FRA TEORETISK TIL EMPIRISK NIVEAU...

Transkript

1 Indholdsfortegnelse INDLEDENDE AFSNIT... 3 INDLEDNING... 3 PROBLEMFORMULERING... 3 LÆSEVEJLEDNING... 4 TEORI... 4 INDLEDENDE TEORETISKE OVERVEJELSER... 4 VALG AF TEORETIKERE... 5 TEORETISK REDEGØRELSE... 5 Strukturfunktionalistiske kønsroller... 5 Kønnets rollefordeling artikulationen mellem familie og arbejdsmarked... 5 Den problematiske kønsdifferentiering... 7 De patriarkalske og kapitalistiske samfundsstrukturer... 7 Fra ulighed i hjemmet til ulighed på arbejdspladsen... 8 Intern differentiering og intersektionalitet... 8 Den patriarkalske, heteronormative stat... 9 De diskursivt konstruerede kønskategorier... 9 Den diskursive konstruktion af køn... 9 Ophævelse af skellet mellem biologisk og socialt køn Den heteroseksuelle forståelsesmatrice DELKONKLUSION TEORETISK DISKUSSION Parsons og Walby Kønsroller funktionelle eller ulighedsskabende? Et kritisk projekt? Walby og Butler Kønsdifferentiering struktur eller diskurs? Et intersektionelt fokus Emancipatorisk potentiale Parsons og Butler Kønsroller naturgivne eller konstruerede? OPSAMLING PÅ TEORETISK DISKUSSION FRA TEORETISK TIL EMPIRISK NIVEAU TEORETISK HYPOTESE OPERATIONALISERING Operationalisering af ledelsesansvar Operationalisering af køn EMPIRISK HYPOTESE OVERVEJELSER VEDRØRENDE KAUSALITET DATAPRÆSENTATION POPULATION, STIKPRØVE OG ANALYSEUDVALG VARIABELPRÆSENTATION OMKODNINGER REPRÆSENTATIVITETSTEST Repræsentativitetstest for køn, uddannelse og alder DELKONKLUSION ANALYSESTRATEGI STATISTIK TEORI LOGISTISK MODEL, REGRESSION OG MODELSØGNING Hvorfor logistisk regression? Maximum Likelihood Likelihood-ratio-test... 40

2 STATISTISK ANALYSE MODELSØGNING Model A Model B Model C Model D Model E Model F MODELKONTROL Grupperet residualanalyse Residualanalyse af køn Residualanalyse af uddannelseskategorier Multikollinearitet Korrelationsmatrice DELKONKLUSION PÅ MODELKONTROL OMREGNINGER TIL SANDSYNLIGHEDER OG ODDSRATIOVÆRDIER Sandsynligheder for slutmodellen Idealtyper Oddsratio for slutmodel Betingede OR-værdier RESULTATPRÆSENTATION GRAFISK PRÆSENTATION AF RESULTATER DISKUSSION AF EMPIRI OG TEORI KØNNEDE FORSKELLE I LEDELSESANSVAR PÅ DET DANSKE ARBEJDSMARKED ANNO UDDANNELSESEKSPANSION OG KØNSFORSKELLE ALDER SOM DIFFERENTIERINGSFAKTOR? DELKONKLUSION KONKLUSION PERSPEKTIVERING LITTERATURLISTE BILAG BILAG 1: DO-FILE BILAG 2: TEST FOR IKKE-UAFHÆNGIGHED MELLEM KØN OG LEDER BILAG 3: REPRÆSENTATIVITETSTEST FOR UDDANNELSE OG ALDER BILAG 4: OMREGNER TIL SANDSYNLIGHEDER FOR MODEL A BILAG 5: INSIGNIFIKANT INTERAKTIONSVARIABEL MELLEM KØN OG UDDANNELSE... 90!! 2!

3 Indledende afsnit Indledning Formålet med denne opgave er at undersøge, hvorvidt der eksisterer en sammenhæng mellem køn og sandsynligheden for at være leder i det danske samfund anno Valget af dette undersøgelsesfelt udspringer af en undren over, hvorvidt og i så fald hvordan det kan forklares at det fra først af var manden, der gik med sejren? (Beauvoir 1977:20). Arbejdspladsen udgør for både mænd og kvinder en platform af livschancer, hvorudfra de behov for selvrealisering, statusopnåelse og anerkendelse, som kendetegner det senmoderne samfund, forsøges opnået. Det moderne samfund har været præget af en uddannelsesekspansion samt kvindernes indtog på arbejdsmarkedet (Walby 1997:41; Hansen 2003:35). Flere arbejdspladser har ligeledes indført kønskvotering som forsøg på at skabe lighed kønnene imellem. Ligestilling mellem mænd og kvinder er således på visse områder forsøgt opnået i det danske velfærdssamfund. Dog synes ligestillingsdebatten ikke at være aftaget, men derimod, som Kvinfos nyudnævnte direktør Nina Groes udtrykker det, at være hot stuff (Web1). Vi stiller derfor spørgsmålstegn ved, om de faktiske forhold afspejler ligestilling mellem mænd og kvinder. Det er dette spørgsmål vi ved hjælp af statistisk analyse vi besvarer i nærværende opgave. De tre samfundstænkere Talcott Parsons ( ), Sylvia Walby (1953) og Judith Butler (1956) beskæftiger sig alle tre med kønsdifferentieringen. I spændingsfelterne mellem det naturgivne, det strukturelle og det konstruerede tager de stilling til og forsøger at forklare kønsulighed. De cementerer således tilsammen det teoretiske fundament, hvorudfra vi vil forsøge at besvare spørgsmålet om, hvordan vi kan forklare, at der eksisterer ulighed i ledelsesansvar i et højtudviklet velfærdssamfund som det danske. Dette spørgsmål danner rammen om nærværende opgave og leder os endvidere til nedenstående problemformulering. Problemformulering I forlængelse af ovenstående overvejelser undersøger vi følgende problemformulering: Eksisterer der en sammenhæng mellem køn og sandsynligheden for at være leder? Hvordan kan en eventuel sammenhænge ses som et udtryk for kønsdifferentiering i det moderne, danske samfund anno 2013?! 3!

4 Læsevejledning I opgavens første del redegør vi for de tre teoretikeres syn på kønsdifferentiering. Vores primære fokus er Parsons funktionalistiske opfattelse af kønsroller, Walbys strukturelle dualteori om kvindens dobbeltudbytning og Butlers ide om det konstruerede køn. Med afsæt i redegørelsen diskuterer vi herefter de forskelle og ligheder, der eksisterer mellem de tre teoretikere. Diskussionen tager udgangspunkt i Parsons opfattelse af kønsdifferentiering som funktionel over for Walbys problematisering af denne. Herefter diskuteres Butlers teori og de diskursivt skabte kønskategorier over for Walbys opfattelse af disse som stabile størrelser. I relation hertil diskuterer vi desuden det emancipatoriske potentiale, der knytter sig til Walby og Butlers teorier. Slutteligt diskuterer vi Parsons opfattelse af det biologiske køn og kønsrollerne som naturgivne over for Butlers opfattelse af begge størrelser som værende konstruerede. Efter den teoretiske diskussion opstiller vi vores teoretiske hypotese, som vi herefter operationaliserer til en målbar empirisk hypotese. Dernæst præsenterer vi vores population, stikprøve og analysevalg. Dette leder frem til modelsøgningen, hvor vi søger den model med størst forklaringskraft. Derefter tester vi hvor god denne er til at forudsige sammenhængen mellem køn og sandsynligheden for at være leder. Vores statistiske analyse følges op af en præsentation af vores resultater. Herefter diskuterer vi de vigtigste resultater i relation til vores teoretiske udgangspunkt, for herefter at konkludere på undersøgelsen. Afslutningsvist perspektiverer vi disse konklusioner til aktuelle problemstillinger omhandlende løsningsforslag inden for ligestillingsområdet i det moderne, danske samfund. Teori Indledende teoretiske overvejelser Før vi påbegynder vores teoretiske redegørelse er det nødvendigt at tydeliggøre, i hvilken betydning vi anvender differentieringsbegrebet i kønsmæssig sammenhæng. I et horisontalt perspektiv forstås differentieringen som den grad af funktionel specialisering, der i stigende grad gør sig gældende i det moderne samfund. Det ulighedsrelaterede element består imidlertid primært i den vertikale forståelse af differentieringsbegrebet, da denne omhandler opdelingen af samfundets sociale lag. Differentieringsbegrebet kan hermed forstås som udtryk for forskellighed eller ulighed, og således siges at gribe ind i den fordeling af livschancer, der gør sig gældende i det moderne samfund. I denne opgave referer vi primært til den vertikale forståelse af differentiering, når vi omtaler kønsdifferentiering, da vi behandler denne i relation til kønsulighed.! 4!

5 Valg af teoretikere Det styrende for vores valg af teoretikere var at kunne belyse forskellige forklaringer på og opfattelser af kønsdifferentiering. Således er Parsons valgt, idet han bidrager med et strukturfunktionalistisk syn på kønsroller, som ifølge ham er biologisk skabt. Walby bidrager tilmed med et strukturelt syn på kønsdifferentieringen, men modsat Parsons har hun dog et kritisk perspektiv på disse strukturer. Desuden bidrager Walby med en nuancering af de kønsforhold, der gør sig gældende efter kvindernes indtræden på arbejdsmarkedet. Butler repræsenterer i modsætning til Parsons og Walby et konstruktivistisk syn på kønsroller, som udgør en art modpol til den strukturelle og funktionalistiske forklaring. Både Butler og Parsons beskæftiger sig med sammenhængen mellem kønsroller og identitetsdannelse, hvilket yderligere bidrager til at nuancere, hvad der kan forklare kønsrollerne. Walby og Butler synes desuden at repræsentere hvert sit intersektionelle perspektiv på kønsdifferentiering. Med disse tre forskelligartede teoretiske udgangspunkter er det således vores mål at nuancere billedet af, hvad der kan fungere som forklaringsfaktorer i forhold til, hvad der skaber kønsulighed i ledelsesansvar. I det følgende redegør vi for de tre teoretiske udgangspunkter, hvorefter vi diskuterer disse teoridannelser i forhold til hinanden. Teoretisk redegørelse I det følgende redegør vi for henholdsvis Parsons teori om kønnenes funktioner i samfundet, Walbys teori om kønsdifferentieringen som et resultat af sammenvævning af patriarkatet og kapitalisme og slutteligt Butlers teori om de diskursivt konstruerede kønskategorier. Strukturfunktionalistiske kønsroller I det følgende afsnit redegør vi for Parsons strukturfunktionalistiske forståelse af kønsroller. Dette gør vi med udgangspunkt i hans betragtninger over familien og the occupational system. Afslutningsvist behandler vi de forskelle, der gør sig gældende mellem køn i kraft af grundlæggende rollefordelinger. Kønnets rollefordeling artikulationen mellem familie og arbejdsmarked Parsons forstår samfundets to grundlæggende funktioner som produktion og reproduktion, der hver har sit separate institutionelle system tilknyttet (Kimmel 2011:105). Til produktionen knytter han the occupational system, hvorimod reproduktionen varetages inden for the kinship system (Kimmel 2011:106). Hermed benævner Parsons the occupational system som det! 5!

6 arbejdsmarked, inden for hvilket manden står for produktionen, mens the kinship system forvaltes inden for familiens rammer, hvori kvinden står for reproduktionen (Parsons 1988:131). Ifølge Parsons indgår familien og arbejdsmarkedet i en art symbiotisk forhold, som sikrer samfundets opretholdelse. På hver sin måde bidrager manden og kvinden til at sikre, at vigtige funktioner inden for hver af de to institutionelle systemer opretholdes. De påtager sig altså hver især specifikke roller inden for de respektive systemer (Kimmel 2011:106). Parsons forklarer endvidere en sådan rollefordeling som naturgiven. Kvindens stærke biologiske forhold til barnet nødvendiggør, at hun varetager de vigtigste, reproduktive funktioner i hjemmet. Kvindens primære funktion ligger dermed i rollen som familiens ekspressive leder, hvor hendes aktiviteter befinder sig inden for familiens integration samt i internaliseringen af kulturelle værdier hos børnene (Parsons 1988:131). Omvendt forudsætter mandens manglende biologiske funktioner i forhold til barnet, eksempelvis amning og fødsel, at han henføres til alternativ specialisering i instrumentel retning (Parsons 1988:131). Manden bestrider således rollen som den instrumentelle leder i kraft af hans position på arbejdsmarkedet, hvormed han har hovedansvaret for familiens økonomiske status. Mandens erhverv er således afgørende for familiens tilskrivning af status og prestige (Parsons 1988:124). På den måde varetager manden ikke blot instrumentelle funktioner uden for familien, men også internt i familien får han rollen som den instrumentelle leder. I sjældne tilfælde kan kvinden indgå på arbejdsmarkedet, men denne position vil ifølge Parsons aldrig kunne måle sig med mandens status- og indtægtsgivende funktion for familien (Parsons 1988:125). Parsons påpeger, at en sådan udførelse af de rette maskuline og feminine funktioner er en forudsætning for, at kvinden kan elske manden, og at manden kan elske kvinden (Parsons 1988:30). Det vil med andre ord sige, at rollefordelingen er en forudsætning for opretholdelsen af familien og dermed samfundet. Det er gennem kombinationen af den primære socialisering af børnene og stabilisering af voksne enkeltindivider, at kernefamilien konstituerer og vedligeholder personligheder gennem socialiseringsprocesser. I forlængelse heraf fremhæver Parsons familiens funktion som det vigtigste sæt af årsager til, at den kønnede differentiering ikke blot opretholdes rent reproduktivt, men også socialt (Parsons 1988:130). Hermed virker den grundlæggende kønsrollefordeling altså determinerende for identitetsdannelsen. Kernefamiliens funktioner er således centrale i Parsons betragtninger, idet disse udgør forudsætningen for opretholdelsen af samfundet.! 6!

7 Ifølge Parsons er den kønnede differentiering altså et resultat af en funktionel og naturgiven rollefordeling mellem mænd og kvinder, som er nødvendig, idet den opretholder den sociale orden. I det følgende redegør vi for Walbys teori om kønsdifferentiering, som ligeledes har et strukturelt udgangspunkt. Den problematiske kønsdifferentiering I det følgende redegør vi med udgangspunkt i artiklen Towards a New Theory of Patriarchy (1986) for Walbys duale teori om patriarkalismen og kapitalismens kønnede udbytningsmekanismer. Desuden redegør vi for den tilsyneladende udjævning af kønsforskelle på arbejdsmarkedet som Walby påpeger i artiklen Recent Changes in Gender Relations in Employment (1997). Også i dette værk mener hun, at sammenvævningen af patriarkalisme og kapitalisme gør sig gældende. De patriarkalske og kapitalistiske samfundsstrukturer Ifølge Walby har den patriarkalske produktionsmåde rod i hjemmet, hvor kvinden udfører ulønnet husholdningsarbejde samt står for produktion og reproduktion af den mandlige arbejdskraft (Walby 1986:53). I marxistiske termer tydeliggør Walby relationen, hvori kvinden udgør den udbyttede klasse og manden den udbyttende klasse. Kvinden producerer den arbejdskraft, der anvendes af manden i det betalte arbejde, hvor størstedelen af profitten tilfalder manden. Den merværdi, som kvinden producerer i kraft af arbejdet i hjemmet, profiteres altså af manden. Derfor er kvinden i den patriarkalske relation fremmedgjort for produktet af sin arbejdskraft, nøjagtigt som det er tilfældet i den marxistiske klasserelation (Walby 1986:53). De patriarkalske strukturer relaterer sig altså til de kapitalistiske strukturer, hvormed den kønnede arbejdsdeling formes. Med kvindens binding til hjemmet og samtidige udelukkelse fra arbejdsmarkedet opstår en form for social closure 1. Walbys teoridannelse er dualistisk i den forstand, at hun beskriver, hvordan interaktion mellem patriarkalismen og kapitalismen konstituerer kønsuligheden i det moderne samfund (Walby 1986:50). Dermed kan der siges at forekomme en dobbelt udbytning, da kvinden ikke blot udbyttes i hjemmet, men også indirekte af kapitalismen, da det merarbejde, kvinden leverer, er omkostningsfrit for denne. Den dobbelte udbytning ændrer ifølge Walby karakter, hvilket kommer!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 1!Det weberianske begreb social closure forstås her som en eksklusionsproces, hvorigennem ressourcestærke ekskluderer de dårligst kvalificerede fra at udnytte bestemte sociale og økonomiske muligheder (Parkin1994:143f).!! 7!

8 til udtryk i artiklen fra 1997, hvor hun modificerer beskrivelsen af denne relation. Det fremgår her, hvordan forskellen mellem mænd og kvinders arbejdstid i hjemmet er mindsket som følge af kvinders indtræden i det lønnede arbejde (Walby 1997:27). Fra ulighed i hjemmet til ulighed på arbejdspladsen Walby beskriver, hvordan kvinderne siden 1970 erne i stigende grad har uddannet sig og skaffet sig bevis på deres uddannelsesmæssige færdigheder. Som følge heraf er der tilsyneladende sket en ændring i den kønnede ulighed på arbejdsmarkedet på sådan vis, at den horisontale differentiering, hvor der eksisterer kvinde-og mandeerhverv, er på retur (Walby 1997:31). Dog påpeger Walby, at der i nogle henseender stadig er tale om en reel ulighed i mænd og kvinders muligheder. Den vertikale differentiering er til stadighed gennemgribende, da mænd i højere grad end kvinder bestrider jobs øverst i hierarkiet inden for den enkelte organisation (Walby 1997:31). Der er omtrent samme antal mænd og kvinder på arbejdsmarkedet, men den kønnede ulighed består ifølge Walby i ansættelsesforholdene. Her påpeger hun, at omend kvinder har vundet indpas på arbejdsmarkedet, er de i højere grad end mænd ansat i deltidsstillinger eller projektansættelser, som hverken i lønnings- eller anerkendelsesøjemed kan sidestilles med fuldtidsstillingerne (Walby 1997:31). Uligheden mellem mænd og kvinder er altså ifølge Walby stadig en realitet, men denne er blot flyttet fra hjemmet til arbejdsmarkedet (Walby 1997:65). Intern differentiering og intersektionalitet En anden vigtig faktor i forståelsen af kønsdifferentieringen på arbejdsmarkedet er ifølge Walby den interne differentiering mellem kvinder som følge af uddannelsesmuligheder. Walby behandler intern differentiering i kvindekategorien, da hun mener, at de kvinder, der har høstet størst udbytte af den overordnede udjævning af forskellene mellem kønnene på arbejdsmarkedet, er de kvinder, som befinder sig øverst i det socioøkonomiske hierarki. Hun påpeger eksempelvis, at ældre kvinder og enlige mødre taber terræn i takt med den overordnede udjævning af kønsforskelle på arbejdsmarkedet (Walby 1997:23). Walbys teori rummer altså elementer af intersektionalitet 2, da hun medtager betydningen af andre sociale faktorer, som eksempelvis socioøkonomisk status, alder og etnicitet, i forklaringen af de livsvilkår og muligheder kvinder har i det moderne samfund (Walby 1997:26). Kvinderne er altså ifølge Walby som samlet størrelse mere frigjorte af den patriarkalske relation, men den interne differentiering er øget og bevirker, at mulig emancipation i det moderne samfund er forbeholdt velstillede kvinder (Walby 1997:24).!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 2 Sociolog Ann Phoenix definerer begrebet intersektionalitet, som et analyseredskab til forståelse af samspillet mellem forskellige differentieringsformer som køn, klasse, etnicitet og alder (Phoenix 2006:23).! 8!

