G1_4_CAlaaj2.Rmd

## Korrespondenssianalyysin laajennuksia: vuorovaikutusmuuttuja ja osajoukon CA

**zxy** Otsikkoa pitää harkita, CAip - kirjassa tämä on ensimmäinen esimerkki
yksinkertaisen CA:n laajennuksesta. Otsikkona on "multiway tables", ja tästä
yhteisvaikutusmuuttujan (interactive coding) luominen on ensimmäinen esimerkki.
Menetelmää taivutetaan sen jälkeen moneen suuntaan.

Luodaan luokiteltu ikämuuttua age_cat, ja sen avulla iän ja sukupuolen
interaktiomuuttuja ga. Maiden välillä on hieman eroja siinä, kuinka nuoria
vastaajia on otettu tutkimuksen kohteeksi. Suomessa alaikäraja on 15 vuotta,
monessa maassa se on hieman korkeampi.
Ikäluokat ovat (1=15-25, 2 =26-35, 3=36-45, 4=46-55, 5=56-65, 6= 66 tai vanhempi).
Vuorovaikutusmuuttuja ga koodataan f1,..., f6 ja m1,...,m6. Muuttujien nimet
kannattaa pitää mahdollisimman lyhyinä.


```{r G1-4agecat}
# Iän ja sukupuolen vuorovaikutusmuuttujia 1
#
# Uusi R-data: ISSP2012esim1b.dat - MIKSI, TARVITAANKO? *esim1.dat kelpaisi?(4.2.20)
# Vaihdetaan tiedoston nimi (ISSP2012esim2 - > ISSP2012esim1b), ensimmäistä käytetään jo aiemmin.
#age_cat
#AGE 1=15-25, 2 =26-35, 3=36-45, 4=46-55, 5=56-65, 6= 66 and older
#
#summary(ISSP2012esim1.dat$AGE)
hist(ISSP2012esim1.dat$ika)

ISSP2012esim1b.dat <- mutate(ISSP2012esim1.dat, age_cat = ifelse(ika %in% 15:25, "1",
                        ifelse(ika %in% 26:35, "2",
                        ifelse(ika %in% 36:45, "3",
                        ifelse(ika %in% 46:55, "4",
                        ifelse(ika %in% 56:65, "5", "6"))))))


ISSP2012esim1b.dat <- ISSP2012esim1b.dat %>%   # uusi (4.2.20)
        mutate(age_cat = as_factor(age_cat)) # järjestys omituinen! (4.2.20)
# Tarkistuksia

# str(ISSP2012esim2.dat$age_cat)
# levels(ISSP2012esim2.dat$age_cat)
# ISSP2012esim2.dat$age_cat %>% summary()

# Järjestetään ikäluokat uudelleen

ISSP2012esim1b.dat <- ISSP2012esim1b.dat %>%
        mutate(age_cat =
                fct_relevel(age_cat,
                            "1",
                            "2",
                            "3",
                            "4",
                            "5",
                            "6")
               )

# Tarkistuksia

# Iso taulukko, voi tarkistaa että muunnos ok.
# test6 %>% tableX(AGE, age_cat, type = "count")
# taulu42 <- ISSP2012esim2.dat %>% tableX(maa,age_cat,type = "count")
# kable(taulu42,digits = 2, caption = "Ikäluokka age_cat")
#

# UUdet taulukot (4.2.20)

ISSP2012esim1b.dat %>%
    tableX(maa,age_cat,type = "count") %>%
    kable(digits = 2, caption = "Ikäluokka age_cat")

ISSP2012esim1b.dat %>%
    tableX(maa,age_cat,type = "row_perc") %>%
    kable(digits = 2, caption = "age_cat: suhteelliset frekvenssit")

```

Ikäjäkauma painottuu kaikissa maissa jonkinverran vanhempiin ikäluokkiin.
Nuorempien ikäluokkien osuus on (alle 26-vuotiaat ja alle 26-35 - vuotiaat)
varsinkin Bulgariassa (BG) ja Unkarissa (HU) pieni.

