnliche Wachstumsraten
- Immer wieder vereinzelt sehr hohe Wachstumsraten pro Landkreis  
  - Hängt vermutlich mit großen Projekten auf Landkreisebene zusammen
- Der Einbruch in der Finanzkrise ist sowohl bei ost- als auch westdeutschen Landkreisen zu sehen

**Interpretation**:
- Es findet keine Anpassung des BIP pro Kopf über die Zeit statt
- Die Gelder durch den Soli-Ausgleich führen nicht zu der (erhofften) starken Aufholjagd
- Ostdeutsche Landkreise haben sich stark entwickelt
  - Diese Etwicklung sollte jedoch nicht absolut, sondern relativ zu westdeutschen Landkreisen betrachtet werden

---
 
## Bruttoinlandsprodukt pro Kopf

Bisherige Grafiken:
- Punktewolke + Boxplot zeigt die Verteilung
- Liniendiagramm zeigt die Entwicklung

Alternative Darstellungen der Verteilung:
- Historgamm (nächste Folie)
- Kerndichteschätzer (siehe ausführliche Case-Study)

Alternative Darstellung der Entwicklung:
- Small multiples (siehe ausführliche Case-Study)
- Slopechart (siehe z.B. [Data Vizualisation von Claus Wilke](https://clauswilke.com/dataviz/visualizing-associations.html#associations-correlograms) mit [Code hier](https://github.com/clauswilke/dataviz/blob/master/visualizing_associations.Rmd))

---

```r
*gesamtdaten
```
]
 
.panel2-bip3-auto[

---
count: false

```r
gesamtdaten %>%
* group_by(ost_name)
```
]
 
.panel2-bip3-auto[

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
* summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T))
```
]
 
.panel2-bip3-auto[

```
## # A tibble: 2 × 2
##   ost_name        durchschnitt
##   <chr>                  <dbl>
## 1 Ostdeutschland        28091.
## 2 Westdeutschland       38884.
```
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
* ungroup() -> mittel
```
]
 
.panel2-bip3-auto[

]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
  ungroup() -> mittel

*ggplot(gesamtdaten, aes(x = bip_pro_kopf))
```
]
 
.panel2-bip3-auto[
![](VL_case-study-Teil2_files/figure-html/bip3_auto_05_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
  ungroup() -> mittel

ggplot(gesamtdaten, aes(x = bip_pro_kopf)) +
* geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000)
```
]
 
.panel2-bip3-auto[
![](VL_case-study-Teil2_files/figure-html/bip3_auto_06_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
  ungroup() -> mittel

ggplot(gesamtdaten, aes(x = bip_pro_kopf)) +
  geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) +
* geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue")
```
]
 
.panel2-bip3-auto[
![](VL_case-study-Teil2_files/figure-html/bip3_auto_07_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
  ungroup() -> mittel

ggplot(gesamtdaten, aes(x = bip_pro_kopf)) +
  geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) +
  geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") +
* facet_grid(ost_name~.)
```
]
 
.panel2-bip3-auto[
![](VL_case-study-Teil2_files/figure-html/bip3_auto_08_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
  ungroup() -> mittel

ggplot(gesamtdaten, aes(x = bip_pro_kopf)) +
  geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) +
  geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") +
  facet_grid(ost_name~.) +
* theme_bw()
```
]
 
.panel2-bip3-auto[
![](VL_case-study-Teil2_files/figure-html/bip3_auto_09_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf, na.rm = T)) %>%
  ungroup() -> mittel

ggplot(gesamtdaten, aes(x = bip_pro_kopf)) +
  geom_histogram(data = filter(gesamtdaten, bip_pro_kopf<100000), binwidth = 1000) +
  geom_vline(data = mittel, aes(xintercept = durchschnitt), color = "blue") +
  facet_grid(ost_name~.) +
  theme_bw() +
* labs(title = "Verteilung des BIP pro Kopf für Ost- und Westdeutschland",
*      subtitle = "Beobachtungen auf Landkreisebene in 2017",
*      x = "BIP pro Kopf",
*      y = "Anzahl an Beobachtungen")
```
]
 
.panel2-bip3-auto[
![](VL_case-study-Teil2_files/figure-html/bip3_auto_10_output-1.png)
]

---

## Verteilung des BIP pro Kopf in 2017

---

## Verteilung des BIP pro Kopf in 2017

Das Histogramm bestätigen das Bild des Boxplots:
- Deutliche Unterschiede zwischen ost- und westdeutschend Landkreisen in 2017
- Deutlich mehr Ausreißer nach oben bei westdeutschen Landkreisen
- Verteilung ist für ostdeutsche Landkreise enger um den Mittelwert für das BIP pro Kopf von 28091€
- Mittelwert und Median für westdeutsche Landkreise liegt deutlich weiter auseinander und zeigt, dass es hier mehr Ausreißer in den Daten gibt

---

## Verschuldung der einzelnen Landkreise

---

## Verschuldung

.questions[Warum könnte die Verschuldung des öffentlichen Haushalts ein Indikator für eine hohe Arbeitslosenquote sein?]