9 De social closure-mekanismer, der gør sig gældende i det moderne samfund, er altså ikke blot givet ved relationen mellem mand og kvinde, men også ved relationerne kvinder imellem. I opretholdelsen heraf spiller staten ifølge Walby en afgørende rolle, hvilket vi behandler i nedenstående. Den patriarkalske, heteronormative stat De kønnede adgangsmuligheder til det lønnede arbejde og den systematiske udelukkelse af kvinder fra bestemte funktioner, understøttes ifølge Walby af staten, når denne bekender sig til patriarkalismen (Walby 1986:56). Walby mener desuden, at en anden vigtig komponent i opretholdelsen af den patriarkalske stat er den institutionaliserede heteroseksualitet, hvormed der forstås, at samfundets institutioner er indrettet således, at de favoriserer det heteroseksuelle toforsørgerfamilieliv (Walby 1986:66). Dette har sammenhæng med, at det heteroseksuelle toforsørgerfamilieliv er det, der på en gang legitimerer og konstituerer den patriarkalske produktionsmåde og dermed også det kapitalistiske system. På trods af kvinders indtræden på arbejdsmarkedet eksisterer der altså stadig ulighed, som konstitueres af strukturel social closure som følge af patriarkalisme og kapitalisme. Derudover påpeger Walby, at andre faktorer ligeledes indvirker på den kønnede differentiering. Da vi nu i forbindelse med både Parsons og Walby er blevet introduceret til, hvordan strukturelle forhold kan forklare kønsdifferentiering, vender vi os i næste afsnit mod en konstruktivistisk tilgang til den kønnede ulighed, som repræsenteres af Butler. De diskursivt konstruerede kønskategorier Butler repræsenterer en postmoderne forståelse af kønnet som en diskursiv konstruktion (Dahlerup 2003:36). I det følgende redegør vi for det begrebsapparat, Butler anvender til at argumentere for, hvad der konstituerer køn. Den diskursive konstruktion af køn Butler gør med sin postmoderne kønsopfattelse op med tidligere kønstænknings opfattelse af kønnet som en essentialistisk størrelse. Butler skriver sig herved ind i en foucaultiansk tradition og påpeger, at subjektiveringen af kønnet sker via en række regulerende praksisser, som bidrager til diskursivt at konstruere kønnet (Butler 2007:28). I forlængelse heraf påpeger Butler endvidere, at køn altid må forstås som en gøren, men en gøren uden en forudgående væren. Det vil med andre ord sige, at der ikke eksisterer et subjekt forud for gøren, og herved sker subjektiveringen altså i selve handlingen. Således konstrueres kønnet, ifølge Butler, performativt via regulerende praksisser (Butler 2007:56). Det springende punkt i Butlers kønsteori er, at det ikke blot er det! 9!

10 sociale køn, som er konstrueret, men også det biologiske køn. Herved opløser Butler grænsen mellem socialt og biologisk køn, hvilket vi behandler i følgende afsnit. Ophævelse af skellet mellem biologisk og socialt køn Frem for at forstå socialt køn ud fra biologisk køn, forstår Butler snarere biologisk køn som konstrueret af socialt køn. Effekten af den diskursive produktion af socialt køn bliver herved en prædiskursiv konstruktion af biologisk køn i den betydning, at det må forstås som produceret forud for kulturen (Butler 2007:34f). På den måde er det fra kulturens side givet, at kroppen altid allerede er et socialt køn, som får en determinerende indvirkning på konstruktionen af det biologiske køn (Butler 2007:34ff). Kroppen er, ifølge Butler, selv en konstruktion, som ikke kan tilskrives eksistens forud for en kønsmærkning (Butler 2007:36). En sådan eksistens opstår altså efter kønsmærkningen, som sker i kraft af, at individet bliver forståeligt som kønnet væsen og derved subjektiveres. Således går kønsidentiteten så at sige forud for identiteten (Butler 2007:45). Butler problematiserer yderligere de forståelsesrammer, der historisk er skabt for forståelig kønsidentitet. Via en genealogisk fremskrivning når hun frem til, at en sådan forståelse sker ud fra indgåelse i en heteroseksuel orden, som vi behandler i nedenstående afsnit. Den heteroseksuelle forståelsesmatrice Det forståelige køn sikres ifølge Butler af kontinuitet mellem biologisk køn, socialt køn og seksuelt begær og praksis (Butler 2007:46). Via førnævnte regulerende praksisser etableres en art normskabende struktur, som udformer en heteroseksuel, kulturel forståelsesmatrice, hvor manden begærer kvinden og kvinden begærer manden (Butler 2007:47). Der er med andre ord sammenhæng mellem biologisk og socialt køn og seksuelt begær. Matricens struktur er yderligere kendetegnet ved en binaritet, som udgøres af en feminin og en maskulin pol. Denne bipolaritet afstedkommer visse eksklusionspraksisser, og en konsekvens af matricens heteroseksuelle struktur er derfor, at visse identiteter ikke kan gøres forståelige og dermed ikke kan eksistere i den diskursive virkelighed. Sådanne identiteter inkluderer individer, som repræsenterer en diskontinuitet mellem seksuelle begærspraksisser, socialt og biologisk køn og betegnes i Butlers terminologi som afvigere (Butler 2007:47). Den heteroseksuelle forståelsesmatrice er præget af en fallogocentrisk struktur, hvorfor kvindeundertrykkelsen er matricens orden iboende. Som en del af Butlers undersøgelse af den genealogiske fremskrivning af en bestemt kønsontologi, eksisterer hendes emancipatoriske projekt. Den diskursive konstruktion af kønnet ud fra en heteroseksuel forståelsesmatrice er således ikke fastlåst, men rummer et forandringspotentiale, eller som Butler selv udtrykker det: ( ) muligheden for en sprængning af deres entydige selvfremstilling (Butler 2007:65). Derfor fremlægger hun også et bud på, hvordan den diskursive forståelsesramme kan! 10!

11 nedbrydes, nemlig ved en såkaldt åben koalition (Butler 2007:43). Hensigten med denne koalition er ifølge Butler at formulere en koalitionspolitik, hvor indholdet ikke på forhånd er bestemt, og hvor der derfor kan finde tvangfri dialog sted. Hermed kan der opstå forståelse og accept for afvigelse (Butler 2007:44). Selvom denne løsning ifølge Butler ikke er uproblematisk (Butler 2007:43), vil den fungere som referenceramme i den senere diskussion af Butlers teoriapparats emancipatoriske potentiale. Det centrale ved Butlers teoriapparat er, at det biologiske såvel som det sociale køn må forstås som en konstrueret størrelse. Den heteroseksuelle matrice fungerer i denne forbindelse som den instans, der danner rammerne for konstitueringen af subjektet. Dette rummer den gennemgribende på én gang feministiske og feminismekritiske kritik, som Butler bedriver, når hun ikke blot gør op med den essentialistiske forståelse af kvindekategorien men også med selve dikotomien mand og kvinde. Endvidere åbner koalitionspolitikken op for en intersektionel forståelse af individet uafhængig af mande- og kvindekategorien. Delkonklusion Efter at have redegjort for Parsons, Walby og Butlers teorier er vi blevet præsenteret for en naturgiven, en strukturel og en konstruktivistisk forklaring på kønsdifferentieringen. Både Parsons og Walby er strukturteoretisk orienteret, men hvor Parsons anser kønsdifferentieringen som funktionel, problematiserer Walby denne differentiering. Butler repræsenterer en forståelse af kønsdifferentiering som et resultat af diskursivt konstruerede praksisser. Teoretisk diskussion I følgende afsnit diskuterer vi distinktionen mellem Parsons og Walbys forståelser af kønsrollerne som henholdsvis funktionelle og problematiske. Vi vil yderligere fokusere på hvordan de forholder sig til, hvad der opretholder samfundet og, hvad der skaber ulighed. I følgende afsnit diskuterer vi kønsdifferentiering som struktur eller diskurs i henhold til Walby og Butlers teorier. Vi diskuterer herudover teoriernes intersektionelle fokus og deres emancipatoriske potentiale. Slutteligt diskuterer vi Parsons og Butlers teorier med fokus på det naturgivne over for det konstruerede.! 11!

12 Parsons og Walby Parsons forstår kønsdifferentiering som en strukturel, funktionel mekanisme, der skaber og opretholder samfundsordenen, mens Walby forstår kønsdifferentiering som produkt af en sammenvævning af det patriarkalske og det kapitalistiske system. Både Walby og Parsons forklarer således kønsdifferentiering ud fra strukturelle og institutionelle forhold, men deres teoretiske forståelser synes dog at rumme centrale forskelle. Denne diskussions fokus er kønsdifferentieringens betydning for den sociale orden samt forskelle i de to teoretiske projekter. Kønsroller funktionelle eller ulighedsskabende? Parsons opfatter rollefordelingen mellem mænd og kvinder som en naturlig følge af, at manden og kvinden har forskellige biologiske egenskaber, som muliggør, at de kan tjene forskellige funktioner. Dette er en forudsætning for samfundets opretholdelse og danner dermed ikke udgangspunkt for konflikt, men har derimod en harmoni iboende. Walby opererer ligeledes med en rollefordeling mellem mænd og kvinder, men for Walby afføder denne en dobbeltudbytning af kvinden og dermed en ulighed i livschancer. Således problematiserer Walby altså rollefordelingen mellem mænd og kvinder, idet denne snarere bidrager til øget disharmoni og ulighed frem for opretholdelse af samfundet, som Parsons argumenterer for. Disse forståelser skitserer endvidere en væsentlig dikotomi mellem konflikt og konsensus. Walby repræsenterer her konfliktperspektivet, mens Parsons står for en mere konsensusorienteret opfattelse. Disse dikotomiske opfattelser indikerer endvidere, en opfattelse af kønsrollerne som en stabiliserende faktor eller som en trussel for samfundets sociale orden. For Walby virker netop den rollefordeling, som Parsons mener sikrer samfundets orden, som en trussel for selvsamme orden, idet, hun mener, at kvindens livschancer forringes. Der kan stilles spørgsmålstegn ved, om den funktionelle rollefordeling mellem mænd og kvinder nødvendigvis bidrager til at opretholde samfundets orden samt om en ophævelse af disse ligeledes truer denne. I denne sammenhæng er det essentielt at holde sig for øje, at de to teoretikere har forskellige teoretiske ærinder, hvilket vi behandler i det følgende. Et kritisk projekt? Walby påpeger, at det faktum, at kvinden determineres til at udføre de huslige opgaver, forringer hendes livschancer. Parsons påpeger ligeledes, at kvindens funktionskreds er mere indsnævret end mandens, og at rollefordelingen mellem mand og kvinde afføder kvindens udelukkelse fra de højeste positioner i samfundet. Parsons problematiserer dog ikke dette forhold, og han! 12!

13 argumenterer netop for, at en ophævelse af en sådan konstellation mellem mand og kvinde, vil true samfundets sociale orden. Hermed tematiserer Parsons altså de begrænsede chanceligheder, hvor manden i kraft af sin rolle som medierende led mellem familie og samfund har andre og flere livschancer end kvinden. På trods af, at det ikke er Parsons projekt at frigøre kvinden, kan det dog problematiseres, at han ikke har udbytningen af kvinden for øje, som Walby netop tydeliggør. I en walbysk optik kan Parsons altså kritiseres for ikke at have blik for den ulighed, kønsdifferentiering afføder. Dog kan der stilles spørgsmålstegn ved, om Walby i for høj grad problematiserer kvindens rolle som undertrykt. Parsons beskriver netop, hvorledes kvinden i kraft af biologien har stærkere tilknytning til barnet og indtager en rolle som familiens ekspressive leder. Spørgsmålet er, om ikke dette henfører manden til en ufavorabel, sekundær position over for barnet. Der kan i den sammenhæng argumenteres for, at Walby udelukkende har blik for, hvordan kønsdifferentieringen har negative konsekvenser for kvinden, hvilket hænger sammen med hendes kritiske projekt, da hun fokuserer på strukturelle, kønnede uligheder. Både Walby og Parsons opfatter kønsdifferentieringen som en institutionel indlejring affødt af strukturelle forhold. Parsons ser det som en forudsætning for opretholdelse af samfundet, mens Walby problematiserer dette. Dette binder an til deres forskellige projekter, hvorved det fremgår, at Parsons ønsker at forklare, hvad der opretholder og muliggør samfundet, mens Walbys projekt i højere grad er kritisk. I tråd med Walbys teori har Butler ligeledes et kritisk projekt, hvilket vi diskuterer i nedenstående afsnit. Walby og Butler Walby agiterer med sin teori for en revaluering af kvindens position, hvor Butler anlægger et diskursivt, kulturelt fokus både på kvinde- og mandekategorien. Følgende afsnit har dette spændingsfelt som sit centrale omdrejningspunkt. Kønsdifferentiering struktur eller diskurs? Både Walby og Butler beskæftiger sig med mandens dominans over den undertrykte kvinde, men deres opfattelser af, hvad der konstituerer et sådant maskulint hegemoni, synes at divergere. I Walbys dualteori præsenteres vi for en teoretisk position, hvor institutionelle strukturer medfører social closure mekanismer, der til dels forårsager den kønsdifferentiering, som finder sted på arbejdsmarkedet. Hos Butler er kønsdifferentiering et resultat af en diskursiv forståelse af, hvad det vil sige at være mand og kvinde. Vi har altså at gøre med en position, der forklarer! 13!

14 kønsdifferentiering ud fra strukturelle forhold over for en forklaring af denne som et resultat af konstruerede, kulturelle forhold. Dog kan der argumenteres for, at diskurser har en strukturel funktion i forhold til de individer, de indvirker på. Begge teoretikere forstår hermed kønsdifferentieringen som et resultat af den ramme, der omgiver og virker betingende for individets livschancer. I forlængelse af ovenstående kan der identificeres en væsentlig forskel de to teorier imellem. Da Walby beskæftiger sig med de gængse kvinde- og mandekategorier, kan der argumenteres for, at hun repræsenterer en essentialistisk position i den forstand, at kønnet betragtes som havende en essens forud for gøren. Dette udgør en modstilling til Butlers ide om, at subjektiveringen af kønnet sker i gøren og altså ikke før en sådan. Desuden problematiserer Butler fastholdelsen af kvinde- og mandekategorier, da dette bidrager til diskursivt at reproducere heteronormativiteten. På dette grundlag kan det problematiseres, at Walby synes at omtale kønsuligheden i generelle kvinde- og mandekategorier. Dermed kan der argumenteres for, at hun ud fra en butlersk optik gør sig skyldig i fastholdelsen af de diskursivt konstruerede forventninger til, hvad det vil sige at være kvinde og mand. Imidlertid muliggør Walbys anvendelse af kvinde- og mandekategorierne analysen af, hvordan samspillet mellem det patriarkalske og kapitalistiske system bevirker, at der forekommer dobbeltudbytning af kvinden. Ved ikke at indgå på de gældende kønskategoriers præmisser, kan der altså argumenteres for, at en sådan analyse ikke ville være mulig, idet patriarkatet, som Walby anvender som referenceramme, netop fordrer en binær kønsopdeling. I Walbys senere værker tages imidlertid højde for, hvordan forskellige faktorer indvirker på måden, hvorpå kvinders mulighedsbetingelser konstitueres. Et intersektionelt fokus I Walbys Towards a New Theory of Patriarchy (1986) arbejder hun som nævnt med kønsdifferentiering ud fra en essentialistisk kønsopfattelse. Walby refererer altså til en stabil kønskategori, som indbefatter alle kvinder. Dette synspunkt reviderer hun i artiklen Recent Changes in Gender Relations in Employment (1997), hvor hun i højere grad anlægger et intersektionelt fokus, idet alder, etnicitet og klassetilhørsforhold tænkes som en del af kønsdifferentieringen (Walby 1997:26). Walby opererer stadig ud fra den binære kønskategori, men der kan argumenteres for, at hun har blik for intersektionalitet, når hun tager højde for forskellige faktorers indvirkning på kønsdifferentieringen. Dette synspunkt konvergerer med Butlers, som fremhæver: Hvis man er kvinde, er det næppe det eneste man er. (Butler 2007:29). Ifølge Butler er kvinden altså ikke en stabil enhedsstørrelse, men er snarere konstrueret! 14!

15 på tværs af etniske, aldersmæssige og seksuelle differentieringsakser (Butler 2007:30). Selvom Walby og Butler betragter kønskategorierne forskelligt, fastslår de altså begge, at kønsdifferentieringen er konstitueret af andre komplekse faktorer, som man må tage forbehold for i analysen af denne. Der er dog stor forskel på de to teoretikeres emancipatoriske potentiale, hvilket vi diskuterer i følgende afsnit. Emancipatorisk potentiale Walby problematiserer uligheden, og der kan argumenteres for, at der i kraft af dette tydeliggøres hvilke strukturer, der bør ændres for at modarbejde denne. Dog fremlægger Walby ikke et konkret bud på, hvordan en sådan frigørelse fra patriarkalske og kapitalistiske strukturer bør finde sted. Modsat Walby er Butler mere løsningsorienteret, da kønsopfattelsen ifølge hende ikke er fastlåst, men derimod netop står til at ændre. Det emancipatoriske potentiale består altså i Butlers problematisering af den herskende heteroseksuelle forståelsesmatrice, som subjektiverer den dominerende mand og den undertrykte kvinde. Walbys forståelse af heteronormativitet som forankret i staten rummer ligeledes kritiske elementer, men det egentligt emancipatoriske findes hos Butler. Med sin formulering af idéen om den åbne koalition som en kilde til ophævelse af de heteronormative kønsforståelser, bidrager Butler altså med et bud på, hvorledes kønsdifferentieringen kan opløses. Walby fremsætter ikke et egentligt løsningsforslag, men der kan argumenteres for, at det emancipatoriske potentiale består i at sætte fokus på de strukturer, der skaber kvindens underlegne position. Der kan altså argumenteres for, at hun med et sådant kritisk fokus lægger op til en ændring af disse strukturer. Butlers emancipatoriske potentiale består i et opgør med forståelsen af og forventningen til, hvad både kvinde- og mandekategorien indeholder. Der kan herved stilles spørgsmålstegn ved, om Butlers projekt bliver for vidtrækkende: Er det muligt at se sig helt fri for de diskursive kategorier i den åbne koalition? Der kan i denne forbindelse argumenteres for vanskeligheden ved helt at frigøre sig fra de forventninger, der knytter sig til kønskategorierne, hvilket ifølge Butler kræves for at en tvangfri, definitionsfri dialog kan finde sted (Butler 2007:44). Hermed bliver individets kønsmærkning ikke determineret af den enkeltes identitet. Desuden vil en ændring af kvindens undertrykte position kræve et opgør ikke blot med de gængse kvinde- og mandekategorier, men med hele ideen om det biologiske køn. Samtidig kan der dog argumenteres for, at en ændring af kvindens undertrykte position netop kræver en revidering af både kvinde- og mandekategorien. Der kan dog stilles spørgsmålstegn ved, om ikke en forandring af den undertrykte kvindeposition ligeledes implicerer en forandring af mandekategorien, da! 15!

16 mandekategorien netop virker determinerende for kvindens undertrykte position. Opsamlende må det dog anføres, at et fokus på både mande- og kvindekategorien virker mere plausibel, hvis man ønsker at gøre op med mandens undertrykkende karakter og dermed kvindens undertrykte position. På baggrund heraf kan der altså argumenteres for, at Butlers transformative idé indeholder et større emancipatorisk potentiale, end det er tilfældet hos Walby, som ikke har et eksplicit løsningorienteret element. Både Butler og Walby problematiserer i deres teorier kvindens undertrykte position, men de har forskellige opfattelser af, hvordan denne konstitueres. Dog inddrager de begge et intersektionelt aspekt i deres forståelse af kønskategorien. Hvor Walby søger at revaluere kvindens position, søger Butler at dekonstruere selve den binære kønsopdeling. Begge teorier rummer et emancipatorisk potentiale, som dog synes større hos Butler. Efter at have diskuteret forskellene mellem en strukturel og en diskursiv tilgang, diskuterer vi nu samme problemstilling i relation til biologiens rolle overfor det strukturelle. Parsons og Butler Parsons teoretiserer over, hvad der bidrager til at opretholde samfundet, mens Butler har et emancipatorisk sigte med sin teori. Dog er Parsons og Butler begge af den opfattelse, at kønsidentitet og identitet ses som to uadskillelige størrelser, men hvor Butler mener, at denne er konstrueret, ser vi hos Parsons nærmere en universalistisk opfattelse. Kønsroller naturgivne eller konstruerede? Som tidligere nævnt er kønsrollerne hos Parsons forankret i biologiske forhold og fremstår derfor som legitime. Dette står i diametral modsætning til det perspektiv, Butler anlægger, idet hun med sit begreb om den heteroseksuelle forståelsesmatrice netop problematiserer en opfattelse af en sådan naturgiven opdeling. Ifølge Butler er det i kraft af den diskursive konstruktion af de biologiske forhold, at kønshierarkiet konstrueres. Butler forstår ikke kønnenes roller som naturgivne, men som konstruerede, fordi den kulturelle forståelse af kønsrollerne er en direkte afledning af vedtagne biologiske forhold. Denne betragtning kan anvendes til at kritisere Parsons teori, da han ikke medtager overvejelser om, hvorvidt den biologiske binaritet i lige så høj grad kan forstås som en konstruktion og altså ikke nødvendigvis som naturgiven. Parsons anerkender dog, at kønsrollerne er socialiserede og ikke blot reproduktive, men dog ses dette i forhold til en biologisk determinerende kønsidentitet. Det er netop den determination af det sociale køn, som en! 16!

