Eksamen i Logikken i statistisk kontrol
|
|
- Bente Bak
- 6 år siden
- Visninger:
Transkript
1 Eksamen i Logikken i statistisk kontrol Sociologisk Institut, Københavns Universitet Titel: Kvinder fra arbejderklassens sociale arv Aflevering den 5. december 2016 Eksamensnummer: 5 Antal tegn: / 20
2 Indholdsfortegnelse 1 Multigenerationel social mobilitet 3 2 Datapræsentation 3 3 Analyse Sammenhængen mellem farfar og barnebarns socialklasse Mediering, forældre Mediering, meritter Kønsforskelle Kønsmæssige forskelle farens socialklasses effekt for hhv. M / K Mediering i hver kontrolvariabel, hhv. mænd og kvinder Meritter som forklaring, hhv. mænd og kvinder 16 4 Kritik og muligheder 18 5 Konklusion 18 6 Bibliografi 19 7 Bilag Medierende variables bidrag i model / 20
3 1 Multigenerationel social mobilitet Et studie fra 1997 af social stratifikation over flere generationer blev udført af Robert Hauser og John Warren i Wisconsin. Her fandt de, at bedsteforældres betydning for børnebørns livschancer er ikke eksisterende, idet forældrenes socialklasse mere eller mindre medierer effekten af bedsteforældres socialklasse på barnebarnets socialklasse. I dette tilfælde har de medtaget karakteristika om bedsteforældrene og forældrene (Warren og Hauser 1997). Den sociale arv summeres altså mellem generationer i familier. I denne undersøgelse vil jeg udføre en lignende analyse, blot på engelske data. Det er personer født i 1958, hvor jeg kender deres socialklasse som 42-årige. En respondents meritter kan have indflydelse på social klasse, og jeg vil således undersøge, hvorvidt det gør sig gældende i denne sammenhæng. 2 Datapræsentation Datasættet består af respondenter. Vi har oplysninger om farfarens socialklasse, farens socialklasse, respondentens egen socialklasse som 42-årig (i år 2000), far og mors højest fuldførte uddannelse, hvorvidt respondenten har en universitetsuddannelse, samt respondentens kognitive evner og køn. I tabel 2.1 ses fordelingen af respondentens socialklasse betinget på farfarens socialklasse (Treiman 2014, 8-14). Tabel 2.1 Betinget fordeling af respondents socialklasse Farfars socialklasse Respondents socialklasse som 42-årig Arbejderklasse Middelklasse Total Arbejderklasse % 69 9 % % Middelklasse % % % Total % % % I tabel 2.2 ses de diskrete kontrolvariables fordeling. I tabel 2.2 ses deskriptive mål for de kontinuerte kontrolvariable. 3 / 20
4 Tabel 2.2 Diskrete variable i datasættet Farens socialklasse ved 42 år Arbejderklasse % Middelklasse % Respondentens køn Mand ,5 % Kvinde ,5 % Respondent, universitetsuddannelse Har universitetsuddannelse % Har ikke universitetsuddannelse % Tabel 2.3 Kontinuerte variable i datasættet Respondentens kognitive evner Gennemsnit 0,0 Varians 1 Mindste værdi; højeste værdi -3,208; 2,206 Mors højest fuldførte uddannelse Gennemsnit 9,901 Varians 4,337 Mindste værdi; højeste værdi 0; 19 Fars højest fuldførte uddannelse Gennemsnit 9,956 Varians 5,798 Mindste værdi; højeste værdi 0; 19 4 / 20
5 3 Analyse Forskningsspørgsmålet er her: Hvad medierer effekten af farfarens socialklasse på respondentens socialklasse? Jeg undersøger, hvilken sammenhæng der er mellem respondentens socialklasse som 42-årig, og dennes farfars socialklasse. Sammenhængen etableres først i en multipel lineær regressionsmodel (Clogg, Petkova og Haritou 1995, 1261f): Y "#$%&'(#')$ $&+,-./.-$$# = α + β 4 X $ $&+,-./.-$$# + v, hvor a er konstantleddet, β 4 er effekten af X på Y og v er fejlleddet (Aneshensel 2013, 128). Hermed etableres explanandum, dvs. det fænomen, vi søger at forklare (Goldthorpe 2000, 151f). De følgende afsnit vil afspejle hypotetisk generative processer, nærmere end kausale forklaringer på fænomenet (Ibid. 149ff). Dvs. at jeg søger at finde forhold, som jeg mener, har en sammenhæng med hinanden, men at jeg aldrig kan vide, om der er en bagvedliggende variabel, der har den faktiske kausale effekt (Goldthorpe 2000, 151). Dette vil fx være tilfældet, hvis der er spuriøsitet (Aneshensel 2013, 89). I disse situationer vil introduktionen af en tredje variabel, Z, påvirke både X og Y, og dermed er begge disse variable afhængige af Z et, i stedet for intern afhængighed mellem X og Y (Ibid.). I denne undersøgelse vil jeg arbejde med variable, der medierer effekten. Figur 3.1 Model 1, primær sammenhæng X, Farfars socialklasse β 1 Y, Respondents socialklasse Model 1 er afbilledet i figur 3.1. Modellens estimater findes ved ordinary least squares-metoden. Her sørges der for, at modellen forudsiger den linie, der har den mindste kvadrerede residualsum (Aneshensel 2013, 129). Estimatet af koefficienten β 4 og konstantleddet a ses i tabel 3.1. I den simple model (den primære sammenhæng) betyder en enhedsændring i farfars socialklasse en effekt på 7,3 procentpoint på respondentens socialklasse. 5 / 20
