Case-Study zur Arbeitslosigkeit in Deutschland

# 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)

Was bieten wir ihnen:
- Tutorium mit Lara morgen um 14:15 Uhr in BBB
- Hilfe im Forum
- Video Tutorials 
  - klonen von Github (mit Github-Desktop)
  - RTutor Problem Set lokal ausführen (gleich wie auf der RStudio Cloud)

---

## 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 x 2
##   total_erw total_einwohner
##       <dbl>           <dbl>
## 1  41068448        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>
 <thead>
  <tr>
   <th style="text-align:left;">   </th>
   <th style="text-align:left;">   </th>
  </tr>
 </thead>
<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

```
## NULL
```

- 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;"> 5.33 </td>
   <td style="text-align:right;"> 2.36 </td>
   <td style="text-align:right;"> 1.66 </td>
   <td style="text-align:right;"> 3.38 </td>
   <td style="text-align:right;"> 4.99 </td>
   <td style="text-align:right;"> 6.88 </td>
   <td style="text-align:right;"> 13.52 </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;"> 37086.95 </td>
   <td style="text-align:right;"> 16127.06 </td>
   <td style="text-align:right;"> 16398.46 </td>
   <td style="text-align:right;"> 27850.57 </td>
   <td style="text-align:right;"> 33105.40 </td>
   <td style="text-align:right;"> 40458.36 </td>
   <td style="text-align:right;"> 172436.71 </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 x 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: 37086€
  - Insgesamt recht hoch
  - Starker Wirtschaftsstandort Deutschland

Standardabweichung: 16127€
  - Sehr hohe Streuung
  - Deutliche regionale Unterschiede
  - Könnte von einzelnen Landkreisen getrieben werden
 
Median: 33105€
  - 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 x 12
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 391 more rows, and 7 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>
```
]

---
count: false

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

```
## # A tibble: 401 x 12
## # Groups:   bundesland_name [16]
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 391 more rows, and 7 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>
```
]

---
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 x 4
##    bundesland_name        mean_alo sd_alo median_alo
##    <chr>                     <dbl>  <dbl>      <dbl>
##  1 Baden-Württemberg          3.31  0.642       3.33
##  2 Bayern                     3.04  0.775       2.98
##  3 Berlin                    NA    NA          NA   
##  4 Brandenburg                7.98  1.93        8.27
##  5 Bremen                     8.61  2.02        8.61
##  6 Hamburg                   NA    NA          NA   
##  7 Hessen                     5.02  1.34        5.11
##  8 Mecklenburg-Vorpommern     8.41  1.56        7.95
##  9 Niedersachsen              6.14  1.76        6.03
## 10 Nordrhein-Westfalen        7.14  2.42        6.84
## 11 Rheinland-Pfalz            5.29  1.47        5.20
## 12 Saarland                   5.88  1.75        5.34
## 13 Sachsen                    6.59  1.05        6.25
## 14 Sachsen-Anhalt             9.00  1.56        8.87
## 15 Schleswig-Holstein         6.34  0.989       6.86
## 16 Thüringen                  6.26  1.79        5.68
```
]