17 sådan konstruktion medfører, Butler problematiserer. Ligeledes kan der argumenteres for, at Parsons ikke har blik for det uretfærdige i det mandsdominerende hierarki i sin beskrivelse af, hvordan kernefamilien opretholdes i kraft af den kønnede arbejdsdeling og de dertilhørende roller. Manden har altså herigennem en højere status end kvinden. En sådan hierarkisering problematiserer Butler, da mænd og kvinder ifølge hende ikke er biologisk determineret til at varetage bestemte funktioner og dermed ikke kan rangordnes. Således ses en snitflade mellem Walby og Butler i forhold til den kritik, de begge synes at kunne rette mod Parsons. Både Parsons og Butler ser en kobling mellem individets køn og identitet, men hvor denne kobling hos Parsons anses for at være naturgiven og beskrives i universalistiske termer, er den hos Butler diskursivt konstrueret. I det følgende opsummerer vi de vigtigste pointer fra vores teoretiske diskussion. Opsamling på teoretisk diskussion På baggrund af de diskussioner, vi ovenfor har foretaget, tegner der sig et billede af tre forskellige teoretiske positioner. De tre teoretikere både differentieres og mødes i brændpunkterne mellem det naturgivne, det strukturelle og det diskursive. Fælles for Parsons, Walby og Butler er, at de beskæftiger sig med kønsdifferentiering. Parsons og Walby begrunder en sådan differentiering med strukturelle forhold, mens den hos Butler opfattes som værende diskursivt konstrueret. Parsons besidder et strukturfunktionalistisk syn på kønsrollerne, hvor disse er en forudsætning for samfundets opretholdelse. I modsætning hertil problematiserer både Butler og Walby disse kønsroller, og deres projekter er i modsætning til Parsons, emancipatoriske. En anden lighed mellem Butler og Walby er det intersektionelle aspekt, som klargør, at kvinden defineres ud fra flere differentieringsakser. Dog adskiller de sig i forhold til deres syn på kvindeog mandekategorierne, hvor disse ifølge Walby er essentialistiske størrelser defineret på forhånd, sker selve subjektiveringen hos Butler via diskursive praksisser. Butler og Parsons betragter begge kønsdifferentieringen i forhold til identitetsskabelsen, men hvor denne er determineret af naturgivne, biologiske forhold hos Parsons, er både kønsidentiteten og identiteten diskursivt konstrueret hos Butler. Således opererer Parsons med fast definerede kvinde-! 17!

18 og mandekategorier, hvorved han repræsenterer en universalistisk position, som står i modsætning til den intersektionelle tilgang, Butler repræsenterer. Disse forskelle og ligheder vender vi tilbage til i vores diskussion af vores empiriske resultater. Efter at have cementeret undersøgelsens teoretiske fundament, som danner udgangspunkt for vores valg af empirisk undersøgelsesfelt, opstiller vi i det følgende vores teoretiske og empiriske hypoteser. Fra teoretisk til empirisk niveau I følgende afsnit begrunder vi, hvordan vi med et teoretisk afsæt opstiller en teoretisk hypotese. Herefter følger en operationalisering af de teoretiske begreber, som vi ønsker at teste empirisk. Dette leder til en opstilling af den empiriske hypotese. Teoretisk hypotese Køn Ledelsesansvar Kvinde Lav sandsynlighed for at have ledelsesansvar Mand Høj sandsynlighed for at have ledelsesansvar! 18!

19 Operationalisering For at kunne måle ovenstående sammenhæng operationaliserer vi i følgende afsnit den teoretiske hypotese til en empirisk målbar størrelse. Operationalisering af ledelsesansvar For at måle om der eksisterer en ulighed i kønnenes muligheder for adgangen til ledelsespositioner, operationaliseres begrebet ledelsesansvar til variablen: Har du ansvar for at føre tilsyn med andre medarbejderes arbejde i dit primære job?. Variablen har to udfald: Ja og Nej, der dækker over, om man er ansvarlig for at føre tilsyn med andre medarbejdere eller ej. Ifølge arbejdsmiljølovens bekendtgørelse om arbejdsmiljø 24, består en arbejdsleders arbejde i, at lede eller føre tilsyn med arbejdet eller en del deraf på arbejdsgivernes vegne (Web2). Begrebet arbejdsleder dækker således over en forskelligartet gruppe af ledere, men vi anvender i denne undersøgelse leder som samlet betegnelse. Vi operationaliserer hermed ledelsesansvar til, om man er ansvarlig for at føre tilsyn med øvrige medarbejdere. Det skal dog anføres, at vi er opmærksomme på, at ordvalget føre tilsyn med eventuelt kan føre nogle usikkerheder med sig. Man kunne pege på, at nogle respondenter i højere grad mener, at de leder medarbejdere, end de i virkeligheden gør, hvis dette ikke er præciseret i deres ansættelseskontrakt. På trods af disse forbehold angående lederbegrebets betragteligt store semantiske felt, mener vi, at variablen er et validt mål for vores teoretiske begreb, ledelsesansvar. Operationalisering af køn I denne undersøgelse anvender vi på det teoretiske niveau betegnelsen køn. På trods af, at vi i det teoretiske afsnit har diskuteret den mulige diskrepans mellem biologisk og socialt køn, mener vi dog ikke, at der er risiko for, at respondenterne fejlfortolker svarmulighederne. Vi anvender således kønsbegrebets to kategorier Mand og Kvinde på både det teoretiske og empiriske niveau. Vi operationaliserer derfor det teoretiske begreb køn til det empiriske begreb køn, hvor begge kategorier har underkategorierne Mand og Kvinde. Empirisk hypotese Således er de teoretiske begreber ledelsesansvar og køn operationaliseret til målbare variable. Nedenfor er den empiriske hypotese opstillet.! 19!

20 Køn! Leder! Kvinde Lav sandsynlighed for at være leder Mand Høj sandsynlighed for at være leder Overvejelser vedrørende kausalitet Det kan være svært at udtale sig direkte om en kausalitet mellem vores to primærvariable, ledelsesansvar og køn. Når vi anvender statistiske tests, tester vi for en signifikant ikkeuafhængighed mellem to variable. Dette betyder imidlertid ikke, at det er sammenhængen mellem nøjagtig de to variable, der giver udslag i en ikke-uafhængighed. Der kan være andre faktorer, der kan påvirke sammenhængen, hvorfor vi kontrollerer for andre teoretisk funderede variable. Selvom der inddrages kontrolvariable, er vi dog opmærksomme på, at vi ikke kan udtale os om kausalitet eller afhængighed. Det skal dog indvendes, at når vi arbejder med sammenhængen mellem køn og sandsynligheden for at være leder, vil det være vanskeligt at spore en omvendt kausalitet. Vi kan på baggrund heraf ikke udtale os om en statistisk funderet kausalitet, men kun med hjælp af teoretiske argumentationer udtale os om kausalitet (Gujarati & Porter 2010:22). Datapræsentation Vi benytter i denne undersøgelse datasættet ESSDK6-2013, som er den del af den europæiske spørgeskemaundersøgelse European Social Survey, foretaget i Danmark i perioden Interviewene er foretaget ved besøgsinterviews. Der er benyttet en simpel tilfældig udvælgelsesmekanisme blandt alle danskere, som er cpr-registrerede og født før d Det skal i denne sammenhæng anføres, at ESSDK6 er en normal stikprøve med tilbagelægning, hvilket bevirker, at alle respondenter har den samme sandsynlighed for at blive udtrukket til hver! 20!

21 enkelt observation. Dog er ESSDK6 stratificeret, hvilket betyder, at det på forhånd er bestemt, hvor stor en andel af en bestemt gruppe, der skal figurere i strikprøven (Web3). Population, stikprøve og analyseudvalg ESS6DK er konstrueret ved en stikprøve på 2900 respondenter med et analyseudvalg på 1650 (Web3). Dette analyseudvalg udgør i denne undersøgelse vores stikprøve, da vi efterfølgende indskrænker vores analyseudvalg på sådan vis, at det stemmer overens med nøjagtig den population, vi undersøger. Dette vender vi tilbage til i nedenstående. Vi har i vores undersøgelse frasorteret de respondenter, der har svaret nej til spørgsmålet om, hvorvidt de havde betalt arbejde, da interviewet blev udført. Dette har baggrund i, at vi undersøger sandsynligheden for at være leder, hvorfor vi også har valgt at frasortere pensionister. Vi har valgt ikke at frasortere de respondenter, som er aktive på arbejdsmarkedet og samtidig har markeret kategorien uddannelse i spørgsmålet om, hvad de har lavet de sidste syv dage. Herved sikrer vi, at erhvervsaktive som har været på efteruddannelse eller på anden vis studeret sideløbende med jobbet under interviewudførelsen ikke frasorteres. Foruden dette har vi frasorteret alle respondenter, som har missing-værdier i de syv spørgsmål, vi arbejder med i undersøgelsen. Vi har yderligere valgt at begrænse vores analyseudvalg til blot at inkludere respondenter i alderen år. Dette har baggrund i, at vi formoder, at de fleste lederstillinger er besat af folk i denne aldersgruppe. Vi har valgt at fastsætte alderskategoriens øvre grænse højere end den gængse pensionsalder, 65 år, da denne har været stigende inden for de sidste 10 år (Web4). Vores endelige analyseudvalg består således af 991 danskere i alderen år, som var aktive på det danske arbejdsmarked i Den population vi ønsker at udtale os om består altså af alle danskere i alderen år, som var aktive på arbejdsmarkedet i Variabelpræsentation Følgende afsnit indeholder en præsentation af de variable, vi inddrager i undersøgelsen samt deres fordelinger. Indledningsvist præsenterer vi de to væsentligste variable med tabeller og figurer, hvorefter de resterende variable blot præsenteres i tabeller. Slutteligt i dette afsnit præsenteres og kommenteres den umiddelbare fordeling af mænd og kvinder i forhold til ledelsesansvar ud fra krydstabeller. Tabel 1: Afhængig variabel, Leder/Ikke-leder! 21!

22 Ledelsesansvar Antal Procent Ikke-leder ,08 Leder ,92 Total Figur 1: Fordelingen af Ledere/Ikke-ledere i analyseudvalget Procent 100! 90! 80! 70! 60! 50! 40! 30! 20! 10! 0! Fordelingen af ledere og ikke-ledere i analyseudvalget Ikke5leder! Leder! Leder/Ikke-leder, n: 991 Det ses af ovenstående tabeller, at der er en overvægt af ikke-ledere i analyseudvalget på omtrent 64 % mod 36 % ledere. Der er altså cirka 1/3 ledere i vores analyseudvalg. Tabel 2: Primærvariabel, køn Køn Antal Procent Kvinde ,08 Mand ,92 Total Figur 2: Fordelingen af køn i analyseudvalget! 22!

23 Kønsfordelingen i analyseudvalget 53,08% 46,92% Mænd Kvinder n: 991 Som det fremgår af ovenstående tabel og figur, udgør kvinder 53,08 %, mens mænd udgør 46,92 %. Der er således en overvægt af kvinder i analyseudvalget på 6,16 procentpoint. I de følgende præsenterer vi tabeller over fordelingen af vores kontrolvariable alder, hjemmeboende børn, mors uddannelse og geografi. Tabel 3: Kontrolvariabel, uddannelse Uddannelse Antal Procent Ikke kompetencegivende uddannelse ,96 Faglig/kort videregående uddannelse ,88 Mellemlang/lang videregående ,16 uddannelse Total Tabel 4: Kontrolvariabel, alder Alder Antal Procent , , , , , ,81! 23!

24 26 7 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,62! 24!

25 , , , , , , , , , , , , ,32 Total Tabel 5: Kontrolvariabel, hjemmeboende børn Børn i hjemmet Antal Procent Ingen børn ,29 Børn ,71 Total Tabel 6: Kontrolvariabel, mors uddannelse Uddannelse Antal Procent Ingen skolegang 18 1,82 Folkeskole klasse ,80 Folkeskole klasse 89 8,98 Gymnasiale uddannelser 26 2,62 Kort erhvervsuddannelse 74 7,47 Faglig uddannelse ,71 Kort videregående uddannelse 62 6,26 Mellemlang videregående uddannelse ,71! 25!

26 Universitetsbachelor. 1. del af kandidat 3 0,30 Lang videregående uddannelse 39 3,94 Licentiat 2 0,20 Total Tabel 7: Kontrolvariabel, geografi Geografi Antal Procent By ,15 Land ,85 Total ! I nedenstående præsenterer vi i en krydstabel, hvordan ledelsesansvar er fordelt på køn, hvilket vi efterfølgende præsenterer grafisk for at illustrere den umiddelbare sammenhæng mellem de to variable. Derefter tester vi for uafhængighed mellem de to variable for at klargøre, om den sammenhæng vi undersøger umiddelbart gør sig gældende. Tabel 8: Krydstabel over Leder/Ikke-leder og køn Mand Kvinde Total Ikke-leder Leder Total Figur 3: Leder/Ikke-leder fordelt på køn i analyseudvalget! 26!

27 Procent! 100! 90! 80! 70! 60! 50! 40! 30! 20! 10! 0! Fordelingen af ledere og ikke-ledere i analyseudvalget Leder! Ikke5leder! Mand! Kvinde! Ledelsesvariablen, n : 991 Ovenstående tabel og figur illustrerer, hvordan ledelsesansvar er fordelt på køn, når vi ikke tager højde for andre faktorer. Vi ser, at 63 % af dem, der bestrider en lederstilling er mænd, mens 37 % af lederne er kvinder. Herved antydes det altså, at mænd i højere grad bestrider lederstillinger end kvinder. Derfor antager vi, at der er sammenhæng mellem køn og ledelsesansvar. Men i det følgende tester vi ved hjælp af en!! -test for ikke-uafhængighed mellem de to variable leder og køn, og sandsynliggør dermed en sammenhæng. Jf. Bilag 2 kan vi konkludere, at der er ikkeuafhængighed mellem variablen leder og køn. Vi formoder derfor, at der kan være en signifikant sammenhæng mellem disse to variable. På baggrund heraf vil vi undersøge, hvorvidt der er forskel på mænd og kvinders sandsynlighed for at være leder. Omkodninger Vi har omkodet variablene uddannelse og geografi. Uddannelse har vi omkodet fra 11 kategorier til 3 kategorier, da vi ikke er interesseret i en nuanceret undersøgelse af hver uddannelseskategori, men dog ønsker en overordnet skelnen mellem uddannelsesniveauer. Vi har nedenfor overskueliggjort dette ved hjælp af et omkodningstræ. Figur 4: Omkodning af uddannelsesvariabel! 27!

28 Folkeskole klasse Folkeskole klasse Ikkekompetencegivende uddannelse Gymnasiale uddannelser Kort erhvervsuddannelse Faglig uddannelse Faglig/kort videregående uddannelse Kort videregående uddannelse Mellemlang videregående udd. Universitetsbachelo r Lang videregående uddannelse Mellemlang/lang videregående uddannelse Licentiat Forskeruddannelse Som omkodningstræet viser, har vi valgt at kode folkeskole og gymnasiale uddannelser sammen til kategorien Ikke-kompetencegivende uddannelse, da vi er af den opfattelse, at fælles for personer indenfor denne kategori er, at de ikke bestrider tilstrækkelige kompetencer til at indtage en lederstilling. Desuden har vi kodet Kort erhvervsuddannelse, Faglig uddannelse og Kort videregående uddannelse sammen til kategorien Faglig eller kort videregående uddannelse.! 28!

29 Argumentet herfor er, at disse uddannelser kompetencemæssigt rummer de samme muligheder for at have en lederstilling. Herudover har vi sammensat kategorien Mellemlang eller Lang videregående uddannelse ud fra kategorierne Mellemlang videregående uddannelse, Universitetsbachelor, Lang videregående, Licentiat og Forskeruddannelse. Dette bunder i, at vi formoder, at personer inden for med disse uddannelser har samme kompetencer i forhold til at bestride en lederstilling. Vi har desuden omkodet geografisk placering fra fem til to kategorier, By og Land. Dette er illustreret i nedenstående omkodningstræ. Figur 5: Omkodning af geografivariabel Storby Forstadsby By Mindre by Landsby Land Gårdområde Som omkodningstræet viser, har vi valgt at samle svarkategorierne Storby og Forstadsby i kategorien By, da vi har en formodning om, at antallet af lederstillinger i disse områder er omtrent lige store. Ligeledes har vi omkodet Mindre by, Landsby og Gårdområde til en kategori, da vi formoder, at lederstillinger i disse områder findes i samme grad. Samtidig formoder vi, at By og Land repræsenterer to områder med henholdsvis mange og få lederstillinger. Repræsentativitetstest I det følgende tester vi, om analyseudvalget er repræsentativt for populationen. Hvorvidt der er tale om repræsentativitet afgøres ved at sammenligne fordelingen af X i analyseudvalget med! 29!

30 fordelingen i populationen. Repræsentativitetstesten udføres på henholdsvis køn, uddannelse og alder, da det netop er personer indenfor disse kategorier, vi ønsker at udtale os om. I repræsentativitetstesten benytter vi data fra Danmarks Statistiks statistikbank som mål for populationens fordeling. Analyseudvalget i repræsentativitetstesen er anderledes end det analyseudvalg, som benyttes i undersøgelsen. Derfor benævnes analyseudvalget i repræsentativitetstesten Analyseudvalg 2 og når vi gennem resten af undersøgelsen udtaler os er det på baggrund af det endelige analyseudvalg. Forskellen mellem de to analyseudvalg er, at alderskategorien i Analyseudvalg 2 strækker sig fra år, mens alderen i det endelige analyseudvalg strækker sig fra år. Denne forskel eksisterer udelukkende, fordi det ikke har været muligt at finde data på populationen, som både begrænsede sig til kun at omfatte personer på arbejdsmarkedet og samtidig havde de rette alderskategorier. Vi kan derfor ikke udføre repræsentativitetstest på respondenter i alderen år. Dette er naturligvis problematisk, og vi er derfor opmærksomme på ikke at udtale os om denne kategori. Vi har dog valgt at medtage dem, da vi i en krydstabel mellem alder og lederstilling kan se, at der er 117 ledere i alderen år, som vi ønsker at medtage. Repræsentativitetstest for køn, uddannelse og alder Da køn er vores Parameter Of Interest (POI) i denne undersøgelse, er det nærliggende at teste, hvorvidt fordelingen af mænd og kvinder i Analyseudvalg 2 er repræsentativt på populationen. Vi anvender teststatistikken for Z-testen, og da køn har to udfald, mand og kvinde, følger denne en såkaldt bernoullifordeling. Dette udnytter vi i denne sammenhæng, da middelværdien for en bernoullifordelt variabel er!! = 1! + 0 1! =! (Malchow-Møller & Würtz 2010:137). Teststatistikken for sammenligning af analyseudvalgets middelværdi for kvinder,!, og populationens middelværdi for kvinder, p o, er dermed: Z = p p 0 ( p 0 ( 1 p 0 )) n (Malchow-Møller & Würtz 2010:339)! 30!

31 Desuden udnytter vi i det følgende den centrale grænseværdisætning 3, som fortæller os, at uanset hvilken fordeling observationerne i en simpel, tilfældig stikprøve følger, vil stikprøvegennemsnittet altid være approksimativt normalfordelt, hvis n er stor, med middelværdi,!, og varians,!!.!når det gælder, kan vi standardisere en stokastisk variabel ved at udregne Z til en ny stokastisk variabel med middelværdi 0 og varians 1 (Malchow-Møller & Würtz 2010:232). Vi udnytter nedenfor at observationerne følger standardnormalfordelingen når vi med en Z-test standardiserer disse. Nedenfor er en normalfordeling illustreret. Figur 6: Normalfordeling illustreret H 0 H 0 H 1 H 1 Vi fastsætter et signifikansniveau på 10 %, og gør dermed testen robust, da det således bliver sværere ikke at forkaste nulhypotesen. Da vi ønsker at undersøge, om kønsfordelingen i Analyseudvalg 2 er signifikant forskellig fra kønsfordelingen i populationen, opstiller vi en dobbeltsidet hypotese. Deraf får vi de kritiske værdier +-1,64. Overskrider vores teststørrelse disse kritiske værdier, må vi forkaste nulhypotesen. Nedenstående tabel beskriver køns fordeling i henholdsvis populationen og Analyseudvalg 2 Tabel 9: Fordelingen af køn i populationen og Analyseudvalg 2 Population Analyseudvalg 2 Frekvenser Andele Frekvenser Andele Mand , ,517 Kvinder , ,483 Total !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 3!Den centrale grænseværdisætning skrives (Malchow-Møller & Würtz 2010:232).! 2 X ~ A N( µ, σ / n)! 31!