6 Tabel 3.1 Explanandum, etablering af sammenhæng Respondents socialklasse Koefficient Standardfejl T-værdi P-værdi Farfars socialklasse, β 4 0,0729 0,0144 5,1 0,000 Konstantled, a 0,8376 0, ,2 0,000 Jeg vil undersøge, hvorvidt den direkte effekt af farfars socialklasse på respondentens socialklasse medieres, så den totale effekt distribueres anderledes indenfor variablene i modellen (Aneshensel 2013, 107). Jeg undersøger gennem en forlæns modelsøgning, hvor jeg ved indførelse af variable i den lineære regressionsmodel undersøger sammenhængen nærmere (Clogg et al. 1995, 1261f). 3.1 Sammenhængen mellem farfar og barnebarns socialklasse Jeg starter, som også det oprindelige studie gjorde, med at indføre fars socialklasse som medierende variabel (Warran et al. 1997, 566). Hvor meget medierer fars socialklasse af effekten af farfars socialklasse, dvs. den indirekte effekt af fars socialklasse på respondents socialklasse (Aneshensel 2013, 259). Jeg estimerer koefficienten for farfars socialklasse for model 2, se tabel 3.2 for modeltrappe. Y "#$%&'(#')$ $&+,-./.-$$# = α + β : X $ $&+,-./.-$$# + γ 4 Z 6-7$ $&+,-./.-$$# + v, Jeg anvender her forskelsmetoden, hvor jeg vha. forskellen mellem de to modellers estimater kan finde den procentvise ændring i effekten af farfars socialklasse (ibid.). = >? 100 = >?C> D >? 100 0,0729 0, = 38,5459 0,0729 Jeg finder her, at den procentvise ændring i effekten af farfarens socialklasse er 38,5 procentpoint. Fars socialklasse medierer altså 38,5 procent af sammenhængen mellem farfars og respondents socialklasse. 6 / 20
7 Tabel 3.2 Modeltrappe Model 1 Model 2 Farfars socialklasse Fars socialklasse Konstantled, a 0,0729*** (-0,0144) 0,838*** (-0,00674) 0,0448** (-0,0148) 0,0902*** (-0,0123) 0,801*** (-0,00831) *=p<0,01; **=p<0,001; ***=p<0,0001, Koefficienterne for parameteret er angivet, standardafvigelsen i parentes under. 3.2 Mediering, forældre Jeg vil i dette afsnit undersøge, hvor meget af sammenhængen mellem farfars socialklasse og respondents socialklasse der medieres af de tre mål for forældres ressourcer, dvs. farens socialklasse samt farens og morens uddannelsesniveau. Til første kontrol anvendes fars socialklasse. Vi antager, at fars socialklasse medierer noget af den effekt, der er fra farfars socialklasse på respondentens socialklasse. Sammenhængen ses i figur 3.2. Figur 3.2: Model 2 Z, fars socialklasse X, Farfars socialklasse Y, Respondents socialklasse (Aneshensel 2013, 257). Her kan vi identificere to mindre sammenhænge, nemlig farfars socialklasses effekt på fars socialklasse (X à Z), samt effekten af fars socialklasses på respondents socialklasse (Z à Y). Fars socialklasseeffekt er γ 4 (Aneshensel 2013, 259). 7 / 20
8 Vi anvender en hjælpemodel: Z = θx + v, hvor θ er estimatet på effekten af farfars socialklasse på fars socialklasse, og v er fejlleddet (Ibid.). Mediatoren Z s samlede bidrag består dermed af produktet af θ og γ (Aneshensel 2013, 258ff). β 4 s effekt svarer derfor til β : + θ 4 γ 4 i denne model (model 2). Denne metode til udregning af ændring i effekt af den primære forklarende variabel kaldes produktmetoden (Aneshensel 2013, 257f). I dette tilfælde tester vi 3 mediatorer. For hver mediator er der dermed også et produkt af θ og γ. Figur 4.1 viser model 1, dvs. den primære sammenhæng. I figur 3.3 ses Model 4, hvor de tre medierende variable er indført. Figur 3.3 Model 4, primær sammenhæng med kontrolvariable Z, mors højest fuldførte uddannelse Z, fars højest fuldførte uddannelse Z, fars socialklasse X, farfars socialklasse β 4 Y, respondents socialklasse Jeg anvender her produktmetoden til at udregne de indirekte (medierende) effekter. - Fars socialklasse = θ 4 γ 4 = 0,3112 0,0842 = 0, Fars uddannelse = θ : γ : = 1,9542 0,0037 = 0, Mors uddannelse = θ P γ P = 1,1806 0,0026 = 0,0031 Estimatet af den direkte effekt (farfars socialklasse) i model 4 er 0,0364, dvs. β Q. 8 / 20
9 Ved produktmetoden finder vi de enkelte kontrolvariables bidrag til ændringen i β (fra model 1 til model 4 i dette tilfælde). Jeg vil udregne forskellen mellem den totale effekt og den direkte effekt af farfars socialklasse på respondentens. Ligningen for den totale effekt ved brug af produktmetoden med disse 3 kontrolvariable ser således ud: β 4 = β Q + θ 4 γ 4 + θ : γ : + θ P γ P Den totale effekt udregnes vha. estimaterne for direkte og indirekte effekter i model 4: β 4 = 0, , , ,0031 β 1 = 0,0729 Resultatet fra produktmetoden stemmer overens med parameterestimatet i afsnit 3.1. Effekten ved en enhedsændring i farfars socialklasse har altså en positiv virkning på 7,3 procentpoint for respondentens socialklasse. Vi vil dog også gerne se nærmere på de indirekte effekter fra de medierende variable i model 4, dvs. θγ. Jeg ønsker at teste, om disse indirekte effekter er signifikant forskellige fra 0. Det gøres ved en Z-test, hvor vi udregner rationen mellem estimatetet og standardafvigelsen: Z = (Aneshensel 2013, 284f). RS TU(RS) Jeg tester fars socialklasse-effekts signifikans: Z = X,P44: X,XYQ: X,XXQP = 6,132. Z-værdien overskrider den kritiske grænse på 1,96 (ved signifikansniveau på 5 %), og effekten er dermed signifikant forskellig fra nul. Z-værdierne fremgår af tabel 3.3. De to mål for forældres højest fuldførte uddannelse er insignifikante, og medierer altså ikke effekten af farfars socialklasse på respondentens socialklasse. Tabel 3.3 Z-test af medierende variables bidrag Koefficient, γ Z-test Fars socialklasse, θ 4 γ 4 0,0842 6,13 Fars højest fuldførte uddannelse, θ : γ : 0,0037 1,16 Mors højest fuldførte uddannelse, θ P γ P 0,0026 0,76 9 / 20