---
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 x 4
##    bundesland_name        mean_alo sd_alo median_alo
##    <chr>                     <dbl>  <dbl>      <dbl>
##  1 Bayern                     3.04  0.775       2.98
##  2 Baden-Württemberg          3.31  0.642       3.33
##  3 Hessen                     5.02  1.34        5.11
##  4 Rheinland-Pfalz            5.29  1.47        5.20
##  5 Saarland                   5.88  1.75        5.34
##  6 Niedersachsen              6.14  1.76        6.03
##  7 Thüringen                  6.26  1.79        5.68
##  8 Schleswig-Holstein         6.34  0.989       6.86
##  9 Sachsen                    6.59  1.05        6.25
## 10 Nordrhein-Westfalen        7.14  2.42        6.84
## 11 Brandenburg                7.98  1.93        8.27
## 12 Mecklenburg-Vorpommern     8.41  1.56        7.95
## 13 Bremen                     8.61  2.02        8.61
## 14 Sachsen-Anhalt             9.00  1.56        8.87
```
]

.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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.27 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.87 </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 x 4
##    bundesland_name        mean_alo sd_alo median_alo
##    <chr>                     <dbl>  <dbl>      <dbl>
##  1 Bayern                     3.04  0.775       2.98
##  2 Baden-Württemberg          3.31  0.642       3.33
##  3 Hessen                     5.02  1.34        5.11
##  4 Rheinland-Pfalz            5.29  1.47        5.20
##  5 Saarland                   5.88  1.75        5.34
##  6 Niedersachsen              6.14  1.76        6.03
##  7 Thüringen                  6.26  1.79        5.68
##  8 Schleswig-Holstein         6.34  0.989       6.86
##  9 Sachsen                    6.59  1.05        6.25
## 10 Nordrhein-Westfalen        7.14  2.42        6.84
## 11 Brandenburg                7.98  1.93        8.27
## 12 Mecklenburg-Vorpommern     8.41  1.56        7.95
## 13 Bremen                     8.61  2.02        8.61
## 14 Sachsen-Anhalt             9.00  1.56        8.87
## 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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Thüringen </td>
   <td style="text-align:right;"> 6.26 </td>
   <td style="text-align:right;"> 1.79 </td>
   <td style="text-align:right;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen </td>
   <td style="text-align:right;"> 6.59 </td>
   <td style="text-align:right;"> 1.05 </td>
   <td style="text-align:right;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Brandenburg </td>
   <td style="text-align:right;"> 7.98 </td>
   <td style="text-align:right;"> 1.93 </td>
   <td style="text-align:right;"> 8.27 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;"> 8.41 </td>
   <td style="text-align:right;"> 1.56 </td>
   <td style="text-align:right;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen-Anhalt </td>
   <td style="text-align:right;"> 9.00 </td>
   <td style="text-align:right;"> 1.56 </td>
   <td style="text-align:right;"> 8.87 </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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Thüringen </td>
   <td style="text-align:right;"> 6.26 </td>
   <td style="text-align:right;"> 1.79 </td>
   <td style="text-align:right;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen </td>
   <td style="text-align:right;"> 6.59 </td>
   <td style="text-align:right;"> 1.05 </td>
   <td style="text-align:right;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Brandenburg </td>
   <td style="text-align:right;"> 7.98 </td>
   <td style="text-align:right;"> 1.93 </td>
   <td style="text-align:right;"> 8.27 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Mecklenburg-Vorpommern </td>
   <td style="text-align:right;"> 8.41 </td>
   <td style="text-align:right;"> 1.56 </td>
   <td style="text-align:right;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Sachsen-Anhalt </td>
   <td style="text-align:right;"> 9.00 </td>
   <td style="text-align:right;"> 1.56 </td>
   <td style="text-align:right;"> 8.87 </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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.27 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.87 </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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.27 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.87 </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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.27 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.87 </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;"> 2.98 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 5.11 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Rheinland-Pfalz </td>
   <td style="text-align:right;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 5.20 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Saarland </td>
   <td style="text-align:right;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 5.34 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Niedersachsen </td>
   <td style="text-align:right;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 6.03 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5.68 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Schleswig-Holstein </td>
   <td style="text-align:right;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 6.86 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6.25 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Nordrhein-Westfalen </td>
   <td style="text-align:right;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 6.84 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.27 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 7.95 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Bremen </td>
   <td style="text-align:right;"> 8.61 </td>
   <td style="text-align:right;"> 2.02 </td>
   <td style="text-align:right;"> 8.61 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 8.87 </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 x 14
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 391 more rows, and 9 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>, ost <fct>, ost_name <chr>
```
]

---

## 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 x 14
## # Groups:   ost_name [2]
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 391 more rows, and 9 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>, ost <fct>, ost_name <chr>
```
]

---
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 x 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      7.46   1.95    3.76  6.00       7.30  8.85    12.9
## 2 Westdeutschland     4.83   2.17    1.66  3.23       4.27  6.17    13.5
```
]

---
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;"> 7.46 </td>
   <td style="text-align:right;"> 1.95 </td>
   <td style="text-align:right;"> 3.76 </td>
   <td style="text-align:right;"> 6.00 </td>
   <td style="text-align:right;"> 7.30 </td>
   <td style="text-align:right;"> 8.85 </td>
   <td style="text-align:right;"> 12.85 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Westdeutschland </td>
   <td style="text-align:right;"> 4.83 </td>
   <td style="text-align:right;"> 2.17 </td>
   <td style="text-align:right;"> 1.66 </td>
   <td style="text-align:right;"> 3.23 </td>
   <td style="text-align:right;"> 4.27 </td>
   <td style="text-align:right;"> 6.17 </td>
   <td style="text-align:right;"> 13.52 </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;"> 7.46 </td>
   <td style="text-align:right;"> 1.95 </td>
   <td style="text-align:right;"> 3.76 </td>
   <td style="text-align:right;"> 6.00 </td>
   <td style="text-align:right;"> 7.30 </td>
   <td style="text-align:right;"> 8.85 </td>
   <td style="text-align:right;"> 12.85 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Westdeutschland </td>
   <td style="text-align:right;"> 4.83 </td>
   <td style="text-align:right;"> 2.17 </td>
   <td style="text-align:right;"> 1.66 </td>
   <td style="text-align:right;"> 3.23 </td>
   <td style="text-align:right;"> 4.27 </td>
   <td style="text-align:right;"> 6.17 </td>
   <td style="text-align:right;"> 13.52 </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;"> 7.46 </td>
   <td style="text-align:right;"> 1.95 </td>
   <td style="text-align:right;"> 3.76 </td>
   <td style="text-align:right;"> 6.00 </td>
   <td style="text-align:right;"> 7.30 </td>
   <td style="text-align:right;"> 8.85 </td>
   <td style="text-align:right;"> 12.85 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Westdeutschland </td>
   <td style="text-align:right;"> 4.83 </td>
   <td style="text-align:right;"> 2.17 </td>
   <td style="text-align:right;"> 1.66 </td>
   <td style="text-align:right;"> 3.23 </td>
   <td style="text-align:right;"> 4.27 </td>
   <td style="text-align:right;"> 6.17 </td>
   <td style="text-align:right;"> 13.52 </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 **6,00%**
- Bei den **westdeutschen Landkreisen** ist das **75% Quantil** bei einer Arbeitslosenquote von **6,17%**!