Poikkileikkausaineistossa vastaajan ikä kertoo ikäluokan (kohortin), vastaajat ovat
kokeen esim. kaksi mullistusten vuotta elämänsä eri vaiheissa. Kaksin nuorinta ikäluokka
on ollut 1990 alle 14-vuotiaita ja vanhin ikäluokka yli 44-vuotiaita. Finannsikriisin
vuonna 2008 toiseksi nuorin ikäluokka on ollut 22-31 vuotiaita, ja kaksi vanhinta
yli 51-vuotiaita.



**zxy** Siistimmät versioit muuttujien luonnista (case_when - rakenne) (19.9.2018).


```{r G1-4ga2}
# ga - ikäluokka ja sukupuoli
# Uusi tiedostonimi ISSP2012esim2.dat -> ISSP2012esim1b.dat (10.10.20)

# case_when: ikä ja sukupuoli
ISSP2012esim1b.dat <- mutate(ISSP2012esim1b.dat, ga = case_when((age_cat == "1")&(sp == "m") ~ "m1",
                                       (age_cat == "2")&(sp == "m") ~ "m2",
                                       (age_cat == "3")&(sp == "m") ~ "m3",
                                       (age_cat == "4")&(sp == "m") ~ "m4",
                                       (age_cat == "5")&(sp == "m") ~ "m5",
                                       (age_cat == "6")&(sp == "m") ~ "m6",
                                       (age_cat == "1")&(sp == "f") ~ "f1",
                                       (age_cat == "2")&(sp == "f") ~ "f2",
                                       (age_cat == "3")&(sp == "f") ~ "f3",
                                       (age_cat == "4")&(sp == "f") ~ "f4",
                                       (age_cat == "4")&(sp == "f") ~ "f4",
                                       (age_cat == "5")&(sp == "f") ~ "f5",
                                       (age_cat == "6")&(sp == "f") ~ "f6",
                                       TRUE ~ "missing"
                                  ))

#ISSP2012esim1.dat %>% tableX(ga,ga2) # tarkistus uudelle muuttujan luontikoodille
# muuttujien tarkistuksia 19.9.2018
str(ISSP2012esim1b.dat$ga) # chr-muuttuja, mutta toimii (4.2.20)
# str(ISSP2012esim2.dat)
# str(ISSP2012esim1.dat$ga2)
# ga on merkkijono, samoin ga2, pitäisikö muuttaa faktoriksi?
# str(ISSP2012esim1.dat)

#Tulostetaan taulukkoina ga2 - muuttuja.

ISSP2012esim1b.dat %>% tableX(maa,ga,type = "count") %>%
kable(digits = 2, caption = "Ikäluokka ja sukupuoli ga")

ISSP2012esim1b.dat %>% tableX(maa,ga,type = "row_perc") %>%
kable(digits = 2, caption = "ga: suhteelliset frekvenssit")


```

**edit** Vain tarkistuksiin, toisen voi poistaa (19.9.2018)!

CAiP, ch16, täällä myös maa- ja sukupuoli- uudelleenpainotus.

```{r ga1CA1,fig.cap = "Iän ja sukupuolen yhdistetty muuttuja",fig.asp = 1, out.width = "90%",fig.align = "center"}
gaTestCA1 <- ca(~ga + Q1b,ISSP2012esim1b.dat)

# maapisteiden pääkoordinaatit janojen piirtämiseen

gaTestCA1.rpc <- gaTestCA1$rowcoord %*% diag(gaTestCA1$sv)

par(cex = 0.6)
plot(gaTestCA1, main = "Äiti töissä: ikäluokka ja sukupuoli",
     sub = "symmetrinen kartta")
# naiset
lines(gaTestCA1.rpc[1:6,1],gaTestCA1.rpc[1:6,2])
#miehet
lines(gaTestCA1.rpc[7:12,1],gaTestCA1.rpc[7:12,2], col = "red")
#segments(gaTestCA1.rpc[1:6,1],gaTestCA1.rpc[1:6,2])
#         ,
#         gaTestCA1.rpc[4,1],gaTestCA1.rpc[4,2]
#         )
#segments(gaTestCA1.rpc[4,1],gaTestCA1.rpc[4,2],
#         gaTestCA1.rpc[3,1],gaTestCA1.rpc[3,2]
#        )

summary(gaTestCA1)
```
**zxy** Aika yksiuloitteinen (87 prosenttia ensimmäisellä dimensiolla!). Data on
"as it is", ei ole vakioitu ga-luokkien kokoja (massat max(f4 101), min (m1 57)).