32 p _ : Andelen af kvinder i Analyseudvalg 2 = 0,483 p 0 : Andelen af kvinder i populationen = 0,482 n: Antal observationer i Analyseudvalg 2 = 874 Opstilling af hypoteser Vores nulhypotese er, at andelen af kvinder i Analyseudvalg 2 er lig andelen af kvinder i populationen og vores alternativhypotese er, at andelen af kvinder i Analyseudvalg 2 er forskellig fra populationen, hvorfor vores hypoteser bliver følgende: H 0 : P Kvinder i populationen =P Kvinder i Analyseudvalg 2 H 1 : P Kvinder i populationen P Kvinder i Analyseudvalg 2 Vi udfører testen og får en Z-værdi på 0,05. Med et signifikansniveau på 10 % overskrider denne værdi ikke de kritiske værdier på +-1,64. Dette er illustreret nedenfor. Figur 7: Normalfordeling med Z-værdi H 0 H 0 H 1 H 1 Kritisk grænse: -1,6449 Kritisk grænse: 1,6449 Z-værdi: 0,05 Vi kan på baggrund af ovenstående ikke forkaste nulhypotesen og kan dermed konkludere, at Analyseudvalg 2 er repræsentativt på køn i forhold til populationen. Nedenfor er kønsfordelingen i population og Analyseudvalg 2 grafisk præsenteret. Figur 8: Kønsfordelingen i population og Analyseudvalg 2! 32!

33 Procent Kønsfordelingen i population og Analyseudvalg 2 Population, n: ,80 51,70 48,20 48,30 Analyseudvalg 2, n: 874 Mænd Køn Kvinder Af figuren fremgår det, at kønsfordelingen i populationen og Analyseudvalg 2 er næsten ens. I populationen udgør kvinder 51,80 %, mens andelen af kvinder i Analyseudvalg 2 udgør 51,70 %. Vi formoder på baggrund af denne repræsentativitetstest, at køn i det analyseudvalg vi benytter i undersøgelsen, ligeledes er repræsentativt. Vi har foruden køn også foretaget repræsentativitetstest på variablene uddannelse og alder, da disse variable er væsentlige for vores undersøgelse. Disse tests præsenterer vi ikke så udførligt som ovenfor, men de væsentligste resultater præsenteres herunder og i Bilag 3. Vi kan på baggrund af repræsentativitetstesten konkludere, at uddannelsesfordelingen i Analyseudvalg 2 ikke er repræsentativt for populationen. Vi ønsker yderligere at undersøge, hvilke uddannelsesgrupper, der er under- og overrepræsenterede. Som det fremgår af Bilag 3, er der underrepræsentation af kategorierne Grundskole og Erhvervsuddannelse. Omvendt er der overrepræsentation af Korte videregående uddannelser, Mellemlange videregående uddannelser, samt Lange videregående uddannelser og Forskeruddannelser. Således er kun Gymnasial uddannelse og Bachelor repræsentative for populationen. Denne markante over- og underrepræsentation af de fleste uddannelseskategorier gør at vi må tage visse forbehold når vi udtaler os om uddannelse. Nedenfor ses uddannelsesfordelingen i populationen og Analyseudvalg 2. Tabel 10: Uddannelsesfordeling i population og Analyseudvalg 2.! 33!

34 Procent Uddannelsesfordelingen i population og Analyseudvalg 2 Population, n: Analyseudvalg 2, n: 874 Uddannelse I grafen ovenfor er uddannelsesfordelingen i populationen og Analyseudvalg 2 illustreret. Det fremgår heraf, hvordan de fleste uddannelseskategoriers fordeling i Analyseudvalg 2 er skæve i forhold til populationen. For eksempel er der 22,34 % i kategorien Grundskole i populationen, mens der i Analyseudvalg 2 er 9,05 %. Vi formoder, at samme repræsentativitet gør sig gældende i det analyseudvalg vi anvender i undersøgelsen. På baggrund af repræsentativitetstesen for alder kan vi konkludere, at aldersfordelingen i Analyseudvalg 2 ikke er repræsentativt for populationen. Vi ønsker i denne sammenhæng, ligesom med uddannelse, at undersøge, hvilke aldersgrupper, der er under- og overrepræsenterede. Vi kan på baggrund af enkeltcelletesten, jf. Bilag 3, konkludere, at der er underrepræsentation af de yngre alderskategorier, 25-29, og Modsat er der overrepræsentation af de ældre alderskategorier, og Dog kan vi på baggrund af testen konkludere, at den yngste alderskategori, år, og de midterste kategorier år og år i Analyseudvalg 2 er repræsentative for populationen. I figuren nedenfor vises populationens alderskategorier i forhold til Analyseudvalg 2 s alderskategorier. Figur 9: Aldersfordelingen i population og Analyseudvalg 2! 34!

35 Procent 100 Aldersfordelingen i population og Analyseudvalg 2 80 Population, n: Analyseudvalg 2, n: Alderskategorier i år I figuren ovenfor er aldersfordelingen for populationen og Analyseudvalg 2 illustreret. Heraf fremgår det hvilke alderskategorier, der ikke er repræsentative i forhold til populationen. Overordnet kan det konkluderes, at alder i Analyseudvalg 2 ikke er repræsentativt for populationen, og at dette skyldes underrepræsentation i de yngste alderskategorier og overrepræsentation i de ældste alderskategorier. Delkonklusion Samlet set kan det konkluderes, at vores primærvariabel, køn, i Analyseudvalg 2 er repræsentativt for populationen. Derfor formoder vi, at samme repræsentativitet gør sig gældende i det endelige analyseudvalg vi benytter. Dog er hverken uddannelse eller alder i Analyseudvalg 2 repræsentative for populationen, hvorfor vi formoder, at uddannelse og alder heller ikke er repræsentative for det analyseudvalg vi benytter i undersøgelsen. Dette har afgørende betydning for validiteten af vores undersøgelse, og vi må altså tage forbehold for disse resultater når vi konkluderer på vores undersøgelse. Analysestrategi I foregående deskriptive analyse af sammenhængen mellem køn og ledelsesansvar, så vi en umiddelbar sammenhæng. Vi vil dog ikke alene undersøge, om der er sammenhæng, og da vi med den logistiske regressionsmodel kan forudsige sandsynligheden for at være leder, benytter vi hermed denne. Undervejs i regressionsanalysen tilføjer vi løbende kontrolvariable for at afsøge,! 35!

36 hvorvidt bagvedliggende faktorer er medvirkende til at forklare den umiddelbare sammenhæng, vi fandt ved den indledende deskriptive analyse. Statistik teori Logistisk model, regression og modelsøgning I dette afsnit præsenterer vi den logistiske regressionsmodel og behandler i denne sammenhæng de væsentligste forskelle mellem denne og den lineære regressionsmodel. Hermed begrunder vi ligeledes valget af den logistiske model frem for den lineære. I denne sammenhæng afklarer vi, hvordan der regresseres på den logistiske model og hvilke værktøjer, der her gøres brug af. Afslutningsvist beskriver vi, hvordan vi ved anvendelse af Likelihood-ratio-testen kan afgøre, om vi ved indførelsen af nye variable øger modellens forklaringskraft. Vi kommenterer i denne sammenhæng ikke direkte på logitværdierne, men anvender dem i udregningen af LRteststørrelsen og i udregningen af sandsynligheder samt odds-ratioværdier, som vi senere præsenterer. Hvorfor logistisk regression? Med regressionsanalysen bliver det muligt at forudsige en sammenhæng mellem en afhængig, forklaret variabel (Y) og en eller flere uafhængige, forklarende variable (X 1..X K ) (Gujarati & Porter 2010:21). Med den multiple regressionsanalyse, hvor flere forklarende variable inddrages, er det ydermere muligt at indsnævre effekten af den parameter, vi er interesserede i at undersøge effekten af, POI. I denne undersøgelse er vi interesseret i kønseffekten på sandsynligheden for at være leder alt andet lige. Dette betyder, at vi ved at holde vores kontrolvariable konstante kontrollerer de variable, vi har en teoretisk formodning om, influerer vores sammenhæng mellem Y og X. Inden for den lineære regression benyttes følgende model:!! =!! +!!!! +!! (Gujarati & Porter 2010:24) Ligningen beregner altså den gennemsnitlige værdi af den afhængige variabel, Y, i forhold til enhver værdi af den uafhængige variabel, X (Gujarati & Porter 2010:25). Leddet!! +!!!! vedrører de uafhængige variable og disses parameterestimater og betegnes ligningens systemdel.! 36!

37 b 1 og b 2 angiver parameterestimaterne eller regressionskoefficienterne. Nærmere betegnet angiver b 1 funktionens skæringspunkt med Y-aksen for X=0, mens b 2 angiver ligningens hældning, hvilket altså vil sige den gennemsnitlige ændring i Y for en enhedsændring i X. U i er ligningens støjdel eller residualled og derved den statistiske støj, som influerer på Y i, men som ikke ekspliciteres i den estimerede model (Gujarati & Porter 2010:8). Når vi beskæftiger os med den lineære regressionsmodel, vil den afhængige variabel som regel være kontinuert. I tilfælde hvor den afhængige variabel er binær, anvendes i nogle tilfælde den lineære sandsynlighedsmodel, LPM (Linear Probability Model). I vores undersøgelse arbejder vi med en sådan binær afhængig variabel, men vi vælger at benytte den logistiske regressionsmodel, idet der knytter sig en række problemer til LPM (Gujarati & Porter 2010:387). LPM kan ligesom den lineære regressionsmodel estimeres ved hjælp af metoden OLS (ordinary least squares). En fordel ved OLS er, at denne metode sikrer, at estimatorerne er BLUE, bedste lineære unbiased estimatorer. Med andre ord vil dette sige, at vores estimatorer både for regressionskoefficienterne og residualleddene har den mindst mulige varians, er efficiente, holdt op imod alle lineære, unbiased estimatorer (Gujarati & Porter 2010:497). At fejlleddenes varians er efficient vil således medføre, at de fordeler sig normalfordelt, og at vores model er homoskedastisk. LPM opfylder dog ikke OLS krav om homoskedasticitet, idet residualleddet, ligesom den uafhængige variabel, er binært (Gujarati & Porter 2010:202). Dette har den konsekvens, at vores F-tests og T-tests, som vi ville have udført hvis vi havde anvendt LPM, ville fremstå uplausible og vi ville dermed risikere at drage forkerte konklusioner, da variansen af vores fejlled ikke ville være homogen (Gujarati & Porter 2010:281). Vores estimatorer ville således ikke længere være BLUE. Det største problem ved LPM er, at den går ud fra, at sandsynligheden for, at Y finder sted, øges lineært med de forklarende, uafhængige variable (Gujarati & Porter 2010:388). Den logistiske model er derimod konstrueret således, at den afhængige variabel Y kun kan antage to værdier, 0 og 1, hvor 1 angiver tilstedeværelsen af et givent karaktertræk, for eksempel at være kvinde, gift eller have børn, mens 0 omvendt repræsenterer fraværet af et sådant (Gujarati & Porter 2010:386). Med den logistiske model kan vi således udregne sandsynligheden for Y=1, når X=x (Geerdsen 2013a:1). For LPM med en binær afhængig variabel vil udfaldsrummet også være 0;1, såfremt vi udelukkende arbejder med dummier. I denne undersøgelse arbejder vi dog med en kontinuert kontrolvariabel, alder, og da vi således med den lineære model risikerer at få værdier, som ligger uden for udfaldsrummet, 0;1 - idet alle X er i den lineære regressionsmodel påvirker Y lineært - vælger vi at anvende den logistiske model (Geerdsen 2013a:5;Gujarati & Porter 2010:201f). Med denne kan vi nemlig sikre os, at udfaldsrummet er mellem 0 og 1.! 37!

38 På baggrund af ovenstående er det altså problematisk at anvende OLS og derved LPM, hvorfor vi vælger den logistiske regressionsmodel. Den metode, vi her anvender til at estimere vores model, kaldes Maximum Likelihood-metoden og vi vil i det følgende redegøre for denne. Maximum Likelihood Den model, vi bruger til at estimere vores sammenhæng, ser ud som følger: exp!(!! +!!!)!! = 1 =! 1 + exp!(!! +!!!) (Geerdsen 2013a:2) Med ovenstående ligning, som angiver den logistiske regressionsmodel, kan vi sikre os, at resultatet af ligningens højreside altid vil ligge mellem 0 og 1, hvorved det bliver muligt for os at fortolke resultatet som sandsynligheder (Geerdsen 2013a:2). Med Maximum Likelihood metoden ønsker vi at beregne de parameterværdier, B 1 og B 2, ( ) der gør sandsynligheden for de observerede data så stor som muligt (Kreiner 2007:427). Hertil udnytter vi, at vi kender alle vores respondenters X-værdier, som er enten binære eller kontinuerte, og deres Y-værdier, som er enten 0 eller 1, da vores afhængige variabel er binær (Geerdsen 2013a:6). Formålet med at bruge Maksimum Likelihood Metoden er at estimere det b 1 og b 2, som på samme tid giver en høj sandsynlighed for Y=1 for respondenter, som har Y=1 og samtidig en lav sandsynlighed for Y=1 for respondenter som har Y=0. Hermed vil vi netop kunne finde sammenhængen mellem X og sandsynligheden for Y=1 (Geerdsen 2013a:6). For respondenter med Y=0 ønsker vi altså, at vores model forudsiger sandsynligheden for Y=0 ud fra, at denne er så tæt på 1 som muligt, da dette netop vil være udtryk for, at sandsynligheden for at have Y=0 er lig 1 for de folk, der rent faktisk har Y=0. På samme måde ønsker vi at maksimere sandsynligheden for Y=1 for respondenter, der rent faktisk har Y=1. Det vil med andre ord sige, at vi ønsker at arbejde med en model, hvor P(Y=1) er så tæt på 1 som muligt. Ovenstående kan udtrykkes ud fra følgende udtryk:!! = 0 = 1!! = 1 = 1 exp!! +!!! 1 + exp!! +!!! = 1 + exp!! +!!! = 1! 38!

39 (Geerdsen 2013a:7) Som nævnt ved vi, hvilke respondenter, der har Y=0 og hvilke, der har Y=1. Det vil med andre ord sige den simultane sandsynlighed for gruppen af respondenter med Y=1 og gruppen med Y=0, altså P(Y). I tilfælde hvor respondenterne ikke påvirker hinanden, angiver den simultane sandsynlighed for hvert individ i datasættet, produktet af disse. Således kan vi skrive:!! = exp!! +!!! 1 + exp!(!! +!!!)!!! (1 exp!! +!!! 1 + exp!! +!!! )!!! (Geerdsen 2013a:7) Dette betegner altså den simultane sandsynlighed for P=Y for alle de respondenter der har Y=1 og Y=0. Herudfra er de bedste parametre (b 1 og b 2 ) altså de parametre, som maksimerer udtrykket, og sikrer, at dette er så tæt på 1 som muligt. Likelihooden er således den simultane sandsynlighed for alle individer i datasættet, som har henholdsvis Y=0 og Y=1. Likelihooden vil altid ligge mellem 0 og 1 og stige i takt med antallet af X er, som kan forklare en del af variationen i Y. Af denne årsag undersøger vi i modelsøgningen størrelsen på Likelihooden, når vi tester, om vores kontrolvariable tilfører modellen større eller mindre forklaringskraft. Den binære afhængige variabel, vi arbejder med i logistisk regression, er dummykonstrueret. Dette vil sige, at det ene af vores udfald (P(Y=0)) udgør en referencekategori. Hermed får den dummykategori, der betragtes, værdien 1, mens de resterende får værdien 0 (Gujarati & Porter 2010:179). Ved at udvælge en referencekategori undgår vi at gå i dummyfælden, hvormed vi ellers ville arbejde med ét parameter for meget i modellen. En referencekategori vil betegne den kategori, som vi beslutter at gøre til b 1. Det er i forhold til denne kategori, at vi sammenligner andre kategorier (Gujarati & Porter 2010:183). Vi beregner altså sandsynligheden for Y=1 i forhold til vores referencekategori med udgangspunkt i likelihood-princippet. Vores parameterestimater er altså ikke længere lineære, og kan ikke tolkes hverken som skæringspunktet eller som hældningen. I den logistiske model udtrykker estimatet b 1 logitværdien af Y for en bestemt kombination af de uafhængige variable, mens b erne udtrykker! 39!

40 forskelle i logitværdier mellem de uafhængige variables værdier (Kreiner 2007:416). Vi kan ud fra disse logitværdier udtale os om retningen på estimaterne; et positivt fortegn foran b 2 medfører, at sandsynligheden for Y=1 er større end for vores referencekategori, mens et negativt fortegn angiver en mindre sandsynlighed (Geerdsen 2013:L1:2). Hvor meget større eller mindre denne er, kan vi dog ikke udtale os om blot ved at se på parametrenes logitværdier. I det følgende anvender vi ovenstående betragtninger og præsenterer Likelihood-ratioteststatistikken, som vi anvender i modelsøgningen. Likelihood-ratio-test Likelihood-ratio-testet anvendes til at afgøre, om vi ved indførelse af en eller flere forklarende variable fra en model til en anden tilfører signifikant mere forklaringskraft. De to modeller har hver deres likelihood-værdi, som angiver, hvor god modellen er til at forklare variationen i Y. De to modeller kunne eksempelvis se sådan ud: Model 1:!! = 1 =!"#!(!!!!!!! )!!!"#!(!!!!!!! ) Model 2:!! = 1 =!"#!(!!!!!!!!!!!! )!!!"#!(!!!!!!!!!!!! ) Forskellen på Model 1 og Model 2 er, at vi i Model 2 tilføjer x 3. Herefter vil vi kunne estimere de to modeller således, at vi får to likelihood-værdier. Jo bedre en model er til at forklare variationen i Y, jo tættere vil dens likelihood-værdi være på 1. Dermed bør likelihood-værdien for Model 2 i dette tilfælde være større end likelihood-værdien for Model 1. Opgaven bliver nu at teste, hvorvidt den forskel vi formoder, der er imellem de to likelihood-værdier er tilstrækkeligt stor til at vi kan konkludere, såfremt x 3. tilfører modellen mere forklaringskraft. Dette medfører at Model 2 er bedre end Model 1 til at forklare variationen i Y (Geerdsen 2013c:1). Vi anvender i denne Likelihoodratio-test nedenstående teststatistik:!! = 2 ln!!"#.!!"#$ = 2!"!!"#.!"!!"#$ 2!"!!"#$ 2!"!!"#. =! 2!"!!"#. ( 2!"!!"#$ ) (Geerdsen 2013c:2)! 40!

41 Den reducerede model udgøres i ovenstående eksempel af Model 1, hvor den fulde model udgøres af Model 2. En forskel på de to modellers likelihood er uundgåelig, da der næsten altid vil være tale om stikprøvestøj. For at afgøre, om forskellen i de to modellers likelihood-værdier, som er givet ved teststørrelsen G 2, er tilstrækkelig stor til blot at kunne skyldes stikprøvestøj, anvender vi! 2 -fordelingen med antal frihedsgrader givet ved det antal parametre, man tilføjer (Geerdsen 2013c:2).! 2 -fordelingen-fordelingen anvendes i denne sammenhæng, da teststørrelserne, G 2 og! 2, er asymptotisk ækvivalente, hvormed der forstås, at forskellen mellem de to mindskes jo flere respondenter, der er tale om. G 2 er desuden defineret ved et værdiområde indeholdende ikkenegative tal, nøjagtigt som det er tilfældet med! 2, hvorfor de kritiske værdier og signifikansniveauer fastsættes på samme vis for de to teststørrelser (Kreiner 2007:256). På baggrund af ovenstående teststatistik kan følgende hypoteser opstilles: H! :!! = 0 H 1 :! 0 Da vi i dette tilfælde ville tilføje en parameter til modellen, fastsættes den kritiske værdi med 1 frihedsgrad og et 5 % signifikansniveau til 3,84. Denne teststatistik anvender vi i den følgende modelsøgning, hvor vi søger efter den model med mest forklaringskraft i forhold til variationen i Y. Vi kunne have anvendt Wald-testen, men da denne tester det samme som Likelihood-ratio-testet - dog uden at vi ville være nødt til at estimere to modeller - vælger vi at benytte Likelihood-ratio-teste (Geerdsen 2013c:3). I det følgende tester vi løbende forskellen mellem modellernes likelihood for at afgøre, hvorvidt de restriktioner vi tilfører modellen, tilfører den signifikant mere forklaringskraft. Med de statistiske værktøjer vi netop har præsenteret, påbegynder vi nu vores modelsøgning. Statistisk analyse For at afdække vores empiriske hypotese om, at kvinder har lavere sandsynlighed end mænd for at være leder, anvender vi forlæns modelsøgning, hvor vi løbende tilfører kontrolvariable, der kan give os den isolerede effekt af sammenhængen mellem køn og sandsynligheden for at være! 41!

