Integreret opgave i Social Differentiering & Videregående Kvantitative Metoder Sociologi, Københavns Universitet 3. semester, januar 2015

Transkript

1 Et sexet arbejdsmarked? Integreret opgave i Social Differentiering & Videregående Kvantitative Metoder Sociologi, Københavns Universitet 3. semester, januar 2015 Eksamensnumre (Social differentiering/videregående kvantitativ metode): (368/2068) (349/2049) (330/2030) (319/2019) Antal sider i alt: 113 Antal tegn (u. fodnoter): Antal tegn (m. fodnoter): ! 1!

2 Indholdsfortegnelse 1. INDLEDNING 368/ / PROBLEMFORMULERING 330/ / LÆSEVEJLEDNING 368/ / SOCIAL DIFFERENTIERINGSTEORI 330/ / KØN SOM DIFFERENTIERINGSMEKANISME 368/ / KØNSMÆSSIG DIFFERENTIERING PÅ ARBEJDSMARKEDET 330/ / DEN PATRIARKALSKE ORDEN 368/ / Den patriarkalske og kapitalistiske samfundsstruktur 330/ / Manden og kvinden på arbejde 368/ / DEN FUNKTIONALISTISKE ORDEN 330/ / Funktionalistisk stratifikation 368/ / Manden og kvindens funktioner 330/ / SAMMENLIGNING OG VURDERING AF TEORI 368/ / TEORETISKE HYPOTESER 330/ / OPERATIONALISERING 368/ / KØN 330/ / TILKNYTNING TIL ARBEJDSMARKEDET 368/ / LEDERANSVAR 330/ / EMPIRISKE HYPOTESER 368/ / DATAPRÆSENTATION 330/ / EUROPEAN SOCIAL SURVEY 368/ / POPULATION, STIKPRØVE OG ANALYSEUDVALG 330/ / ANALYSE AF PARTIELT BORTFALD 368/ / ANVENDTE VARIABLE OG OMKODNINGER 330/ / REPRÆSENTATIVITETSTEST 368/ / KØN 330/ / ALDER 368/ / UDDANNELSE 330/ / KONKLUSION PÅ REPRÆSENTATIVITETSTEST 368/ / DESKRIPTIV ANALYSE 330/ / KØN OG ANTAL ARBEJDSTIMER 368/ / KØN OG MEDARBEJDERANSVAR 330/ / OPSUMMERING 368/ / ANALYSESTRATEGI 330/ / STATISTISK TEORI 368/ / MULTIPEL LINEÆR REGRESSION 330/ / Population Regression Function 368/ / Sample Regression Function 330/ / Ordinary Least Squares 368/ / Antagelser ved multipel lineær regression 330/ / R 2 og justeret R 2 368/ / t-test 330/ / F-test 368/ / F-test mod den tomme model 330/ / F-test den restringerede mod den urestringerede model 368/ / Dummyvariable 330/ / ! 2!

3 Interaktioner 368/ / MULTIPEL LOGISTISK REGRESSION 330/ / Estimering 368/ / Odds og oddsratio 330/ / Likelihood ratio-testen 368/ / MODELSØGNING AF MULTIPEL LINEÆR REGRESSION 330/ / MODELTRAPPE FOR LINEÆR REGRESSION 368/ / MODELKONTROL FOR LINEÆR REGRESSION 330/ / OPFYLDELSEN AF HOMOSKEDASTICITET (ANTAGELSE 4) 368/ / PROBLEMER MED HETEROSKEDASTICITET 330/ / TEST FOR MULTIKOLLINEARITET 368/ / KONKLUSION PÅ MODELKONTROL 330/ / MODELSØGNING FOR DEN LOGISTISKE REGRESSION 368/ / MODELTRAPPE FOR LOGISTISK REGRESSION 330/ / LOGISTISK MODELKONTROL 368/ / TEORIEN BAG LOGISTISK MODELKONTROL 330/ / MODELKONTROL 368/ / RESULTATPRÆSENTATION 330/ / AFSLUTTENDE OVERVEJELSER OM DE EMPIRISKE RESULTATER 368/ / TEORETISK DISKUSSION 330/ / KØNSMÆSSIG DIFFERENTIERING PÅ ARBEJDSMARKEDET 368/ / KØNSROLLER TIL GAVN ELLER PROBLEMATISK? 330/ / EGET VALG ELLER ULIGHED I MULIGHEDER? 368/ / KØNSROLLERNE FORSTÆRKES 330/ / KONKLUSION 368/ / LITTERATURLISTE 330/ / SOCIAL DIFFERENTIERING 368/ / VIDEREGÅENDE KVANTITATIVE METODER 330/ / INTERNETSIDER 368/ / BILAG 330/ / BILAG 1: ANALYSE AF PARTIELT BORTFALD 368/ / BILAG 2: OMKODNING AF VARIABLE 330/ / BILAG 3: ARGUMENTATION FOR KONTROLVARIABLE 368/ / BILAG 4: REPRÆSENTATIVITETSTEST 330/ / BILAG 5: DESKRIPTIV ANALYSE 368/ / BILAG 6: SCATTERPLOTS 330/ / BILAG 7: KORRELATIONSMATRICER 368/ / BILAG 8: GRUPPERET RESIDUALANALYSE FOR RESTERENDE VARIABLE 330/ / BILAG 9: DO-FILE 368/ / ! 3!

4 1. Indledning Vi har et selvbillede af, at vi er meget ligestillede. Det er vi også politisk set og i uddannelsessystemet, hvor kvinder klarer sig langt bedre end mænd. Men når kvinderne kommer ud på arbejdsmarkedet, sker der en kolossal ændring (Web 7). Som ovenstående citat, af professor i national økonomi Nina Smith, illustrerer, er der sket et kæmpe skridt, når vi taler ligestilling i uddannelsessystemet. De danske kvinder er i langt højere grad repræsenteret på uddannelsesinstitutionerne sammenholdt med tidligere, men hvad sker der, når de tager afsked med studielivet og møder arbejdsmarkedet? Vi vil i denne opgave ved hjælp af statistiske tests undersøge, hvorvidt der gælder en kønsdifferentiering på arbejdsmarkedet, og derved en forskel i fordelingen af levevilkår på baggrund af et individs køn. Skal dette ses, som værende problematisk eller til gavn for det danske samfund? Og har denne differentiering rod i samfundets måde at opfatte kønsroller på? Dette vil vi igennem opgaven undersøge med afsæt i henholdsvis Sylvia Walbys patriarkatsteori og Talcott Parsons funktionalistiske samfundsforståelse. Har mænd og kvinder forskellige muligheder grundet deres køn, eller skabes disse muligheder ud fra en forestilling om det enkelte køn? Reproducerer vi i dag en forestilling om kønsroller, som bevirker, at køn fortsat fungerer som en social differentieringsmekanisme? Vi vil forsøge at indfange disse problematikker ved at se på køn som differentieringsmekanisme på arbejdsmarkedet. Dette vil munde ud i følgende problemformulering. 1.1 Problemformulering Gælder der en kønsmæssig differentiering på arbejdsmarkedet, og kan denne kønsmæssige differentiering ses, som værende problematisk eller til gavn for det danske samfund? 2. Læsevejledning I denne opgave vil vi indledningsvis skitsere nogle af de spændingsfelter, der gør sig gældende i den sociologiske kønsdebat. Dette vil føre videre til en redegørelse for henholdsvis Walby og Parsons forståelse af kønsdifferentiering, for i diskussion at holde Walbys patriarkalske! 4!