10 Jeg vil derudover se på, hvad den totale procentvise ændring er, for at vurdere styrken af forklaringen. Jeg ser på ændringer i β med δ, forskelsmetoden: δ 0,0729 0, = β 4 0, = 50,08% 50,1 % af farfars socialklasse er medieret gennem kontrolvariablene. Det samme finder vi, når vi udregner den procentvise ændring i total effekt med alle tre forklaringer: R?S? ]R D S D ]R^S^ X,X_:` 50,08 % (Aneshensel 2013, 264f). 100 = Denne metode (ændring i total effekt) kan anvendes til at se de procentvise ændringer i den totale effekt. Her med fars socialklasse-mediering som eksempel: θ 4 γ 4 0,3112 0, = 100 = 35,9409 % β 4 0,0729 For de 50,1 % af effekten ved farfars socialklasse, er 35,9 procentpoint medieret gennem fars socialklasse, 9,9 procentpoint medieres af fars højest fuldførte uddannelse, og 4,3 procentpoint af mors højest fuldførte uddannelse. 50,1 % af sammenhængen mellem farfars socialklasse og respondents socialklasse medieres således af de tre mål for forældres ressourcer, fars socialklasse og fars og mors højest fuldførte uddannelse. Størstedelen af effekten på respondentens socialklasse, 36 procentpoint, medieres af fars socialklasse. 3.3 Mediering, meritter Jeg undersøger i dette afsnit, om den eventuelt resterende (direkte) effekt af farfarens socialklasse på respondentens socialklasse kan forklares med respondentens meritter, målt med deres kognitive evner og om de har gennemført en universitetsuddannelse. Jeg estimerer model 6, givet ved: Y "#$%&'(#')#'$ $&+,-./.-$$# = α + β a X #'$ $&+,-./.-$$# + γ 4 Z 6-7$ $&+,-./.-$$# + γ : Z 6-7$ cøe#$) 8f.(8ø7)# f((-''#.$# + γ P Z g&7$ cøe#$) 8f.(8ø7)# f((-''#.$# + γ Q Z h&i',),j# #j'#7 + γ k Z "#$%&'(#') f',j#7$,)#)$f((-''#.$# + v 10 / 20
11 Som modeltrappen i tabel 3.4 viser, er den primære forklarende variabel (farfars socialklasse) insignifikant i model 6. Effekten af farfars socialklasse på respondentens socialklasse forsvinder således ved de medierende variable - forældreressourcer og egne meritter. Ved produktmetoden undersøger jeg, hvor meget af sammenhængen mellem farfars socialklasse og respondentens, der medieres ved kontrolvariablene, dvs. den procentvise ændring i den totale effekt. Ved brug af estimatet for β 4 og β a finder jeg ved forskelsmetoden, at 67,7 % af sammenhængen mellem farfars socialklasse og respondentens socialklasse i model 6 forklares af de medierende variable. 23,2 procentpoint af disse forklares ved fars socialklasse, 35,5 procentpoint forklares af respondentens kognitive evner og 10,0 procentpoint af respondentens universitetsuddannelse. Både fars og mors uddannelsesniveau er insignifikante, se tabel 3.4. Tabel 3.4 Modeltrappe Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Farfars socialklasse 0,0729*** (-0,0144) 0,0448** (-0,0148) 0,0370* (-0,0154) 0,0364* (-0,0154) 0,0307* -0,0154 0,0235-0,0151 Fars socialklasse 0,0902*** (-0,0123) 0,0844*** (-0,0127) 0,0842*** (-0,0127) 0,0762*** -0,0127 0,0543*** -0,0127 Fars højest fuldførte uddannelse 0,00493 (-0,00269) 0,00369 (-0,00315) 0, , ,0002 (-0,0031) Mors højest fuldførte uddannelse 0,00263 (-0,00346) 0, , ,0009-0,0034 Om respondent har været på universitet 0,107*** -0,0192 0,0538* -0,0196 Respondents evner 0,0660*** -0,00631 Konstantled, a 0,838*** (-0,00674) 0,801*** (-0,00831) 0,757*** (-0,0257) 0,743*** (-0,0312) 0,775*** -0,0316 0,824*** -0,0315 *=p<0,01; **=p<0,001; ***=p<0,0001. Koefficienterne for parameteret er angivet, standardafvigelsen i parentes under. Til gengæld vil jeg gerne se på, om meritter så betyder lige meget for børn vokset op i middelklassen som dem fra arbejderklassen. 11 / 20
12 Jeg indfører en moderering mellem fars socialklasse og respondentens kognitive evner. En moderering kan forandre den primære sammenhæng, så den varierer indenfor niveauer af den modererende variabel (Aneshensel 2013, 309). I dette tilfælde indenfor niveauer af fars socialklasse. Y "#$%&'(#')#'$ $&+,-./.-$$# = α + β _ X #'$ $&+,-./.-$$# + γ 4 Z 6-7$ $&+,-./.-$$# + γ : Z 6-7$ cøe#$) 8f.(8ø7)# f((-''#.$# + γ P Z g&7$ cøe#$) 8f.(8ø7)# f((-''#.$# + γ Q Z h&i',),j# #j'#7 + γ k Z "#$%&'(#') f',j#7$,)#)$f((-''#.$# + γ a Z 6-7$ $&+,-./.-$$# 7#$%&'(#')$ /&i',),j# #j'#7 + v (Jaccard og Turrisi 2003, 18f). Interaktionen her er produktet af den binære variabel fars socialklasse, og den kontinuerte variabel respondentens kognitive evner. En meget anvendt form for moderering er produktet af to variable, da denne har en mere simpel fortolkning når der sker en enhedsændring i den modererende variabel, så ændres den primære sammenhæng tilsvarende (Jaccard og Turrisi 2003, 21). Jeg tester, hvordan effekten af respondentens evner varierer alt efter hvilken socialklasse, respondentens far tilhørte. Model 7 ses i tabel 3.4. Modellens estimater viser, at evner betyder mere for børn af arbejderklassen. Effekten af evner hos arbejderklassebørn er 5,61 procentpoint større i forhold til effekten af evner hos børn fra middelklassen. Dette kan skyldes, at arbejderbørn i højere grad udnytter deres kognitive evner, da de har højere sandsynlighed for at ende i arbejderklassen som deres forældre, hvor middelklassebørn højest sandsynligt ender i middelklassen alligevel! De har altså mindre brug for at lægge en indsats for at havne i den højere sociale klasse, end børn af arbejderklassen har. Analysen viser altså, at effekten på respondentens socialklasse af højere niveauer af kognitive evner er 8,8 procent forøgelse for børn af arbejderklassen, mens det kun er 3,2 procentpoint forøgelse for middelklassebørn. Begge estimater er signifikante, mens β _ = 0,0253 er insignifikant. Farfars socialklasse er i denne sammenhæng altså modereret af respondentens meritter. 12 / 20