42 leder. Vi vil løbende foretage Likelihood-ratio-tests mellem vores modeller for derved at teste, om forklaringskraften øges, når der tilføjes ekstra variable. Modelsøgning I følgende afsnit foretager vi en modelsøgning ved løbende at tilføje kontrolvariable for at rense effekten af kønnets betydning for sandsynligheden for at være leder. Formålet er således at finde frem til den model, der bedst forudsiger sammenhængen mellem køn og sandsynligheden for at være leder. Vores startmodel ser ud som følger og inkluderer blot en uafhængig variabel, køn: Model A ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& Denne model beskriver altså sandsynligheden for at være leder betinget på køn. For at teste, hvorvidt køn indvirker signifikant på sandsynligheden for at være leder, tester vi i nedenstående afsnit den såkaldte tomme model mod Model A, da vi således kan teste, om køn overhovedet forklarer noget af variationen i Y. Til dette anvender vi LR-testen, idet denne estimerer en komplet og en begrænset model, og vi kan således teste, om der tilføres øget forklaringskraft (Geerdsen 2013c:1). Vi opstiller derfor følgende hypoteser: H! :!!!"#$%& = 0 H 1 :!!"#$%& 0 Vi får!! -værdien 20,57, og da den kritiske værdi ved et 5 % signifikansniveau og 1 frihedsgrad er 3,84, kan vi konkludere, at de to modellers likelihoods er signifikant forskellige, og vi forkaster dermed vores nulhypotese. Model A forklarer altså signifikant mere end den tomme model, og vi fortsætter vores modelsøgning. I de følgende afsnit tilføjer vi kontrolvariable til Model A for at isolere kønseffekten på sandsynligheden for at være leder. Således kan vi teste, hvorvidt andre faktorer påvirker! 42!

43 sammenhængen mellem POI og vores afhængige variabel. Nedenfor opstiller vi Model B, hvor vi tilføjer variablen uddannelse. Vi kan herved holde uddannelse konstant, således at denne variabel ikke tilfører modellen unødvendig støj. Model B I Model B tilføjer vi uddannelsesvariablen, da vi har en formodning om, at uddannelse kan påvirke sandsynligheden for at være leder. Hermed formoder vi, at jo længere uddannelse man har, jo højere sandsynlighed har man for at være leder. Vi indfører uddannelsesvariablen i tre dummy-constructs. hvor vi udelader dummyen Ikke-kompetencegivende uddannelse, som således udgør vores referencekategori. Ved at holde uddannelsesvariablen konstant kan vi indsnævre sammenhængen mellem køn og sandsynligheden for at være leder. Model B ser ud som følger: ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& +!!!"#$%#!!""!#!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!!"##"!#$%&!!""!#!!"#$!!"#$%$&å!"#!!!""#$$%&'% Vi likelihood-ratio-tester nu Model A mod Model B for herved at undersøge, om de enkelte uddannelseskategorier b 3 og b 4 tilføjer modellen signifikant større forklaringskraft. Vi opstiller derfor følgende hypoteser: H! :!!!"#$%#!!""!#!!"#$!!"#$%$&å!"#!!!""#$$%&'% =!!"##"!#$%&!!""!#!!"#$!!"#$%$&å!"#!!!""#$$%&'% = 0!!:!!"#$%&!é!!!"!!"#"$%&#%'%!!"!!"#$%&''()!!"#!!"# Vi får en!! -værdi på 13,10. Med et signifikansniveau på 5 % og 3 frihedsgrader får vi en kritisk værdi på 7,81 og må derfor forkaste vores nulhypotese om, at uddannelse ikke tilfører modellen øget forklaringskraft. Vi kan altså konkludere, at de to modellers forklaringskraft er signifikant forskellige, og at Model B besidder større forklaringskraft end Model A. Model C I Model C tilføjer vi alder. Dette gør vi ud fra en teoretisk formodning om, at alder har en betydning for sandsynligheden for at være leder. De evner og erfaringer, der kvalificerer den! 43!

44 enkelte til lederansvar, vil oftest akkumuleres over tid, hvorfor vi formoder, at alder kan have en positiv indvirkning på sandsynligheden for at være leder. Vi udfører en Likelihood-ratio-test mellem de to modeller for at teste, om alder forklarer noget af variationen i Y. Hypoteserne bliver altså som følger: H! :!!!"#$% = 0 H 1 :!!"#$% 0 ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& +!!!"#$%#!!""!#!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!!"##"!#$%&!!"!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!"#$% Med et signifikansniveau på 5 % og 1 frihedsgrad er vores kritiske værdi 3,84. Vi får ud fra ovenstående en!! -værdi på 6,18, og vi kan således ikke forkaste vores nulhypotese om, at de to modeller er ens. Det kan dermed konkluderes, at Model C har signifikant større forklaringskraft end Model B. Vi fortsætter derfor vores modelsøgning. Model D Vi har endvidere en teoretisk formodning om, at hjemmeboende børn påvirker sandsynligheden for at være leder. En sådan formodning bunder i, at den tid, der som oftest må afsættes til børneopdragelse og omsorg, vil gå fra tiden til at oparbejde kompetencer og erfaringer, der kvalificerer til lederansvar. Personer uden hjemmeboende børn er formentlig mere fleksible og stabile, og dermed fordelagtige for en arbejdsplads. Vi opstiller følgende hypoteser: H! :!! h!"##"$%"&'"!!ø!" = 0 H 1 :!!!"##"$%"&'"!!ø!" 0 Model D bliver som følger:! 44!

45 ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& +!!!"#$%#!!""!#!!"#$!!"#$%$&å!"#!!!""#$!"#! +!!!!"##"!#$%&!!"!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!"#$% +!!! ℎ!"##"$%"&'"!!ø!" Igen har vi et signifikansniveau på 5 %, 1 frihedsgrad og en kritisk værdi på 3,84.Vi får en!! værdi på 9,71. Vi må derfor forkaste nulhypotesen om, at Model C og Model D s forklaringskraft er ens og kan dermed at konkludere, at Model D forklarer signifikant mere end Model C. Dermed tilfører hjemmeboende børn signifikant større forklaringskraft til modellen. Model E I Model E tester vi, hvorvidt mors uddannelse har en effekt på sandsynligheden for at være leder, idet vi har en teoretisk formodning om, at social arv, indvirker på den enkeltes livschancer og dermed kompetencer på arbejdsmarkedet. Hypoteserne bliver altså som følger: H! :!!!"#$!!""#$$%&'% = 0 H1:!!"#$!!""#$$%&'% 0 Model E ser således ud: ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& +!!!"#$%#!!"!!"#$!!"#!"#å!"#!!!""#$$%&'% +!!!!"##"!#$%&!!"!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!"#$% +!!! ℎ!"##"$%"&'"!!ø!" +!!!!"#$!!""#$$%&'% Vi får en teststørrelse på 0,07, og med et signifikansniveau på 5 %, 1 frihedsgrad og en kritisk værdi på 3,84, kan vi ikke forkaste vores nulhypotese. Mors uddannelse tilfører altså ikke modellen signifikant større forklaringskraft. Vi medtager derfor ikke mors uddannelse i vores slutmodel. Vi vælger imidlertid at fortsætte modelsøgningen, da vi ønsker at teste for endnu en kontrolvariabel.! 45!

46 Model F Vi har en teoretisk formodning om, at geografisk placering påvirker sandsynligheden for at være leder. Vi formoder således, at sandsynligheden for at være leder er større for folk, der bor i store byer, da der i større byer udbydes flere lederjobs. Vi vælger på baggrund heraf at kontrollere for geografisk placering. Vi opstiller derfor følgende hypoteser: H! :!!!" = 0 H 1 :!!" 0 Model F ser ud som følger: ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& +!!!"#$%#!!"!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!!"##"!#$%&!!"!!"#$!!"#$%$&å!"#!!!""#$$%&' +!!!"#$% +!!! h!"##"$%"&'"!!ø!" +!!!!" Vi får en teststørrelse på 0,01, og med et signifikansniveau på 5 %, 1 frihedsgrad og en kritisk værdi på 3,84, kan vi ikke forkaste vores nulhypotese, hvilket vil sige, at geografisk placering ikke har signifikant effekt på sandsynligheden for at være leder. Vi medtager derfor heller ikke geografisk placering i vores slutmodel. Nedenfor ses en oversigt over!! -fordelingen med den kritiske værdi 3,84 og teststørrelser for Model A, C, D, E og F. Ligeledes vises!! -fordelingen med den kritiske værdi 7,81 og teststørrelsen for Model B. Figur 11:!! -fordelingen for Model A, C, D, E og F Figur 12:!! -fordelingen for Model B! 46!

47 H 0 H 1 Kritisk værdi: 3,84 Model F Model E Model C Model D Model A H 0 H 1 0,01 0,07 6,18 9,71 20,57 Af ovenstående figurer ses det, hvordan teststørrelserne for Model E og Model F lander i H 0 -rummet og dermed ikke medtages i den endelige slutmodel. Kritisk værdi: 7,81 Model B 13,10 Vi har nu været igennem en modelsøgning for at finde frem til den model, der bedst forudsiger kønnets effekt på sandsynligheden for at være leder. Vi har kontrolleret for de kontrolvariable, som vi har en teoretisk formodning om, påvirker sammenhængen mellem køn og sandsynligheden for at være leder. Gennem modelsøgningen testede vi Model A for effekten af uddannelse, alder, hjemmeboende børn, mors uddannelse samt geografisk placering. Både uddannelse, alder og hjemmeboende børn viste sig at tilføre modellen signifikant bedre forklaringskraft. Imidlertid tilførte mors uddannelse og geografisk placering ikke modellen signifikant større forklaringskraft. Således bliver Model D vores slutmodel, der ser ud som følger: ln!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%& +!!!"#$%#!!"!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!!"##"!#$%&!!"!!"#$!!"#$%$&å!"#!!!""#$$%&'% +!!!"#$% +!!! h!""!#$!%&!!!ø!" Modeltrap pe Af nedenstående tabel ses opbygningen af vores modelsøgning. Tabel 11: Modeltrappe Parameter estimat Model A Model B Model C Model D Model E Std.fejl Parameter estimat Std.fejl Parameter estimat Std.fejl Parameter estimat Std.fejl Parameter estimat! 47!

48 Køn -0,608*** 0,135-0,667*** 0,139-0,653*** 0,140-0,659*** 0,140-0,657*** Faglig/kort 0,541*** 0,201 0,484** 0,203 0,410** 0,206 0,408** videregående uddannelse Mellemlang/lan 0,717*** 0,204 0,656*** 0,206 0,556*** 0,209 0,540** g videregående uddannelse Alder 0,013** 0,005 0,018*** 0,006 0,018*** Hjemmeboend e børn Mors uddannelse By 0,443*** 0,143 0,443*** Konstantled -0,307*** 0,088-0,803*** 0,179-1,389*** 0,300-1,749*** 0,333-1,805*** Observationer P 0,000 0,000 0,000 0,000 0,000 Pseudo R 2 0,016 0,026 0,031 0,038 0,038 LRteststørrelse 20,57, df=1 13,10, df=3 6,18, df=1 9,71, df=1 0,07, df= Note: *** p<0.01, ** p<0.05, *p<0.10 Referencekategorier: 0-årig mand, ikke-kompetencegivende uddannelse, ingen hjemmeboende børn og landområde 0,009 Af ovenstående modeltrappe ses udviklingen fra Model A til Model F. I det følgende vil vi tolke på parameterestimaterne for slutmodel D. Som tidligere nævnt er det ikke muligt at udtale sig om styrken af sammenhængen i vores logistiske undersøgelse ud fra parameterestimaterne i de logistiske regressionsmodeller, ligesom det ikke er meningsfuldt at tolke på konstantleddet. Vi kan dog udtale os om retningen på vores sammenhæng, hvilket vi vil gøre i det følgende. Som det fremgår af modeltrappen ovenfor er parameterestimatet for kvinde i vores slutmodel negativt, -0,659, ved et signifikansniveau på 1 %. Det negative fortegn betyder, at kvinder har lavere sandsynlighed for at være leder end mænd, når effekten af uddannelse, alder og hjemmeboende børn holdes konstant. Kvinder har altså, alt andet lige, lavere sandsynlighed for at være leder end mænd. Parameterestimaterne for uddannelsesdummierne er positivt - for Faglig eller kort videregående uddannelse er parameterestimatet 0,410, ved et signifikansniveau på 5 % og for Mellemlang eller Lang videregående uddannelse er parameterestimatet 0,556 ved et signifikansniveau på 1 %, - hvilket vil sige, at sandsynligheden for at blive leder stiger når uddannelsesniveauet stiger, hvilket rent teoretisk ikke er overraskende.! 48!

49 Parameterestimatet for alder er tilmed positivt, 0,018 ved et 1 % signifikansniveau, hvilket vil sige, at sandsynligheden for at være leder, ikke overraskende, stiger med alderen. Parameterestimatet for hjemmeboende børn er ligeledes positivt, 0,443 ved et signifikansniveau på 1 %, hvilket vil sige, at sandsynligheden for at være leder, når man har hjemmeboende børn, overraskende nok, stiger. Der er altså ifølge vores undersøgelse en positiv sammenhæng mellem sandsynligheden for at være leder og dét at have hjemmeboende børn. Da vi nu har tolket på selve parameterestimaterne, vil vi omregne vores logitværdier fra slutmodellen til sandsynligheder og oddsratioværdier, for dermed at kunne tolke størrelsen på sammenhængen mellem sandsynligheden for at være leder og køn. Men inden da kontrollerer vi robustheden af vores slutmodel. Modelkontrol Efter at have fundet frem til den rensede effekt af sandsynligheden for at være leder i forhold til køn kontrollerer vi i følgende afsnit robustheden af vores model, hvilket med andre ord, hvor god den er til at forudsige de faktiske sandsynligheder for at være leder. Vi foretager derfor i det følgende en grupperet residualanalyse på køn og uddannelse og kontrollerer vores variable for multikollinearitet. Grupperet residualanalyse I det følgende afsnit kontrollerer og diskuterer vi, om vores model er tilstrækkelig robust og dermed om den er troværdig. I denne sammenhæng anvender vi grupperesidualerne, det vil sige den gennemsnitlige differens mellem den observerede og den forventede værdi af ledervariablen delt med antal observationer, n (Kreiner 2007:529). I og med, at vi arbejder med sandsynligheder for en gruppe, gruppen med Y=1, er residualerne grupperet. Derfor anvender vi i det følgende grupperet residualanalyse for at vurdere, hvor god vores model er til at forudsige P(Y=1) for en bestemt gruppe, gruppen med Y=1, i vores analyseudvalg. Residualet beregnes ud fra følgende formel: residual = 1 n i (Y i π ) (Geerdsen 2013c:8)! 49!

50 Her angiver Y i den enkelte respondents faktiske Y-værdi, det vil altså sige den observerede værdi, som enten er 0 eller 1, afhængig af om respondenten er leder eller ej, mens angiver den forventede værdi, det vil altså sige den sandsynlighed for Y=1 som modellen forudsiger (Kreiner 2007:529). π i Som det fremgår af den centrale grænseværdisætning, vil et gennemsnit, der deles med et stort antal observationer fordele sig normalfordelt omkring nul med middelværdi!!og variansen! (!!!)!. Det vil altså sige variationen mellem den faktiske og den forventede værdi delt med antal observationer (Geerdsen 2013c:9). Deraf følger, at den standardiserede residualværdi vil fordele sig approximativt standardnormalfordelt med middelværdien 0 og varians 1 (Geerdsen 2013c:9). Ved at standardisere får vi således en Z-værdi, og på baggrund heraf kan vi udtale os om, hvorvidt vi befinder os inden for de kritiske grænser eller ej. For at kunne udtale os om, hvorvidt teststørrelsen er et udtryk for, om modellen er robust eller ej, er det altså nødvendigt at standardisere residualerne. Vi arbejder i denne forbindelse med et 5 % signifikansniveau og kritiske værdier på +/-1,96. Vi anvender følgende formel til standardisering: Z residualer = n residual π (1 π ) (Kreiner 2007:350) Hvis Z-værdien overskrider den kritiske grænse, er det udtryk for, at den sandsynlighed for Y=1, som vores model forudsiger er signifikant forskellig fra den faktiske sandsynlighed, og at der derfor er tale om enten over- eller underestimation af forskellige grupper i data. I denne opgave laver vi en residualanalyse af vores POI, køn, for derved at teste om den forventede sandsynlighed stemmer overens med den faktiske sandsynlighed for at være leder. Derudover laver vi residualanalyse af vores uddannelsesvariabel. Ved at foretage residualanalyse på denne variabel, kan vi teste, om vi over- eller underestimerer nogle af kategorierne. Residualanalyse af køn I det følgende foretager vi grupperet residualanalyse af kønskategorien, for derved at teste, hvor god vores model er til at forudsige den faktiske sandsynlighed for Y=1.! 50!

51 I det nedenstående opstiller vi hypoteser: H 0 : -1,96 <Z < 1,96 H 1 : -1,96 >Z >1,96 Er Z-værdien større end 1,96 er det udtryk for, at gruppens sandsynlighed er signifikant underestimeret, fordi den faktiske sandsynlighed er højere end den sandsynlighed, som modellen forudsiger. Er Z-værdien omvendt mindre end -1,96 er det udtryk for, at gruppens sandsynlighed er signifikant overestimeret, idet den faktiske sandsynlighed er lavere end den sandsynlighed, som modellen forudsiger (Geerdsen 2013c:9). Altså er (Y i - )=0 det optimale resultat, da vi således har gode indikatorer for, at modellen er robust. På baggrund af dette opstiller vi følgende hypoteser: π i Tabel 12: Residualanalyse på køn Køn Z-værdi Mand -0,0861 Kvinde 0,1452 Med en Z-værdi for kvinder på 0,1452 og en Z-værdi for mænd på -0,0861 kan vi altså ikke forkaste vores nulhypotese. Modellens prediktioner, den forventede sandsynlighed for at være leder, er altså ikke signifikant forskellig fra den faktiske sandsynlighed herfor, og vi kan på baggrund heraf konkludere, at vi ikke fejlestimerer mænd og kvinders sandsynlighed for at være leder. Residualanalyse af uddannelseskategorier Som det fremgår af omkodningsafsnittet, har vi omkodet vores uddannelsesvariabel til 3 kategorier. Med residualanalysen tester vi i det følgende, om vi under- eller overestimerer disse kategorier. Med et signifikansniveau på 5 % og kritiske værdier på +-1,96 opstiller vi følgende hypoteser: H 0 : -1,96 >Z < 1,96 H 1 : -1,96 < Z >1,96! 51!

52 Tabel 13: Residualanalyse på uddannelseskategorier Uddannelseskategorier Z-værdier Ikke-kompetencegivende 0,0911 Faglig/kort videregående uddannelse 0,0765 Mellemlang/lang videregående uddannelse -0,0813 Det ses altså, at samtlige vores tre uddannelseskategorier har en Z-værdi, som ligger mellem -1,96 og 1,96. Vi kan dermed ikke forkaste vores nulhypotese, og det må konkluderes, at vi hverken under- eller overestimerer uddannelseskategorierne. Multikollinearitet Multikollinearitet betyder, at en eller flere af de uafhængige variable i en multipel regression forklarer det samme. I praksis forekommer perfekt multikollinearitet - altså hvor en af de uafhængige variable kan beskrives som en eksakt lineær funktion af en anden - meget sjældent, men dette vil medføre, at modellen ikke kan skelne mellem de korrelerende variable. Der er dog næsten altid en eller anden form for korrelation mellem X erne (Gujarati & Porter 2010:248). Det er et vilkår, når man arbejder med en stikprøve, at variablene hænger sammen på en eller anden vis, men dette vil sige, at multikollinearitet er stikprøvespecifik (Gujarati & Porter 2010:254). Når uafhængige variable korrelerer begynder parameterestimaterne for de givne variable at ændre sig uventet, standardfejlene stiger og z-værdierne bliver insignifikante (Gujarati & Porter 2010:252). Det er derfor nødvendigt at være opmærksom på graden af multikollinearitet. Umiddelbart ser det ikke ud til, at vi har problemer med korrelation mellem variablene, hvis dette vurderes ud fra parameterestimaterne, standardfejlene og Z-værdierne i vores model da disse jf. modeltrappen ikke opfører sig ustabilt i modelsøgningen. Men da man i kvantitativ metode ikke slipper udenom, om korrelation mener vi alligevel, at det er værd at teste for graden af denne mellem de uafhængige variable i vores slutmodel. Der findes en række forskellige metoder og indikatorer for multikollinearitet, men vi gør brug af en såkaldt korrelationsmatrice som Gujarati & Porter foreslår (Gujarati & Porter 2010:253ff).! 52!

