Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru
This presentation is the property of its rightful owner.
Sponsored Links
1 / 45

Analýza kvantitativních dat II. Standardizace v kontingenční tabulce – kontrola vlivu 3 faktoru PowerPoint PPT Presentation


  • 55 Views
  • Uploaded on
  • Presentation posted in: General

UK FHS Historická sociologie (LS 2013). Analýza kvantitativních dat II. Standardizace v kontingenční tabulce – kontrola vlivu 3 faktoru. Jiří Šafr jiri.safr(zavináč)seznam.cz. poslední aktualizace 8.6. 2013. Přímá standardizace v kontingenční tabulce.

Download Presentation

Analýza kvantitativních dat II. Standardizace v kontingenční tabulce – kontrola vlivu 3 faktoru

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru

UK FHS

Historická sociologie

(LS 2013)

Analýza kvantitativních dat II.Standardizace v kontingenční tabulce – kontrola vlivu 3 faktoru

Jiří Šafrjiri.safr(zavináč)seznam.cz

posledníaktualizace 8.6. 2013


P m standardizace v kontingen n tabulce

Přímá standardizace v kontingenční tabulce

  • Navazujeme na elaboraci – kontrolu vlivu

  • Standardizace je metoda původně používaná v demografii, kdy jde o kontrolu proměny nějaké struktury (kontrolovanou proměnnou je tak vlastně čas – skrze vliv proměny struktury např. z hlediska věku)

  • Princip viz přednášku Standardizace intenzitních údajů http://metodykv.wz.cz/Standardizace.ppt

  • Tento princip jde aplikovat i na kontingenční tabulku (nebo tabulku průměrů v podskupinách)

  • Ukazujeme tzv. čistý vztah dvou proměnných při kontrole vlivu třetí proměnné


P m standardizace v kontingen n tabulce1

Přímá standardizace v kontingenční tabulce

  • Princip: převážení dle kategorií třetí proměnné, čímž kontrolujeme její vliv → ukazujeme vztah dvou kategoriálních proměnných, jako kdyby hodnoty třetí byly v celé populaci stejné

  • Porovnáme původní s hypotetickou - převáženou tabulkou (v níž je vztah X a Y jako kdyby v kategoriích X-nezávislá měla stejné rozložení v kategoriích Z)

  • Jde o analogický postup k parciálním korelacím v případě tří kardinálních (ordinálních) znaků.


Nejprve p ipomenut principu tabulky t d n t et ho stupn

Nejprve připomenutí principu:Tabulky třídění třetího stupně


Testov n kontrola vlivu dal ho faktoru

Testování/ kontrola vlivu dalšího faktoru

  • Vytvořením samostatných tabulek podle kategorií třetí proměnné je testovaný faktor (třetí proměnná) udržován na konstantní hodnotě.

    → souvislost mezi původními proměnnými je očištěna od zkreslujícího vlivu této další proměnné.


Testov n vlivu dal ho faktoru

Testování vlivu dalšího faktoru

  • Porovnáme intenzitu souvislosti v původní tabulce se souvislosti zjištěnou v nových tabulkách s kontrolou 3 faktoru .

  • Když v nových tabulkách souvislost mezi původními daty zmizí/ je podstatně oslabena → souvislost v původní tabulce je funkcí třetího faktoru


T d n 3 st kontrola vlivu 3 prom nn interpretace a uspo d n tabulky

Třídění 3 st.: kontrola vlivu 3 proměnné:interpretace a uspořádání tabulky

Souvisí účast ve volbách s věkem, i při kontrole vlivu vzdělání?

Rozdíly mezi krajními kategoriemi věku:

14 %13 %30 %

Ptáme se:

1. Nacházíme rozdíly v X (věk) a Y (volil) uvnitř kategorií kontrolní proměnné Z (vzdělání)? Porovnáme s tabulkou třídění 2. st. Pro X a Y.