5 samfundsforståelse op mod Parsons funktionalistiske. Med udgangspunkt i den anvendte teori vil vi slutte med at opstille to teoretiske hypoteser. Det efterfølgende afsnit har til formål at fungere som en overgang, hvor vi forsøger at operationalisere de teoretiske hypoteser til empiriske målbare hypoteser. Derefter foreligger der en redegørelse for den statistiske teori, som benyttes i undersøgelsen. Efterfølgende vil vi undersøge, hvorvidt køn påvirker et individs tilknytning til arbejdsmarkedet ved hjælp af den lineære modelsøgning. Vi vil dernæst undersøge sandsynligheden for at have lederansvar som henholdsvis mand og kvinde ved at foretage en logistisk modelsøgning. Der vil foretages modelkontrol af begge regressionsmodeller. Herefter følger en resultatpræsentation, som vil lægge op til den diskuterende del. I diskussionen vil vores resultater netop diskuteres i forhold til de kønsroller, der fremlægges teoretisk. I forlængelse af dette, vil det, med udgangspunkt i henholdsvis Walby og Parsons, diskuteres, om denne kønsdifferentiering er problematisk eller til gavn for samfundet. Efterfølgende vil der være to korte diskuterende afsnit. Det første behandler, hvorvidt denne kønsdifferentiering er et udtryk for forskellige muligheder mellem kønnene eller nærmere et udtryk for, at der findes forskellige præferencer i forhold til kønnene. I det sidste afsnit diskuteres, hvilke mekanismer der bevirker, at disse kønsroller konstant fastholdes. Vi vil afslutningsvis fremlægge opgavens vigtigste konklusioner. 3. Social differentieringsteori Indledningsvis vil vi kortfattet forsøge at klarlægge, hvordan det kønsteoretiske landskab ser ud inden for sociologien samt sætte dette i relation til en kønsmæssig differentiering på arbejdsmarkedet. 3.1 Køn som differentieringsmekanisme I forbindelse med kønsteori skelnes der ofte mellem sex og gender. Sex anvendes som betegnelse for det biologiske køn, hvor man ud fra biologiske kriterier bliver klassificeret som enten mand eller kvinde (West & Zimmerman 1987:127). Gender betegner derimod kønnet, som værende konstrueret gennem det kulturelle og sociale (Ibid.:125). I artiklen Doing Gender (West og Zimmerman 1987) af Candace West og Don H. Zimmerman påpeges det, at man bør udvide denne sondring med sex kategorier (Ibid.:127). Med sex kategorier menes, hvordan der etableres kategoriseringer af individer med reference til det biologiske køn (Ibid.). Et eksempel på dette er opdelingen af offentlige toiletter i herre og dame. På denne måde skabes det kulturelle køn ud fra, hvordan vi handler i forhold til disse sex kategorier. West og Zimmerman forsøger derigennem at! 5!

6 tydeliggøre, hvordan det kulturelle køn formes gennem sociale interaktionsmønstre (Ibid.:126ff). De to forfattere forstår således kønnet performativt gennem interaktion. Judith Butler tilslutter sig i bogen Undoing gender (Butler 2004) forestillingen om, at kønnet er performativt. Hun går dog skridtet videre og mener, at kønnet ingen naturlig essens har (Butler 2004:8). Butler ser netop kønnet, som noget der tager udgangspunkt i de socialt konstruerede normer, som gør sig gældende (Ibid.:7f). I denne sammenhæng bruger Butler begrebet den heteroseksuelle forståelsesmatrix, som udgøres af binære koder om, hvad det vil sige at være henholdsvis maskulin og feminin, der knyttes til enten at være mand eller kvinde (Ibid.:42). På denne måde skaber disse koder kønsidealer, som foreskriver, hvordan kønnene bør opføre sig. Hun mener dermed, at det biologiske køn allerede er prædisponeret i de gældende normer om kønnet. Hermed sætter Butler også spørgsmålstegn ved forestillingen om, at mænd og kvinder er forskellige. Med teorien om den heteroseksuelle forståelsesmatrix problematiserer hun derudover, at der i disse binære koder og forståelsen heraf, ikke er plads til dem, som ikke identificerer sig med én af disse grupperinger (Butler 2004:42). Ifølge Butler er samfundet gennemsyret af binære koder, som indretter individer herefter. Butler fremhæver, at vi skal gøre op med denne kønsmæssige konstruktion, der former og reproducerer kønnene gennem diskursive binære koder. I ovenstående er der fokus på køn som differentieringsmekanisme, men et andet væsentlig perspektiv, når man taler om social differentiering, er begrebet intersektionalitet. Med intersektionalitet menes, at en social kategori ikke kan stå alene (Phoenix 2006:22). Eksempelvis hænger differentiering i form af klasser sammen med differentiering i forhold til køn, etnicitet og så videre. Dette vil sige, at når man undersøger en bestemt social kategori isoleret, kan man ikke forstå denne fuldstændig (Ibid.). Man bliver derimod nødt til at se den i samspil med andre differentieringsmekanismer. Denne forståelse af social differentiering vil vi reflektere over i diskussionen. 3.2 Kønsmæssig differentiering på arbejdsmarkedet I værket Uligevægt Arbejde og familie i Europa (Boje & Ejrnæs 2013) behandler Thomas Boje og Anders Ejrnæs denne kønsmæssige differentiering i forhold til arbejdsmarkedet. De påpeger, at der stadig er en klar opdeling mellem mand og kvinde, hvor manden er familiens vigtigste forsørger, og kvinden derimod er hovedansvarlig for omsorgen i familien (Boje & Ejrnæs 2013:137). I teksten inddrages Arlie Hochschilds begreb om stalled revolution. Hochschild mener, at revolutionen er gået i stå, da revolutionen kun har gjort sig gældende på arbejdsmarkedet, men ikke i forhold til det! 6!

7 huslige arbejde. Gøsta Esping-Andersen mener nærmere, at revolutionen er ufuldstændig og derved ikke, at revolutionen i hjemmet er fuldstændig udeblevet, men en udvikling man langsomt ser sprede sig (Boje & Ejrnæs 2013:193). Afslutningsvis påpeger Boje og Ejrnæs, at der er to hovedproblemer i forhold til det aktuelle familie- og arbejdsliv. For det første at få mænd til at tage sig mere af arbejdet i hjemmet, og for det andet at reducere kvinders dobbelte arbejdsbyrde. Boje og Ejrnæs refererer ydermere til begrebet statistisk diskrimination (Ibid.:64). Med dette menes, at man på baggrund af ufuldstændig information, danner stereotype forestillinger om en person. Et eksempel på dette kan være, at en arbejdsgiver ikke ansætter en kvinde i en fødedygtig alder, fordi der er en forventning om, at hun skal på barsel, og dette vil bevirke en mindre produktion. På denne måde vil arbejdsgiveren nedjustere forventningerne til kvindens arbejdsmæssige produktion, hvilket i nogen tilfælde vil afspejle sig i dårligere løn og karrieremuligheder (Ibid.). Boje og Ejrnæs fremhæver yderligere, at uligheden i mænd og kvinders arbejdstid kan ses som et udtryk for, at mænd og kvinder enten har forskellige præferencer i forhold til arbejdstid, eller det kan ses således, at kvinder generelt ikke har samme muligheder for at tage del i arbejdsmarkedet sammenholdt med mænd (Ibid.:142). Førstnævnte er et udtryk for en forestilling om, at mænd og kvinder har samme muligheder, men forskellige præferencer og dermed ønsker og orienterer sig mod forskellige forpligtelser. Sidstnævnte peger derimod på, at kvinder og mænd har de samme præferencer, men har forskellige capabilities - det vil sige muligheder for at udleve deres præferencer. Førstnævnte position peger på, at samfundet er indrettet på en sådan måde, at mænd og kvinder grundlæggende har samme muligheder for at udfri deres arbejdsmæssige behov. Den anden position peger derimod på, at der gælder en række institutionaliserede mønstre og roller i samfundet, som bevirker, at det ikke er lige nemt for kønnene at følge deres præferencer (Ibid.). Ulrich Beck skildrer på samme måde kvinden og mandens tilknytning til arbejdsmarkedet, som værende forskellig. Ifølge Beck bliver mandens succes i høj grad målt ud fra hans økonomiske og karrieremæssige position (Beck 1997:173). Denne succes er netop vigtig for, at manden kan fungere som den omsorgsfulde ægtemand og familiefar. Omvendt er mandens arbejdskraft afhængig af et harmonisk hjem (Ibid.). Det er netop her kvindens rolle som kone og husmor kommer ind, da det, ifølge Beck, er konen, der har hovedansvaret for dette. Beck nævner dog, at der på dette punkt er sket en ændring, og at kvinden i højere grad kan have et selvstændigt liv blandt andet som følge af en stigende individualisering (Ibid.:172). Som eksempel herpå kan nævnes, at kvinder i højere grad kan konkurrere med mænd i forhold til uddannelse. Beck mener netop, at kvinden står i en position,! 7!