53 Korrelationsmatrice Nedenfor tjekkes den parvise korrelation mellem de uafhængige variable i modellen. Korrelationskoefficienten vil variere mellem 0 og 1, hvor 0 er ingen samvariation og 1 er perfekt positiv samvariation (Gujarati & Porter 2010:127). Koefficienten vil altså ikke være signifikant forskellig fra 0, hvis der ikke er eksakt multikollinearitet (Gujarati & Porter 2010:255). Tabel 13: Korrelationsmatrix over uafhængige variable Korrelationsmatrix Kvinde Faglig eller kort videregående uddannelse Mellemlang eller lang videregående uddannelse Alder Kvinde 1,0000 Faglig eller kort -0,1382 1,0000 videregående uddannelse Mellemlang eller 0,1784-0,6954 1,0000 lang videregående uddannelse Alder -0,0446 0,0572 0,0594 1,0000 Hjemmeboende 0,0343-0,0029 0, børn 0,2041 Hjemmeboe nde børn 1,0000 I korrelationsmatricen ovenfor ses det, at ingen af korrelationskoefficienterne er tæt på 1 eller -1. Ud fra tommelfingerreglen om, at korrelationer på mere end 0,8 og mindre end -0,8 er problematiske, ser det umiddelbart ikke ud som om, vores model lider af mulitkollinearitet. De højeste koefficienter er mellem alder og børn (-0,2041). Samlet set kan vi konkludere, at der er multikollinearitet til stede, og at dette vil være svært at undgå. Men for det første har vi ikke umiddelbart nogen teoretisk formodning om, at der er stærk korrelation mellem vores variable. Og for det andet er der ingen uventede ændringer i parameterestimaterne, standardfejlene eller Z-værdierne i vores slutmodel. Desuden viste korrelationsmatricen ingen stærk multikollinearitet, da koefficienterne er signifikant forskellige fra nul men ikke tæt på 1. Korrelationen mellem variablene er altså ikke så store, at det er problematisk for vores undersøgelse.! 53!

54 Delkonklusion på modelkontrol Efter at have kontrolleret robustheden af vores slutmodel, kan det konkluderes, at de forudsagte sandsynligheder på det nærmeste stemmer overens med de faktiske sandsynligheder for at være leder, og vores model er derfor i høj grad robust. I det følgende vil vi påbegynde tolkningen af de parameterestimater, vi har fundet frem til via vores modelsøgning. Omregninger til sandsynligheder og oddsratioværdier Dette afsnit indeholder omregninger fra logitværdier til sandsynligheder samt udregninger fra sandsynligheder til oddsratioværdier. I det følgende omregner vi hermed estimaterne fra vores slutmodel, inden vi præsenterer dem endeligt. Sandsynligheder for slutmodellen I det følgende udregner vi sandsynligheden for at være leder betinget på køn på baggrund af parameterestimaterne i vores slutmodel, Model D. I omregningen af logitværdier til sandsynligheder benytter vi følgende formel:!! =!! = 1!! = exp!! +!!!!! 1 + exp!! +!!!!! hvor P i repræsenterer sandsynligheden for Y=1 givet X erne i modellen(gujarati & Porter 2010:388). Sandsynligheden for at være leder for kvinder:!!"#"$ = 1!"#$%& =!"#!!,!"#$!(!,!"#$) =!,!!"! = 0,0825 = 8,25!%!!!"#(!!,!"#$!(!,!"#$))!,!"#" Sandsynligheden for at være leder for mænd:! 54!

55 !!"#"$ = 1!"#$ = exp 1, exp( 1,7485) = 0,1740 = 0,1482 = 14,82!% 1,1740 Hvis vi sammenholder sandsynligheden for at være leder for Model A, jf. Bilag 4 sandsynlighederne for Model D, ser vi, at sandsynligheden for at være leder falder med 20,35 procentpoint for kvinder og 27,58 procentpoint for mænd, når vi kontrollerer for uddannelse, alder og hjemmeboende børn, som vi gør det i Model D. Hvis ikke vi havde medtaget vores kontrolvariable, havde vi dermed tillagt den enkeltes køn større betydning i forhold til sandsynligheden for at være leder. Idealtyper Foruden at påvise sammenhængen mellem køn og leder, udregner vi i det følgende sandsynligheder for idealtyper, hvor uddannelsesniveau ligeledes inddrages. Vi udregner hermed idealtyper og undersøger i denne sammenhæng sandsynligheden for at være leder betinget på køn og uddannelseskategorier. Alder er i alle tilfælde holdt fast på 46 år, da vores referencekategori angiver en 0-årig mand, hvilket ikke er teoretisk meningsfuldt at arbejde videre med. 46 år udgør medianalderen i aldersvariablen i denne undersøgelses analyseudvalg. I nedenstående tabel 14 er disse idealtyper præsenteret i sandsynligheder: Tabel 14: Sandsynlighed for at være leder betinget på køn og uddannelse. Mand Kvinde Ikke-kompetencegivende 0,28 0,17 uddannelse Faglig og kort videregående 0,37 0,21 uddannelse Mellemlang og lang videregående uddannelse 0,41 0,26 Ud fra ovenstående ses det, at sandsynligheden for at være leder øges jo længere uddannelse, man har for både mænd og kvinder. Således stiger sandsynligheden for at være leder, hvis man har en faglig eller kort videregående uddannelse frem for, hvis man har en ikke-kompetencegivende uddannelse med 9 procentpoint for mænd og 4 procentpoint for kvinder. Ligeledes stiger sandsynligheden for at være leder, hvis man har en mellemlang eller lang videregående! 55!

56 uddannelse frem for en faglig eller kort videregående uddannelse med 4 procentpoint for mænd og 5 procentpoint for kvinder. Således fremgår det, at forskellen i sandsynligheden for at være leder mellem mand og kvinde blot afgøres af parameterestimatet for kvinde (b 2 ), og vi kan derfor ikke ud fra vores idealtyper udtale os om forskellen mellem mand og kvinde inden for de forskellige uddannelseskategorier. Dette ville vi kunne udtale os om, hvis vi havde arbejdet med en interaktionsvariabel, da vi her ville få et parameterestimat for den simultane effekt af eksempel at være kvinde og have en faglig eller kort videregående uddannelse. Som det fremgår af Bilag 5 er en sådan interaktion mellem uddannelse og køn insignifikant, og vi vælger derfor at arbejde med idealtyper. Med idealtyperne kan vi således udtale os om uddannelseslængdens betydning for sandsynligheden for at være leder inden for hver af de to kønskategorier, men altså ikke udtale os om, hvorvidt uddannelseslængden udjævner forskellen mellem mand og kvinde i forhold til sandsynligheden for at være leder. Oddsratio for slutmodel I det følgende afsnit omregner vi sandsynligheder til oddsratioværdier. Der er en en-til-en relation mellem sandsynligheder og odds (Kreiner 2007:69), hvor odds angiver forholdet mellem to sandsynligheder, hvilket vil sige: (Geerdsen 2013b:1)!""# =!(! = 1) 1!(! = 1) Oddsratioværdien angiver endvidere forholdet mellem to odds, hvilket vil sige: (Geerdsen 2013b:1)!" =!(! = 1! = 1)!(! = 0! = 1)!(! = 1! = 0)!(! = 0! = 0) Anvendelsen af oddsratio er fordelagtig, da vi netop ønsker at udtale os om forholdet mellem oddset for at være leder for kvinder i forhold til oddset for at leder for mænd. Som tidligere nævnt, kan størrelsen i effekten af X på P(Y=1) ikke aflæses ud fra vores parameterestimater. X har derfor ikke en konstant effekt på sandsynligheden for Y=1. Det kan vises, at oddsratio er lig exp(b 2 ), derfor vil en stigning i X med 1 altså have en konstant effekt på oddset for Y=1! 56!

57 (Geerdsen 2013b:1ff).Vi kan med oddsratio udtale os om størrelsen på vores sammenhæng. Dette udgør en væsentlig fordel ved oddsratio, hvorfor vi arbejder videre med oddsratioværdier (Geerdsen 2013b:1). I det følgende vil vi omregne de udregnede sandsynligheder til såkaldte oddsratioværdier. Et karakteristikum for oddsratioværdier er, at disse ikke har nogen øvre grænse, mens sandsynligheder har et udfaldsrum på 0;1 (Geerdsen 2013a:3). Da køn er en dummy-variabel, opskrives oddset for X=1 i forhold til oddset for X=0, oddsratioværdien, ud fra følgende formel:!""#!!"#$% = Odds!for!Y = 1, når!x = 1! Odds!for!Y = 1, når!x = 0 (Geerdsen 2013b:1) Betingede OR-værdier I det følgende udregner vi de betingede OR-værdier. Her udnytter vi, at de betingede OR-værdier udregnes som produktet af de specifikke OR-værdier for de X-variable, vi er interesserede i. Vi udnytter desuden, at vi kan udregne et odds ud fra forholdet mellem to sandsynligheder, og i den sammenhæng, at exp(b 2 ) er lig effekten af en enhedsændring i X på oddset for Y=1. I nedenstående viser vi et eksempel på, hvordan betingede odds-ratioværdier udregnes. Vi anvender her en kvinde med mellemlang eller lang videregående uddannelse, og referencekategorien udgøres af en mand med faglig eller kort videregående uddannelse. Vi holder alder og hjemmeboende børn konstant.!" kvinde MVU/LVU =!""#(kvinde)!""#(mand)!""#!"#/!"#!""#(!"!"#!/!"#) Denne fremgangsmåde er anvendt til udregning af de oddsratioværdier, vi præsenterer i nedenstående resultatpræsentation.! 57!

58 Resultatpræsentation På baggrund af ovenstående modelsøgning og modelkontrol, præsenterer vi i dette afsnit de væsentligste empiriske resultater. Indledningsvist samler vi op på vores empiriske undersøgelse, hvor vi kommenterer på inddragelsen af kontrolvariable og parameterestimaterne samt den betydning disse har haft for sammenhængen mellem køn og sandsynligheden for at være leder. Herefter præsenterer vi undersøgelsens centrale resultater i både sandsynligheder og odds. Vores empiriske undersøgelse har vist, at der eksisterer en signifikant sammenhæng mellem køn og sandsynligheden for at være leder. Med inddragelse af kontrolvariablene uddannelse, alder og hjemmeboende børn kan vi udlede, at køn påvirker sandsynligheden for at være leder uanset hvilken uddannelse man har, hvor gammel man er, og om man har hjemmeboende børn. I nedenstående figur er vores statistiske hypoteser opstillet. Tabel 15: Statistiske konklusioner Hypotese Forventning Konklusion Køn har betydning for ledelsesansvar H 1 :!!"#$%& 0 H 1 forkastes ikke Uddannelsesdummierne har betydning for ledelsesansvar H 1 :!!""#$$%&'% 0 H 1 forkastes ikke Alder har betydning for ledelsesansvar H 1 :!!"#$% 0 H 1 forkastes ikke Hjemmeboende børn har betydning for ledelsesansvar H 1 :!!!"##"$%"&'"!!ø!" 0 H 1 forkastes ikke Mors uddannelse har betydning for ledelsesansvar H 1 :!!"#$!!""#$$%&'% 0 H 1 forkastes Geografisk placering har betydning for ledelsesansvar H 1 :!!" 0 H 1 forkastes! 58!

59 Nedenstående Tabel 16 viser en oversigt over parameterestimaterne, standardfejlene og oddsratioværdierne for vores slutmodel. Tabel 16: Præsentation af slutmodel Variabel Parameterestimat Standardfejl Oddsratio Konstantled -1,749*** 0, , Køn (POI) -0,659***, , Faglig/kort videregående 0,203** 0, , uddannelse Mellemlang eller lang videregående 0,556*** 0, , uddannelse Alder 0,018*** 0, ,01779 Hjemmeboende 0,443*** 0, , børn Note: *** p<0.01, ** p<0.05, *p<0.10 Da parameterestimaterne i tabel 16 er angivet i logitværdier, kan vi ikke udtale os om styrken af sammenhængen. Dog kan vi udtale os om parameterestimaternes fortegn. Parameterestimatet for kvinde (POI) er negativt, hvilket vil sige, at kvinder har lavere sandsynlighed for at være leder end mænd, når effekten af uddannelse, alder og hjemmeboende børn holdes konstant. Parameterestimaterne for samtlige uddannelseskategorier er positive, hvilket vil sige, at sandsynligheden for at være leder stiger, når uddannelsesniveauet stiger. Parameterestimatet for alder er ligeledes positivt, hvilket vil sige, at sandsynligheden for at være leder stiger med alderen. Parameterestimatet for hjemmeboende børn er positivt, hvilket vil sige, at sandsynligheden for at være leder, når man har hjemmeboende børn, overraskende nok, stiger. Nedenfor præsenterer vi sandsynlighederne samt oddsratioværdierne for at være leder på baggrund af parameterestimaterne. Grafisk præsentation af resultater Vi præsenterer nu resultaterne grafisk. Af Figur 12 illustreres sandsynligheden for at være leder for kvinder og mænd uanset uddannelse, alder og hjemmeboende børn.! 59!

60 Figur 12: Sandsynlighed for at være leder på køn Sandsynligheden!for!at!være!leder!betinget!på!køn! Sandsynlighed! 1! 0,9! 0,8! 0,7! 0,6! 0,5! 0,4! 0,3! 0,2! 0,1! 0! Kvinde! Mand! Køn,!n:!991! * Referencekategori: 0-årig mand, ikke-kompetencegivende uddannelse, uden hjemmeboende børn Hermed ses det, at kvinder alt andet lige har 8,3 % sandsynlighed for at være leder, mens mænd har 14,8 % sandsynlighed for at være leder. Oddset for at være leder, hvis man er kvinde er desuden 48 % procent lavere, end det er tilfældet, hvis man er mand, uanset uddannelseslængde, alder og om man har hjemmeboende børn. I nedenstående præsenterer vi seks idealtyper for sandsynligheden for at være leder betinget på køn og uddannelse uanset om man har hjemmeboende børn eller ej. Alder er i alle tilfælde fastholdt på 46 år. Figur 13: Sandsynligheden for at være leder betinget på køn og uddannelse! 60!

61 Sandsynlighed Sandsynlighed for at være leder betinget på køn, alder og uddannelse 1! 0,8! 0,6! 0,4! 0,2! 0! Mand, 46 år med hjemmeboende børn Kvinde, 46 år med hjemmeboende børn Uddannelse, n: 991 Af ovenstående figur kan vi hermed se, at sandsynligheden for at være leder øges for både mænd og kvinder, jo højere uddannelsesniveau. Vi ser endvidere, at på trods af uddannelseseffekten på sandsynligheden for at være leder, er der stadig betragtelige forskelle mellem mænd og kvinder. I følgende Tabel 17 præsenterer vi vores empiriske resultater i betingede oddsratioværdier, da vi ønsker at levendegøre vores resultater. Resultaterne er præsenteret ved anvendelse af fem idealtyper, som har følgende karakteristika, og som har referencekategorien angivet i tabellen. Tabel 17: Oddsratioværdier for overordnet sammenhæng og idealtyper Karakteristika Referencekategori Uanset Oddsratioværdi Kvinde Kvinde Mand Uddannelse, alder, hjemmeboende børn 0,52 Idealtype 1 Kvinde, MVU/LVU Mand Fag./KVU Idealtype 2 Kvinde, 35 år Mand, 45 år Alder, hjemmeboende børn Uddannelse, Hjemmeboende børn 0,60 0,44! 61!

62 Idealtype 3 Kvinde 60 år Mand, 45 år Uddannelse, hjemmeboende børn 0,68 Idealtype 1: Kvinder med mellemlang eller lang videregående uddannelse: Vi kan se, at odds-ratio værdien for kvinder med en mellemlang eller lang videregående uddannelse er 0,60, hvilket vil sige, at kvinder med en mellemlang eller lang videregående uddannelse har 2/5 lavere odds for at være leder end mænd med faglig eller kort videregående uddannelse, når alder og hjemmeboende børn holdes fast. Idealtype 2: 35-årig kvinde En kvinde på 35 år har en oddsratioværdi på 0,44, og dermed 56 % lavere odds for at være leder end en mand på 45 år uanset uddannelseslængde og hjemmeboende børn. Idealtype 3: 60-årig kvinde Oddsratioværdien for en 60-årig kvinde er 0,68 i forhold til en 45-årig mand uanset uddannelseslængde og hvorvidt man har hjemmeboende børn. En 60-årig kvinde har altså 32 % lavere odds end en 45-årig mand for at være leder uanset uddannelseslængde og hvorvidt man har hjemmeboende børn. Desuden stiger sandsynligheden for at være leder med alderen både for kvinder og mænd, hvilket fremgår af nedenstående Figur 14. Figur 14: Sandsynlighed for at være leder betinget på køn og alder Sandsynlighed for at være leder betinget på køn og alder Sandsynlighed 1! 0,8! 0,6! 0,4! 0,2! Kvinder! Mænd! 0! 20! 30! 40! 50! 60! 70! Alder! 62!

63 Efter at have præsenteret vores resultater, diskuterer vi i det følgende i forhold til vores teoretiske udgangspunkt. Diskussion af empiri og teori I dette afsnit diskuterer vi undersøgelsens empiriske resultater i relation til de teoretiske betragtninger, vi gjorde os i den teoretiske diskussion. Diskussionen af vores empiriske resultater falder i tre dele. I første del vil vi diskutere, hvorledes opgavens tre teoretikere kan bidrage til en forklaring af kønsforskelle i sandsynligheden for at være leder. I anden del diskuterer vi kønsforskelle i ledelsesansvar i relation til uddannelseslængde. I diskussionens sidste del diskuterer vi, hvilken betydning alder kan siges at have for kønsulighed i ledelsesansvar. Kønnede forskelle i ledelsesansvar på det danske arbejdsmarked anno 2013 Af Figur 12 fremgår det, at kvinder har 8,25 % sandsynlighed for at være leder, mens sandsynligheden for at være leder for mænd er 14,82 %. For kvinder er oddset for at være leder altså omtrent halvt så stort som for mænd uanset uddannelse, alder og om man har hjemmeboende børn. Heraf kan det således udledes, at der er tale om kønsdifferentiering i ledelsesansvar på det danske arbejdsmarked anno Denne sammenhæng kan ifølge Parsons forstås som en naturgiven forskel, der sikrer samfundets opretholdelse, hvormed kønsuligheden har en samfundsbevarende funktion. Parsons opfattelse af, at kvindens primære virke finder sted i hjemmet, synes at divergere med det moderne samfunds uddannelsesekspansion på tværs af køn, idet denne bevirker, at kvinden ikke nødvendigvis længere er hjemmegående. I og med, at der stadig finder en ulighed sted på arbejdsmarkedet, er der dog noget, der tyder på, at de forventningsstrukturer, der skabte de præmoderne kønsroller til stadighed dominerer. I det senmoderne samfund synes status i høj grad at være relateret til et princip om præstation affødt af et behov for selvrealisering. I forhold til at der eksisterer en ulighed i ledelsesansvar, synes et førmoderne, traditionelt differentieringsprincip altså at gøre sig gældende blandt køn på trods af, at kvinden er rykket ind på arbejdsmarkedet. Parsons påpeger netop, at en chanceulighed mellem køn gør sig gældende, idet kvinder uafhængigt af deres kompetencer til stadighed begrænses til snævrere funktionskredse end mænd, idet kvinden historisk har været bundet til! 63!

64 hjemmet og derved i mindre grad har mulighed for at indtage topposter. Således tilkommer de civilisatoriske principper, vi forbinder med modernitet herunder behovet for anerkendelse og selvrealisering blot den ene halvdel af befolkningen, mændene. I et højtudviklet, teknologiseret samfund som det danske, er der altså stadig en ulighed i forhold til mænd og kvinders position på arbejdsmarkedet. Denne betragtning om, at det til stadighed er de præmoderne kønsroller, der dominerer, synes at stemme overens med Butlers teori om den heteroseksuelle forståelsesmatrice. Uligheden i ledelsesansvar afslører i et sådant perspektiv en konstant diskursiv konstruktion af kvinden som den undertrykte. Ud fra Butlers teori giver kønsuligheden i ledelsesansvar anledning til problematisering, idet en sådan netop er et udtryk for et socialt konstrueret hierarki, da kønsroller ifølge Butler er afledt af kultur og ikke, som Parsons ser det, natur. Vores resultat kan dels ses som et eksempel på Parsons betragtning om, at biologiske egenskaber determinerer livschancer, men også som eksempel på Butlers ide om, at chanceuligheden netop reproducerer et maskulint hegemoni via en diskursiv kønskonstruktion. I relation til Walby kan vores empiriske fund, at kvinder har halvt så lave odds som mænd for at være leder, alt andet lige, ses som et udtryk for, at kvinden endnu ikke er frigjort fra den relation mellem patriarkatet og kapitalismen, som systematisk udbytter og devaluerer kvinden som arbejdskraft. I og med, at vi har kontrolleret for, om man har hjemmeboende børn, har vi altså at gøre med en ulighed, der gør sig gældende uanset om kvinden samtidig skal forestå den primære socialisering i hjemmet som Parsons beskriver. Således kan der argumenteres for, at de kapitalistiske strukturer stadig udbytter kvinden på trods af, at der kan være sket en udviskning i udbytningsforholdet mellem patriarkatet og kvinden, som Walby også selv påpeger. I det følgende diskuterer vi, hvordan kønsuligheder i ledelsesansvar kan relateres til forskelle i uddannelseslængder. Uddannelsesekspansion og kønsforskelle Vores empiriske resultatet har desuden vist os, at der yderligere ses en ulighed i sandsynligheden for at være leder blandt mænd og kvinder, selvom kvinden har et højere uddannelsesniveau end manden. Således har en kvinde inden for kategorien Mellemlang eller lang videregående uddannelse cirka 40 % lavere odds for at være leder end en mand med faglig eller kort videregående uddannelse. I relation til Butlers begreb om den heteroseksuelle matrice, kan denne forskel ses som udtryk for umuligheden i at undslippe det kønnede hierarki og dermed de regulerende praksisser, som diskursivt fastholder kvinden i en undertrykt position. Hierarkiet, som! 64!