2. Jsou rozdíly mezi krajními kategoriemi X (věk) v rámci kategorií kontrolní proměnné Z (vzdělání) stejné?

Zatímco v případě ZŠ a SŠ jsou rozdíly mezi nejmladšími a nejstaršími stejné, tak u VŠ je rozdíl větší. → Vzdělání tedy do vztahu mezi volební účastí a věkem částečně intervenuje.


Dal m krokem pak m e b t p m standardizace vztahu podle t et prom nn

Dalším krokem pak může být Přímá standardizace vztahupodle třetí proměnné


P klad1 n bo enskost rodiny x sebe cta d t te x vzd l n otce

Rosenberg, M. 1962. „Test FactorStandardization as a Method of Interpretation.“ Social Forces41(1): 53-61.http://metodykv.wz.cz/SF1962_Rosenberg_Test_Factor_Standardization.pdf

Příklad1

Náboženskost rodiny x Sebeúcta dítěte (x Vzdělání otce)


V sledek p vodn hrub a standardizovan ist vztah

Výsledek: Původní (hrubý) a Standardizovaný (čistý) vztah

→ tabulku původního vztahu X a Y parcializujeme pro kategorie faktoru M (kontrolní proměnné)

→ Standardizujme (převážíme) políčka dle struktury faktoru M (zde vzdělání otce)

→ Porovnáme hrubou a čistou míru X a Y

Zdroj: [Rosenberg 1962]


N bo enskost a sebe cta kontrola vzd l n otce standardizace v en

Náboženskost a Sebeúcta, kontrola vzdělání otce:Standardizace/vážení

pro katolíky (Vys. sebeúcta): 0,1579 * 0,681=0,1075

Standardizace → převážení dle vzdělání otceváhahodnota v daném poli

Váhy (podíl vzdělanostních kategorií → třídění 1.st.) spočítáme z absolutních četností

Váhy(vzdělání otce)

Zdroj: [Rosenberg 1962]


Pokra ov n tabulky

Pokračování tabulky

  • Tabulka má 6 panelů pro vzdělání

Zdroj: [Rosenberg 1962]


V hy pod l pravd podobnost vzd lanostn ch kategori otce

Váhy: podíl (pravděpodobnost) vzdělanostních kategorií otce


P m standardizace v en ist procentn rozd l

Přímá standardizace: Vážený čistý procentní rozdíl

  • Váhy získáme z tabulky → z absolutních četností (viz další příklad) Máme-li původní mikro-data, můžeme je rychle spočítat pomocí třídění 1. stupně.

  • Ukazujeme Vážený čistý procentní rozdíl a porovnáme ho s hrubým rozdílem (původní vztah bez kontroly)

  • Redukce v pozorovaném vztahu dvou proměnných, způsobené zavedením 3 proměnné

  • Spočítáme váženou sumu % závislé proměnné (zde sebeúcty) napříč kategoriemi kontrolního faktoru (vzdělání otce)


Postup standardizace podle testov ho faktoru

Postup standardizace podle testového faktoru

  • Váhy: spočítáme podíly v každé testové kategorii (zde vzdělání otce), = marginální součet / celkovým počtem případů(pro všechny pole platí součet 1 resp. 100%)

    Pro první pole (8th Grade): 360 + 39 + 193 = 592 tj. 15,79% resp. 0,1579 - to je naše váha pro kat. vzdělání I.

  • Násobíme každou kategorii v políčku odpovídajícím podílem testového faktoru, tj. váhou

    Pro první pole High Self-esteem: 0,1579 * 0,681 a 0,1579 * 0,718 a 0,1579 * 0,648 a 0,1579 * 0,258 atd.

    Podobně pro všechna pole každého panelu tabulky.