13 Tabel 3.5 Modeltrappe Farfars socialklasse Fars socialklasse Fars højest fuldførte uddannelse Mors højest fuldførte uddannelse Om respondent har været på universitet Respondents evner Interaktion mellem fars socialklasse og respondents evner. Referencekategorien er middelklasse, så effekten er for arbejderklasse Konstantled, a Model 1 Model 6 Model 7 0,0729*** 0,0235 0,0253 (-0,0144) (-0,0151) -0,0151 0,0543*** 0,0543*** (-0,0127) (0,0126) 0,0002 0,0011 (-0,0031) (0,0031) -0,0009-0,0006 (-0,0034) (0,0034) 0,0538** 0,0640** (-0,0196) (0,0196) 0,0660*** 0,0329** (-0,0063) (0,0096) 0,838*** (-0,0067) 0,824*** (-0,0315) 0,0561*** (0,0122) 0,8171*** (0,0314) *=p<0,01; **=p<0,001; ***=p<0,0001. Koefficienterne for parameteret er angivet, standardafvigelsen i parentes under. Marginale prædiktioner Marginale prædiktioner er modellens forudsigelser baseret på gennemsnittet af alle respondenter i en gruppes sandsynlighed for en bestemt værdi (Breen, Karlson og Holm 2013, 175f). De er meget anvendelige til grafisk at præsentere, hvordan variationer indenfor en medierende variabel giver forskellige effekter i den primære sammenhæng. Jeg finder 5, 10, 25, 50, 75, 90 og 95 %-fraktilerne indenfor fordelingen af kognitive evner, og finder de forudsagte værdier for respondents socialklasse ved disse niveauer, for hhv. arbejdereller middelklassebaggrund for far. Disse marginale prædiktioner kan give os en idé om, hvordan modellen forudsiger værdier for to forskellige grupper, når de er ens på alle andre parametre. Figur 4.4 viser de marginale prædiktioner for respondentens socialklasse givet fars socialklasse, indenfor niveauer af kognitive evner. Grafen illustrerer hvordan slopen for arbejderklassebørn er mere stejl end børn af middelklassen, hvilket betyder, at arbejderklassebørns sandsynlighed for at ende i middelklassen som voksne vokser mere med niveauet af evner, end middelklassebørns sandsynlighed. 13 / 20
14 Figur 3.4 Marginale prædiktioner Marginale prædiktioner for respondents socialklasse givet fars socialklasse Middelklasse Arbejderklasse 1,2 FORUDSAGT SANDSYNLIGHED FOR RESPONDENTS SOCIALKLASSE 1 0,8 0,6 0,4 0,2 0-1,77-1,36-0,74 0,08 0,77 1,31 1,52 RESPONDENTS KOGNITIVE EVNER 3.4 Kønsforskelle Jeg vil nu undersøge, om der er forskelle mellem mænd og kvinder i de resultater, jeg er kommet frem til Kønsmæssige forskelle farens socialklasses effekt for hhv. M / K I afsnit 3.1 fandt jeg, at fars socialklasse medierer 38,5 procent af sammenhængen mellem farfars socialklasse og respondentens socialklasse. Jeg vil her se, om det gør sig gældende i samme omfang for mandlige og kvindelige respondenter. Jeg estimerer først de to modeller: Model 8 (ligesom model 2, blot for mænd): Y g-'(.,i 7#$%&'(#')$ $&+,-./.-$$# = α + β : X $ $&+,-./.-$$# + γ 4 Z 6-7$ $&+,-./.-$$# + v, Model 9 (ligesom model 2, blot for kvinder): Y hj,'(#.,i 7#$%&'(#')$ $&+,-./.-$$# = α + β : X $ $&+,-./.-$$# + γ 4 Z 6-7$ $&+,-./.-$$# + v, 14 / 20
15 Jeg finder ved produktmetoden, at den procentvise ændring i effekten af farfars socialklasse for mandlige respondenter er 57,2 procentpoint. Fars socialklasse medierer altså 57,2 % af sammenhængen mellem farfars socialklasse og den mandlige respondents socialklasse. I denne model (model 8) er farfars socialklasse endvidere insignifikant. For de kvindelige respondenter gælder det, at fars socialklasse medierer 29,4 % af sammenhængen mellem farfars og den kvindelige respondents socialklasse. I denne model (model 9), er farfars socialklasses effekt signifikant. Vi har altså næsten en faktor 2-forskel (ratioen er 1,94) mellem effekten af fars socialklasse for mænd og kvinders socialklasse. Kvinder er altså mere bundet i social arv end mænd. En mulig forklaring på denne forskel er, at kvinder har haft mindre adgang til uddannelsessystem og arbejdsmarked i den tidsperiode, vi har data fra. Jeg vil se, om denne forklaring er plausibel i afsnit vedr. meritter Mediering i hver kontrolvariabel, hhv. mænd og kvinder I afsnit 3.2 fandt jeg, at 50,1 % af sammenhængen mellem farfars og respondents socialklasse medieres af de tre mål for forældres ressourcer. I dette afsnit tester jeg, om medieringen er ens for mænd og kvinder. For mænd medieres 73,2 % af sammenhængen af de tre mål for forældres ressourcer, se tabel 3.6. I model 10 er farfars socialklasses effekt dog ikke signifikant forskellig fra 0. Der kan altså ikke siges at være en sammenhæng mellem den mandlige respondents og farfars socialklasse. 39,1 % af sammenhængen mellem farfars socialklasse og kvindelig respondents socialklasse medieres således af de tre mål for forældres ressourcer, se tabel 3.6. I dette tilfælde er farfars socialklasseeffekt signifikant, med en effekt på 0,0667. Tabel 3.6 Mediering af farfars socialklasseeffekt Mænd (73,2 % medieres) Kvinder (39,1 % medieres) Fars socialklasse 54,6 procentpoint 26,4 procentpoint Fars højest fuldførte uddannelse 11,9 procentpoint 8,2 procentpoint Mors højest fuldførte uddannelse 6,7 procentpoint 4,5 procentpoint Vi kan altså se, at sammenhængen ikke findes mellem farfars socialklasse og mandlige respondenters socialklasse, men at den er til stede hos kvinderne. De medierende variable 15 / 20
16 forklarer i mændenes tilfælde farfars socialklasseeffekt. Igen har vi en høj ratio på 1,87 mellem mandlige og kvindelige respondenters forskel. Kvinder er altså i højere grad end mænd bundet af farfars sociale arv Meritter som forklaring, hhv. mænd og kvinder Jeg vil i dette afsnit undersøge, om kognitive evner og universitetsuddannelse har forskellig betydning for mænd og kvinder. I afsnit 3.3 fandt jeg, at meritter overtog den resterende effekt af farfars socialklasse. Men gælder dette for både kvinder og mænd? Jeg indfører køn som differentiering i model 7, og får model 12 og model 13, se tabel 3.7 Ved produktmetoden finder jeg, at 57 % af farfars socialklasseeffekt forklares af de medierende variable for kvindelige respondenter, mens det gælder 94 % af effekten hos mandlige respondenter. Der er således en difference på 37 procentpoint mellem mænd og kvinders farfars socialklasses indflydelse. Det er hos begge især kognitive evner og fars socialklasse, der medierer effekten. Sammenhængen mellem