8 hvor kvindens individualiseringsproces ikke er fastlagt, da hun konstant står i en vekslen mellem et selvstændigt liv og det at være til for andre i rollen som mor i familien (Ibid.). Af ovenstående fremgår det således, at køn fungerer som en differentieringsmekanisme i samfundet, og dette kommer også til udtryk på arbejdsmarkedet. Vi vil nu med afsæt i ovenstående betragtninger gøre rede for, hvordan denne differentiering kommer til udtryk i henholdsvis Walbys patriarkatsteori og Parsons funktionalisme. 3.3 Den patriarkalske orden I det følgende afsnit vil vi med udgangspunkt i Walbys tekst Towards a New Theory of Patriarchy (Walby 1986) gøre rede for den patriarkalske struktur, som Walby hævder, gør sig gældende i vestlige samfund (Walby 1986:50). Vi vil desuden inddrage centrale begreber hos Nancy Fraser til at underbygge Walbys forestilling om en udbytningsrelation mellem mænd og kvinder Den patriarkalske og kapitalistiske samfundsstruktur Ifølge Walby er patriarkatet et system af sociale strukturer, hvorigennem mænd udbytter kvinder. Hun definerer det således: I define patriarchy as a system of interrelated social structures through which men exploit women (Walby 1986:51). Forudsætningen for denne udbytning af kvinden skal forstås som følge af både patriarkalske og kapitalistiske strukturer, som i samspil skaber en grundlæggende kønsmæssig ulighed (Ibid.:50). Patriarkatet skal i forlængelse heraf forstås som et komplekst system, der gennemsyrer samfundet, og denne samfundsmæssige struktur kommer blandt andet til udtryk i det betalte arbejde, det huslige arbejde og i statens opbygning (Ibid.). Som det fremgår af ovenstående relaterer Walby det patriarkalske system til et udbytningsforhold mellem mænd og kvinder (Ibid.:52). Denne udbytning skal forstås i relation til Karl Marx udbytningsteori, men hvor det i stedet bliver den patriarkalske produktionsmåde, som Walby opponerer mod. Den patriarkalske produktionsmåde bygger netop på et udbytningsforhold, hvor kvindens opgave består i at reproducere mandens arbejdskraft ved at sørge for husholdningen, børnepasningen og lignende således, at manden kun skal arbejde uden for hjemmet (Ibid.:52f). Walby beskriver det således: A crucial aspect of the work of domestic labourer is the labour she performs on the exhausted husband in order to replenish or produce his labour power (Walby 1986:53). Udbytningen består således i, at det er kvinden, som skaber rammerne for, at manden kan gå på arbejde, men det er manden, som vender hjem med en lønseddel. På denne måde bliver! 8!

9 kvinden fremmedgjort fra sit eget arbejde, idet hun ikke får andel i den merværdi, hun er med til at producere. Dette placerer kvinden i et stærkt afhængighedsforhold, fordi hun bliver afhængig af mandens forsørgelse (Ibid.:53f). Kvinden modtager blot en andel af den løn, som manden modtager fra sin arbejdsgiver, til at opretholde familien, mens han selv beholder resten (Ibid.:53). Kvinden bliver således i kraft af sin rolle som husmor fanget i en udbytningsrelation, hvor manden kan siges at være den udbyttende, men ligeledes udnytter den kapitalistiske struktur, at kvinden er med til at generere en merværdi for arbejdsgiveren. På denne måde er kvinden underlagt en form for dobbeltudbytning Manden og kvinden på arbejde Walby ekspliciterer yderligere, hvordan den patriarkalske orden, i samspil med den kapitalistiske samfundsstruktur, skaber mænd og kvinders ulige chancer på arbejdsmarkedet: When the patriarchal mode articulates with the capitalist mode, the primary mechanism which ensures that women will serve their husbands is their exclusion from paid work on the same terms as men (Walby 1986:54). Denne samfundsorden har altså en påvirkning på mænd og kvinders ulige livschancer og i forlængelse heraf deres adgang til magtfulde positioner på arbejdspladsen (Ibid.:55f). Dette relaterer Walby til sociologen Frank Parkins begreb om social lukning 1. Social lukning beskriver en mekanisme, hvormed en gruppe af mennesker udelukker andre for derved at sikre sig selv en privilegeret position i samfundet (Harrits 2014:86). Denne sociale lukning kan finde sted ved eksklusion og usurpation 2, men vi vil dog fremadrettet kun beskæftige os med førstnævnte. Parkin beskriver denne form for social lukning således: the process by which social collectives seek to maximize rewards by restricting access to resources and opportunities to a limited circle of eligibles (Parkin 1994:143). Det bliver dermed en strategi for en bestemt gruppe at ekskludere andre. Dette er ikke nødvendigvis en intenderet proces og kan i stedet være en uagtet konsekvens (Harrits 2014:87). Walby hævder, at denne sociale lukning direkte kan relateres til den samfundsmæssige patriarkalske orden og i forlængelse heraf kan relateres til arbejdsmarkedet, hvor det er hendes postulat, at mænd foretrækker at ansætte og inkludere andre mænd frem for kvinder (Walby 1986:56). På denne måde ekskluderes kvinderne, og dette gør sig i særdeleshed gældende,!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 1!Parkin tager afsæt i Max Webers begreb om social lukning, men udvider begrebet til at gælde to processer; både eksklusion og usurpation, hvor Webers begreb kun tager udgangspunkt i den ekskluderende proces (Harrits 2014:85-86).! 2!Usurpation og eksklusion skal, ifølge Parkin, ses i samspil og som konsekvens af hinanden. Social lukning ved usurpation er netop de ekskluderedes opadgående modsvar på at blive ekskluderet af den privilegerede gruppe, og derved deres forsøg på at ændre situationen ved at tilegne sig de muligheder og ressourcer, der tilfalder den privilegerede gruppe (Parkin 1994:144).!! 9!

10 når det kommer til valget af, hvem der skal besidde de magtfulde positioner og lederstillinger. Hun anvender dog også begrebet til at beskrive virksomheder, som overvejende er mandsdominerede og generelt har få kvinder ansat (Ibid.). Der er således både tale om en proces, hvor kvinder har svært ved at tilegne sig de høje stillinger, men det kan også dreje sig om den generelle adgang til arbejdsmarkedet. Nancy Fraser problematiserer ligeledes kønnenes ulige adgang til arbejdsmarkedet i relation til Walbys forståelse heraf. Hun beskriver kønnet som en bivalent kollektivitetsform, hvormed der menes, at kønnet både er underlagt en række socioøkonomiske uretfærdigheder såvel som kulturelle uretfærdigheder (Fraser 2008:68f). De socioøkonomiske uretfærdigheder knytter sig til Walbys patriarkatsteori, som beskriver, at der hersker en ubalance mellem det produktive, lønnede arbejde og det reproduktive, huslige arbejde. Denne ubalance kommer til udtryk ved, at det primært er manden, der påtager sig at udføre førstnævnte, mens kvinden overordnet varetager sidstnævnte (Ibid.). I denne sammenhæng kan man inddrage Frasers begreb mommy track, som betegner den karrierevej, kvinder ofte havner i. Denne starter ofte, når kvinden tager barsel og er kendetegnet ved ikke kontinuert arbejde, som ofte er på deltid eller dårligere lønnet (Boje og Ejrnæs 2013:66). Fraser uddyber de socioøkonomiske uretfærdigheder og pointerer, at der også er tale om en kønnet arbejdsdeling i det lønnede arbejde, hvor mænd ansættes i de højtlønnede jobs, mens kvinder i højere grad ansættes i de mindre vellønnede jobs. Den socioøkonomiske uretfærdighed knytter sig således både til balancen mellem det produktive og reproduktive arbejde, men også til hvilke lønnede jobs, man som henholdsvis mand og kvinde har mulighed for at besidde (Ibid.). Pointen hos Fraser underbygger Walbys forestilling om udbytningsmekanismer, da det netop er Frasers pointe, at konsekvensen af ovenstående er kønsspecifikke former for udbytning, marginalisering og afsavn (Fraser 2008:68f). Det andet aspekt af denne uretfærdighedsproblematik beror i stedet på en kulturel uretfærdighed. Et eksempel herpå er androcentrisme, hvormed der menes:...den autoritative konstruktion af normer, der favoriserer maskuline karakteristika (Fraser 2008:69). I forlængelse af dette tilknytter der sig en sexisme, som er med til at devaluere kvindens værd. Denne form for uretfærdighed knytter sig således til en kulturelt forankret forskel på mænd og kvinder, og kan i modsætning til førstnævnte problematik snarere løses med anerkendelse frem for omfordeling. Det er desuden vigtigt at bemærke, at kønnets bivalente karakter netop beror på, at de to uretfærdighedsproblematikker indvirker på og forstærker hinanden dialektisk (Ibid.:70).! 10!