**zxy** miten pitäisi tulkita "oikealle kaatunut U - muoto" miehillä ja naisilla?
Järjestys ei toimi, S s-sarakkeen vasemmalla puolella. Miehet konservatiivisempia,
mutta maltillisempia? Nuorin ikäluokka on poikkeava. Epävarmoja tai maltillisesti
e, sitten loikka vasemmalle ja sieltä konservatiiviseen suuntaa oikealle. Naisilla
poikkeama f3 - f4. VAnhimmat ikäluokat tiukemmin konservatiivisa (f6, m6). Jos
vertaa sukupuolten eroja samassa ikäluokassa, on aika samanlainen (miehet
konservatiivisia, naiset liberaaleja). Naisista vain vanhin ikäluokka oikealla,
miehistä nuorin ja kolme vanhinta.

**zxy** Tulkinnassa muistettava, että ikäluokat yli maiden. Voi verrata sekä
edellisiin maa-vertailuihin että maan, ikäluokan ja sukupuolen yhteisvaikutusmuuttujan
tuloksiin. MG tutkailee eri kysymyksellä tätä samaa asiaa, ja havaitsee että
(a) maiden erot suuria ja sukupuolten pieniä (b) naiset liberaalimpia kuin miehet.
**edit 14.8.20 Viite?**

**edit 14.8.20** Numeeriset tulokset: nuorimpien miesten (qlt 659) ja erityisesti
keski-ikäisten miestén m3 (qlt 457) pisteet huonosti esitetty kartalla. Tulkitaan
myös cor ja ctr, riveille ja sarakkeille.

```{r maaga1}
# Luodaan aineistoon kolmen muuttujan yhdysvaikutusmuuttuja maaga, maa, ikäluokka ja sukupuoli.
# Yleensä ei yhdysvaikuksissa mennä yli kolmen luokittelumuuttujan, ja tässäkin vain maiden pieni lukumää
# tekee tarkastelun aika helpoksi.

ISSP2012esim1b.dat <- mutate(ISSP2012esim1b.dat, maaga = paste(maa, ga, sep = ""))

# tarkistus, muunnos ok
# ISSP2012esim1b.dat %>% tableX(maa, maaga)
# head(ISSP2012esim2.dat)
# str(ISSP2012esim2.dat)

```

**Maa - ikäluokka - sukupuoli - interaktiomuuttuja maaga**

Tehty jo 26.9.2018!

```{r maagaCA1, fig.cap = "Ikä, sukupuoli ja maa",fig.asp = 1, out.width = "90%",fig.align = "center"}

maagaCA1 <- ca(~maaga + Q1b,ISSP2012esim1b.dat)



# maapisteiden pääkoordinaatit janojen piirtämiseen
# HUOM! maagaCA1.rpc on matriisi

maagaCA1.rpc <- maagaCA1$rowcoord %*% diag(maagaCA1$sv) #Missä käytetään? (10.10.20)

par(cex = 0.5)
plot(maagaCA1, main = "Äiti töissä: ikäluokka ja sukupuoli maittain",
                sub = "symmetrinen kartta cex=0.5")
#Kuvatiedoston koko säädettävä tarkemmin (30.3.20)

# pdf("img/maagaCA1_symm1.pdf")
# par(cex = 0.5)
# plot(maagaCA1, main = "Äiti töissä: ikäluokka ja sukupuoli maittain",
#                sub = "symmetrinen kartta cex=0.5")
# dev.off()

```

Kartta on aika tukkoinen, yhdistetään muuttujat janoilla.