65 ifølge Butler er forankret i selve den dikotomiske opdeling af kønskategorien, virker således differentierende og hierarkiserende i identitets- såvel som i arbejdsmarkedssammenhænge. Dette på trods af, at kvinder og mænd i højere grad er ligestillet på uddannelsesområdet (Walby 1997:43) Der kan argumenteres for, at en sådan sammenhæng er udtryk for, at uddannelsesekspansionen og efterskælvene af first wave feminism (Walby 1997:38) kan have bevirket, at uddannelsesområdet ikke længere domineres af patriarkalske relationer. Dette er dog ikke ensbetydende med, at arbejdsmarkedet er frigjort heraf, da der ifølge Walby og jævnfør vores empiriske resultater stadig gør sig kønsdifferentieringer gældende på dette område. Vi kan dog ikke ud fra vores statistiske analyse udtale os om, hvorvidt en sådan kønsdifferentiering skyldes forskelle mellem kønnene eller forskelle i uddannelseslængder. Men i og med, at kvinden har den længste uddannelse, virker det umiddelbart mest plausibelt, at det er hendes køn, der nedsætter oddset for at være leder i forhold til manden med en kortere uddannelse. Dette synes at modsvare Parsons teori om, at det primært er manden, som er i stand til at tilegne sig de evner, der tilgodeses på arbejdsmarkedet. Dog konvergerer det med hans opfattelse af, at kvinden stadig vil have ringere mulighed for at opnå favorable resultater på trods af øget chancelighed i forhold til at opnå kompetencer. Vi kan altså identificere en forskel mellem køn i oddset for at være leder, selvom kvinden har en længere uddannelse, end det er tilfældet med manden. I det følgende diskuterer vi, hvorvidt vi kan forstå vores resultater som udtryk for, at også andre faktorer indvirker på oddset for at være leder, og vi tager her udgangspunkt i de to generationsrelaterede idealtyper. Alder som differentieringsfaktor? Af vores resultater fremgår det, at oddset for at være leder er 56 % lavere for en 35-årig kvinde i forhold til en 45-årig mand. Endvidere er oddset for at være leder for en 60-årig kvinde 32 % lavere i forhold til en 45-årig mand når uddannelse og hjemmeboende børn holdes konstant. Oddset for at være leder i forhold til en midaldrende mand er altså højere for en ældre end for en yngre kvinde. Ved anvendelse af Walbys teori kan vi forstå disse to køns- og aldersbetingede forskelle i odds for at være leder i relation til hendes tese om, at også alder indvirker på kvindens arbejdsrelaterede muligheder. Walby anfører, at der er tale om intern differentiering i kvindekategorien som følge af de forskellige omstændigheder, der knytter sig til det kønsregime,! 65!

66 som har præget forskellige generationer. Her er det bærende synspunkt, at yngre kvinder i højere grad end ældre kvinder har profiteret af de ideologiske ligestillingskampe samt den statslige intervention på ligestillingsområdet (Walby 1997:38). Det interessante er i denne sammenhæng, at vores resultater synes at insinuere det modsatte, da oddset for at være leder, er 24 procentpoint lavere for en 35-årig kvinde end en 60-årig kvinde i forhold til en 45-årig mand. Vi kan altså i denne henseende ikke anvende Walbys betragtning til at forklare, hvorfor ældre kvinder har højere odds end yngre kvinder, da vores resultater er modstridende med netop denne påstand. Alene betragtningen, at alder indvirker på oddset for at være leder peger på, at der er flere faktorer i spil, som det fremføres af Butler, som netop klargør, at kvinde næppe er det eneste, man er (Butler 2007:29). Heraf indføres altså den betragtning, at det ikke er tilstrækkeligt at forstå kvindens mulighedsbetingelser alene ud fra det faktum, at hun i det moderne samfund betegnes kvinde. Der kan hermed argumenteres for, at vores resultater antyder, at forskellen i oddset for at være leder kan søges forstået i termer af intersektionalitet. Delkonklusion På baggrund af vores empiriske resultater, kan det konkluderes, at kønsulighed i ledelsesansvar gør sig gældende. Vi kan dog ikke ud fra vores statistiske analyse udtale os om, hvad der forårsager en sådan ulighed. På baggrund af vores teoretiske diskussion synes kønsuligheden at befinde sig i et krydsfelt, hvor både naturgivne, strukturelle og konstruerede forhold spiller ind. Således synes biologisk køn ikke at kunne ses som en ekskluderet størrelse. Som tidligere nævnt synes strukturer, som for eksempel staten og arbejdsmarkedet, netop at reproducere en heteronormativitet. Dette kan ses som et resultat af et samspil mellem herskende diskurser, som er skabt ud fra en historisk opfattelse af det biologiske køn. Herved kan der argumenteres for, at det naturgivne og det konstruerede er indlejret i det strukturelle. På den måde udgør det forklaringsfelt, der ligger bag kønsdifferentieringen en kompleks størrelse, hvor biologi, struktur og konstruktivisme synes at divergere og konvergere på flere forskellige områder. Opsummerende vurderer vi dog, at kønsdifferentieringen ses som udtryk for kønsulighed, idet den indikerer kvindens forringede livschancer. Vi anser altså ikke, som Parsons, denne for at være funktionel. Konklusion Formålet med denne opgave var at undersøge sammenhængen mellem køn og sandsynligheden for at være leder i det danske samfund anno 2013.! 66!

67 Teoretikerne Talcott Parsons, Sylvia Walby og Judith Butler har bidraget til at dechifrere hvilke forhold, der kan forklare sammenhængen mellem køn og sandsynligheden for at være leder som udtryk for kønsdifferentiering. Vi har diskuteret forskellige teoretiske forklaringer over for hinanden. Parsons har forklaret kønsdifferentieringen som naturgiven og funktionalistisk, Walby har problematiseret den og forklaret den ud fra to strukturelle systemers udbytning af kvinden. Butler har forklaret kønsdifferentieringen ud fra diskursive konstruktioner af kønnet som en del af hendes problematisering af denne. Vi har således bevæget os i spændingsfeltet mellem forklaringer af naturgiven, strukturel og konstruktivistisk art. Ud fra denne teoretiske platform udførte vi vores statistiske tests ved hjælp af den logistiske regressionsmodel. Gennem modelsøgning fandt vi frem til den model, der bedst forudsagde sammenhængen mellem køn og sandsynligheden for at være leder. Vores model forudsagde sandsynligheden for at være leder til 8,25 % for kvinder og 14,82 % for mænd, uanset alder, uddannelse og om man havde hjemmeboende børn. Oddset for at være leder var således omtrent 50 % lavere for kvinder end for mænd. Vi kunne på baggrund heraf bekræfte vores hypotese om, at køn påvirker sandsynligheden for at være leder. Gennem modelkontrol testede vi robustheden af vores model. I en grupperet residualanalyse fremgik det, at vi hverken fejlestimerede kvinder eller mænds sandsynlighed for at være leder eller over- eller underestimerede vores tre uddannelseskategorier. Samtidig fandt vi frem til, at vores model ikke led af problematisk multikollinearitet. Vores slutmodel var derved den bedste til at forudsige sammenhængen mellem køn og sandsynligheden for at være leder. Udbredelsen af vores undersøgelse strakte sig til erhvervsaktive danskere i aldersgruppen år. Vores analyseudvalg viste sig at være repræsentativt på køn, men ikke for samtlige alders- og uddannelseskategorier, og det er altså med et vist forbehold, at vi kan udtale os om populationen. På baggrund af at vores slutmodel er robust, kan vi altså konkludere, at der er en sammenhæng mellem køn og sandsynligheden for at være leder. Den ligestilling, der på nogle områder synes at karakterisere det moderne samfund, ses altså ikke afspejlet i vores empiriske resultater. Vi kan ikke ud fra vores statistiske sammenhæng udtale os om, hvorvidt sammenhængen skyldes naturgivne, strukturelle eller konstruerede forhold. Dog kan vi konkludere, at sammenhængen afslører, at præmoderne differentieringsformer til stadighed gør sig gældende på det danske! 67!

68 arbejdsmarked. Den bagvedliggende teoretiske forklaring herpå rummer både naturgivne, strukturelle og konstruerede forhold, som er historisk og nutidigt indlejret i hinanden. Kønsdifferentieringen udtrykker en ulighed i livschancer, og vi problematiserer derfor denne, hvorved vi vurderer, at kønsdifferentieringen ikke er funktionel, som Parsons påpeger. Forklaringen på hvorfor det fra først af var manden, der gik med sejren? (Beauvoir 1977:20) er således af biologisk, strukturel og diskursiv karakter. Grundlæggende konkluderer vi, at der eksisterer kønsulighed på det danske arbejdsmarked, og at ligestilling mellem mænd og kvinder til stadighed udgør en udfordring i det danske, moderne samfund anno Perspektivering Vi har i denne opgave behandlet kønsdifferentiering empirisk såvel som teoretisk. I forbindelse med hvordan man kan løse problemet vedrørende kønsulighed er det interessant at inddrage den amerikanske teoretiker Nancy Fraser. Fraser har et strukturelt og løsningsorienteret perspektiv på problematikker vedrørende uretfærdighed. Ifølge Fraser gør to typer af uretfærdighed sig gældende: en socioøkonomisk og en kulturel, som kræver to forskellige former for indgriben, en omfordelingsmæssig og en anerkendelsesmæssig (Fraser 2008:63). Men håndteringen af uretfærdighed kan være mere kompleks end som så. Køn er et eksempel på et område ramt af uretfærdighedsmekanismer, som griber ind i både kulturelle og socioøkonomiske dele af samfundet, hvilket Fraser karakteriserer som en bivalent kollektivitet (Fraser 2008:68). Således kræver kønsdifferentieringer en ændring af den politiske økonomi såvel som af kulturen (Fraser 2008:70). Fraser forsøger at mediere forskellen mellem omfordeling og anerkendelse ved at indføre to alternative løsninger, affirmative og transformative (Fraser 2008:73). Her definerer hun affirmative midler som midler mod anerkendelsesmæssig uretfærdighed, der korrigerer uretfærdighed i sociale mekanismer, samtidig med at der ikke ændres på de underliggende strukturer. Kontrært defineres transformative midler som omdannelse af netop de underliggende strukturer (Fraser 2008:74). Som eksempel på et aktuelt, politisk løsningsforslag i en moderne, dansk kontekst kan vi inddrage kønskvotering. Der er her tale om positiv særbehandling, som søger at ændre en historisk eller! 68!

69 kulturel uretfærdighed, der har bevirket, at kvinder har været underrepræsenteret i forskellige organisatoriske sammenhænge. Ved anvendelse af Frasers teori om køn som bivalent kollektivitet kan det diskuteres, om kønskvotering har den ønskede effekt. Umiddelbart kan kønskvoteringen i Frasers terminologi forstås som et affirmativt løsningsapparat, idet der med kvoteringen forsøges at skabe balance i forholdet mellem mænd og kvinder og samtidig fordre respekt for kvinden. Men der kan argumenteres for, at der med kønskvotering lægges op til kompensation og særbehandling af kvinder, som kan resultere i diskrimination af mænd og ringeagt af kvinder, hvilket Fraser netop påpeger er ulempen ved ren affirmativ indgriben (Fraser 2008:77). Kønskvotering kan på den anden side forstås som det Fraser benævner et transformativt indgreb, da kønskvoteringen anvendes i forhåbningen om på sigt at udjævne uretfærdigheder i de dybereliggende kønsmæssige strukturer. Netop tranformative løsninger bidrager ifølge Fraser til omdannelse af strukturelle uretfærdigheder og undgår samtidig at skabe opfattelse af, at nogle grupper modtager goder, de ikke har gjort sig fortjent til (Fraser 2008:78). Den tranformative løsningsmodel vil dermed fremme solidariteten og bidrage til, modsat de affirmative løsninger, at afhjælpe visse former for ringeagt. Kønskvotering kan altså også siges at bidrage til eftertidslig omdannelse af det underliggende fundament for kønsdifferentieringer og dermed opløse uretfærdigheder i arbejdsmarkedssammenhænge blandt mænd og kvinder. Frasers teori i samspil med det politiske tiltag, kønskvotering, kan altså berige vores undersøgelse og nuancere diskussionen, da den netop påbyder et løsningsforslag på den sammenhæng, vi har beskæftiget os med. Det tilbageblivende spørgsmål bliver da, hvorvidt det er tilstrækkeligt at lovgive for at imødekomme denne ulighed.! 69!

70 Litteraturliste Bøger Andersen H.B., Hansen J.E.,(2009): Et sociologisk værktøj Introduktion til den kvantitative metode. København: Hans Reitzels Forlag. Beauvoir, de Simone (1977): Det andet køn. København: Lakner Bogtryk. Butler, Judith (2007): Subjekt, køn og begær i Søndergaard, M., Dorte (red.): Feministiske tænkere. København: Hans Reitzels Forlag. Dahlerup, Drude (2003): Ligestilling i dødvande den ulidelige modstilling af lighed og forskel i Borchorst, Anette & Dahlerup, Drude: Ligestillingspolitik som diskurs og praksis. Frederiksberg: Forlaget Samfundslitteratur. Fraser, Nancy (2008): Fra omfordeling til anerkendelse i Hviid Jacobsen & Willig (red.): Anerkendelsespolitik. Odense: Syddansk Universitetsforlag. Geerdsen, Pico, Lars (2013a): Lektionsnote 1 Geerdsen, Pico, Lars (2013b): Lektionsnote 2 Geerdsen, Pico, Lars (2013c): Lektionsnote 3 Gujarati, N. Damodar & Porter C. Dawn (2010): Essentials of Econometrics. New York: McCraw-Hill International Edition. Hansen, E. Jørgen & Andersen, B. Hjort, (2000): Et sociologisk værktøj. Introduktion til den kvantitative metode. København: Hans Reitzels Forlag Hansen, Erik Jørgen (2003): Uddannelsessystemerne i sociologisk perspektiv. København: Hans Reitzels Forlag, s Henriksen, Skov Lars (2011): Differentiering i Larsen, S.N. og I.K. Pedersen: Sociologisk Leksikon. København: Hans Reitzels Forlag. Kimmel, Michael (2011): The Gendered Society. New York: Oxford University Press Kreiner, Svend (2007): Statistisk problemløsning præmisser, teknik og analyse. København. Jurist- og Økonomforbundets Forlag Malchow-Møller, N. & Würtz, A. (2010): Indblik i statistik for samfundsvidenskab. København: Hans Reitzels Forlag. Parkin, Frank (1994): Marxism and Class Theory: a Bourgeois Critique, uddrag fra Grusky, Social Stratification in Sociological Perspecctive Parsons, Talcott (1988): Den amerikanske familie: Dens forhold til personligheten og samfunnsstrukturen i Østerberg, Dag (red.): Sosiologiske Esssays. Oslo: Pax: ! 70!

71 Phoenix, Ann (2006): Interrogating intersectionality, i Kvinder, køn & forskning Walby, Sylvia (1986): Towards a New Theory of Patriarchy i Walby, Sylvia: Patriarchy at Work. Cambridge: Polity Press. Walby, Sylvia (1997): Recent Changes in Gender Relations in Employment i Walby, Sylvia: Gender Transformations. London & N.Y.: Routledge. Webkilder Web1: Besøgt d Web2: Besøgt d Web3: rt_e01_3.pdf, Sidst besøgt Web4: Besøgt d Danmarks Statistik Statistikbank Tabel over beskæftigede i hele Danmark i år 2000, fordelt på køn og aldersintervaller fra 20 år og opefter: Statistikbanken Arbejde, løn og indkomst RASB11: Beskæftigede (bopæl) efter område, branche, socio-økonomisk status, herkomst, alder og køn Statistikbanken Arbejde, løn og indkomst RASU44: Beskæftigede (bopæl) efter område, uddannelse, branche, alder og køn! 71!

72 Bilagsliste Bilag 1: Do-file Bilag 2: Test for ikke-uafhængighed mellem køn og leder Bilag 3: Repræsentativitetstest for uddannelse og alder Bilag 4: Omregner til sandsynligheder for Model A Bilag 5: Insignifikant interaktionsvariabel mellem køn og uddannelse! 72!

73 Bilag Bilag 1: Do-file ** SAMMENHÆNG MELLEM LEDER OG KØN **Indsætter sti. use "/Users/marielunau/Desktop/ESS6DK.dta". use "/Users/laura_schierff/Desktop/Soc.:Kvant.eksamen/ESS6DK.dta" **Begrænser analyseudvalg til årige, som er aktive på arbejdsmarkedet **Dropper alle, der ikke er aktive på arbejdsmarkedet drop if icpdwrk==2 **Begrænser aldersgruppe drop if agea < 20 drop if agea > 70 **Frasorterer alle pensionster drop if rtrd==1 **PRIMÆR UAFHÆNGIG VARIABEL (POI) **Omkoder køn til dummy recode gndr (1=0 "Mand") (2=1 "Kvinde"), gen(kvinde) **AFHÆNGIG VARIABEL **Omkoder leder til binær recode jbspv (1=1 "leder") (2=0 "ikke leder"), gen(leder) **KONTROLVARIABLE *Omkoder uddannelse recode edlvddk (1/3=1 "Ikke-kompetencegivende") (4/6=2 "Faglig-KVU") (7/11=3 "MVU-LVU"), gen(uddannelse) *Dummykoder uddannelsesvariabel med tre udfald! 73!

74 recode uddannelse (1=1 "Ikke-kompetencegivende") (2/3=0 "resten"), gen(ikke_kompetencegivende) recode uddannelse (1=0 "resten") (3=0 "resten") (2=1 "Faglig-KVU"), gen(faglig_kvu) recode uddannelse (1=0 "resten") (2=0 "resten") (3=1 "MVU-LVU"), gen(mvu_lvu) **Omdøber alder rename agea alder **Omkoder børn til binær recode chldhm (1=1 "Boern") (2=0 "ikke boern"), gen(boern) **Omdøber mors uddannelse rename edlvmddk morsuddannelse **Omkoder geografi recode domicil (1/2=0 "by") (3/5=1 "land"), gen(geografi) **Konstruerer filter for at sikre konsistent analyseudvalg egen filter_eksamen = rowmiss (leder kvinde uddannelse alder boern morsuddannelse geografi) logit leder kvinde Faglig_KVU MVU_LVU alder boern morsuddannelse geografi if filter_eksamen==0 ** MODELSØGNING ** Den tomme model logit leder if filter_eksamen==0 ** Gemmer model estimates store model_tom ** Model A logit leder kvinde if filter_eksamen==0 ** Gemmer model A estimates store model_a ** Model B logit leder kvinde Faglig_KVU MVU_LVU if filter_eksamen==0 ** Gemmer model B estimates store model_b ** Model C logit leder kvinde Faglig_KVU MVU_LVU alder if filter_eksamen==0 ** Gemmer model C! 74!

75 estimates store model_c ** Model D logit leder kvinde Faglig_KVU MVU_LVU alder boern if filter_eksamen==0 ** Gemmer model D estimates store model_d ** Model E logit leder kvinde Faglig_KVU MVU_LVU alder boern morsuddannelse if filter_eksamen==0 ** Gemmer model E estimates store model_e ** Model F logit leder kvinde Faglig_KVU MVU_LVU alder boern geografi if filter_eksamen==0 ** Gemmer model F estimates store model_f **AFPRØVER INTERAKTION MELLEM UDDANNELSESKATEGORIER OG KØN PÅ MODEL D gen IKU_kvinde=Ikke_kompetencegivende*kvinde gen FAG_KVU_kvinde=Faglig_KVU*kvinde gen MVU_LVU_kvinde=MVU_LVU*kvinde logit leder kvinde Faglig_KVU MVU_LVU FAG_KVU_kvinde MVU_LVU_kvinde alder boern if filter_eksamen==0 ** MODELKONTROL ** Vi tester modellerne mod hinanden vha. lr-test lrtest model_tom model_a ** Vi tester model A mod model B lrtest model_a model_b ** Vi tester model B mod model C lrtest model_b model_c ** Vi tester model C mod model D lrtest model_c model_d ** Vi tester model D mod model E lrtest model_d model_e ** Vi tester model E mod model F! 75!