11 Efter at have fremlagt kønsdifferentiering i samfundet som en udbytningsrelation skabt af en patriarkalsk og kapitalistisk samfundsstruktur, vil vi i det følgende afsnit gøre rede for, hvordan kønsdifferentieringen i stedet kan opfattes, som værende funktionel. Her vil vi inddrage Kingsley Davis og Wilbert E. Moore, men vi vil primært fokusere på Parsons. 3.4 Den funktionalistiske orden Funktionalistisk stratifikation Funktionalisme inden for samfundsvidenskaberne betegner ideen om, hvordan forskellige samfundsmæssige fænomener som eksempelvis normer, institutioner, sociale strukturer har en virkning eller funktion for samfundet som helhed (Andersen 2013:267). Blandt tilhængere af denne forståelse er Davis og Moore. De ser netop denne funktionalistiske stratifikation 3, som værende nyttig, da den bidrager til, at de mest kvalificerede ledes ind i de vigtigste og mest krævende positioner, der findes i et samfund (Davis & Moore 1994:40f). I den forbindelse mener Davis og Moore, at belønning og respekt skal fordeles til dem, der besidder vigtige positioner, samt dem der har positioner, der kræver visse færdigheder (Ibid.:40). Ifølge Davis og Moore indebærer funktionalismen nødvendigheden af stratifikation, hvilket kommer til udtryk i følgende citat: As a functioning mechanism a society must somehow distribute its members in social positions and indice them to perform the duties of these positions (Davis & Moore 1994:40). Fordelingen af belønninger og agtelse, som står centralt inden for funktionalismen, er blandt andet med til at skabe et værdi- eller statushierarki i samfundet, og det er netop dette, som Davis og Moore ser som gavnligt for samfundet. Davis og Moore mener altså, at ligegyldig hvor simpelt eller komplekst et samfund er, differentieres der i forhold til prestige og respekt. På denne måde bør og skal samfundet skabe en bestemt mængde af institutionaliseret ulighed (Ibid.) Manden og kvindens funktioner En lignende funktionalistisk samfundsforståelse gør sig gældende hos Parsons. Parsons ser nogen grad af differentiering som nødvendig, da det medfører, at samfundet leverer specifikke bidrag, som er med til at opretholde og skabe integration i samfundet (Harrits 2014:38). Parsons arbejde handler i den forbindelse om funktionel stratifikation inden for forskellige dele af samfundet, herunder kommer han i Den amerikanske familie: dens forhold til personligheten og!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 3!Stratifikation!kan!forstås!som!et!samfunds!institutionaliserede!hierarki!af!social!ressourcer!og!grupper!(Harrits! 2014:20).!!! 11!

12 samfunnsstrukturen (Parsons 1988) ind på forskellige kønsmæssige funktioner eller roller. Det skal i denne sammenhæng nævnes, at teksten oprindeligt er fra 1955, og hvorvidt disse beskrivelser passer på det aktuelle samfund, vil diskuteres nærmere i afsnit 3.5. Parsons mener, at der er sket et funktionstab inden for familien som følge af et mere specialiseret samfund (Parsons 1988:126). Dette gælder særligt på makroniveau, hvor familien, ifølge Parsons, er blevet funktionsløs. Eksempelvis bidrager familien som system ikke til en større økonomisk produktion eller til integrationen i samfundet (Ibid.). Parsons mener dog stadig, at familien besidder to vigtige funktioner. For det første er den med til at sikre barnets socialisering, og for det andet er den med til at skabe en stabilisering af de voksne i familien af begge køn (Ibid.). Dette har, ifølge Parsons, fået større betydning inden for ægteskabet som følge af svækkelsen af slægtskabets betydning og i takt med kernefamiliens isolation (Ibid.:129). Parsons mener netop, at det er disse opgaver, som familien og de dertilhørende roller er specialiseret til at kunne varetage. Det er centralt hos Parsons, at manden og kvinden har forskellige roller i familien (Ibid.:131). I denne sammenhæng får manden den instrumentelle rolle og kvinden den ekspressive rolle (Ibid.). Den kønsmæssige differentiering, mener Parsons, starter i forbindelse med kvindens graviditet og efterfølgende amning (Ibid.). Svangerskabet skaber nemlig, ifølge Parsons, et bånd mellem kvinden og barnet, der samtidig medfører, at manden, der ikke besidder disse biologiske funktioner, må tage sig af det instrumentelle (Ibid.). Denne bio-sociale udvikling skaber altså en kønsmæssig differentiering, der har betydning for familiens videre struktur og funktion. Mandens instrumentelle rolle kommer først og fremmest til udtryk i og med, at han har hovedansvaret for indtægten og dermed hovedtilknytning til erhvervslivet. I forlængelse af dette, mener Parsons, at manden besidder mange væsentlige funktioner for familien, og han kalder manden den instrumentelle leder af familien som et system (Ibid.:125). Disse væsentlige funktioner består blandt andet af, at manden gennem sit job er med til at bestemme familiens status i fællesskabet, og at mandens indtægt har betydning for familiens levestandard og dermed livsstil (Ibid.). Samtidig, mener Parsons, at kvinden på arbejdsmarkedet ikke kan opnå en status, som kan konkurrere med manden, hverken i form af anseelse eller indkomstmæssigt. I forbindelse med moderrollen, påpeger Parsons, at der udover at være sket en specialisering af moderrollen også er sket en professionalisering af denne (Ibid.:133). Denne professionalisering medfører en rationalitet, der rent fysisk betyder, at moderen benytter nogle andre tekniske redskaber eksempelvis i forhold til amning. Rent psykologisk, mener Parsons, at dette betyder, at kvinden i moderrollen i højere grad forsøger at forstå denne kjærlighets! 12!

13 natur, betingelser og begrensninger, og de måter dens avarter kan skade istedenfor gavne hendes barn (Parsons 1988:133). På denne måde har moderrollen taget en ændring fra blot at elske sit barn til rationelt at ville kunne forstå barnet (Ibid.). Derfor er kvindens rolle forankret i rollen som mor, kone og chef for husholdningen, hvorimod mandens rolle er forankret i arbejdslivet og den funktion, han opnår derigennem (Ibid.:125). Efter at have gjort rede for henholdsvis Walby og Parsons syn på kønsroller, vil vi i det følgende afsnit forsøge at sammenligne og vurdere deres respektive teorier. 3.5 Sammenligning og vurdering af teori Som det fremgår af ovenstående redegørelse, påpeger både Walby og Parsons, at en kønsmæssig differentiering finder sted i samfundet. De har dog vidt forskellige syn på, hvorvidt denne er til gavn eller er problematisk for samfundet. Ifølge Parsons er manden og kvindens ansvar for varetagelse af forskellige opgaver det mest funktionelle både for familien som institution, men også for samfundet som helhed. På denne måde ses den kønsmæssige differentiering som funktionel og til gavn for samfundet. Walby præsenterer derimod kønsmæssige differentieringer som en ulighed mellem mænd og kvinder, hvor kvinden bliver sat i en underlegen rolle. Hos Walby er kønsmæssig differentiering et udtryk for en udbytningsmekanisme, der er skabt af samfundsmæssige strukturer. På den måde kan man argumentere for, at kønsdifferentieringen på arbejdsmarkedet er problematisk, fordi de understøtter en udbytning af kvinden, som ikke står til opløsning, fordi den er forankret i en dybereliggende samfundsmæssig struktur. De to teorier adskiller sig i høj grad fra hinanden. Walby ser den kønsmæssige differentiering, og det udbytningsforhold, der skabes gennem dette, som værende problematisk. Hvorimod Parsons funktionalistiske teori ikke ser nogen konflikter i forbindelse med denne differentiering, og heller ikke tillægger det, at der kan være konflikt mellem forskellige positioner i samfundet nogen betydning. På denne måde kan Parsons teori ses, som værende konsensusorienteret. Parsons essay Den amerikanske familie: dens forhold til personligheten og samfunnsstrukturen og Walbys Patriarchy at Work er fra henholdsvis år 1955 og år Der ligger derfor en svaghed i benyttelsen af disse, da der kan stilles spørgsmålstegn ved, om teorien stadig er gældende i det aktuelle samfund.! 13!