---

## 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 x 14
## # Groups:   bundesland_name [16]
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 391 more rows, and 9 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>, ost <fct>, ost_name <chr>
```
]

---
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 x 7
##    bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_k…
##    <chr>              <dbl>  <dbl>         <dbl>       <dbl>            <dbl>
##  1 Baden-Württemb…     3.31  0.642        43658.      12454.            2185.
##  2 Bayern              3.04  0.775        43002.      19977.            1897.
##  3 Berlin             NA    NA               NA          NA               NA 
##  4 Brandenburg         7.98  1.93         28971.       5817.            2831.
##  5 Bremen              8.61  2.02         43798.      10143.              NA 
##  6 Hamburg            NA    NA               NA          NA               NA 
##  7 Hessen              5.02  1.34         40203.      16477.            3731.
##  8 Mecklenburg-Vo…     8.41  1.56         27908.       6385.            3565.
##  9 Niedersachsen       6.14  1.76         35514.      23189.            1941.
## 10 Nordrhein-West…     7.14  2.42         36165.      10883.            4243.
## 11 Rheinland-Pfalz     5.29  1.47         34918.      14184.            3131.
## 12 Saarland            5.88  1.75         33075.       7271.            5959.
## 13 Sachsen             6.59  1.05         28731.       5083.            2306.
## 14 Sachsen-Anhalt      9.00  1.56         27218.       3853.            2809.
## 15 Schleswig-Hols…     6.34  0.989        32777.       7412.            2602.
## 16 Thüringen           6.26  1.79         28452.       5381.            2832.
## # … with 1 more variable: sd_schulden <dbl>
```
]

---
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 x 7
##    bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_k…
##    <chr>              <dbl>  <dbl>         <dbl>       <dbl>            <dbl>
##  1 Bayern              3.04  0.775        43002.      19977.            1897.
##  2 Baden-Württemb…     3.31  0.642        43658.      12454.            2185.
##  3 Hessen              5.02  1.34         40203.      16477.            3731.
##  4 Rheinland-Pfalz     5.29  1.47         34918.      14184.            3131.
##  5 Saarland            5.88  1.75         33075.       7271.            5959.
##  6 Niedersachsen       6.14  1.76         35514.      23189.            1941.
##  7 Thüringen           6.26  1.79         28452.       5381.            2832.
##  8 Schleswig-Hols…     6.34  0.989        32777.       7412.            2602.
##  9 Sachsen             6.59  1.05         28731.       5083.            2306.
## 10 Nordrhein-West…     7.14  2.42         36165.      10883.            4243.
## 11 Brandenburg         7.98  1.93         28971.       5817.            2831.
## 12 Mecklenburg-Vo…     8.41  1.56         27908.       6385.            3565.
## 13 Bremen              8.61  2.02         43798.      10143.              NA 
## 14 Sachsen-Anhalt      9.00  1.56         27218.       3853.            2809.
## 15 Berlin             NA    NA               NA          NA               NA 
## 16 Hamburg            NA    NA               NA          NA               NA 
## # … with 1 more variable: sd_schulden <dbl>
```
]

---
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 x 7
##    bundesland_name mean_alo sd_alo mean_bip_kopf sd_bip_kopf mean_schulden_k…
##    <chr>              <dbl>  <dbl>         <dbl>       <dbl>            <dbl>
##  1 Bayern              3.04  0.775        43002.      19977.            1897.
##  2 Baden-Württemb…     3.31  0.642        43658.      12454.            2185.
##  3 Hessen              5.02  1.34         40203.      16477.            3731.
##  4 Rheinland-Pfalz     5.29  1.47         34918.      14184.            3131.
##  5 Saarland            5.88  1.75         33075.       7271.            5959.
##  6 Niedersachsen       6.14  1.76         35514.      23189.            1941.
##  7 Thüringen           6.26  1.79         28452.       5381.            2832.
##  8 Schleswig-Hols…     6.34  0.989        32777.       7412.            2602.
##  9 Sachsen             6.59  1.05         28731.       5083.            2306.
## 10 Nordrhein-West…     7.14  2.42         36165.      10883.            4243.
## 11 Brandenburg         7.98  1.93         28971.       5817.            2831.
## 12 Mecklenburg-Vo…     8.41  1.56         27908.       6385.            3565.
## 13 Sachsen-Anhalt      9.00  1.56         27218.       3853.            2809.
## # … with 1 more variable: sd_schulden <dbl>
```
]