farfar og mandlig respondents socialklasse er ikkeeksisterende. For kvinder er sammenhængen signifikant med en effekt på 0,05 (z-test viser 2,09). Tabel 3.7 Modeltrappe Farfars socialklasse Fars socialklasse Model 1 0,0729*** (-0,0144) Model 12 mænd 0,0031 (0,0177) 0,0465** (0,0146) Model 13 kvinder 0,0505 (0,0241) 0,0558* (0,0207) Fars højest fuldførte uddannelse -0,0002 (0,0036) 0,0024 (0,0050) Mors højest fuldførte uddannelse 0,0005 (0,0039) -0,0014 (0,0055) Om respondent har været på universitet 0,0327 (0,0219) 0,0812* (0,0336) Respondents evner 0,0344*** (0,0106) 0,0434*** (0,0165) Interaktion mellem fars socialklasse og respondents evner. Middelklasse er reference 0,0379* (0,0137) 0,0760*** (0,0208) Konstantled, a 0,838*** (-0,0067) 0,8828*** (0,0358) 0,7487*** (0,0520) *=p<0,01; **=p<0,001; ***=p<0,0001. Koefficienterne for parameteret er angivet, standardafvigelsen i parentes under. 16 / 20
17 Jeg anvender igen marginale prædiktioner for grafisk at se de to slopes. I dette tilfælde har jeg plottet kvindelige respondenters forudsagte socialklasse, ud fra farfars socialklasse. I figur 3.8 ses det, hvordan kvinders sandsynlighed for at ende i middelklassen forøges betragteligt, hvis deres farfar tilhørte middelklassen. For mandlige respondenter er slopen meget flad, og de får således ikke meget gevinst ud af farfars klassetilhørsforhold. Tabel 3.8 Marginale prædiktioner for M/K's socialklasse givet farfars socialklasse Marginal prædiktion af socialklasse, Kvinder Marginal prædiktion af socialklasse, Mænd 0,94 0,92 0,9 0,88 0,86 0,84 0,82 0,8 0,78 0,76 0,74 Farfar i arbejderklasse Farfar i middelklasse Kvinder er i denne analyse igen i højere grad end mænd bundet af farfars sociale arv. Meritter kan ikke fjerne effekten for kvinders tilfælde, mens det for mænd udligner i høj grad. Der er ikke umiddelbart grund til at forkaste en antagelse om, at kvinders begrænsede adgang til uddannelse og arbejdsmarked kan have givet den multigenerationelle sociale arv gode betingelser. Det er interessant om det uddannelsesboom, der har været for især kvinder, kan udligne forskellen mellem mænd og kvinder i denne sammenhæng (Poulsen u.d.). 17 / 20
18 4 Kritik og muligheder En potentiel begrænsning ved at se på mellemliggende forklaringer kan være, at der er variable, vi ikke har med i datasættet. En anden er, at vi ikke ved hvilken forklaring, der er den vigtigste. Ofte er forklaringer mere komplementære, uden at tallene vil afspejle det. I alle tilfælde må vi guides af teori. En kritik af den kvantitative sociologi er, at den bliver reduktionistisk. Blumer mener, at så længe den sociologiske tilgang holder sig til ikke-fortolkende variable, så er det brugbart til forståelse af gruppers sociale liv (Blumer 1956). Jæger argumenterer dog for, at de mange nye metodiske tilgange indenfor kvantitativ forskning, som fx latens klasseanalyse, netop kan rumme disse typer variable også (Jæger 2006). Abbott peger på, er de kvantitative metoder i dag så avancerede, at vi kan se på mange mulige outcomes ved forskellige handlinger, uden at det koster meget i ressourcer at udregne disse (Abbott 1997, 1168f). Teknologiske fremgang giver metoden syvmilestøvler på. 5 Konklusion Analysen har vist, at effekten mest af alt medieres af fars socialklasse samt respondentens egne kognitive evner og om denne har en universitetsuddannelse. De kognitive evner har dog mere at sige, alt efter om du er vokset op i arbejderklasse eller middelklassehjem. Arbejderklassebørn får størst udbytte af kognitive evner. Der er stor forskel mellem mandlige og kvindelige respondenter. For mænd har farfars socialklasse ingen effekt, når vi tager højde for forældres og respondentens egne ressourcer. For kvinder har farfars socialklasse en mindre, men signifikant, effekt på 5 procentpoint større sandsynlighed for at respondenten er i middelklassen, hvis farfar tilhørte middelklassen. For mænd medierer fars socialklasse og respondentens egne evner således farfars sociale arv. For kvinder medieres noget af farfars sociale arv, men ikke alt, af egne evner og universitetsuddannelse. 18 / 20
19 6 Bibliografi Abbott, Andrew »Of Time and Space: The Contemporary Relevance of the Chicago School.«Social Forces, Juni: Aneshensel, C. S Theory-Based Data Analysis for the Social Sciences. 2. udgave. Sage. Blumer, Herbert »Sociological analysis and the "variable".«american Sociological Review, december: Breen, Richard, Kristian Bernt Karlson, og Anders Holm »Total, Direct, and Indirect Effects in Logit and Probit Models.«Sociological Methods & Research, Clogg, C.C, E. Petkova, og A. Haritou »Statistical Methods for Comparing Regression Coefficients between Models.«American Journal of Sociology, Mar: Goldthorpe, J. H »Causation, Statistics and Sociology.«I On Sociology: Numbers, Narratives, and the Integration of Research and Theory, af J. H. Goldthorpe, Oxford, New York: Oxford University Press. Jaccard, James, og Robert Turrisi »Two-Way Interactions.«I Interaction Effects in Multiple Regression, af James Jaccard & Robert Turrisi, Thousand Oaks: SAGE Publications. Jæger, M »Kvantitative metoder i dansk sociologi.«dansk Sociologi, Poulsen, Jørgen. u.d. Kvinfo: Køn og uddannelse gennem 100 år. Senest hentet eller vist den december Treiman, D. J »Cross-Tabulations + More on Tables.«I Quantitative Data Analysis: Doing Social Research to test ideas., af D.J. Treiman, San Fransico, CA: Jossey-Bass. Warren, J.R., og R. M. Hauser »Social Stratification across Three Generations: New Evidence from the Wisconsin Longitudinal Study.«American Sociological Review, August: / 20