14 I Boje og Ejrnæs værk fra 2013 påpeges det, at kvinden i højere grad er kommet ud på arbejdsmarkedet, og alt tyder på, at der er sket en stor ændring i forhold til, at kvinden i dag er mere tilknyttet arbejdslivet (Boje og Ejrnæs 2013:156). De to forfattere tydeliggør dog som nævnt, at en kønsmæssig differentiering på arbejdsmarkedet stadig gør sig gældende, da de lægger vægt på, at der stadig er en klar opdeling af, hvem der varetager hvilke opgaver. I den forbindelse har kvinden som nævnt hovedansvaret for omsorgen i familien, og manden ses omvendt som familiens vigtigste forsørger (Ibid.:137). Derfor kan man argumentere for, at Boje og Ejrnæs bekræfter, at der ligesom hos Walby og Parsons, gør sig en form for kønsdifferentiering gældende. Vi mener derfor, at Walby og Parsons teori fortsat kan finde anvendelse, så længe vi i diskussionen har in mente, at teorierne er formuleret i en anden tid. Med afsæt i ovenstående teori vil vi i det næste afsnit opstille to teoretiske hypoteser, som vi vil undersøge videre gennem opgaven. 4. Teoretiske hypoteser Det kommer, som det fremgår af ovenstående afsnit, til udtryk hos både Walby og Parsons, at der gælder en kønsmæssig differentiering på arbejdsmarkedet, som bevirker, at henholdsvis mænd og kvinder har forskellige balancer mellem det lønnede og ulønnede arbejde. Med det menes der, at man som henholdsvis mand og kvinde ikke har samme relation til og rolle på arbejdsmarkedet, og det er således en gennemgående påstand hos dem begge, at manden er den primære forsørger og den, som varetager det lønnede arbejde i familien. Det er denne kønsmæssige differentiering, som vi vil undersøge gennem opgaven, og som kommer til udtryk i de to følgende teoretiske hypoteser. Hypotese 1: Køn påvirker den enkeltes tilknytning til arbejdsmarkedet. Figur 4.1: Køn! Tilknytning!til! arbejdsmarkedet!! Hypotese 2: Køn påvirker den enkeltes sandsynlighed for at opnå lederansvar.! 14!

15 Figur 4.2: Køn! Lederansvar!!! 5. Operationalisering Det følgende afsnit tager sigte på at eksplicitere overgangen fra teoretisk til empirisk niveau. Vi vil således i det følgende afsnit operationalisere køn, tilknytning til arbejdsmarkedet og lederansvar til empirisk målbare variable. 5.1 Køn Vi anvender køn både på det teoretiske og empiriske niveau i denne opgave. Køn måler vi som dét, der i sociologisk forstand, kan betegnes som det biologiske køn, hvor respondenterne kan vælge enten at betegne sig som mand eller kvinde. Vi kan ret beset ikke vide, om man har svaret på sit sociale eller biologiske køn, men vi antager, at respondenterne har svaret med udgangspunkt i deres biologiske køn. Vi vil netop problematisere denne biologiske forståelse af køn, som styrende for opfattelsen af det sociale køn i opgavens diskussion. 5.2 Tilknytning til arbejdsmarkedet Tilknytning til arbejdsmarkedet kan måles ud fra flere forskellige variable, men vi operationaliserer tilknytning til arbejdsmarkedet til variablen ugentligt antal arbejdstimer. Man kan argumentere for, at en persons tilknytning til arbejdsmarkedet unægtelig må baseres på, hvor mange timer man faktisk befinder sig på en arbejdsplads og udfører lønnet arbejde, og dermed tilknytter sig til arbejdsmarkedet. Sammenhængen mellem tilknytning til arbejdsmarkedet og antal ugentlige arbejdstimer konstitueres således af, at jo flere timer man ugentligt arbejder, desto større tilknytning har man til arbejdsmarkedet. Figur 5.1: Tilknytning!til! arbejdsmarkedet! Antal!arbejdstimer!!!! 15!

16 5.3 Lederansvar Vi måler lederansvar ud fra variablen, der baserer sig på spørgsmålet: Har/havde du ansvar for at føre tilsyn med andre medarbejderes arbejde i dit primære job? Hvortil man enten kan svare ja eller nej. Fremadrettet betegner vi denne variabel som medarbejderansvar. Vi operationaliserer lederansvar til denne variabel, da det at føre tilsyn med andre medarbejderes arbejde udgør en væsentlig bestanddel i en leders job. Det forekommer helt intuitivt at det at lede andre mennesker også indebærer at føre tilsyn med og have ansvar for deres arbejde lige såvel, som det bakkes op af følgende leksikalske definition: [En leder] er en person, som leder og fordeler arbejdet blandt underordnede arbejdstagere (Web 6). Dette underbygger således, at det er en leders ansvar at føre tilsyn med andre medarbejderes arbejde. Figur 5.2: Lederansvar! Medarbejderansvar!! 6. Empiriske hypoteser I det følgende afsnit forefindes de empiriske hypoteser, som er opstillet på baggrund af ovenstående operationalisering. Empirisk hypotese 1: Kønnet påvirker hvor mange timer, man ugentligt arbejder. Figur 6.1 Køn! Antal!arbejdstimer!!! Vi har en forestilling om, at der vil være forskel på, hvor mange timer henholdsvis mænd og kvinder arbejder. Empirisk hypotese 2: Kønnet påvirker, hvor stor sandsynlighed man har for at have medarbejderansvar.! 16!

17 Figur 6.2: Køn!! Medarbejderansvar!! Vi har en forventning om, at der er forskel på sandsynlighed for at have medarbejderansvar afhængigt af, om du er mand eller kvinde. 7. Datapræsentation 7.1 European Social Survey Det anvendte datasæt er baseret på den senest publicerede survey fra European Social Survey, som er en tværnational survey, der gennemføres hvert andet år i op mod 30 europæiske lande, og er blevet det siden Danmark har deltaget i undersøgelsen hver gang (Web 2). Dette datasæt er derfor gennemført som den 6. runde af ESS og er udført af SFI-survey (Web 3). Dataindsamlingen er gennemført ved brug af CAPI, det vil sige, at spørgeskemaet er blevet gennemført ansigt til ansigt, og svarene indtastet på computer. Det anvendte datasæt er baseret på data indsamlet blandt personer med privat bopæl i Danmark uafhængigt af nationalitet, statsborgerskab og sprog, og der er indsamlet data fra respondenter. Respondenterne er udtrukket ved en simpel tilfældig udvælgelse (Web 4). 7.2 Population, stikprøve og analyseudvalg Populationen udgøres gennem hele opgaven af alle personer med en privat bopæl i Danmark i alderen år, som er aktive på arbejdsmarkedet mere end 10 timer og til og med 80 timer om ugen. Det vil sige, at populationen er personer i den arbejdsduelige alder. Stikprøven udgøres af i alt respondenter i alderen 15 år og opefter, der bor i en privat husstand i Danmark. Vores analyseudvalg består af personer mellem 15 og 67 år, og disse personer udfører betalt arbejde mellem 10 og 80 timer om ugen. Vi betragter de få respondenter, der arbejder mere end 80 timer om ugen, som outliers, da det kræver, at man arbejder ca. 11,5 time i døgnet alle ugens dage, hvilket synes usandsynligt. Ved denne frasortering opstår et bortfald på 488 personer.! 17!