Darstellung der Verschuldung der Landkreise mittels einer Deutschlandkarte.

---

```r
*ggplot(
# Datensatz
* data = schulden_landkreise_anteil
*) 
```
]
 
.panel2-schulden1-auto[
![](VL_case-study-Teil2_files/figure-html/schulden1_auto_01_output-1.png)
]

---
count: false

```r
ggplot(
# Datensatz
  data = schulden_landkreise_anteil
) +
* geom_sf(
*   mapping = aes(
*     fill = fct_relevel(anteil_schulden, ">10%", after = Inf)
*   ),
*   color = "white",
*   size = 0.1
* )
```
]
 
.panel2-schulden1-auto[
![](VL_case-study-Teil2_files/figure-html/schulden1_auto_02_output-1.png)
]

---
count: false

---
count: false

```r
ggplot(
# Datensatz
  data = schulden_landkreise_anteil
) +
  geom_sf(
    mapping = aes(
      fill = fct_relevel(anteil_schulden, ">10%", after = Inf)
    ),
    color = "white",
    size = 0.1
  ) +
# Viridis Farbschema
  scale_fill_viridis_d(
    option = "inferno",
    name = "Anteil der Schulden\nam BIP",
    alpha = 0.8,  # Deckkraft der Füllung
    begin = 0.1,
    end = 0.9,
    direction = -1,
    guide = guide_legend(reverse = T)) +
# etwas dickere Linien für Bundeslandgrenzen
* geom_sf(
*   data = bundesland,
*   fill = "transparent",
*   color = "white",
*   size = 0.5
* )
```
]
 
.panel2-schulden1-auto[
![](VL_case-study-Teil2_files/figure-html/schulden1_auto_04_output-1.png)
]

---
count: false

```r
ggplot(
# Datensatz
  data = schulden_landkreise_anteil
) +
  geom_sf(
    mapping = aes(
      fill = fct_relevel(anteil_schulden, ">10%", after = Inf)
    ),
    color = "white",
    size = 0.1
  ) +
# Viridis Farbschema
  scale_fill_viridis_d(
    option = "inferno",
    name = "Anteil der Schulden\nam BIP",
    alpha = 0.8,  # Deckkraft der Füllung
    begin = 0.1,
    end = 0.9,
    direction = -1,
    guide = guide_legend(reverse = T)) +
# etwas dickere Linien für Bundeslandgrenzen
  geom_sf(
    data = bundesland,
    fill = "transparent",
    color = "white",
    size = 0.5
  ) +
# Titel
* labs(x = NULL,
*      y = NULL,
*      title = "Wie verschuldet sind die deutschen Landkreise?",
*      subtitle = "Öffentliche Schulden im Vergleich zum BIP in 2017")
```
]
 
.panel2-schulden1-auto[
![](VL_case-study-Teil2_files/figure-html/schulden1_auto_05_output-1.png)
]

---
count: false

```r
ggplot(
# Datensatz
  data = schulden_landkreise_anteil
) +
  geom_sf(
    mapping = aes(
      fill = fct_relevel(anteil_schulden, ">10%", after = Inf)
    ),
    color = "white",
    size = 0.1
  ) +
# Viridis Farbschema
  scale_fill_viridis_d(
    option = "inferno",
    name = "Anteil der Schulden\nam BIP",
    alpha = 0.8,  # Deckkraft der Füllung
    begin = 0.1,
    end = 0.9,
    direction = -1,
    guide = guide_legend(reverse = T)) +
# etwas dickere Linien für Bundeslandgrenzen
  geom_sf(
    data = bundesland,
    fill = "transparent",
    color = "white",
    size = 0.5
  ) +
# Titel
  labs(x = NULL,
       y = NULL,
       title = "Wie verschuldet sind die deutschen Landkreise?",
       subtitle = "Öffentliche Schulden im Vergleich zum BIP in 2017") +
* theme_minimal() -> plot_schulden_lk
```
]
 
