Hello, dear friend, you can consult us at any time if you have any questions, add WeChat: daixieit

Assessment Part II - ‘Coursework,

2025-2026

POLS0013: Measurement in Data Science

Data Description

You will be working with Wave 20 of the British Election Study that was fielded in June 2020 in England, Scotland and Wales. The data is called bes20 and contains the variables listed in the table below. Further information on the measurement scales for some items is provided after the table. You can load it as follows:

load ( "bes20.rda")

You can use any additional R packages you want, but you will need the following:

# install.packages("ltm")

library (ltm)

1-5 Scale Nearly all items specified as having a 1-5 response scale have the answer categories 1 = Strongly disagree, 2 = Disagree, 3 = Neither agree nor disagree, 4 = Agree and 5 = Strongly agree. The only exception is variable handleCorona where the answer categories are 1 = Very badly, 2 = Fairly badly, 3 = Neither well nor badly, 4 = Fairly well and 5 = Very well. You should treat all of these as continuous.

Binary scale All items specified as having a binary scale were preceded by the statement “To tackle coronavirus Britain should” and have the answer categories 0 = No and 1 = Yes.

Question 1 - Measuring Populism in the British Population [50 points]

Mudde & Kaltwasser (2013)  defined populism as follows:

“Populism is defined as a thin-  centred ideology, which is based not only on the Manichean distinction

between ‘the pure people, and ‘the corrupt elite,, but also on the defence of popular sovereignty at any cost. ”

By ‘thin-centered’, they mean that it does not, by itself, imply a particular political leaning and therefore can be ‘attached’ to any kind of other political ideology; left wing, right wing or even centrist for example. According to this definition, populist ideology can be operationalised by the following three dimensions:

a.  adherence to a binary view pitting the ‘people’ against the ‘elites’;

b. whether the ‘people’ are seen as inherently more virtuous than the ‘elites’;

c. belief that the legitimate authority to make decisions for the collective lies with the people. Answer the following:

1.  Have a look at the question wordings for all of the variables with names starting with populism in the table above. Briefly discuss how these six items may help us to measure the degree to which someone adheres to the ‘populist ideology’. In particular, comment on which, if any, of the three dimensions of populism listed above can these survey items be linked to. Note that you do not need to use or refer to any further academic literature here.

2.  Create a subset of the data keeping only those observations with no missing values in any of the six populism variables. Construct an equal weight index, divide the index by a number such that the weights are between 0 and 1, and plot its distribution in a histogram. Describe the measure by answering the following questions:

• What is the range of the measure? What do the maximum and minimum values correspond to, respectively?

• What are the units of the measure?

• What assumptions are made in the construction of the measure?

3.  Fit a linear regression (with lm) regressing the equal weight index on dummy variables for each UK region and include a weight=wt argument so that you are using the survey weights. Present the results in a table or figure.  Describe how the populism index is distributed across regions.

4.  Now fit another linear model with the equal weight index as dependent variable and dummies for party voted for in the last general election (voteGE), dummies for vote in the 2016 EU referendum (voteEU), as well as age_group, gender and degree as independent variables. Again, remember to include the option weights=wt. Present the results in a table and interpret them, considering both substantive and statistical significance. What kinds of respondents report, on average, more or less adherence to a populist ideology, according to our measure?

5.  Create another subset including only the populism variables from the already subsetted data you created in 1.2. Calculate and plot the pairwise correlations between all six indicators and comment on what you observe.

6.  Use prcomp() to do principal components analysis on the six populism items. Present the coefficients of the first two principal components in a table and try to provide an interpretation for both.

7.  Provide a screeplot and report the proportions of variance explained by each principal component. Explain what we learn from this.

8.  Create a plot with, on the x-axis, the values from the equal weight index and, on the y-axis, the scores from the first principle component. Use what you see in the plot to discuss which measurement strategy between the two is more useful and/or efficient for measuring people’s adherence to the populist ideology.

Question 2 - Measuring Support for Anti-Corona Measures [40 points]

Answer the following:

1.  Create a new subset from bes20, this time only keeping those observations with no missing values in all of the ten coronaMeasures_ items. Calculate, for each of the ten items, the share of respondents who indicated support for the measure. Present these either in a table or plot of your choice. Describe what you observe.

2. We will adopt an unsupervised scale measurement strategy, specifically by estimating an Item Response Theory (IRT) model.

•  Briefly explain which family of measures IRT models belong to and what this means for the assumed relationship between target concept and measure.

• Why is IRT, as opposed to Factor Analysis (EFA), an appropriate modelling choice in this case?

•  List one similarity and two dissimilarities between IRT and PCA in terms of their implementation and output.

3.  Create another subset including only the coronaMeasures_ items with non-missing values as variables. Fit a binary IRT model with one latent factor with the function ltm().  Present the coefficients in a table, where one column should contain all α,s and the other one all β,s. Interpret and compare the values in the table.  In particular, focus on the items that have the lowest and highest β and α coefficients.

4.  Use factor.scores.ltm() to recover the latent variable estimates and include these as a new variable in the data you created in 2.1.   Create an equal weight index by summing up all coronaMeasures_ items.  Then, plot the scores on the y-axis against this equal weight index on the x-axis.  Add the line of a linear binary model to the plot. Briefly comment on what you see and discuss why this justifies, or not, the use of the latent variable estimates as opposed to a simple equal weight index as our measure.

5.  Now, plot the latent variable estimates on the y-axis against the variables handleCorona and dutyCorona on the x-axis, respectively. Once more, add the line of a linear binary model to each plot. Briefly comment on what you see and whether this can help us to interpret what the latent factor scores mean.

6.  Fit a linear regression with the latent factor scores as the dependent variable and lrscale and alscale as independent variables. Once more, include weights  =  wt. Present the model results in a table and interpret them in terms of substantive and statistical significance.

7.  Finally, further subset the data created in 2.1 to only include those observations with no missing values in the coronaMeasures_ and populism items. Re-create the equal-weight populism index from Question 1.2. Plot these against the factor scores obtained with the IRT model and add the line of a binary linear regression. What do you make of what you observe?