  • Parciální standardizované údaje sepíšeme do nové tabulky:

    Pro Jews (vysoká sebeúcta): 0,1134 + 0,157 + 2154 + 0,083 + 0,1153 + 0,589 = 75,8

    atd. (viz další snímek)


Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru

+ pro další tři panely tabulky


V en pod l pro high self esteem

Vážený podíl: pro High Self-Esteem

Vážený podíl získáme jakosoučet převážených hodnot provzdělanostní kategorie v kategoriích náboženské orientace rodin:


P klad1 sebe cta porovn n hrub ho a ist ho rozd lu mezi kategoriemi nez visl prom nn

Příklad1: SebeúctaPorovnání hrubého a čistého % rozdílu mezi kategoriemi nezávislé proměnné

  • Hrubý rozdíl (nevážený) mezi Katolíky a Židy je v nejvyšší úrovni sebeúcty 7,8%(69,7 - 77,5)

  • Čistý (vážený pro vzdělání) je 6 %(69,8 - 75,8)

  • To zde odpovídá 23 % redukci po kontrole vzdělání (1-(6/7,8))


Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru

Příklad 2.Religiozita a militantnost v boji za občanská práva mezi afroameričany v USA (60. léta)se standardizací podle vzdělání

[Treiman 2009: 30-33]

Kapitola 2. More on the tables

Úloha a tabulky jsou z původního článku

Gary T. Marxe[1967]. Religion: Opiate or Inspiration of Civil Rights Militancy Among Negroes?


Religiozita a militantnost operacionalizace

Religiozita a militantnost (operacionalizace)

  • Religiozita měřena pomocí kombinace 3 otázek (frekvence návštěv bohoslužeb, ortodoxnosti přesvědčení, význam víry) sloučené do proměnné se 4 hodnotami.

  • Militantnost v otázce boje za lidská práva měřena pomocí 7 otázek na protesty za občanská práva (názory, ochota účastnit se atd.) → index konvenční militantnosti, který byl posléze rekódován na 2 kategorie (militantní/nemilitantní)


Militantnost podle religiozity bivari tn vztah kter n s zaj m

Militantnost podle Religiozity→ bivariátní vztah, který nás zajímá

Po sloučení kategorií „Not Very Religious“ a „Not at All Religious“


Militantnost podle vzd l n t d n 2 stupn

Militantnost podle vzdělání (třídění 2.stupně)


Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru

Militantnost podle religiozity a vzdělání: základní tabulka třídění 3. stupně s panely pro kontrolní proměnnou (zde vzdělání)

V = Very religious, S = Somewhat religious, N = Not religious


Zjednodu en prezentace p edchoz tabulky pouze militantn ch oto eno o 90 st viz p edchoz sn mek

Zjednodušená prezentace předchozí tabulky: pouze % Militantních + otočeno o 90 st.→ viz předchozí snímek

Závislý znak je dichotomický, proto, u % Militantních dopočet do 100 = % nemilitantních.

→ úsporná forma prezentace v tabulce


Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru

Z ní získáme – spočteme váhy:(protože nemáme původní mikro-data a nemůžeme počítat rovnou jen frekvenci vzdělání)

Pokud by absolutní četnosti nebyly uvedeny u každé buňky, spočítáme si je nejprve na základě % z celkového N

1. Celkový počet případů = (108 + 96 + … + 49) =993

pro ZŠ (Grammar school) je počet (108 + 201 + 44) = 353 atd.

2. Určíme váhy(podíly ve vzdělanostních kategoriích):

  • pro ZŠ (Grammar school): 353 / 993 = 0,356

  • pro SŠ (High school): 304 / 993 = 0,508

  • pro VŠ (College): 136 / 993 = 0,137

    Součet pro váhy je 1 (po zaokrouhlení).


A v me standardizujeme

A vážíme – standardizujeme:

V principu „rušíme“ kontrolní faktor → všichni jsou jako kdyby stejně vzdělaní

Váhy (podíly vzdělání):

ZŠ (Grammar School)0,356

SŠ (High School)0,508

VŠ (College)0,137

Váhy: ZŠ SŠ VŠ

  • pro Velmi silně věřící:

    17 % *0,356 + 34 %*0,508 +38 % *0,137 = 29 %

  • pro Částečně věřící:

    22 % *0,356 + 32 %*0,508 +48 % *0,137 = 31 %

  • pro Velmi slabě věřící a nevěřící:

    32 % *0,356 + 47 %*0,508 +62 % *0,137 = 45 %

    Standardizované – čisté podíly porovnáme s původními hrubými


Anal za kvantitativn ch dat ii standardizace v kontingen n tabulce kontrola vlivu 3 faktoru

Militantnost podle religiozity:Hrubá míra, čistá standardizovaná a procentní rozsah mezi krajními kategoriemi nezávislého znaku

REDUKCE vlivem kontrolní proměnné/ faktoru:

(1 – (Čistý rozdíl / Hrubý rozdíl))*100

Pozor platí pouze pro ordinální znaky → porovnáváme krajní kategorie.

Hrubé (nevážené) četnosti

Hrubý (nevážený) % rozdíl mezi krajními kategoriemi

Vážený % rozdíl mezi krajními kategoriemi

Rozsah procent mezi krajními kategoriemi nezávislé proměnné pro vztah bez a s kontrolou faktoru (zde vzdělání): 21 % hrubý rozdíl oproti 16 % čistému rozdílu (s kontrolou vzdělání) odpovídá 24 % redukci díky vlivu vzdělání (=(1-(16/21))*100). Lze tak říci, že vzdělání „vysvětluje“ cca ¼ vztahu mezi religiozitou a militantností. Ale pozor: Předpokladem této interpretace je ordinalita kategorií nezávislé proměnné (zde religiozita) a monotónnost vztahu závislé a nezávislé proměnné.[Treiman 2009: 29-31]


Redukce efektu vysv tluj c prom nn po kontrole vlivu kontroln prom nn faktoru

Redukce efektu vysvětlující proměnné po kontrole vlivu kontrolní proměnné (faktoru)

REDUKCE vlivem kontrolní proměnné (faktoru)

→ rozdíl hrubý (původní bez kontroly) a čistý (po převážení kontrolním faktorem) pro krajní kategorie nezávislé proměnné (min a max):

(1 – (Čistý rozdíl / Hrubý rozdíl))*100

→ K jaké redukci vztahu mezi závislou a nezávislou proměnnou dochází díky vlivu kontrolní proměnné.

  • Pozor platí pouze pro ordinální znaky, tj. tam kde porovnáváme krajní kategorie a pro monotónní vztah(tj. plynulá proměna hodnot závislé proměnné mezi kategoriemi nezávislé – ordinální proměnné).


P m standardizace pro kontrolu vlivu dvou prom nn ch

Přímá standardizace pro kontrolu vlivu dvou proměnných

  • Kontrolovat můžeme souběžně i vliv dvou proměnných, např. vzájemný vztah vzdělání a kategorií věku

  • Váhy budou kombinací vzájemného podílu kontrolních proměnných (zde např. vzdělání a věk). Získáme je jejich vzájemnou kontingenční tabulkou, kde budou procenta z celku (% of total)


Vzd lanostn aspirace k 8 9 t d z mezi dv ma typy kol p i kontrole vlivu vzd l n rodi

Vzdělanostní aspirace žáků 8.-9.tříd ZŠ mezi dvěma typy škol, při kontrole vlivu vzdělání rodičů

Příklad 3.

[Šafr, Kalný 2012]

Data z výzkumu žáků 8. a 9 tříd ve školním roce 2010/11 z odlišného prostředí čtyř základních škol, z nichž dvě se nacházely v lokalitách „zasažených sociálním vyloučením“ a dvě v residenčních oblastech s „majoritní populací“.


Vzd lanostn aspirace ku podle typu z a vzd l n rodi

Vzdělanostní aspirace žáku podle typu ZŠ a vzdělání rodičů

→ bivariátní vztah, který nás zajímá

Na SŠ s maturitou aspiruje na školách v sociálně vyloučených lokalitách méně dětí naž na školách v lokalitách s majoritní populací.

→ potencionálně intervenující faktor, jehož vliv chceme ověřit a kontrolovat

Na aspirace má také vliv vzdělání rodičů: ve vzdělanějších rodinách jsou aspirace dětí vyšší.