---
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;"> 43001.64 </td>
   <td style="text-align:right;"> 19976.60 </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;"> 43658.30 </td>
   <td style="text-align:right;"> 12454.30 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 40203.08 </td>
   <td style="text-align:right;"> 16476.82 </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;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 34917.53 </td>
   <td style="text-align:right;"> 14184.07 </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;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 33075.37 </td>
   <td style="text-align:right;"> 7270.71 </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;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 35514.14 </td>
   <td style="text-align:right;"> 23188.65 </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;"> 6.26 </td>
   <td style="text-align:right;"> 1.79 </td>
   <td style="text-align:right;"> 28451.50 </td>
   <td style="text-align:right;"> 5380.95 </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;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 32777.38 </td>
   <td style="text-align:right;"> 7411.63 </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;"> 6.59 </td>
   <td style="text-align:right;"> 1.05 </td>
   <td style="text-align:right;"> 28730.71 </td>
   <td style="text-align:right;"> 5082.77 </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;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 36164.76 </td>
   <td style="text-align:right;"> 10883.06 </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;"> 7.98 </td>
   <td style="text-align:right;"> 1.93 </td>
   <td style="text-align:right;"> 28970.85 </td>
   <td style="text-align:right;"> 5816.92 </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;"> 8.41 </td>
   <td style="text-align:right;"> 1.56 </td>
   <td style="text-align:right;"> 27908.14 </td>
   <td style="text-align:right;"> 6384.54 </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;"> 9.00 </td>
   <td style="text-align:right;"> 1.56 </td>
   <td style="text-align:right;"> 27218.33 </td>
   <td style="text-align:right;"> 3852.69 </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;"> 43001.64 </td>
   <td style="text-align:right;"> 19976.60 </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;"> 43658.30 </td>
   <td style="text-align:right;"> 12454.30 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 40203.08 </td>
   <td style="text-align:right;"> 16476.82 </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;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 34917.53 </td>
   <td style="text-align:right;"> 14184.07 </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;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 33075.37 </td>
   <td style="text-align:right;"> 7270.71 </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;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 35514.14 </td>
   <td style="text-align:right;"> 23188.65 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28451.50 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5380.95 </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;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 32777.38 </td>
   <td style="text-align:right;"> 7411.63 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28730.71 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5082.77 </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;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 36164.76 </td>
   <td style="text-align:right;"> 10883.06 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28970.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5816.92 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27908.14 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6384.54 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27218.33 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3852.69 </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;"> 43001.64 </td>
   <td style="text-align:right;"> 19976.60 </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;"> 43658.30 </td>
   <td style="text-align:right;"> 12454.30 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 40203.08 </td>
   <td style="text-align:right;"> 16476.82 </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;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 34917.53 </td>
   <td style="text-align:right;"> 14184.07 </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;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 33075.37 </td>
   <td style="text-align:right;"> 7270.71 </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;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 35514.14 </td>
   <td style="text-align:right;"> 23188.65 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28451.50 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5380.95 </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;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 32777.38 </td>
   <td style="text-align:right;"> 7411.63 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28730.71 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5082.77 </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;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 36164.76 </td>
   <td style="text-align:right;"> 10883.06 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28970.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5816.92 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27908.14 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6384.54 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27218.33 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3852.69 </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;"> 43001.64 </td>
   <td style="text-align:right;"> 19976.60 </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;"> 43658.30 </td>
   <td style="text-align:right;"> 12454.30 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 40203.08 </td>
   <td style="text-align:right;"> 16476.82 </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;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 34917.53 </td>
   <td style="text-align:right;"> 14184.07 </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;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 33075.37 </td>
   <td style="text-align:right;"> 7270.71 </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;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 35514.14 </td>