## Kvaliteetti ja stabiilius

maaga-talukossa on paljon pieniä frekvenssejä (alle 5). Periaatteessa pienen
frekvenssin rivejä tai sarakkeita voi yhdistää (distr. equivivalece), ja näin
kannattaa tehdä jotta kartta ei mene tukkoon. **9.9.20** Pienet solufrekvenssin
vs. pienet reunajakauman frekvenssin, miten edellisen kanssa pitäisi toimia?

Kartan herkkyyttä joillekin pienen massan rivipisteille on tutkittu. Ei ilmeistä syytä
huoleen, mutta (a) joidenkin pisteiden huono kvaliteetti ja (b) pienet solufrekvenssit
ovat huono juttu. Jälkimmäisen voisi korjata yhdistelemättä luokkia, hyöty olisi
kuvan selkeytyminen ja haitta kiinnostavien piirteiden peittymine. Erityisesti nuorimman ja toiseksi
nuorimman ikäluokan ero.

Vertailu voi tehdä

1.Maiden sisällä, ikä-sukupuoli - luokkien välillä.
Ovatko naiset kaikissa ikäluokissa mies-ikäluokkien oikealla vai vasemmalla puolella?

2.Maiden välillä


a. miten ikä-sukupuoliluokat sijaitsevat suhteessa maiden keskiarvopisteisiin

b. mikä on niiden järjestys


Ratkaisun numeerisia tuloksia voi katsoa, löytyykö profiileja joilla on pieni
massa mutta suuri vaikutus akseleihin.

```{r maagaStabi1}
# (24.2.20) Miten voisi kätevästi tarkistaa, että mikään pienen massa piste ei
# vaikuta (kontribuutiot) liikaa karttaan?
#str(maagaTestCA1)

ISSP2012esim1b.dat %>% tableX(maaga, Q1b) # aika pieniä frekvenssejä soluissa!
maagaCA1num <- summary(maagaCA1)
# maagaCA1num
# str(maagaCA1num) numeeriset tulokset tibbleksi - rivit
maagaCAnum2 <- as_tibble(maagaCA1num$rows, .name_repair = c("unique"))
# maagaCAnum2
# str(maagaCAnum2)
summary(maagaCAnum2)
colnames(maagaCAnum2) # välilyötejä nimen alussa
names(maagaCAnum2)[3] <- "qlt"
# maagaCAnum2 %>% rename( qlt, qlt)


arrange(maagaCAnum2 , mass)


# maagaCAnum2
# plot(maagaCAnum2, x = c("mass"), y = c("ctr...7"), xlim = c(0,30), ylim = c(0, 1000))
with(maagaCAnum2, plot(mass, ctr...7))
tail(arrange(maagaCAnum2 ,ctr...7))
with(maagaCAnum2, plot(mass, ctr...10))
tail(arrange(maagaCAnum2 ,ctr...10))
str(maagaCAnum2)
arrange(maagaCAnum2, qlt)
head(arrange(maagaCAnum2, qlt))

# Hieman hankalaa kätevästi järjestää numeerisia tuloksia massan mukaan

#str(maagaCA1num)
#maagaCA1num$rows
#maagaRows.df <- maagaCA1num$rows
# sarakenimet eivät yksikäsitteisiä
#maagaRows.df
#str(maagaRows.df)
#names(maagaRows.df)
#str(maagaRows.df$mass)
# ei toimi AscmaagaRows.df <- maagaRows.df[order(mass),]


```
Massa ja kontribuutiot akseleille 1 ja 2: epäilyttäviä havaintoja joilla pieni massa ja
suuri kontribuutio ei näytä olevan.