Vliv vzdělání rodiny (CV= 0,21) je větší než v případě typu školy (CV=0,10).


Z rove ale

Zároveň ale …

Na školy v sociálně vyloučených lokalitách chodí více dětí s nižším vzděláním rodičů.

→ Nejsou odlišné vzdělanostní aspirace na rozdílných typech škol způsobeny právě (pouze) odlišným vzdělanostním zázemím rodin žáků? (a tudíž nikoliv sociálním/institucionálním prostředím školy)

Pokud ano, do jaké míry?

(na základě poznatků teorie zde předpokládáme, že formativní vliv na aspirace má primárně rodina)

→ (1.) Třídění 3. stupně (kontingenční tabulka a asociační koeficienty) a (2.) standardizace podílu aspirací (na min. SŠ-maturita) mezi dvěma typy škol podle vzdělání rodiny (max. Vyučení / min. SŠ)


1 t d n 3 stupn vzd lanostn aspirace k podle typu koly a vzd l n rodi uspo d n tabulek

1. Třídění 3. stupně: Vzdělanostní aspirace žáků podle typu školy a vzdělání rodičů: uspořádání tabulek

Výstup z SPSS pro kontingenční tabulku 3. stupně vypadá takto (panely dle vzdělání rodičů jsou pod sebou → lze přehodit pomocí Pivoting Trays):

Výstup z SPSS upravíme (pomocí Pivoting Trays nebo v Excelu) pro klasický formát, kde kontrolní proměnná (vzdělání rodičů) je v panelech

Vzdělání rodičů je zde kontrolní proměnná, proto je v panelech tabulky

  • Ideální je úsporný 3-dimenzionální formát tabulky: (s ním dále pracujeme při vážení)

  • vynechána % pro aspirace na ZŠ/VY (tvoří dopočet do 100 %)

  • Otočeno o 90 st.

Alternativně – úsporná 3-dimenzionální tabulka otočena o 90 st.

Podíl žáků aspirujících min. na maturitu podle typu školy a vzdělání rodičů


Vzd lanostn aspirace k podle typu koly a vzd l n rodi interpretace

Vzdělanostní aspirace žáků podle typu školy a vzdělání rodičů: interpretace

  • Rozdíl mezi vzděláním rodičů (s/bez maturity) → mezi panely tabulky:

    • ve školách ze sociálně vyloučených lokalit: 45 – 63 = 18 % bodů

    • ve školách z lokalit s majoritní populací : 44 – 75 = 31 % bodů

  • Rozdíly mezi typy škol jsou v kategoriích vzdělání rodičů odlišné: pro nižší vzdělání rodičů (ZŠ/VY) nezáleží na typu školy (koeficient asociace CrV=0), zatímco u vyššího vzdělání rodičů (SŠ/VŠ) je ve školách z lokalit s majoritní populací vyšší podíl zájmu o maturitní obory (SŠ/VŠ) (CrV=0,13).

  • → interakční efekt vzdělání rodičů a typu školy (byť relativně slabý): nejvyšší aspirace mají žáci z výše vzdělaných rodin a v prostředí škol z lokalit s majoritní populací.

    Možné sociologické interpretace:

    • Podmínkou nutnou k osvojení si aspirací je vzdělání rodičů, načež záleží na škole, kam děti rodiče pošlou (respektive v případě škol z lokalit se sociálně znevýhodněnými žáky se „nesnaží, aby tam jejich děti nezůstaly“).

    • Prostředí školy v lokalitách s majoritní populací se uplatňuje pouze v případě žáků z rodin s vyšším vzděláním: kvalita výuky a aspirace spolužáků (celková hladina ve třídě/škole) pravděpodobně zvyšuje jejich aspirace na maturitu.

    • Pozor ovšem, neznáme mnoho okolností – podmínek, za kterých mechanismus působí (zda žáci přímo bydlí / nebydlí v sociálně znevýhodněné lokalitě, zda rodiče školu vybírali nebo ne, jaká je forma výuky na školách atd.).