20 7 Bilag 7.1 Medierende variables bidrag i model 6. - Indirekte, fars socialklasse, θ 4 γ 4 = 0, Indirekte, fars uddannelse, θ : γ : = 0, Indirekte, mors uddannelse, θ P γ P = -0, Indirekte, kognitive evner, θ Q γ Q = 0, Indirekte, respondenten universitetsuddannet, θ k γ k = 0, Estimatet af den direkte effekt (farfars socialklasse, β a ) i model 6 er 0, / 20
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Eksamensopgave E05. Socialklasse og kronisk sygdom
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Eksamensopgave E05 Socialklasse og kronisk sygdom Data: Tværsnitsundersøgelse fra 1986 Datamaterialet indeholder: Køn, alder, Højest opnåede
Læs mereEksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning
1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion
Læs mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereEksamen Bacheloruddannelsen i Medicin med industriel specialisering
Eksamen 2016 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 17-02-2015 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereEksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet
Eksamen ved Københavns Universitet i Kvantitative forskningsmetoder Det Samfundsvidenskabelige Fakultet 14. december 2011 Eksamensnummer: 5 14. december 2011 Side 1 af 6 1) Af boxplottet kan man aflæse,
Læs mereØkonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2
Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition
Læs mereØkonometri 1. Kvalitative variabler. Kvalitative variabler. Dagens program. Kvalitative variable 8. marts 2006
Dagens program Økonometri 1 Kvalitative variable 8. marts 2006 Kvalitative variabler som forklarende variabler i en lineær regressionsmodel (Wooldridge kap. 7.1-7.4) Kvalitative variabler generelt Dummy
Læs mereHver anden vil benytte øget åbningstid i dagtilbud
Børnefamiliers dagtilbud og arbejdsliv 17. maj 18 Hver anden vil benytte øget åbningstid i dagtilbud Halvdelen af alle lønmodtagere med børn mellem -13 år ville benytte sig af udvidede åbningstider i deres
Læs mereSkriftlig eksamen i samfundsfag
OpenSamf Skriftlig eksamen i samfundsfag Indholdsfortegnelse 1. Introduktion 2. Præcise nedslag 3. Beregninger 3.1. Hvad kan absolutte tal være? 3.2. Procentvis ændring (vækst) 3.2.1 Tolkning af egne beregninger
Læs mereKvantitative metoder 2
Kvalitative egenskaber og dummyvariabler Kvantitative metoder 2 Dummyvariabler 28. marts 2007 Vi har (hovedsagligt) set på kvantitative variabler (løn, priser, forbrug, indkomst, )... Men hvad med kvalitative
Læs mereBenchmarking af kommunernes sagsbehandling antagelser, metode og resultater
Benchmarking af kommunernes sagsbehandling antagelser, metode og resultater Anna Amilon Materiel vurdering Ved vurderingen af en afgørelses materielle indhold vurderes afgørelsens korrekthed i forhold
Læs mereEpidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april
Århus 8. april 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 10: 13. april Opgave 1 ( gruppe 1: sp 1-4, gruppe 5: sp 5-9 og gruppe 6: 10-14) I denne opgaveser vi på et
Læs mereUge 13 referat hold 4
Uge 13 referat hold 4 Gruppearbejde 1a: Er variablen kvotient inkluderet på en hensigtsmæssig måde? Der er to problemer med kvotient: 1) Den er trunkeret ved 6.9 og 10.0, løsningen er at indføre dummyer
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereIndvandrere og efterkommere i foreninger er frivillige i samme grad som danskere
Indvandrere og efterkommere i foreninger er frivillige i samme grad som danskere Bilag I afrapportering af signifikanstest i tabeller i artikel er der benyttet følgende illustration af signifikans: * p
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereReeksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl
Reeksamen 2018 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 13-08-2018 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Læs mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs mereStatistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
Læs mereLogistisk regression
Logistisk regression Test af antagelsen om lineære effekter Modelkonstruktion og modelsøgning Hvilke variable og hvilke interaktioner skal inkluderes i regressionsmodellerne? 1 Logistiske regressionsmodeller
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereSammenhængen mellem elevernes trivsel og elevernes nationale testresultater.
Sammenhængen mellem elevernes trivsel og elevernes nationale testresultater. 1 Sammenfatning Der er en statistisk signifikant positiv sammenhæng mellem opnåelse af et godt testresultat og elevernes oplevede
Læs mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mere1 Regressionsproblemet 2
Indhold 1 Regressionsproblemet 2 2 Simpel lineær regression 3 2.1 Mindste kvadraters tilpasning.............................. 3 2.2 Prædiktion og residualer................................. 5 2.3 Estimation
Læs mere1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
Læs merePsykisk arbejdsmiljø og stress
Psykisk arbejdsmiljø og stress - Hvilke faktorer har indflydelse på det psykiske arbejdsmiljø og medarbejdernes stress Marts 2018 Konklusion Denne analyse forsøger at afklare, hvilke faktorer der påvirker
Læs mereKommentarer til spørgsmålene til artikel 1: Ethnic differences in mortality from sudden death syndrome in New Zealand, Mitchell et al., BMJ 1993.
Kommentarer til spørgsmålene til artikel 1: Ethnic differences in mortality from sudden death syndrome in New Zealand, Mitchell et al., BMJ 1993. 1. Det anføres, at OR for maorier vs. ikke-maorier er 3.81.