Huonosti esitetettyjä pisteitä on erityisesti Belgiasta, myös Saksan (DEf6,DEf1 ja DEm4),
Tanskan vanhat miehet (DKm6) ja Unkarin nuorehkot miehet (HUm2) kuuluvat tähän joukkon.


Maapisteet täydentäviksi pisteiksi - tarkistuksia.

```{r maagaCA2,fig.cap = "Ikä-sukupuoli-maa",fig.asp = 1, out.width = "90%",fig.align = "center"}
# Miten maa-rivit täydentäviksi riveiksi - alla siisti ratkaisu
# Miten labelit hieman lähemmäkis pistettä? offset-jotenkin toimii...

# rakennetaan taulukko, jossa alimpina riveinä "maa-rivit"
# otetaan karttaan mukaan täydentävinä pisteinä
# karttaa on helpompi tulkita, kun nähdään miten ikä-sukupuoli-ryhmät sijatsevat keskiarvonsa ympärillä

# HUOM! maagaTab1 integer matriisi, dimnames-attribuutilla kaksi arvoa
#ikäluokka - sukupuoli ja maa - maaga-muuttuja
maagaTab1 <- table(ISSP2012esim1b.dat$maaga, ISSP2012esim1b.dat$Q1b)
#dim(testTab1) #72 riviä,  5 saraketta


# maa-rivit
maagaTab_sr <- table(ISSP2012esim1b.dat$maa, ISSP2012esim1b.dat$Q1b)
#maagaTab_sr

maagaTab1 <- rbind(maagaTab1,maagaTab_sr)
# str(maagaTab1)
# maagaTab1
# dim(maagaTab1) #78 riviä, 5 saraketta, 1-72 data ja 73-78 täydentävät rivit

spCAmaaga1 <- ca(maagaTab1[,1:5], suprow = 73:78)
# X11()

# Plot toimii (4.2.20), ja par() (4.5.20)
par(cex = 0.5)
plot(spCAmaaga1, main = "Äiti töissä: ikäluokka ja sukupuoli maittain 2",
                sub = "symmetrinen kartta, maat täydentävinä pisteinä, cex=0.5"
                    )


#asymmetrinen kartta
#X11()
par(cex = 0.5)
plot(spCAmaaga1, map = "rowgreen",
        contrib = c("absolute", "absolute"),
        mass = c(TRUE,TRUE),
        arrows = c(FALSE,TRUE),
        main = "Äiti töissä: ikäluokka ja sukupuoli maittain 3",
        sub ="absoluuttiset kontribuutiot ('rowgreen'),cex=0.5",
                  )


#asymmetrinen kartta (14.8.20)

par(cex = 0.5)
plot(spCAmaaga1, map = "rowgreen",
        contrib = c("absolute", "absolute"),
         mass = c(TRUE,TRUE),
        arrows = c(FALSE,TRUE),
        main = "Äiti töissä: ikäluokka ja sukupuoli maittain 3",
                sub = "suhteelliset kontribuutiot ('rowgreen') ,cex=0.5"
                )