   <td style="text-align:right;"> 23188.65 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28451.50 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5380.95 </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;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 32777.38 </td>
   <td style="text-align:right;"> 7411.63 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28730.71 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5082.77 </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;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 36164.76 </td>
   <td style="text-align:right;"> 10883.06 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28970.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5816.92 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27908.14 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6384.54 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27218.33 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3852.69 </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;"> 43001.64 </td>
   <td style="text-align:right;"> 19976.60 </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;"> 43658.30 </td>
   <td style="text-align:right;"> 12454.30 </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;"> 5.02 </td>
   <td style="text-align:right;"> 1.34 </td>
   <td style="text-align:right;"> 40203.08 </td>
   <td style="text-align:right;"> 16476.82 </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;"> 5.29 </td>
   <td style="text-align:right;"> 1.47 </td>
   <td style="text-align:right;"> 34917.53 </td>
   <td style="text-align:right;"> 14184.07 </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;"> 5.88 </td>
   <td style="text-align:right;"> 1.75 </td>
   <td style="text-align:right;"> 33075.37 </td>
   <td style="text-align:right;"> 7270.71 </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;"> 6.14 </td>
   <td style="text-align:right;"> 1.76 </td>
   <td style="text-align:right;"> 35514.14 </td>
   <td style="text-align:right;"> 23188.65 </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;"> 6.26 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.79 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28451.50 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5380.95 </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;"> 6.34 </td>
   <td style="text-align:right;"> 0.99 </td>
   <td style="text-align:right;"> 32777.38 </td>
   <td style="text-align:right;"> 7411.63 </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;"> 6.59 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.05 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28730.71 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5082.77 </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;"> 7.14 </td>
   <td style="text-align:right;"> 2.42 </td>
   <td style="text-align:right;"> 36164.76 </td>
   <td style="text-align:right;"> 10883.06 </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;"> 7.98 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.93 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 28970.85 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 5816.92 </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;"> 8.41 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27908.14 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 6384.54 </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;"> 9.00 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 1.56 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 27218.33 </td>
   <td style="text-align:right;font-weight: bold;color: white !important;background-color: #BBBBBB !important;"> 3852.69 </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 x 4
##    alo_quote landkreis_name      bundesland_name    ost_name       
##        <dbl> <chr>               <chr>              <chr>          
##  1      6.99 Flensburg           Schleswig-Holstein Westdeutschland
##  2      6.64 Kiel                Schleswig-Holstein Westdeutschland
##  3      7.02 Lübeck              Schleswig-Holstein Westdeutschland
##  4      6.90 Neumünster          Schleswig-Holstein Westdeutschland
##  5      7.09 Dithmarschen        Schleswig-Holstein Westdeutschland
##  6      7.36 Herzogtum Lauenburg Schleswig-Holstein Westdeutschland
##  7      5.86 Nordfriesland       Schleswig-Holstein Westdeutschland
##  8      5.90 Ostholstein         Schleswig-Holstein Westdeutschland
##  9      6.16 Pinneberg           Schleswig-Holstein Westdeutschland
## 10      6.90 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 x 5
##    alo_quote landkreis_name     bundesland_name   ost_name     baden_wuerttembe…
##        <dbl> <chr>              <chr>             <chr>        <fct>            
##  1      6.99 Flensburg          Schleswig-Holste… Westdeutsch… 0                
##  2      6.64 Kiel               Schleswig-Holste… Westdeutsch… 0                
##  3      7.02 Lübeck             Schleswig-Holste… Westdeutsch… 0                
##  4      6.90 Neumünster         Schleswig-Holste… Westdeutsch… 0                
##  5      7.09 Dithmarschen       Schleswig-Holste… Westdeutsch… 0                
##  6      7.36 Herzogtum Lauenbu… Schleswig-Holste… Westdeutsch… 0                
##  7      5.86 Nordfriesland      Schleswig-Holste… Westdeutsch… 0                
##  8      5.90 Ostholstein        Schleswig-Holste… Westdeutsch… 0                
##  9      6.16 Pinneberg          Schleswig-Holste… Westdeutsch… 0                
## 10      6.90 Plön               Schleswig-Holste… Westdeutsch… 0                
## # … 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))) %>%
* 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: 9,975 x 8
##    Regionalschlues…  Jahr     bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>   <dbl>     <dbl>        <dbl> <chr>          
##  1 08111             1992 3.20e10    593628       53930. Baden-Württemb…
##  2 08115             1992 1.20e10    343190       34900. Baden-Württemb…
##  3 08116             1992 1.22e10    487370       25057. Baden-Württemb…
##  4 08117             1992 5.12e 9    248688       20586. Baden-Württemb…
##  5 08118             1992 1.15e10    475248       24170. Baden-Württemb…
##  6 08119             1992 8.49e 9    389670       21782. Baden-Württemb…
##  7 08121             1992 4.21e 9    118566       35543. Baden-Württemb…
##  8 08125             1992 6.11e 9    283163       21585. Baden-Württemb…
##  9 08126             1992 2.29e 9     96072       23797. Baden-Württemb…
## 10 08127             1992 3.49e 9    169617       20551. Baden-Württemb…
## # … with 9,965 more rows, and 2 more variables: landkreis_name <chr>,
## #   ost_name <chr>
```
]

---
count: false

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