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereEksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T Eksamen i statistik 2010 Kandidatuddannelsen i folkesundhedsvidenskab Eksamensnummer: 16, 23
Læs mereBaggrundsnotat: Søskendes uddannelsesvalg og indkomst
17. december 2013 Baggrundsnotat: Søskendes uddannelsesvalg og indkomst Dette notat redegør for den økonometriske analyse af indkomstforskelle mellem personer med forskellige lange videregående uddannelser
Læs mereMindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning
1 Regressionsproblemet 2 Simpel lineær regression Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 3
Læs mereEducation and Ethnic Minorities in Denmark
Ph.D. Dissertation Education and Ethnic Minorities in Denmark by Bjørg Colding Aalborg University AMID, Academy for Migration Studies in Denmark AKF, Institute of Local Government Studies Denmark Chapter
Læs mereØkonometri: Lektion 2 Multipel Lineær Regression 1/27
Økonometri: Lektion 2 Multipel Lineær Regression 1/27 Multipel Lineær Regression Sidst så vi på simpel lineær regression, hvor y er forklaret af én variabel. Der er intet, der forhindre os i at have mere
Læs mereØkonometri 1. Dummyvariabler 13. oktober Økonometri 1: F10 1
Økonometri 1 Dummyvariabler 13. oktober 2006 Økonometri 1: F10 1 Dagens program Dummyvariabler i den multiple regressionsmodel (Wooldridge kap. 7.3-7.6) Dummy variabler for kvalitative egenskaber med flere
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereMorten Frydenberg 14. marts 2006
Introduktion til Logistisk Regression Morten Frydenberg, Inst. f. Biostatistik 1 RESUME: 2 2. gang: 2006 Institut for Biostatistik, Århus Universitet MPH 1. studieår Specialmodul 4 Cand. San. uddannelsen
Læs mereMantel-Haenszel analyser. Stratificerede epidemiologiske analyser
Mantel-Haensel analyser Stratificerede epidemiologiske analyser 1 Den epidemiologiske synsvinkel: 1) Oftest asymmetriske (kausale) sammenhænge (Eksposition Sygdom/død) 2) Risikoen vurderes bedst ved hjælp
Læs mereAppendiks Økonometrisk teori... II
Appendiks Økonometrisk teori... II De klassiske SLR-antagelser... II Hypotesetest... VII Regressioner... VIII Inflation:... VIII Test for SLR antagelser... IX Reset-test... IX Plots... X Breusch-Pagan
Læs meregrupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
Læs mereSeminaropgave: Præsentation af idé
Seminaropgave: Præsentation af idé Erik Gahner Larsen Kausalanalyse i offentlig politik Dagsorden Opsamling på kausalmodeller Seminaropgaven: Praktisk info Præsentation Seminaropgaven: Ideer og råd Kausalmodeller
Læs mereSimpel Lineær Regression
Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
Læs mereEffekten af indvandring på indfødte danskeres løn og beskæftigelse
d. 22.05.2017 Brian Krogh Graversen (DØRS) Effekten af indvandring på indfødte danskeres løn og beskæftigelse I kapitlet Udenlandsk arbejdskraft i Dansk Økonomi, forår 2017 analyseres det, hvordan indvandringen
Læs mereCenter for Statistik. Multipel regression med laggede responser som forklarende variable
Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der
Læs mereMorten Frydenberg 26. april 2004
Introduktion til Logistisk Regression Morten Frydenberg, Inst. f. Biostatistik RESUME: 2 2. gang: 2002 Institut for Biostatistik, Århus Universitet MPH. studieår Specialmodul 4 Cand. San. uddannelsen.
Læs mereØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression
! ØVELSER Statistik, Logistikøkonom Lektion 8 og 9: Simpel og multipel lineær regression Eksempel 1 AT OPSTILLE EN SIMPEL LINEÆR REGRESSIONSMODEL - GENNEMGÅS AF JAKOB Et stort lager måler løbende sine
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereTIL RAPPORTEN DANSKE LØNMODTAGERES ARBEJDSTID EN REGISTERBASERET ANALYSE, SFI DET NATIONALE FORSKNINGSCENTER FOR VELFÆRD 09:03.
05:2009 ARBEJDSPAPIR Mette Deding Trine Filges APPENDIKS TIL RAPPORTEN DANSKE LØNMODTAGERES ARBEJDSTID EN REGISTERBASERET ANALYSE, SFI DET NATIONALE FORSKNINGSCENTER FOR VELFÆRD 09:03. FORSKNINGSAFDELINGEN
Læs mereGenerelle lineære modeller
Generelle lineære modeller Regressionsmodeller med én uafhængig intervalskala variabel: Y en eller flere uafhængige variable: X 1,..,X k Den betingede fordeling af Y givet X 1,..,X k antages at være normal
Læs mereRettevejledning til Økonomisk Kandidateksamen 2007II. Økonometri 1
Rettevejledning til Økonomisk Kandidateksamen 2007II Økonometri 1 Vurderingsgrundlaget for tag-hjem eksamen er selve opgavebesvarelsen og bilaget. Programmer og data bedømmes som sådan ikke, men er anvendt
Læs mereRegressionsanalyser. Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer.
Regressionsanalyser Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer. Hvilke faglige problemer kan man løse vha. regressionsanalyser? 1 Regressionsanalyser Det primære problem
Læs mereØkonometri 1. Prediktion. Dummyvariabler 9. oktober Økonometri 1: F9 1
Økonometri 1 Prediktion. Dummyvariabler 9. oktober 2006 Økonometri 1: F9 1 Program frem til efterårsferien Om goodness-of-fit, prediktion og residualer (kap. 6.3-4) Kvalitative egenskaber i den multiple
Læs mereOut-of-sample forecast samt reestimation af ADAMs lønligning
Danmarks Statistik MODELGRUPPEN Arbejdspapir* Peter Agger Troelsen 31. oktober 2013 Out-of-sample forecast samt reestimation af ADAMs lønligning Resumé: Papiret reestimerer ADAMs lønligning og vurderer
Læs mereBilag 12 Regressionsanalysens tabeller og forklaringer
Bilag 12 Regressionsanalysens tabeller og forklaringer Regressionsanalysens tabeller og forklaringer Regressionsanalysen vil være delt op i 2 blokke. Første blok vil analysere hvor meget de tre TPB variabler
Læs mereØkonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006
Dagens program Økonometri Den multiple regressionsmodel 8. september 006 Opsamling af statistiske resultater om den simple lineære regressionsmodel (W kap..5). Den multiple lineære regressionsmodel (W
Læs mereStatistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereEksamen i Statistik og skalavalidering
Eksamen i Statistik og skalavalidering 2009-studieordning Til aflevering d. 22. december 2010 Efterårssemestret 2010, Kandidatuddannelsen i Folkesundhedsvidenskab Opgaven er udarbejdet af: Eksamensnummer
Læs mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
Læs mereUndervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin aug-juni 10/11 Institution Campus Vejle Handelsgymnasie Uddannelse Fag og niveau Lærer(e) Hold HHX Statistik
Læs mereTandstatus hos søskende
Tandstatus hos søskende Af Bodil Helbech Kleist, BOHH@kl.dk Formålet med dette analysenotat er at undersøge forskelle i tandsundheden mellem søskende, herunder betydningen af hvilket nummer i børneflokken,
Læs mereSådan skaber vi et bedre og længere seniorarbejdsliv
Side 1 af 9 Sådan skaber vi et bedre og længere seniorarbejdsliv UNDERSØGELSE AF SENIORARBEJDSLIVET NOVEMBER 2018 Side 2 af 9 Indholdsfortegnelse 1. Hvad har betydning for at blive på arbejdsmarkedet efter
Læs mereStatistik Lektion 4. Variansanalyse Modelkontrol
Statistik Lektion 4 Variansanalyse Modelkontrol Eksempel Spørgsmål: Er der sammenhæng mellem udetemperaturen og forbruget af gas? Y : Forbrug af gas (gas) X : Udetemperatur (temp) Scatterplot SPSS: Estimerede
Læs mereLineær og logistisk regression
Faculty of Health Sciences Lineær og logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Dagens program Lineær regression
Læs mere! Husk at udfylde spørgeskema 3. ! Lineær sandsynlighedsmodel. ! Eksempel. ! Mere om evaluering og selvselektion
Dagens program Økonometri 1 Dummy variable 4. marts 003 Emnet for denne forelæsning er kvalitative variable i den multiple regressionsmodel (Wooldridge kap. 7.5-7.6+8.1)! Husk at udfylde spørgeskema 3!