```

Asymmetrinen kontribuutiokartta on hyödyllinen sarakkeiden ja niiden avulla
akseleiden tulkinnassa. Rivipisteet pakkautuvat kuitenkin tiiviimmin kartan
keskelle kuin symmetrisessä kuvassa.

```{r spCAmaaga-lines1, fig.cap = "Ikä-sukupuoli-maa", fig.asp =1, out.width = "90%",fig.align = "center" }
# pisteiden koordinaatit (symmetrinen kartta, pääkoordinaatit)
maagaLines1 <-cacoord(spCAmaaga1, type = "symmetric")

# vain kaksi ensimmäistä dimensiota
maagaLines1 <- maagaLines1$rows[ ,1:2]

# Tarkistuksia
#maagaLines1
#str(maagaLines1)
#class(maagaLines1)
# Onko yhtään vähemmän tukkoinen? Eipä juuri (17.9.20)
par(cex = 0.5)
plot(spCAmaaga1, main = "Äiti töissä: ikäluokka ja sukupuoli maittain",
                sub = "symmetrinen kartta (cex=0.5), miesten (punainen) ja naisten (sininen) ikäluokat "
                    )
     lines(maagaLines1[49:54,1],maagaLines1[49:54,2], col="blue") #FIf
     lines(maagaLines1[55:60,1],maagaLines1[55:60,2], col="red")  #FIm
     lines(maagaLines1[25:30,1],maagaLines1[25:30,2], col="blue") #DEf
     lines(maagaLines1[31:36,1],maagaLines1[31:36,2], col="red")  #DEm
     lines(maagaLines1[37:42,1],maagaLines1[37:42,2], col="blue") #DKf
     lines(maagaLines1[43:48,1],maagaLines1[43:48,2], col="red")  #DKm
     lines(maagaLines1[1:6,1],maagaLines1[1:6,2], col="blue") #BEf
     lines(maagaLines1[7:12,1],maagaLines1[7:12,2], col="red")  #BEm
     lines(maagaLines1[13:18,1],maagaLines1[13:18,2], col="blue") #BGf
     lines(maagaLines1[19:24,1],maagaLines1[19:24,2], col="red")  #BGm
     lines(maagaLines1[61:66,1],maagaLines1[61:66,2], col="blue") #HUf
     lines(maagaLines1[67:72,1],maagaLines1[67:72,2], col="red")  #HUm


# Onko yhtään vähemmän tukkoinen? Eipä juuri (17.9.20)
par(cex = 0.5)
plot(spCAmaaga1, labels = c(0,2) , main = "Äiti töissä: ikäluokka ja sukupuoli maittain",
                sub = "symmetrinen kartta, maat täydentävinä pisteinä, cex=0.5"
                    )
     lines(maagaLines1[49:54,1],maagaLines1[49:54,2], col="blue") #FIf
     lines(maagaLines1[55:60,1],maagaLines1[55:60,2], col="red")  #FIm
     lines(maagaLines1[25:30,1],maagaLines1[25:30,2], col="blue") #DEf
     lines(maagaLines1[31:36,1],maagaLines1[31:36,2], col="red")  #DEm
     lines(maagaLines1[37:42,1],maagaLines1[37:42,2], col="blue") #DKf
     lines(maagaLines1[43:48,1],maagaLines1[43:48,2], col="red")  #DKm
     lines(maagaLines1[1:6,1],maagaLines1[1:6,2], col="blue") #BEf
     lines(maagaLines1[7:12,1],maagaLines1[7:12,2], col="red")  #BEm
     lines(maagaLines1[13:18,1],maagaLines1[13:18,2], col="blue") #BGf
     lines(maagaLines1[19:24,1],maagaLines1[19:24,2], col="red")  #BGm
     lines(maagaLines1[61:66,1],maagaLines1[61:66,2], col="blue") #HUf
     lines(maagaLines1[67:72,1],maagaLines1[67:72,2], col="red")  #HUm

```
Rivipisteiden tunnisteiden (label) poistaminen tuo pisteparvien ominaisuuden
hieman selvemmin esiin. Suomi alimpana ja Tanska ylimpänä vasemmalla ovat melko
samanlaisia. Vaihtelu on lähes täysin ensimäisen dimension suuntaan, Molemmilla
mailla miesten pisteet ovat oikealla ja alempana. Keskellä Saksan ja Belgian
pistejoukoissa vaihtelu toisen dimension suunnassa on jo suurempaa ja miesten
pisteet ovat selvästi oikealla verrattuna naisten pisteisiin. Bulgarian ja Unkarin
pisteet sijaitsevat kauimpana oikealla, ja vaihtelu on suurimmalta osin toisen
dimensio suuntaan, ja pisteet ovat tiukemmin lähellä toisiaan. Kaikissa maissa
vanhemmat ikäluokat ovat nuoria konservatiivimsempia, ja kaikissa nuorin ikäluokka
on melko konservatiivinen. Keskimmäiset ikäluokat ovat liberaaleimpia.
Unkari ja Bulgaria poikkeavat muista selvästi.