```
## # A tibble: 7,182 x 8
##    Regionalschlues…  Jahr     bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>   <dbl>     <dbl>        <dbl> <chr>          
##  1 08111             2000 3.43e10    571528       59965. Baden-Württemb…
##  2 08115             2000 1.38e10    359476       38259. Baden-Württemb…
##  3 08116             2000 1.44e10    492914       29224. Baden-Württemb…
##  4 08117             2000 6.12e 9    253970       24094. Baden-Württemb…
##  5 08118             2000 1.44e10    492014       29350. Baden-Württemb…
##  6 08119             2000 1.04e10    403830       25799. Baden-Württemb…
##  7 08121             2000 5.31e 9    115590       45970. Baden-Württemb…
##  8 08125             2000 8.57e 9    316406       27075. Baden-Württemb…
##  9 08126             2000 3.12e 9    106494       29305. Baden-Württemb…
## 10 08127             2000 4.60e 9    184222       24984. Baden-Württemb…
## # … with 7,172 more rows, and 2 more variables: landkreis_name <chr>,
## #   ost_name <chr>
```
]

---
count: false

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

```
## # A tibble: 7,182 x 8
## # Groups:   ost_name, Jahr [36]
##    Regionalschlues…  Jahr     bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>   <dbl>     <dbl>        <dbl> <chr>          
##  1 08111             2000 3.43e10    571528       59965. Baden-Württemb…
##  2 08115             2000 1.38e10    359476       38259. Baden-Württemb…
##  3 08116             2000 1.44e10    492914       29224. Baden-Württemb…
##  4 08117             2000 6.12e 9    253970       24094. Baden-Württemb…
##  5 08118             2000 1.44e10    492014       29350. Baden-Württemb…
##  6 08119             2000 1.04e10    403830       25799. Baden-Württemb…
##  7 08121             2000 5.31e 9    115590       45970. Baden-Württemb…
##  8 08125             2000 8.57e 9    316406       27075. Baden-Württemb…
##  9 08126             2000 3.12e 9    106494       29305. Baden-Württemb…
## 10 08127             2000 4.60e 9    184222       24984. Baden-Württemb…
## # … with 7,172 more rows, and 2 more variables: landkreis_name <chr>,
## #   ost_name <chr>
```
]

---
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: 7,182 x 10
## # Groups:   ost_name, Jahr [36]
##    Regionalschlues…  Jahr     bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>   <dbl>     <dbl>        <dbl> <chr>          
##  1 08111             2000 3.43e10    571528       59965. Baden-Württemb…
##  2 08115             2000 1.38e10    359476       38259. Baden-Württemb…
##  3 08116             2000 1.44e10    492914       29224. Baden-Württemb…
##  4 08117             2000 6.12e 9    253970       24094. Baden-Württemb…
##  5 08118             2000 1.44e10    492014       29350. Baden-Württemb…
##  6 08119             2000 1.04e10    403830       25799. Baden-Württemb…
##  7 08121             2000 5.31e 9    115590       45970. Baden-Württemb…
##  8 08125             2000 8.57e 9    316406       27075. Baden-Württemb…
##  9 08126             2000 3.12e 9    106494       29305. Baden-Württemb…
## 10 08127             2000 4.60e 9    184222       24984. Baden-Württemb…
## # … with 7,172 more rows, and 4 more variables: landkreis_name <chr>,
## #   ost_name <chr>, durchschnitt <dbl>, ulm <dbl>
```
]

---
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 28338€ 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: 9,975 x 8
## # Groups:   Regionalschluessel [399]
##    Regionalschlues…  Jahr     bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>   <dbl>     <dbl>        <dbl> <chr>          
##  1 08111             1992 3.20e10    593628       53930. Baden-Württemb…
##  2 08115             1992 1.20e10    343190       34900. Baden-Württemb…
##  3 08116             1992 1.22e10    487370       25057. Baden-Württemb…
##  4 08117             1992 5.12e 9    248688       20586. Baden-Württemb…
##  5 08118             1992 1.15e10    475248       24170. Baden-Württemb…
##  6 08119             1992 8.49e 9    389670       21782. Baden-Württemb…
##  7 08121             1992 4.21e 9    118566       35543. Baden-Württemb…
##  8 08125             1992 6.11e 9    283163       21585. Baden-Württemb…
##  9 08126             1992 2.29e 9     96072       23797. Baden-Württemb…
## 10 08127             1992 3.49e 9    169617       20551. Baden-Württemb…
## # … with 9,965 more rows, and 2 more variables: landkreis_name <chr>,
## #   ost_name <chr>
```
]

---
count: false

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