.panel2-schulden1-auto[

]

---
count: false

```r
ggplot(
# Datensatz
  data = schulden_landkreise_anteil
) +
  geom_sf(
    mapping = aes(
      fill = fct_relevel(anteil_schulden, ">10%", after = Inf)
    ),
    color = "white",
    size = 0.1
  ) +
# Viridis Farbschema
  scale_fill_viridis_d(
    option = "inferno",
    name = "Anteil der Schulden\nam BIP",
    alpha = 0.8,  # Deckkraft der Füllung
    begin = 0.1,
    end = 0.9,
    direction = -1,
    guide = guide_legend(reverse = T)) +
# etwas dickere Linien für Bundeslandgrenzen
  geom_sf(
    data = bundesland,
    fill = "transparent",
    color = "white",
    size = 0.5
  ) +
# Titel
  labs(x = NULL,
       y = NULL,
       title = "Wie verschuldet sind die deutschen Landkreise?",
       subtitle = "Öffentliche Schulden im Vergleich zum BIP in 2017") +
  theme_minimal() -> plot_schulden_lk

*plot_schulden_lk
```
]
 
.panel2-schulden1-auto[
![](VL_case-study-Teil2_files/figure-html/schulden1_auto_07_output-1.png)
]

---

## Verschuldung

**Beschreibung:**
- Niedgrige Verschuldung im Verhältnis zum BIP: Bayern, Baden-Württemberg, Rheinland-Pflanz, Niedersachesen
- Hohe Verschuldung: Nordrhein-Westfalen, Saarland, Sachse, Mecklenburg-Vorpommern
- Mittlere Verschuldung: Brandenburg, Thüringen, Hessen

**Interpretation:**
- Strukturschwache Landkreise sind vermehrt in Ostdeutschland zu finden, allerdings scheint es eher ein Nord/Süd Gefälle als ein Ost/West Gefälle zu geben
- Die ehemalige Herzkammer der deutschen Industrie, das Ruhrgebiet, leidet unter dem Strukturwandel hin zu erneuerbaren Energien
  - Es fallen hier wichtige Steuereinnahmen für die öffentliche Hand weg

---

## Vergleich der Arbeitslosenquote und Verschuldung

]

]

---

## Vergleich der Arbeitslosenquote und Verschuldung

- Tendenziell sind die Landkreise mit höheren Schulden auch die mit einer höheren Arbeitslosenquote
- Verschuldung könnte ein erklärender Faktor für die Arbeitslosenquote sein
- Grafisch ist der Zusammenhang jedoch nicht eindeutig verifizierbar
  - Um Zusammenhänge deutlich zu machen müssen wir uns der **bivariaten deskriptiven Statistik** bemühen, insbesondere **Streudiagrammen** und **Korrelationsmatrizen**

Karten sind eine schöne Art geografisch unterschiedliche Informationen darzustellen, allerdings ist das Auge schlecht darin Farbverläufe zu unterschieden!

---

# Bivariate deskriptive Analyse

---

## Die Korrelation

**Bisher:** Univariate Analyse, d.h. nur eine Variable

**Jetzt:** Bivariate Analyse, d.h. Zusammenhang zwischen **zwei** Variablen untersuchen

Der Korrelationskoeffizient für zwei Variablen `$(x_1, y_1), \dots, (x_n,y_n)$` ist definiert als:

$$
\rho = \frac{1}{n} \sum_{i=1}^n \left( \frac{x_i-\mu_x}{\sigma_x} \right)\left( \frac{y_i-\mu_y}{\sigma_y} \right)
$$
mit `$\mu_x, \mu_y$` als Mittelwerte von `$x_1,\dots, x_n$` und `$y_1, \dots, y_n$`. 
`$\sigma_x, \sigma_y$` sind die Standardabweichungen von diesem Mittelwert. 
`$\rho$` wird üblicherweise genutzt um den Korrelationskoeffizienten zu bezeichnen.

.question[Wie hängt die Arbeitslosenquote in den einzelnen Landkreisen mit deren BIP-pro-Kopf-Wachstum zusammen?]