Standardizace p ev en aspirac na s v v typech kol podle vzd l n rodi

Standardizace – převážení aspirací na SŠ/VŠ v typech škol podle vzdělání rodičů

Váhy: máme-li mikro-data získáme je z třídění 1. stupně (Frequencies v SPSS), jinak je musíme spočítat z absolutních četností (viz předchozí příklad 2.)

Tabulka 3. stupně% aspirujících na maturitu podle typu školy a vzdělání rodičů s hrubým (neváženým) vztahem:

Standardizace (převážení dle vzdělání rodičů):

9,82 % oproti 9,75 %, odpovídá -0,1 % rozdílu díky vlivu vzdělání rodičů (=(1-(9,82/9,75)).Lze tedy říci, že vzdělání rodiny k vysvětlení vztahu mezi typem školy a vzdělanostními aspiracemi nic nepřidává.

Zřejmě tedy prostředí školy působí nezávisle na rodině, tj. „navíc“nad vliv rodiny. Interpretace je to ale značně omezená, neznáme mnoho dalších podmínek.


Pozn mky k p klad m 1 2 3

Poznámky k příkladům 1, 2, 3

  • Př. 1 – Sebeúcta dětí: závislý znak Sebeúcta je ordinální (má 3 kategorie), nezávislý Náboženská orientace rodiny je nominální a kontrolní faktor Vzdělání otce je ordinální (6 kategorií). Tabulka je uvedena v pravděpodobnostech (nikoliv %). Protože nezávislý znak je nominální, porovnáván je hrubý-čistý % rozsah vždy navzájem pro dvě kategorie (nábož. orient. rodiny: např. Katolíci-Židé, Katolíci-Protestanti …)

  • Př. 2 – Militantnost afroameričanů: závislý znak Militantnost je dichotomický (má 2 kategorie), nezávislý Náboženskost je ordinální a kontrolní faktor Vzdělání je ordinální (3 kategorie). Proto porovnání hrubého-čistého % rozsahu je provedeno pro krajní kategorie (Velmi silně věřící - Velmi slabě věřící/nevěřící). Váhy pro vzdělání zde byly spočítány přímo z tabulky.

  • Př. 1 – Aspirace dětí: závislý znak Vzdělanostní aspirace je dichotomický (má 2 kategorie), nezávislý Typ školy je nominální (2 kategorie) a kontrolní faktor Vzdělání rodiny je nominální (2 kategorie).K dispozici byla mikro-data (v SPSS), proto jsme váhu určili snadno pomocí třídění 1. stupně pro vzdělání rodičů. Porovnání % rozsahu ukazuje, že rozdíl mezi hrubým a čistým podílem zde není (-0,1%).


Jak na to s tabulkami z spss prava tabulek t d n 3 stupn

Jak na to s tabulkami z SPSS:úprava tabulek třídění 3. stupně

A ještě jeden příklad (č. 4):

Chození do kina podle vzdělání při kontrole vlivu věku


Krok 1 bivari tn vztah chozen do kina podle vzd l n

Krok 1. bivariátní vztah:Chození do kina podle vzdělání

Pokud jde o ordinální znak má smysl sledovat pro krajní kategorie nezávislé proměnné (zde vzdělání) hrubý % rozdíl.

U nominálního znaku porovnáváme jednotlivé kategorie mezi sebou(viz příklad se Sebeúctou dítěte podle náboženské orientace rodiny: protestantská/ židovská/katolická).

Hrubý rozdílv krajních kategoriích vzdělání: 6,5% – 13,8% = 7,3 %

Zdroj: ISSP 2007


2 krok t d n 3 stupn p id me do panelu kontroln faktor v k v spss pro t d n 3 stupn

2. krok. třídění 3.stupně → přidáme do panelu kontrolní faktor (věk)V SPSS pro třídění 3.stupně

  • dostaneme tuto tabulku: panely s kategoriemi kontrolní proměnné (zde věk) jsou pod sebou.