```
## # A tibble: 9,975 x 8
## # Groups:   Regionalschluessel [399]
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             1992 2.64e9     86642       30468. Schleswig-Hols…
##  2 01001             1994 2.73e9     86287       31622. Schleswig-Hols…
##  3 01001             1995 2.74e9     85506       32033. Schleswig-Hols…
##  4 01001             1996 2.69e9     84499       31835. Schleswig-Hols…
##  5 01001             1997 2.85e9     83344       34208. Schleswig-Hols…
##  6 01001             1998 3.00e9     82112       36488. Schleswig-Hols…
##  7 01001             1999 2.83e9     81276       34779. Schleswig-Hols…
##  8 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  9 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
## 10 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
## # … with 9,965 more rows, and 2 more variables: landkreis_name <chr>,
## #   ost_name <chr>
```
]

---
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: 9,975 x 9
## # Groups:   Regionalschluessel [399]
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             1992 2.64e9     86642       30468. Schleswig-Hols…
##  2 01001             1994 2.73e9     86287       31622. Schleswig-Hols…
##  3 01001             1995 2.74e9     85506       32033. Schleswig-Hols…
##  4 01001             1996 2.69e9     84499       31835. Schleswig-Hols…
##  5 01001             1997 2.85e9     83344       34208. Schleswig-Hols…
##  6 01001             1998 3.00e9     82112       36488. Schleswig-Hols…
##  7 01001             1999 2.83e9     81276       34779. Schleswig-Hols…
##  8 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  9 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
## 10 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
## # … with 9,965 more rows, and 3 more variables: landkreis_name <chr>,
## #   ost_name <chr>, bip_pro_kopf_wachstum <dbl>
```
]

---
count: false

```
## # A tibble: 9,975 x 9
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             1992 2.64e9     86642       30468. Schleswig-Hols…
##  2 01001             1994 2.73e9     86287       31622. Schleswig-Hols…
##  3 01001             1995 2.74e9     85506       32033. Schleswig-Hols…
##  4 01001             1996 2.69e9     84499       31835. Schleswig-Hols…
##  5 01001             1997 2.85e9     83344       34208. Schleswig-Hols…
##  6 01001             1998 3.00e9     82112       36488. Schleswig-Hols…
##  7 01001             1999 2.83e9     81276       34779. Schleswig-Hols…
##  8 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  9 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
## 10 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
## # … with 9,965 more rows, and 3 more variables: landkreis_name <chr>,
## #   ost_name <chr>, bip_pro_kopf_wachstum <dbl>
```
]

---
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: 9,975 x 9
## # Groups:   ost_name, Jahr [50]
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             1992 2.64e9     86642       30468. Schleswig-Hols…
##  2 01001             1994 2.73e9     86287       31622. Schleswig-Hols…
##  3 01001             1995 2.74e9     85506       32033. Schleswig-Hols…
##  4 01001             1996 2.69e9     84499       31835. Schleswig-Hols…
##  5 01001             1997 2.85e9     83344       34208. Schleswig-Hols…
##  6 01001             1998 3.00e9     82112       36488. Schleswig-Hols…
##  7 01001             1999 2.83e9     81276       34779. Schleswig-Hols…
##  8 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  9 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
## 10 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
## # … with 9,965 more rows, and 3 more variables: landkreis_name <chr>,
## #   ost_name <chr>, bip_pro_kopf_wachstum <dbl>
```
]

---
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: 9,975 x 10
## # Groups:   ost_name, Jahr [50]
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             1992 2.64e9     86642       30468. Schleswig-Hols…
##  2 01001             1994 2.73e9     86287       31622. Schleswig-Hols…
##  3 01001             1995 2.74e9     85506       32033. Schleswig-Hols…
##  4 01001             1996 2.69e9     84499       31835. Schleswig-Hols…
##  5 01001             1997 2.85e9     83344       34208. Schleswig-Hols…
##  6 01001             1998 3.00e9     82112       36488. Schleswig-Hols…
##  7 01001             1999 2.83e9     81276       34779. Schleswig-Hols…
##  8 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  9 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
## 10 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
## # … with 9,965 more rows, and 4 more variables: landkreis_name <chr>,
## #   ost_name <chr>, bip_pro_kopf_wachstum <dbl>, durchschnitt <dbl>
```
]