---

## Korrelation zwischen Arbeitslosenquote und BIP-pro-Kopf-Wachstum

Wir können uns die oben beschriebene Formel bzgl. des Zusammenhangs von zwei Variablen immer auch grafisch verdeutlichen

- Wir haben zwei Dimensionen
  - Variable x: BIP-pro-Kopf-Wachstum
  - Variable y: Arbeitslosenquote

Im Streudiagramm können wir Variable x auf der x-Achse und Variable y auf der y-Achse abtragen

---

```r
*gesamtdaten
```
]
 
.panel2-cor1-auto[

```
## # A tibble: 401 × 17
##    Regionalsch…¹ total…² landk…³ bunde…⁴ bunde…⁵ Schul…⁶ Einwo…⁷ Schul…⁸     bip
##    <chr>           <dbl> <chr>   <chr>   <chr>     <dbl>   <dbl>   <dbl>   <dbl>
##  1 01001            4512 Flensb… 01      Schles…   5791.   87770  5.08e8 3.67e 9
##  2 01002           12345 Kiel    01      Schles…   3839.  247135  9.49e8 1.14e10
##  3 01003            9692 Lübeck  01      Schles…   5567.  216739  1.21e9 9.16e 9
##  4 01004            3836 Neumün… 01      Schles…   5409.   78759  4.26e8 3.34e 9
##  5 01051            4632 Dithma… 01      Schles…   1670.  133684  2.23e8 4.47e 9
##  6 01053            5592 Herzog… 01      Schles…   1293.  195677  2.53e8 4.50e 9
##  7 01054            5657 Nordfr… 01      Schles…   2624.  165642  4.35e8 5.74e 9
##  8 01055            5748 Osthol… 01      Schles…   1890.  200931  3.80e8 5.27e 9
##  9 01056            8599 Pinneb… 01      Schles…   2225.  311713  6.94e8 9.07e 9
## 10 01057            3264 Plön    01      Schles…   1532.  128763  1.97e8 2.55e 9
## # … with 391 more rows, 8 more variables: bip_pro_kopf <dbl>, erw <dbl>,
## #   alo_quote <dbl>, ost <fct>, ost_name <chr>, bip_pro_kopf_wachstum <dbl>,
## #   Jahr <dbl>, anteil_schulden <dbl>, and abbreviated variable names
## #   ¹Regionalschluessel, ²total_alo, ³landkreis_name, ⁴bundesland,
## #   ⁵bundesland_name, ⁶Schulden_pro_kopf_lk, ⁷Einwohner, ⁸Schulden_gesamt
```
]

---
count: false

```r
gesamtdaten %>%
* ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote))
```
]
 
.panel2-cor1-auto[
![](VL_case-study-Teil2_files/figure-html/cor1_auto_02_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) +
* geom_point()
```
]
 
.panel2-cor1-auto[
![](VL_case-study-Teil2_files/figure-html/cor1_auto_03_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) +
  geom_point() +
* labs( x = "Wachstum des BIP %",
*       y = "Arbeitslosenquote in %",
*       title = "Korrelation des BIP-Wachstums und der Arbeitslosenquote")
```
]
 
.panel2-cor1-auto[
![](VL_case-study-Teil2_files/figure-html/cor1_auto_04_output-1.png)
]

---
count: false

```r
gesamtdaten %>%
  ggplot(aes(x = bip_pro_kopf_wachstum, y = alo_quote)) +
  geom_point() +
  labs( x = "Wachstum des BIP %",
        y = "Arbeitslosenquote in %",
        title = "Korrelation des BIP-Wachstums und der Arbeitslosenquote") +
* theme_minimal()
```
]
 
.panel2-cor1-auto[
![](VL_case-study-Teil2_files/figure-html/cor1_auto_05_output-1.png)
]

---

## Korrelation zwischen Arbeitslosenquote und BIP-Wachstum

- Es fallen die Ausreißer ins Auge (+10% und -10%)
  - Vorheriges Jahr hohes/niedriges BIP, dadurch jetzt niedriges/hohes BIP-Wachstum
- Insgesamt scheint der Zusammenhang jetzt nicht so stark zu sein
  - Punktewolke deutet auf einen leicht negativen Zusammenhang hin

Korrelationskoeffizient:

```r
cor(gesamtdaten$alo_quote, 
    gesamtdaten$bip_pro_kopf_wachstum,
    use = "pairwise.complete.obs")
```

```
## [1] 0.02202843
```

.instructions[Nun sollten wir noch die Korrelation zwischen Arbeitslosenquote und Verschuldung anschauen!]

---

```r
*cor_alo_verschuldung <- cor(gesamtdaten$alo_quote, gesamtdaten$anteil_schulden,use = "pairwise.complete.obs")
```
]
 
.panel2-cor2-auto[

]

---
count: false