## Kartan rajaaminen
0. Analyysin voi tehdä vain osalle dataa - vähän kehno ratkaisu, ei yhteyttä koko
aineiston antamaan yleiskuvaan muuttujien yhteyksistä.

1. Kartasta voi suurentaa osan käsityönä ("leikkaa ja liimaa"). Toimii,
yksinkertainen ja ehkä siksi paras? Mutta ei voi koodata! Sopii eksploratiiviseen
vaiheeseen, pdf-kuviin voi liittää kommenteja ja tekstiä jne.

2. BaseR plot-funktiolla voi rakentaa kartan pala kerrallaan ja rajata kuva-alan
johonkin kartan osaan. Työlästä, hankalaa? Yllättäen ei, kun asettaa koodilohkon
option Rmarkdownissa oikein! (9.9.20). Jos käytetään yhtä ca-funktion tulosobjektia,
pelkkiä plot-komentoja.

3. Osajoukon korrespondenssianalyysi (subset ca)

*zxy** Tässä vain lyhyt kuvaus subset ca:n perusideasta

### Kuva-alueen rajaaminen - ei oikein toimi (16.10.20)


```{r maagaCA2zoom1,fig.cap = "Ikä-sukupuoli-maa", fig.asp = 1, out.width = "90%",fig.align = "center"}
# Zoomaus - esimerkki (24.2.20) xlim=c(-0.5,0.5), ylim=c(-0.6,0.4)
# EI TOIMI - PISTEET piirrettävä, ei voi käyttää ca.plot - funktiota? (4.5.20).
# MG2017 laskarit - day3: mca:n tuloslistaa käytetty luottamusellipseissä ja toimii?
# Piirtää pisteitä koko "plot-alueelle"?

#X11()

# Rivi- ja sarakekoordinaatit (principal coordinates) talteen
maagaCA1.rpc <- spCAmaaga1$rowcoord %*% diag(simpleCA1$sv)
maagaCA1.cpc <- spCAmaaga1$colcoord %*% diag(simpleCA1$sv)
par(cex = 0.5)

plot(spCAmaaga1, xlim = c(-0.75,0.75), ylim = c(-0.75,0.75),
                main = "Äiti töissä: ikäluokka ja sukupuoli maittain 2",
                sub = "osa symmetristä karttaa, cex=0.5"
                    )
# TÄTÄ KEHITELLÄÄ CAcalc_1.R - skriptissä (15.6.20)
# ei toimi ihan toivotulla tavalla - tarkoitettu komentoriviltä
# grafiikkaikkunaan tulostukseen ?
# Vai pitääkö ensin piirtää kuvan "kehys" ilman pisteitä xlim- ja ylim- parametreilla
# ja sitten vasta pisteet?
# Kuvasuhde oikein, kun xlim = ylim, miten turhat pisteet pois? (29.5.20).Menevät
# näköjään kuva-alueen ja ulomman marginaalin väliin.

# Voisiko valita objektista vain osan pisteistä? Tai plot ilman tulostusta, tulos
# objektiin ja sieltä pisteet kuvaan? (29.5.20)
# str(spCAmaaga1)