---
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: 9,975 x 10
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             1992 2.64e9     86642       30468. Schleswig-Hols…
##  2 01001             1994 2.73e9     86287       31622. Schleswig-Hols…
##  3 01001             1995 2.74e9     85506       32033. Schleswig-Hols…
##  4 01001             1996 2.69e9     84499       31835. Schleswig-Hols…
##  5 01001             1997 2.85e9     83344       34208. Schleswig-Hols…
##  6 01001             1998 3.00e9     82112       36488. Schleswig-Hols…
##  7 01001             1999 2.83e9     81276       34779. Schleswig-Hols…
##  8 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  9 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
## 10 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
## # … with 9,965 more rows, and 4 more variables: landkreis_name <chr>,
## #   ost_name <chr>, bip_pro_kopf_wachstum <dbl>, durchschnitt <dbl>
```
]

---
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: 7,182 x 10
##    Regionalschlues…  Jahr    bip einwohner bip_pro_kopf bundesland_name
##    <chr>            <dbl>  <dbl>     <dbl>        <dbl> <chr>          
##  1 01001             2000 2.62e9     80758       32428. Schleswig-Hols…
##  2 01001             2001 2.64e9     80489       32854. Schleswig-Hols…
##  3 01001             2002 2.71e9     80414       33734. Schleswig-Hols…
##  4 01001             2003 2.74e9     80538       33976. Schleswig-Hols…
##  5 01001             2004 2.93e9     80783       36231. Schleswig-Hols…
##  6 01001             2005 3.01e9     80892       37258. Schleswig-Hols…
##  7 01001             2006 3.13e9     81052       38676. Schleswig-Hols…
##  8 01001             2007 3.18e9     81634       38931. Schleswig-Hols…
##  9 01001             2008 3.25e9     82403       39456. Schleswig-Hols…
## 10 01001             2009 3.13e9     82478       37920. Schleswig-Hols…
## # … with 7,172 more rows, and 4 more variables: landkreis_name <chr>,
## #   ost_name <chr>, bip_pro_kopf_wachstum <dbl>, durchschnitt <dbl>
```
]

---
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 Aufholjagt
- Ostdeutsche Landkreise haben sich stark entwickelt
  - Diese Etwicklung sollte jedoch nicht absolut, sondern relativ zu westdeutschen Landkreisen betrachtet werden

---

## Verteilung des BIP pro Kopf in 2017

---
 
## 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 %>%
* filter(bip_pro_kopf<100000)
```
]
 
.panel2-bip3-auto[

```
## # A tibble: 395 x 14
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 385 more rows, and 9 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>, ost <fct>, ost_name <chr>
```
]

---
count: false

```r
gesamtdaten %>%
  filter(bip_pro_kopf<100000) %>%
* group_by(ost_name)
```
]
 
.panel2-bip3-auto[

```
## # A tibble: 395 x 14
## # Groups:   ost_name [2]
##    Regionalschlues… total_alo landkreis_name bundesland bundesland_name
##    <chr>                <dbl> <chr>          <chr>      <chr>          
##  1 01001                 4512 Flensburg      01         Schleswig-Hols…
##  2 01002                12345 Kiel           01         Schleswig-Hols…
##  3 01003                 9692 Lübeck         01         Schleswig-Hols…
##  4 01004                 3836 Neumünster     01         Schleswig-Hols…
##  5 01051                 4632 Dithmarschen   01         Schleswig-Hols…
##  6 01053                 5592 Herzogtum Lau… 01         Schleswig-Hols…
##  7 01054                 5657 Nordfriesland  01         Schleswig-Hols…
##  8 01055                 5748 Ostholstein    01         Schleswig-Hols…
##  9 01056                 8599 Pinneberg      01         Schleswig-Hols…
## 10 01057                 3264 Plön           01         Schleswig-Hols…
## # … with 385 more rows, and 9 more variables: Schulden_pro_kopf_lk <dbl>,
## #   Einwohner <dbl>, Schulden_gesamt <dbl>, bip <dbl>, bip_pro_kopf <dbl>,
## #   erw <dbl>, alo_quote <dbl>, ost <fct>, ost_name <chr>
```
]

---
count: false

```r
gesamtdaten %>%
  filter(bip_pro_kopf<100000) %>%
  group_by(ost_name) %>%
* summarise(durchschnitt = mean(bip_pro_kopf))
```
]
 
.panel2-bip3-auto[

```
## # A tibble: 2 x 2
##   ost_name        durchschnitt
##   <chr>                  <dbl>
## 1 Ostdeutschland        28338.
## 2 Westdeutschland       38021.
```
]

---
count: false

```r
gesamtdaten %>%
  filter(bip_pro_kopf<100000) %>%
  group_by(ost_name) %>%
  summarise(durchschnitt = mean(bip_pro_kopf)) %>%
* ungroup() -> mittel
```
]
 
.panel2-bip3-auto[

]

---
count: false