Læs mereSimpel Lineær Regression: Model
Simpel Lineær Regression: Model Sidst så vi på simpel lineære regression. Det er en statisisk model på formen y = β 0 + β 1 x + u, hvor fejlledet u, har egenskaben E[u x] = 0. Dette betyder bl.a. E[y x]
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse
Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Institut for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression Regressionsanalyse Regressionsanalyser
Læs mereStatistik Lektion 17 Multipel Lineær Regression
Statistik Lektion 7 Multipel Lineær Regression Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test Multipel lineær regression x,x,,x
Læs mereBilag S.1: Beskrivelse af beregningen af koefficienten på indvandrerbaggrund
Bilag S.1: Beskrivelse af beregningen af koefficienten på indvandrerbaggrund Det er kun i model (1) i artiklen, at den gennemsnitlige betydning af at have indvandrerbaggrund (α 1 ) direkte kan estimeres.
Læs mereLøsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)
Afdeling for Biostatistik Bo Martin Bibby 23. november 2006 Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06) Vi betragter 4699 personer fra Framingham-studiet. Der er oplysninger om follow-up
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen
Læs mereEpidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Afdeling for Biostatistik. Eksempel: Systolisk blodtryk
Eksempel: Systolisk blodtryk Udgangspunkt: Vi ønsker at prædiktere det systoliske blodtryk hos en gruppe af personer. Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Afdeling for Biostatistik.
Læs mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Stratificerede analyser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Stratificerede analyser Dødsstraf-eksempel Betyder morderens farve noget for risikoen for dødsstraf? 1 Dødsstraf-eksempel: data Variable: Dødsstraf
Læs mereKausale modeller. Konstruktion og analyse
Kausale modeller Konstruktion og analyse 1 Kausale modeller = DAGs (Directed acyclic graphs) defineret ved Fuldstændig ordnet kausal struktur Definition af direkte kausal effekt Antagelser om fravær af
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Specifikation og dataproblemer 30. april 2007 KM2: F21 1 Program for de to næste forelæsninger Emnet er specifikation og dataproblemer (Wooldridge kap. 9) Fejlleddet kan være korreleret
Læs mereModule 3: Statistiske modeller
Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med
Læs mereHurtigt i job som dimittend
Side 1 af 11 Hurtigt i job som dimittend DIMITTENDUNDERSØGELSEN 2018 OKTOBER 2018 Side 2 af 11 Indholdsfortegnelse 1. Dimittendernes karakteristika... 3 1.1. Flertal i job inden seks måneder... 3 1.2.
Læs mereIndblik i statistik - for samfundsvidenskab
Indblik i statistik - for samfundsvidenskab Læs mere om nye titler fra Academica på www.academica.dk Nikolaj Malchow-Møller og Allan H. Würtz Indblik i statistik for samfundsvidenskab Academica Indblik
Læs mereEt psykisk belastende arbejde har store konsekvenser for helbredet
Flere gode år på arbejdsmarkedet 5. maj 2017 Et psykisk belastende arbejde har store konsekvenser for helbredet Risikoen for at have et dårligt psykisk helbred mere end fordobles for personer med et belastende
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2 -test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2 -test [ki-i-anden-test] 1 Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination
Læs mereDansk Erhvervs gymnasieanalyse Sådan gør vi
METODENOTAT Dansk Erhvervs gymnasieanalyse Sådan gør vi FORMÅL Formålet med analysen er at undersøge, hvor dygtige de enkelte gymnasier er til at løfte elevernes faglige niveau. Dette kan man ikke undersøge
Læs mereKapitel 11 Lineær regression
Kapitel 11 Lineær regression Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 1 Indledning Vi modellerer en afhængig variabel (responset) på baggrund af en uafhængig variabel (stimulus),
Læs mereStatistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereStatistiske Modeller 1: Kontingenstabeller i SAS
Statistiske Modeller 1: Kontingenstabeller i SAS Jens Ledet Jensen October 31, 2005 1 Indledning Som vist i Notat 1 afsnit 13 er 2 log Q for et test i en multinomialmodel ækvivalent med et test i en poissonmodel.
Læs mereAnalyse af binære responsvariable
Analyse af binære responsvariable Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet 23. november 2012 Har mænd lettere ved at komme ind på Berkeley? UC Berkeley
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
Læs mereBILAG 2 METODE OG FORSK- NINGSDESIGN
Til Undervisningsministeriet Dokumenttype Bilag Dato Marts 2014 BILAG 2 METODE OG FORSK- NINGSDESIGN BILAG 2 METODE OG FORSKNINGSDESIGN INDHOLD 1. Design- og metodebilag 1 1.1 Forskningsdesign 1 1.2 Analysemetoder
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mere12. september Epidemiologi og biostatistik. Forelæsning 4 Uge 3, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Regressionsanalyse
. september 5 Epidemiologi og biostatistik. Forelæsning Uge, torsdag. Niels Trolle Andersen, Afdelingen for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mereProjekt 1 Spørgeskemaanalyse af Bedst på Nettet
Projekt 1 Spørgeskemaanalyse af Bedst på Nettet D.29/2 2012 Udarbejdet af: Katrine Ahle Warming Nielsen Jannie Jeppesen Schmøde Sara Lorenzen A) Kritik af spørgeskema Set ud fra en kritisk vinkel af spørgeskemaet
Læs mereBilag De socioøkonomiske referencer for gymnasiekarakterer. Bilag 1: Socioøkonomiske baggrundsoplysninger
Bilag De socioøkonomiske referencer for gymnasiekarakterer 2017 Bilag 1: Socioøkonomiske baggrundsoplysninger Bilagstabel 1 Baggrundsoplysninger Baggrundsoplysning 9. klasse FSA karaktergennemsnit Køn
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mere