18 Ydermere sorterer vi de respondenter fra, som ikke har besvaret samtlige variable, som vi anvender som henholdsvis primære- og kontrolvariable. Vi opererer således med et konstant analyseudvalg bestående af personer og har dermed et endeligt bortfald på 534 personer. Nedenstående figur illustrerer overgangen fra stikprøve til analyseudvalg. Figur 7.1. Fra stikprøve til analyseudvalg:!! Stikprøve! 1.650!! 1.650! Analyseudvalg! 1.116!!! Bortfald! 534! 7.3 Analyse af partielt bortfald Som det er nævnt i ovenstående opleves et bortfald på 534 personer, når den udtrukne stikprøve indsnævres til vores analyseudvalg. Der opstår et frafald, når analyseudvalget indsnævres til at gælde respondenter, som har besvaret samtlige af de spørgsmål, som indgår i undersøgelsen. Dette gøres for at sikre et konstant analyseudvalg. I Bilag 1 fremgår bortfaldet for hver enkel variabel, som er benyttet i undersøgelsen, således at det er muligt at undersøge, hvorvidt det samlede bortfald skyldes enkelte kategorier eller den samlede kombination af partielt bortfald. Det største partielle bortfald opstår i kategorien antal arbejdstimer og er på 5,47 %, hvilket betragtes som lavt. Det konkluderes derfor, at svarandelen i samtlige spørgsmål ser acceptabel ud. Det kan konstateres, at det største bortfald sker, når analyseudvalget indsnævres til en bestemt aldersgrænse og et bestemt arbejdstimeinterval. Det bortfald, der opstår, når analyseudvalget indsnævres til personer, der har svaret på samtlige af de benyttede spørgsmål, skyldes en kombination af et mindre partielt bortfald, der ikke vurderes som betydeligt.! 18!

19 8. Anvendte variable og omkodninger Følgende vil være en gennemgang af hvilke variable, der anvendes i opgaven og deres fordelinger, samt de omkodninger der bruges statistisk. Hvordan de forskellige variable er omkodet fremgår af Bilag 2. Flere af kontrolvariablene er blevet omkodet til binære variable og har dermed mistet nogle af de mere nuancerede svarmuligheder. Vi anser dog ikke dette, som værende problematisk. Det skyldes, at vi er interesserede i de mere overordnede træk ved de respektive variable frem for nuancerne. Eksempelvis er vi interesserede i effekten af, om man arbejder i den private eller offentlige sektor, mens om man arbejder i staten eller i en anden offentlig virksomhed er af uvæsentlig karakter. Kontrolvariablene i opgaven indsættes for at rense for den effekt, den enkelte kontrolvariabel kunne have på vores afhængige variabel. Af Bilag 3 fremgår en argumentation for, hvorfor vi har valgt at inddrage de respektive kontrolvariable. Køn Kønsvariablen er vores Parameter of Interest (POI) både i forbindelse med vores lineære og logistiske analyse. Der er stort set lige mange mænd og kvinder i vores analyseudvalg. Kønsfordelingen ser ud således: Tabel 8.1: Antal Procent Mand ,99 % Kvinde ,01 % I alt % Arbejdstimer I vores lineære analyse anvendes variablen arbejdstimer som vores afhængige variable. Variablen arbejdstimer viser, hvor mange timer den enkelte respondent arbejder på en normal arbejdsuge inklusiv overarbejde. Det ses her, at en stor del af vores analyseudvalg svarende til 30,29 % gennemsnitligt arbejder 37 timer om ugen.! 19!

20 Tabel 8.2: Antal Antal Procent ,97 % ,27 % ,16 % ,09 % ,18 % ,06 % ,36 % ,18 % ,99 % ,18 % ,05 % ,09 % ,36 % ,18 % ,36 % ,06 % ,09 % ,54 % ,54 % ,18 % ,12 % ,54 % ,87 % ,72 % ,79 % ,12 % ,72 % ,29 % ,61 % ,88 % ,11 % ,72 % ,03 % ,16 % ,36 % ,53 % arbejdstimer Antal Antal Procent arbejdstimer Antal Antal Procent arbejdstimer ,18 % ,63 % ,34 % ,09 % ,39 % ,18 % ,18 % ,09 % ,16 % ,18 % ,18 % ,52 % ,09 % ,36 % ,63 % ,18 % ,18 % Total % Medarbejderansvar I vores analyseudvalg har ca. en tredjedel (33,06 %) medarbejderansvar. Denne variabel bliver som nævnt brugt som afhængig variabel i vores logistiske modelsøgning, og derudover anvendes den som kontrolvariabel i vores lineære regression. Tabel 8.3: Antal Procent Medarbejderansvar ,06 % Ikke medarbejdersansvar ,94 % I alt %! 20!

21 Uddannelse Uddannelse bruges både som kontrolvariable i den logistiske og lineære analyse. I forbindelse med denne variable har vi foretaget omkodninger (se Bilag 2). Fordelingen i de forskellige uddannelseskategorier ser ud som i nedenstående tabel. Her ses det, at der er flest, der er uddannet som faglært (29,39 %), eller som har en mellemlang videregående uddannelse (25,72 %) i vores analyseudvalg. Tabel 8.4: Uddannelse Antal Procent Grundskole ,28 % Gymnasial 108 9,68 % Faglært ,39 % KVU ,2 % MVU ,72 % LVU ,74 % Total % Alder og Alder 2 Alder anvendes også som kontrolvariabel i både den lineære og logistiske modelsøgning. Aldersfordelingen ser ud, som følgende.! 21!

22 Tabel 8.5: Alder Antal Procent ,09 % ,18 % ,72 % ,08 % ,61 % ,61 % ,61 % ,52 % ,52 % ,43 % ,52 % ,54 % ,52 % ,61 % ,08 % ,88 % ,52 % ,81 % Alder Antal Procent ,97 % ,06 % ,52 % ,52 % ,7 % ,97 % ,52 % ,78 % ,6 % ,42 % ,97 % ,24 % ,6 % ,33 % ,05 % ,42 % ,33 % ,69 % Alder Antal Procent ,33 % ,78 % ,88 % ,14 % ,32 % ,6 % ,78 % ,42 % ,42 % ,06 % ,97 % ,15 % ,7 % ,79 % ,78 % ,33 % Total % Udover alder vælger vi desuden at anvende alder 2 som kontrolvariabel. Denne variabel genereres ud fra aldersvariablen ved at kvadrere denne. Dette gør vi, da vi har en teoretisk formodning om, at en persons antal arbejdstimer ikke er kontinuerligt stigende gennem et arbejdsliv, men derimod når et højdepunkt, eksempelvis midtvejs i ens arbejdsliv for derefter at falde, som ens alder stiger. Om dette gør sig gældende, har vi undersøgt ved at plotte respondenterne i et scatterplot ud fra deres alder og det antal timer, de arbejder. Det giver følgende fordeling:! 22!

23 Figur 8.1: Plottet kan ses som en indikation på, at ovenstående formodning gør sig gældende. Når vi bruger alder 2 i vores modelsøgning, skal vi dog beholde alder i modellen. Dette gøres i overensstemmelse med det hierarkiske princip, som betyder, at man ved inddragelse af en variabel af højere orden altid skal inkludere den tilsvarende variabel af lavere orden (Gujarati & Porter 2010:156). Hjemmeboende børn Som kontrolvariabel bruges ligeledes, om respondenten har hjemmeboende børn eller ej. Der er en mindre overvægt på 10,04 procentpoint af personer, der ikke har hjemmeboende børn i vores analyseudvalg. Tabel 8.6: Antal Procent Ikke hjemmeboende børn ,02 % Hjemmeboende børn ,98 % I alt % Samlever Om respondenten bor sammen med mand, kone eller partner bliver også brugt på som kontrolvariabel.! 23!

24 Tabel 8.7: Antal Procent Ikke samlever ,23 % Samlever ,77 % I alt % Sektor Om hvorvidt man er ansat i den private eller offentlige sektor bruges ligeledes som kontrolvariabel. I denne forbindelse bruges omkodningen, som fremgår af Bilag 2. Ca. tre femtedele (60,13 %) af vores analyseudvalg arbejder i den private sektor. Tabel 8.8: Antal Procent Privat ,13 % Offentlig ,87 % I alt % Byen På samme måde har vi foretaget omkodninger i forbindelse med variablen vedrørende, om respondenten bor på landet eller i byen (se Bilag 2). I vores analyseudvalg bor 70,79 % i byen, og det består derfor af langt flere, der er bosat i byen end på landet. Tabel 8.9: Antal Procent Landet ,21 % Byen ,79 % I alt % Indflydelse Ydermere bruges en kontrolvariabel, der indebærer i hvor høj grad, man selv får lov til at bestemme, hvordan ens daglige arbejde tilrettelægges. I denne forbindelse har respondenterne! 24!