Pro rychlý výpočet nám to stačí – označíme si pouze ty buňky, které použijeme pro vážení, pro standardní presentaci tabulky v textu ji ale musíme upravit.


Prava tabulky t 3 st v spss

Úprava tabulky tř. 3. st. v SPSS

  • My ale chceme panely (s kontrolní proměnnou) vedle sebe. → Pivoting trays (rozkliknout tabulku) → a poměrně dost složitě myší přetáhneme proměnné, jak je chceme:

  • 1. vzdělaní v COLUMN o řádek dolů,

  • 2. pak nad něj přetáhneme věk

    původní stavnaše úprava


P prava tabulky t d n 3 st z spss pro standardizaci

Příprava tabulky třídění 3. st. z SPSS pro standardizaci

  • Výsledkem je tato tabulka, kde je „panelizován„ kontrolní faktor (věk) – uvnitř něj sou kategorie nezávislé proměnné (vzdělání)

  • Tuto tabulku je vhodné ještě zjednodušit – promazat „negativní“ kategorie, tvoří dopočet do 100 % (zde 0 - Nechodí do kina)

A pak případně pootočit o 90 st.


A nebo jin zad n po ad prom nn ch v crosstabs rovnou pro standardizaci

A nebo jiné zadání pořadí proměnných v CROSSTABS rovnou pro standardizaci

  • Musíme ale ještě promazat „negativní“ kategorie (0 – nechodí do kina) a nebo stačí příslušný řádek si označit a můžeme začít vážit


Rychle upraven p edchoz tabulka z spss a samotn v en standardizace

Rychle upravená předchozí tabulka z SPSS a samotné vážení-standardizace

  • v Excelu upravená (promazaná) tabulka, ze které již můžeme snadno vážit-standardizovat podle věku:

Váhy: tř. 1.stupně pro věk – kontrolní faktor (% dělíme 100 → pravděpodobnost)FREQ vek3.

Vážíme-standardizujeme podle věku. Váhy věku zde máme přímo spočítané z frekvence věku: 10-29let = 0,18 30-49 let = 0,30 50+let = 0,52)

pro ZŠ+VY:33 * 0,18 + 5 * 0,30 + 2 * 0,52 = 8,2

pro SŠ: 36 * 0,18 + 11* 0,30 + 5 * 0,52 = 13,8

pro VŠ: 31 * 0,18 + 13 * 0,30 + 9 * 0,52 = 13,8

Čistý rozdíl (vážený podle věku) mezi krajními kategoriemi vzdělání: 8,2 – 13,8 = 5,6%


Velikost redukce ve vztahu kino x vzd l n zp soben kontroln m faktorem v k

Velikost redukce ve vztahu (kino x vzdělání) způsobená kontrolním faktorem (věk)

  • Rozdíl mezi krajními kategoriemi vzdělání ZŠ+VY a VŠ:

    • Čistý (vážený podle věku) = 5,6 %

    • Hrubý (původní bivariátní) = 7,3 %

    • Rozdíl hrubý – čistý (7,3 – 5,6) = 1,7 %

  • Redukce díky vlivu věku:

    =(1-(5,6 /7,3) = 0,233 = 23 %


Literatura

Literatura

  • Rosenberg, M. 1962. „Test FactorStandardization as a Method of Interpretation.“ Social Forces41(1): 53-61.

  • Marx, G. T. 1967. „Religion: Opiate orInspiration of Civil Rights Militancy Among Negroes?“ American Sociological Review 32 (1): 64-72.

  • Šafr, J., B. Kalný. 2012 (v recenzi). „Vzdělanostně–profesní aspirace žáků z rodin ohrožených sociálním vyloučením.“ in Sborník z 4. mezinárodní konference Dilemata sociální pedagogiky v postmoderním světě, Institut mezioborových studií Brno, 19.–20. dubna 2012.

  • Treiman, Donald J. 2009. Quantitative data analysis: doing social research to test ideas. San Francisco: Jossey-Bass.


  • Login