76 lrtest model_d model_f ** Vi finder de kritiske værdier ved antallet af frihedsgrader ssc install display display invchi2(1,0.95) display invchi2(3,0.95) **Modeltrappe xml_tab model_a model_b model_c model_d model_e model_f, pvalue stats(n p r2_a r2 F) save ("/Users/marielunau/Desktop/ESS6DK.dta.pvaerdi3.xml") xml_tab model_a model_b model_c model_d model_e model_f, stats(n p r2_a r2 F) save ("/Users/marielunau/Desktop/ESS6DK.dta.std.fejl.xml") **RESIDUALANALYSE FOR UDDANNELSESKATEGORIER ** Konstruerer nyt filter for model D egen filter_eksamen2 = rowmiss (leder kvinde Faglig_KVU MVU_LVU alder boern) *Model, som residualanalysen ønskes testet på logit leder kvinde Faglig_KVU MVU_LVU alder boern if filter_eksamen2==0 ** skaber en variabel, vi kalder "pi". Pi er den sandsynlighed for at være leder, som modellen forudsiger for en gruppe ** predict pi if filter_eksamen3==0, pr ** skaber en variabel kaldet "residual_dif" som er værdien af den afhængige variabel (leder) for en person indenfor ** gruppen fratrukket den forudsagte sandsynlighed (variablen pi) ** gen residual_dif = leder-pi if filter_eksamen2==0 ** skaber en hjaelpevariabel, som vi kalder "tael". Variablen har udfaldet 1 for alle observationerne. På den måde kan vi bruge den til at tælle med // fordi vi, når vi summer udfaldene i variablen tael, vil få en værdi der er lig n, dvs. antallet af personer i hver uddannelseskategori gen tael = 1 ** skaber en variabel kaldet "n_uddannelse" som er antallet af af personer i hver udfald i den oprindelige uddannelsesvariabel bysort uddannelse: egen n_uddannelse = sum(tael) ** skaber en variabel (kaldet "Zres_kvinde") for at beregne de standardiserede residualer,! 76!

77 //dvs. forskellen mellem den faktiske og forventede værdi af uddannelsesvariablen gen Zres_uddannelse = sqrt(n_uddannelse)*residual_dif/sqrt(pi*(1-pi)) ** lav en tabel over gennemsnittet af jeres standardiserede residualer table uddannelse, c(mean Zres_uddannelse) **RESIDUALANALYSE FOR KØN *Model, som residualanalysen ønskes testet på logit leder kvinde Faglig_KVU MVU_LVU alder boern if filter_eksamen2==0 **skaber en variabel kaldet "n_kvinde" bysort kvinde: egen n_kvinde = sum(tael) **skaber en variabel (kaldet "Zres_kvinde") gen Zres_kvinde = sqrt(n_kvinde)*residual_dif/sqrt(pi*(1-pi)) **laver en tabel over gennemsnittet af residualer table kvinde, c(mean Zres_kvinde) **MULTIKOLLINEARITET **Vi tester for multikollinearitet, for at få de parvise korrelationskoefficienter mellem de fire uafhængige variable, køn, uddannelse, alder og børn: corr kvinde Faglig_KVU MVU_LVU alder boern if filter_eksamen==0 **REPRÆSENTATIVITETSTEST **Vi avender Analyseudvalg 2 for rep. testen, hvorfor vi kører alle kommandoer igen med nyt filter. clear all **Indsætter sti. use "/Users/marielunau/Desktop/ESS6DK.dta" **Begrænser analyseudvalg til årige, som er aktive på arbejdsmarkedet **Dropper alle der ikke er aktive på arbejdsmarkedet drop if icpdwrk==2 **Begrænser aldersgruppe drop if agea < 20 drop if agea > 64! 77!

78 **Frasorterer alle pensionster drop if rtrd==1 ** UAFHÆNGIG VARIABEL **Omkoder køn til dummy recode gndr (1=0 "Mand") (2=1 "Kvinde"), gen(kvinde) **AFHÆNGIG VARIABEL **Omkoder leder til binær recode jbspv (1=1 "leder") (2=0 "ikke leder"), gen(leder) **KONTROLVARIABLE *Omkoder uddannelse recode edlvddk (1/3=1 "Ikke-kompetencegivende") (4/6=2 "Faglaert-KVU") (7/11=3 "MVU-LVU"), gen(uddannelse) *Dummykoder uddannelsesvariabel med tre udfald recode uddannelse (1=1 "Ikke-kompetencegivende") (2/3=0 "resten"), gen(ikke_kompetencegivende) recode uddannelse (1=0 "resten") (3=0 "resten") (2=1 "Faglaert-KVU"), gen(faglaert_kvu) recode uddannelse (1=0 "resten") (2=0 "resten") (3=1 "MVU-LVU"), gen(mvu_lvu) **Omdøber alder rename agea alder **Omkoder børn til binær recode chldhm (1=1 "Boern") (2=0 "ikke boern"), gen(boern) **Omdøber mors uddannelse rename edlvmddk morsuddannelse **Omkoder geografi recode domicil (1/2=0 "by") (3/5=1 "land"), gen(geografi) **Konstruerer filter! 78!

79 egen filter_eksamen = rowmiss (leder kvinde edlvddk alder boern morsuddannelse geografi) ** Omkodning af aldersvariabel til 4-års kategorier recode alder (20/24=1 "20-24") (25/29=2 "25-29") (30/34=3 "30-34") (35/39=4 "35-39") (40/44=5 "40-44") (45/49=6 "45-49") (50/54=7 "50-54") (55/59=8 "55-59") (60/64=9 "60-64"), gen(alderrep) *Omkoder uddannelse recode edlvddk (1/2=1 "Grundskole") (3=2 "Gymn. udd") (4/5=3 "Erhvervsudd.") (6=4 "Kort vid. udd") (7=5 "Mellemlang vid udd") (8=6 "Bachelor") (9=7 "Lang vid. udd") (10/11=8 "Forskerudd."), gen(uddrepny) egen filter_eksamen3 = rowmiss (leder kvinde alder boern morsuddannelse geografi alderrep uddrepny) ** De tre variable som benyttes i reptesten ** tab kvinde if filter_eksamen3==0 tab alderrep if filter_eksamen3==0 tab uddrepny if filter_eksamen3==0! 79!

80 Bilag 2: Test for ikke-uafhængighed mellem køn og leder Til at teste for ikke-uafhængighed mellem to diskrete stokastiske variable benytter vi en teststatistik der følger en! 2 -fordeling.! 2 er fordelingen for en sum af kvadrerede, standardnormalfordelte variable. Denne er fordelt med et antal frihedsgrader, som betegner antallet af sandsynligheder under H 0, der kan vælges frit (Malchow-Møller & Würtz 2010:361ff; Geerdsen 2013c:1). Figuren illustrerer, hvordan en! 2 -fordeling fordeler sig. Figur 1: Illustreret! 2 -fordeling H 0 H 1 I det følgende vil vi teste for ikke-uafhængighed. Uafhængighed mellem to diskrete stokastiske variable, X og Y, defineres ved, at den simultane sandsynlighed, f(x,y) - sandsynligheden for at både x og y indtræffer - er lig produktet af de marginale sandsynligheder f x (x) og f y (y) - sandsynligheden for at blot x og blot y indtræffer (Malchow-Møller & Würtz 2010:84ff). Nulhypotesen er, at der er uafhængighed mellem variablene ledelsesansvar og køn og alternativhypotesen er, at der er ikke-uafhængighed mellem ledelsesansvar og køn: H 0 : f(x,y) = f x (x)*f y (y) H 1 : f(x,y) f x (x)*f y (y) Ved udregning får vi en! 2 -værdi på 20,40 og med et signifikansniveau på 5 % og 2 frihedsgrader, hvilket giver os en kritisk værdi på 5,99. Hermed overskrider! 2 -værdien den kritiske værdi. Dette er illustreret nedenfor.! 80!

81 Figur 2 : Chi 2 -fordeling med udregnet!-værdi H 0 H 1 Kritisk grænse: 5,99 Chi 2 -værdi: 20,40 Vi må derfor forkaste vores nulhypotese og kan konkludere, at der er ikke-uafhængighed mellem variablen ledelsesansvar og køn. Vi formoder derfor, at der kan være en signifikant sammenhæng mellem disse to variable. På baggrund heraf vil vi undersøge, hvorvidt der er forskel på mænd og kvinders sandsynlighed for at bestride en lederstilling.! 81!

82 Bilag 3: Repræsentativitetstest for uddannelse og alder Repræsentativitet for uddannelse Uddannelse er en væsentlig variabel i vores undersøgelse og desuden en vigtig sociologisk baggrundsvariabel hvorfor vi finder det nødvendigt at teste hvorvidt aldersfordelingen i analyseudvalget er repræsentativt for populationen. Da uddannelse er en stokastisk variabel, som kan antage forskelige kategorier benyttes en!! -test. Med denne teststatistik sammenholdes den observerede frekvens med den forventede frekvens under H 0 for hver kategori i variablen. (Malchow-Møller og Würtz 2010:369) K (Z χ 2 = k n π k ) 2 ~ χ 2 (K 1 r) under H 0 n π k k=1 Opstilling af hypoteser Vores nulhypotese er, at sandsynligheden for hver uddannelsesgruppe i analyseudvalg 2, p 1, er lig sandsynligheden for tilsvarende uddannelsesgruppe i populationen,! k. Modsætningsvis er alternativhypotesen, at sandsynligheden for at mindst én uddannelsesgruppe i analyseudvalg 2 ikke er lig den tilsvarende sandsynlighed i populationen. Altså bliver hypoteserne som følger. H 0 : p 1 =! 1 (!),! 2 =! 2 (!), p k =! k (!) H 1 : mindst én p k! k (!) Med et signifikansniveau på 10 % og 7 frihedsgrader (8-1) får vi en kritisk værdi 12,02. En chi 2 - værdi på 205,18 betyder altså, at vi er langt over den kritiske værdi. Dette er illustreret nedenfor. Figur 3: Chi 2 -fordeling med!-værdi for uddannelse! 82!

83 H 1 H 0 Kritisk grænse: 12,02 Chi 2 -værdi: 205,18 Vi kan på baggrund af ovenstående forkaste vores nulhypotese og dermed konkludere, at uddannelsesfordelingen i Analyseudvalg 2 ikke er repræsentativt for populationen. Vi ønsker yderligere at undersøge, hvilke uddannelsesgrupper, der er under- og overrepræsenterede. Da det ikke er muligt ud fra ovenstående teststørrelse at afgøre, hvad der forårsager den markante afvigelse fra den forventede frekvens, udfører vi i det følgende en enkeltcelletest. Enkeltcelletest af uddannelse Vi kan ved at udregne en r xy værdi for hver enkelt celle eller kategori se hvilke celler i krydstabellen, der er over- eller underrepræsenterede og afgøre for hvilke celler nulhypotesen ikke holder. R xy er givet ved:!!" = (!!"!!!" )!!!" 1!!! (1!!! ) (Malchow-Møller & Würtz 2010:373) r xy er numerisk stor, hvis den observerede frekvens i høj grad afviger fra den forventede frekvens under nulhypotesen og numerisk lille, hvis den observerede og forventede frekvens afviger i mindre grad. Da vi er interesseret i afvigelsen med både positivt og negativt fortegn, er testen i denne sammenhæng dobbeltsidet. Når r xy for den pågældende kategori eller celle afviger fra +- 1,64, er denne derfor ikke i overensstemmelse med nulhypotesen ved et 10 % signifikansniveau (Malchow-Møller & Würtz 2010:373). Nedenstående graf viser de Z-værdier vi fik ved udførsel af enkeltcelletesten. Tabel 1: Enkeltcelletest af uddannelseskategorier! 83!

84 Uddannelseskategorier Populationens Analyseudvalget Z-værdi population vs. analyseudvalg andel, Po 2 s andel, Pstreg Grundskole 0,2234 0,0904-9, Gymnasial 0,09 0,0858-0, Erhvervsuddannelser 0,3579 0,3009-3, Korte vid. uddannelser 0,0533 0,1178 8, Mellemlange vid. 0,1574 0,246 7, uddannelser Bachelor 0,0207 0,0263 1, Lange vid. Uddannelser 0,0909 0,119 2, Forskeruddannelser 0,0065 0,0137 2, Total 1 1 n Med henholdsvis blå og grøn har vi markeret, om der er tale om en under- eller overrepræsentation i analyseudvalget i forhold til populationen. I følgende figur er det markeret, hvilke uddannelsesgrupper, som i enkeltcelletesten overskred den kritiske grænse. Graf 4: Normalfordeling med uddannelseskategoriernes Z-værdier Kritisk grænse: -1,6449 Kritisk grænse: 1,6449 H 1 H 1 H 0 H 0 Korte vid. udd.: 8,489 Ml.lang.vid.udd.: 7,192 Lange vid. udd.: 2,889 Forskeruddannelse: 2,649 Bachelor: 1,163 Gymnasial: -0,434 Erhvervsudd.: -3,515 Grundskole: -9,439 Som det fremgår af tabellen og figuren ovenfor er der underrepræsentation af kategorierne Grundskole og Erhvervsuddannelse. Omvendt er der overrepræsentation af Korte videregående uddannelser og Mellemlange videregående uddannelser samt Lange videregående uddannelser og Forskeruddannelser. De eneste uddannelseskategorier der er repræsentative i forhold til populationen er Gymnasial uddannelse og Bachelor. Denne! 84!

85 markante over- og underrepræsentation af de fleste uddannelseskategorier gør altså, at vi ikke kan udtale os repræsentativt om uddannelse. Figur 5: Uddannelsesfordelingen i populationen og analyseudvalg 2 Procent 0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 Uddannelsesfordelingen i population og analyseudvalg 2 0,36 0,30 0,25 Population, n: ,22 Analyseudvalg 2, n: 874 0,16 0,12 0,12 0,09 0,09 0,09 0,09 0,05 0,020,03 0,01 0,01 Uddannelse I grafen ovenfor er uddannelsesfordelingen i populationen og analyseudvalg 2 illustreret. Det fremgår heraf, hvordan de fleste uddannelseskategoriers fordeling i analyseudvalg 2 er helt skæve i forhold til populationen. Repræsentativitetstest for alder Alder er en vigtig sociologisk baggrundsvariabel, der sandsynligvis har indflydelse på den sammenhæng vi tester. Derfor er det væsentligt at teste, hvorvidt aldersfordelingen i analyseudvalg 2 er repræsentativt for den population, vi ønsker at udtale os om. Da alder, ligesom uddannelse, er en stokastisk variabel, som kan antage forskelige kategorier benyttes en!! -test. Opstilling af hypoteser Vores nulhypotese er, at sandsynligheden for hver aldersgruppe i analyseudvalg2, p 1, er lig sandsynligheden for tilsvarende aldersgruppe i populationen,! k. Modsætningsvis er alternativhypotesen, at sandsynligheden for at mindst én aldersgruppe i analyseudvalg 2 ikke er lig! 85!

86 den tilsvarende sandsynlighed i populationen. Altså bliver hypoteserne følgende: H 0 : p 1 =! 1 (!),! 2 =! 2 (!), p k =! k (!) H 1 : mindst én p k! k (!) Med et signifikansniveau på 10 % og 8 frihedsgrader (9-1) får vi de kritiske værdier 14,7. En chi 2 - værdi på 81,65 betyder altså, at vi er langt over den kritiske værdi. Dette ses illustreret nedenfor. Figur 6: Chi 2 -fordeling med!-værdi for alder H 1 H 0 Kritisk grænse: 14,7 Chi 2 -værdi: 81,65 Vi må altså på baggrund af ovenstående forkaste vores nulhypotese og dermed konkludere, at aldersfordelingen i Analyseudvalg 2 ikke er repræsentativt for populationen. Vi ønsker i denne sammenhæng, ligesom med uddannelse, at undersøge, hvilke aldersgrupper, der er under- og overrepræsenterede. Enkeltcelletest af alder Vi kan ved at udregne en r xy værdi for hver enkelt celle eller kategori se hvilke celler i krydstabellen, der er over- eller underrepræsenterede og afgøre for hvilke celler nulhypotesen ikke holder. Nedenstående tabel viser de Z-værdier vi fik ved udførsel af enkeltcelletesten. Tabel 2: Enkeltcelletest af alderskategorier Alderskategorier Populationens Analyseudvalget Z-værdi population vs. analyseudvalg andel, Po 2 s andel, Pstreg ,0873 0,0755-1, ,0918 0,0515-4, ,1089 0,0767-3, ! 86!

87 ,1309 0,0984-2, ,1347 0,1236-0, ,1434 0,1533 0, ,1224 0,1453 2, ,1117 0,1682 5, ,0687 0,1076 4, Total 1 1 n Med henholdsvis blå og grøn har vi markeret, om der er tale om en under- eller overrepræsentation i analyseudvalg 2 i forhold til populationen og i følgende figur bliver det illustreret hvilke alderskategoriers Z-værdier, som overskrider den kritiske værdi. Figur 7: Normalfordeling med alderskategoriernes Z-værdier Kritisk grænse: -1,6449 Kritisk grænse: 1,6449 H 1 H 1 H 0 H år: 5, år: 4, år: 2, år: 1, år: 0, år: -0, år: -2, år: -3, år: -4,126 Vi kan på baggrund af ovenstående konkludere, at der er underrepræsentation af de yngre alderskategorier, 25-29, og 35-39, i forhold til populationen. Modsat er der overrepræsentation af de ældre alderskategorier, og Dog kan vi på baggrund af testen konkludere, at den yngste kategori, 20-24, og de midterste kategorier og i analyseudvalg 2 er repræsentative for de tilsvarende alderskategorier i populationen. I figuren nedenfor vises populationens alderskategorier i forhold til analyseudvalg 2s alderskategorier. Figur 8: Aldersfordelingen i population og analyseudvalg 2! 87!

88 Aldersfordelingen i population og analyseudvalg 2 Procent 0,18 0,17 0,15 0,16 0,14 0,15 0,13 0,13 0,14 0,12 0,12 0,12 0,11 0,11 0,11 0,10 0,10 0,09 0,09 0,08 0,08 0,08 0,07 0,06 0,05 0,04 0,02 0, Alder Population, n: Analyseudvalg 2, n: 874 I figuren ovenfor er aldersfordelingen for populationen og analyseudvalg 2 illustreret. Heraf fremgår det tydeligt hvilke alderskategorier, der slet ikke er repræsentative i forhold til populationen. Overordnet kan det konkluderes, at alder i Analyseudvalg 2 ikke er repræsentativt for populationen, og at denne repræsentativitet især er mangelfuld i de tre yngste og de tre ældste alderskategorier.! 88!

89 Bilag 4: Omregner til sandsynligheder for Model A Sandsynlighed for at være leder betinget på køn på baggrund af parameterestimater fra Model A. Omregningsformel:!! =!! = 1!! = exp!! +!!!!! 1 + exp!! +!!!!! hvor P i repræsenterer sandsynligheden for Y=1 givet X erne i modellen. (Gujarati & Porter 2010:388) I nedenstående udregner vi på baggrund af parameterestimaterne fra Model A, som fremgår af modeltrappen, sandsynligheden for at have en lederstilling, når man er kvinde:!!"#"$ = 1!"#$%& =!"#!!,!"##!(!!,!"#$)/ =!,!"#" = 0,2860 = 28,60!%!!!"#!!,!"##)!(!!,!"!#$ )!,!""# Ligeledes udregner vi i nedenstående sandsynligheden for at have en lederstilling, når man er mand:!!"#"$ = 1!"#$ = exp 0, exp( 0,3066) = 0,7360 = 0,4240 = 42,40!% 1,7360 Sandsynligheden for at have en lederstilling er altså 28,60 % for kvinder og 42,40 % for mænd. Med disse sandsynligheder har vi endnu ikke kontrolleret for, om effekten påvirkes af uddannelsesniveau, alder og hvorvidt man har hjemmeboende børn. Disse sandsynligheder er nedenfor præsenteret grafisk i et histogram: Figur X: Sandsynlighed for at have en lederstilling betinget på køn, Model A: Sandsynlighed! 1! 0,8! Sandsynligheden!for!at!have!en!lederstilling! betinget!på!køn! 0,6! 0,4! 0,2! 0, ! 0, !! 0! 89! Kvinde! Mand! Køn,!n:!991!

90 Bilag 5: Insignifikant interaktionsvariabel mellem køn og uddannelse! 90!