```

Ei toimi ihan odotetulla tavalla, mutta kuvasuhde näyttäisi olevan molemmissa oikea.
Hieman hankala menetelmä.

```{r maagaCA2zoom2,fig.cap = "Ikä-sukupuoli-maa",out.width = "90%", fig.asp = 1,fig.align = "center"}
# Zoomaus - esimerkki (24.2.20) xlim=c(-0.5,0.5), ylim=c(-0.6,0.4)
# EI TOIMI - PISTEET piirrettävä, ei voi käyttää ca.plot - funktiota? (4.5.20).
# MG2017 laskarit - day3: mca:n tuloslistaa käytetty luottamusellipseissä ja toimii?
# Piirtää pisteitä koko "plot-alueelle"?


# Rivi- ja sarakekoordinaatit (principal coordinates) talteen
maagaCA1.rpc <- spCAmaaga1$rowcoord %*% diag(simpleCA1$sv)
maagaCA1.cpc <- spCAmaaga1$colcoord %*% diag(simpleCA1$sv)
par(cex = 0.5)

plot(spCAmaaga1, xlim = c(0,0.75), ylim = c(-0.75,0.75),
                main = "Äiti töissä: ikäluokka ja sukupuoli maittain 2",
                sub = "osa symmetristä karttaa - tämä ei oikein toimi (14.9.20)"
                    )
# TÄTÄ KEHITELLÄÄ CAcalc_1.R - skriptissä (15.6.20)
# ei toimi ihan toivotulla tavalla - tarkoitettu komentoriviltä
# grafiikkaikkunaan tulostukseen ?
# Vai pitääkö ensin piirtää kuvan "kehys" ilman pisteitä xlim- ja ylim- parametreilla
# ja sitten vasta pisteet?
# Kuvasuhde oikein, kun xlim = ylim, miten turhat pisteet pois? (29.5.20).Menevät
# näköjään kuva-alueen ja ulomman marginaalin väliin.

# Voisiko valita objektista vain osan pisteistä? Tai plot ilman tulostusta, tulos
# objektiin ja sieltä pisteet kuvaan? (29.5.20)
# str(spCAmaaga1)

```

Rivipisteiden inertia on suurempi kuin sarakkeiden. Asymmetrinen kartta näyttää
sarakkeet selvemmin.

```{r maagaCA2zoom3,fig.cap = "Ikä-sukupuoli-maa"}
# Zoomaus - esimerkki (24.2.20) xlim=c(-0.5,0.5), ylim=c(-0.6,0.4)
# EI TOIMI - PISTEET piirrettävä, ei voi käyttää ca.plot - funktiota? (4.5.20).
# MG2017 laskarit - day3: mca:n tuloslistaa käytetty luottamusellipseissä ja toimii?
# Piirtää pisteitä koko "plot-alueelle"?


# Rivi- ja sarakekoordinaatit (principal coordinates) talteen
# maagaCA1.rpc <- spCAmaaga1$rowcoord %*% diag(simpleCA1$sv)
# maagaCA1.cpc <- spCAmaaga1$colcoord %*% diag(simpleCA1$sv)

par(cex = 0.5)
plot(spCAmaaga1, map = "rowgreen",
        contrib = c("absolute", "absolute"),
        mass = c(TRUE,TRUE),
        arrows = c(FALSE,TRUE),
        xlim = c(0,0.75), ylim = c(0,0.75),
        main = "Äiti töissä: ikäluokka ja sukupuoli maittain 2",
        sub = "osa asymmetristä karttaa"
        )
# TÄTÄ KEHITELLÄÄ CAcalc_1.R - skriptissä (15.6.20)
# ei toimi ihan toivotulla tavalla - tarkoitettu komentoriviltä
# grafiikkaikkunaan tulostukseen ?
# Vai pitääkö ensin piirtää kuvan "kehys" ilman pisteitä xlim- ja ylim- parametreilla
# ja sitten vasta pisteet?
# Kuvasuhde oikein, kun xlim = ylim, miten turhat pisteet pois? (29.5.20).Menevät
# näköjään kuva-alueen ja ulomman marginaalin väliin.

# Voisiko valita objektista vain osan pisteistä? Tai plot ilman tulostusta, tulos
# objektiin ja sieltä pisteet kuvaan? (29.5.20)
# str(spCAmaaga1)

```
Edellinen kartta on vähän epäilyttävä, asettuvatkohan skaalatut sarakevektorin
oikein? (9.9.20)