25 angivet et svar fra 0 til 10. Hvor 0 svarer til, at man ingen indflydelse har, og 10 at man helt selv afgør, hvordan ens arbejde skal tilrettelægges (Web 5). Tabel 8.10: Antal Procent Jeg har/havde ingen ,1 % indflydelse 0 s1 41 3,67 % ,91 % ,48 % ,66 % ,48 % ,53 % ,35 % ,67 % ,57 % Det afgør/afgjorde ,57 % jeg helt selv 10 Total % Økonomi Vi bruger ligeledes en kontrolvariabel, som vi kalder økonomi. I denne spørges der ind til, hvordan ens opfattelse er af husstandens indkomst på daværende tidspunkt. Som det fremgår af nedenstående tabel, mener størstedelen af analyseudvalget (67,65 %), at de har en god økonomi. Tabel 8.11: Antal Procent God økonomi ,65 % Svær økonomi ,35 % I alt %! 25!

26 Rig Kontrolvariablen rig betegner, hvor vigtigt det er for respondenten at være rig, have penge og dyre ting. I forbindelse med denne har vi også foretaget en omkodning (se Bilag 2). Fordelingen for denne kontrolvariabel ser således ud: Tabel 8.12: Antal Procent Vigtigt ,29 % Mindre vigtigt ,71 % I alt % Frivilligt arbejde Ydermere spørges der ind til, hvor involveret respondenten har været i frivilligt arbejde inden for de sidste tolv måneder. I denne forbindelse svarer 77,24 % af vores analyseudvalg, at han/hun sjældent deltager i frivilligt arbejde. I forbindelse med denne kontrolvariabel er der ligeledes foretaget en omkodning (se Bilag 2). Tabel 8.13: Antal Procent Ofte ,76 % Sjældent ,24 % I alt % Religiøs Kontrolvariablen måler, om man tilhører en bestemt religion eller trosretning. Analyseudvalget fordeler sig nogenlunde lige med 7,52 procentpoint flere, der er religiøse, end personer der ikke betragter dem selv som tilhængere af en religion.! 26!

27 Tabel 8.14: Antal Procent Ikke religiøs ,24 % Religiøs ,76 % I alt % 9. Repræsentativitetstest I de følgende afsnit undersøges det, om analyseudvalget bestående af respondenter er repræsentativt for populationen. Vi udfører repræsentativitetstesten på variablene køn, alder og uddannelse. Vi undersøger repræsentativiteten af disse, så vi senere ved, om vi på baggrund af vores analyseudvalg kan udtale os om populationen. Som nævnt i afsnit 7.2 består populationen af personer bosat i Danmark med en privat husstand i alderen år, der udfører betalt arbejde mellem 10 og 80 timer om ugen. Data om denne population er udtrukket fra Danmarks Statistik (Web 1), og er fra 2012 ligesom datasættet fra ESS. Det skal i denne sammenhæng nævnes, at vores populationsdata går fra årige til trods for, at vores analyseudvalg, som nævnt, kun indeholder personer i alderen år. Dette anser vi dog ikke som problematisk, da vi antager, at de 68- og 69-årige følger samme mønster som de resterende respondenter i den pågældende gruppe. 9.1 Køn Først og fremmest undersøges det, om den kønsmæssige fordeling af mænd og kvinder er repræsentativ i forhold til populationen. Følgende tabel viser kønsfordelingen i henholdsvis analyseudvalget og populationen for år 2012.! 27!

28 Figur 9.1. Kønsfordelingen i analyseudvalget og i populationen: Kønsfordelingen i populationen og analyseudvalget Andele& 0,8! 0,7! 0,6! 0,5! 0,4! 0,3! 0,2! 0,1! 0! 0,53! 0,51! 0,47! 0,49! Mand! Kvinde! Population! Analyseudvalg! Kilde: KRHFU2: Befolkningens højeste fuldførte uddannelse (15-69 år) efter område, alder, køn og arbejdsmarkedstilknytning (tidl UDD3) (Web 1). På baggrund af ovenstående diagram ser det ud til, at køn fordeler sig nogenlunde ensartet i analyseudvalget og populationen, men der forekommer dog en forskel, hvorfor vi laver vi en z-test for at være sikre herpå. Vi ønsker at teste, om kønsfordelingen i analyseudvalget er signifikant forskellig fra kønsfordelingen i populationen. Køn følger en bernoullifordeling, hvorfor en eventuel repræsentativitet for fordelingen af kvinder vil bevirke, at der også gælder repræsentativitet i fordelingen af mænd (Malchow-Møller & Würtz 2010:137). Vi opstiller derfor følgende hypoteser med udgangspunkt i kvindernes fordeling: H 0 : Andelen af kvinder i analyseudvalget = andelen af kvinder i populationen H 1 : Andelen af kvinder i analyseudvalget andelen af kvinder i populationen Vi opstiller således en dobbeltsidet hypotese, som under normalfordelingen og med et sat signifikansniveau på 30% får den kritiske værdi ±1,04. Der anvendes teststatistikken for en Bernoullifordeling (Malchow-Møller & Würtz 2010:318):! =!!! (!! (1!! ))! = 0, (0, ,4747 ) 1116 = 1,03! 28!

29 Vi kan således ud fra en z-værdi på 1,03 acceptere nulhypotesen, da denne befinder sig inden for de kritiske værdier. Dette illustreres i nedenstående figur 9.2. Vi kan derfor konkludere, at køn i analyseudvalget er repræsentativt for populationen. Figur 9.2: 9.2 Alder Vi undersøger nu, hvorvidt aldersfordelingen i analyseudvalget er repræsentativt i forhold til populationen. Følgende graf viser aldersfordelingen for analyseudvalget over for populationens aldersfordeling. Figur 9.3: Aldersfordelingen i analyseudvalget og populationen Aldersfordeling i henholdsvis population og analyseudvalg Andele& 0,35! 0,3! 0,25! 0,2! 0,15! 0,1! 0,05! 0! 15R24! 25R34! 35R44! 45R54! 55R69*! Aldersintervaller& Analyseudvalg! Population! Kilde: KRHFU2: Befolkningens højeste fuldførte uddannelse (15-69 år) efter område, alder, køn og arbejdsmarkedstilknytning (tidl UDD3) (web 1). * Disse alderskategorier indeholder årige i populationsdata og årige i analyseudvalget. Se afsnit 9.! 29!

30 Af grafen fremgår det, at aldersfordelingen i henholdsvis analyseudvalget og populationen ikke ser ud til at følges ad. For at undersøge, om denne forskel er signifikant, udføres en homogenitetstest ved en! 2 -test. Vi tester altså, om analyseudvalgets fordeling følger populationens aldersfordeling. Hertil opstilles følgende nul- og alternativhypotese: H 0 : Aldersfordelingen i analyseudvalget = aldersfordelingen i populationen. H 1 : Mindst én af alderskategorierne i analyseudvalget aldersfordelingen i populationen. Til at skelne mellem nul og alternativhypotesen benyttes den samlede teststatistik for en!! test (Malchow-Møller & Würtz 2010:362) 4 :!! =!!!! (!!!!! )!!!! Ved hjælp af ovenstående formel udregnes en!! -værdi ud fra den observerede og forventede frekvens under nulhypotesen. Nedenstående tabel 9.1 viser den forventede frekvens for aldersfordelingen i analyseudvalget, hvis denne skulle følge populationens fordeling. Derudover viser tabellen!! -værdierne for de forskellige aldersintervaller. Den samlede!! værdi er udregnet således:!! (111 60,56)! = 60,56 ( ,00)! ( ,67)! ,00 302,67!! , ,30 + = 116,84 310,48 248,30 Tabel 9.1: Aldersfordelingen: Aldersintervaller Frekvens i populationen Observeret frekvens Forventet frekvens under H 0 X 2 -værdi Antal Andel Antal Andel Antal år , ,10 60,56 42, år , ,14 194,00 7, år , ,20 302,67 20, år , ,25 310,48 4, år* , ,31 248,30 42,48 Total ,84 Kilde: KRHFU2: Befolkningens højeste fuldførte uddannelse (15-69 år) efter område, alder, køn og arbejdsmarkedstilknytning (tidl UDD3) (web 1). * Denne alderskategori indeholder årige i populationsdata og årige i analyseudvalget. Se afsnit 9. Repræsentativitetstest.!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 4 z k er det observerede antal i analyseudvalget, hvor n π er det forventede antal observationer i populationen under H 0 i et analyseudvalg på n observationer.! 30!

31 Herefter findes den kritiske værdi med 4 frihedsgrader og et signifikansniveau på 30%:!! 0,70 (4) = 4,88 (Malchow-Møller & Würtz 2010:438). Det fremgår af nedenstående figur, at vores!! -værdi på 116,84 langt overskrider den kritiske værdi, hvorfor vi kan forkaste vores nulhypotese om, at aldersfordelingen i analyseudvalget er lig aldersfordelingen i populationen. Figur 9.4: For at undersøge, om det er analyseudvalget, der er problematisk, eller om problemet allerede opstår ved stikprøven, foretager vi en tilsvarende!! - test for stikprøven (se Bilag 4). Da vi finder frem til en!! -værdi på 39,49, er stikprøven heller ikke repræsentativ. Den samlede!! -værdi viser blot, at analyseudvalgets aldersfordeling ikke følger populationens, og ikke hvilke alderskategorier, der medfører, at H 0 forkastes. For at undersøge hvilke alderskategorier, der er signifikant over- eller underrepræsenterede, anvendes en z-test. Med et signifikansniveau på 30 %, får vi, som med køn, en kritisk værdi på ±1,04. De blå z-værdier i vores tabel er underrepræsenterede i analyseudvalget, og de røde z-værdier er overrepræsenterede. Udregningen af de forskellige z-værdier findes i Bilag 4.! 31!

32 Tabel 9.2. z-værdier for alderskategorierne: z-værdier for aldersintervaller Alderskategorier z-værdier , , , , , Uddannelse Til at teste repræsentativiteten på fordelingen af uddannelse i analyseudvalget og populationen, bruges samme fremgangsmåde som ved undersøgelsen af alder. Fordelingen fremgår af nedenstående graf: Figur 9.5. Fordeling af uddannelse i analyseudvalget og populationen: Analyseudvalget og populationens uddannelse Andel& 0,45! 0,4! 0,35! 0,3! 0,25! 0,2! 0,15! 0,1! 0,05! 0! Analyseudvalg! Population! Uddannelsesniveau& Kilde: KRHFU2: Befolkningens højeste fuldførte uddannelse (15-69 år) efter område, alder, køn og arbejdsmarkedstilknytning (tidl UDD3) (Web 1). Denne tabel indeholder årige i populationsdata og årige i analyseudvalget. Dette giver følgende forventede fordeling og!! - værdi:! 32!

33 Tabel 9.3. Uddannelsesfordelingen: Uddannelse Frekvens i population Observeret frekvens Forventet frekvens under H 0 X 2 -værdi Antal Andel Antal Andel Antal Grundskole , ,12 190,17 14,86 Gymnasial , ,10 76,22 13,25 Faglært , ,29 449,41 32,80 KVU , ,11 66,29 52,00 MVU , ,26 212,60 26,04 LVU , ,12 121,20 0,79 Total ,74 Kilde: KRHFU2: Befolkningens højeste fuldførte uddannelse (15-69 år) efter område, alder, køn og arbejdsmarkedstilknytning (Web 1). Denne tabel indeholder årige i populationsdata og årige i analyseudvalget. Ud fra ovenstående ses det, at vores!! -værdi på 139,74 igen langt overstiger den kritiske værdi på 6,06, derfor må vi forkaste nulhypotesen. Uddannelsesfordelingen i analyseudvalget er altså ikke repræsentativt i forhold til populationen. Nedenstående z-værdier, viser igen hvilke uddannelseskategorier, der er over- eller underrepræsenterede, med et signifikansniveau på 30 %. Igen er de over- og underrepræsenterede kategorier markeret henholdsvis rød og blå. Tabel 9.4. z-værdier for uddannelseskategorierne: z-værdier for uddannelseskategorierne Uddannelseskategorier z-værdier Grundskole -4,229 Gymnasial 3,774 Faglig -7,411 KVU 7,434 MVU 5,674 LVU 0,945 Når vi tester repræsentativiteten mellem stikprøven og populationen, beregner vi en!! -værdi på 261,85, hvilket overskrider den kritiske værdi. Resultaterne af dette samt z-værdierne fremgår af Bilag 4.! 33!

34 9.4 Konklusion på repræsentativitetstest På baggrund af ovenstående tests kan det altså konkluderes, at analyseudvalget er repræsentativt, når man undersøger den kønsmæssige fordeling, men ikke i forhold til alders- og uddannelsesfordelingen. Som det fremgår af Bilag 4, er stikprøven heller ikke repræsentativ i forhold til alders- og uddannelsesfordelingen, og dette kan være skyld i manglen på repræsentativitet i analyseudvalget. I opgaven arbejdes dog fortsat med dette analyseudvalg, da dette giver os den bedste regressionsmodel. Den manglende repræsentativitet må vi dog tage hensyn til i konklusionen. 10. Deskriptiv analyse Før vi fremlægger den egentlige regressionsanalyse, vil vi i det følgende præsentere en deskriptiv analyse af det tilgængelige data. Formålet er at undersøge, hvorvidt der basalt set eksisterer en sammenhæng mellem vores primære variable. Først undersøges det, om der gælder en sammenhæng mellem køn og antal arbejdstimer og derefter, om der gælder en sammenhæng mellem køn og medarbejderansvar Køn og antal arbejdstimer Sammenhængen mellem køn og antal arbejdstimer kommer til udtryk i nedenstående søjlediagram, som tydeliggør, at der er en overvægt af kvinder, der arbejder mindre end 37 timer om ugen, hvorimod mænd dominerer billedet på den anden side af de 37 timer. Figur Fordelingen af arbejdstimer for mænd og kvinder: 200! Fordelingen&af&arbejdstimer&for&henholdsvis&mænd& og&kvinder& Antal&respondenter& 150! 100! 50! 0! 10!13!16!19!22!25!28!31!34!37!40!43!46!49!53!56!63!75! Antal&arbejdstimer& Mand! Kvinde!! 34!

35 Dette visualiseres desuden i nedenstående kurver, som viser fordelingen af respondenter, der arbejder henholdsvis mindre og mere end 37 timer om ugen. Figur Kønsfordeling over respondenter, der arbejder timer om ugen: Kønsfordeling&under&fuldtid& Antal&respondenter& 40! 35! 30! 25! 20! 15! 10! 5! 0! 10! 12! 14! 16! 18! 20! 22! 24! 26! 28! 30! 32! 34! 36! Antal&arbejdstimer& Mand! Kvinde! Figur Kønsfordeling over respondenter, der arbejder timer om ugen: Kønsfordeling&for&fuldtid&eller&derover& Antal&respondenter& 200! 150! 100! 50! 0! 37! 39! 41! 43! 45! 47! 49! 52! 54! 56! 60! 65! 75! Antal&arbejdstimer& Mand! Kvinde! Sammenholder vi den gennemsnitlige arbejdstid for henholdsvis mænd og kvinder, viser det sig også, at kvinder i gennemsnit arbejder 34,56 timer om ugen, mens mænd i gennemsnit arbejder 39,13 timer. Det vil sige, at mænd gennemsnitligt arbejder 4,57 timer mere om ugen end kvinder. På baggrund af disse observationer, undersøger vi gennem en z-test, at middelværdien i antal arbejdstimer for mænd afviger signifikant fra middelværdien for kvinder (se Bilag 5). Det kan derfor konkluderes, at mænd arbejder signifikant mere end kvinder. For at underbygge denne sammenhæng har vi afslutningsvis foretaget en!! -test for uafhængighed, hvor vi opnår en!! -! 35!

36 værdi på 56,24. Dette bekræfter, at der ikke gælder uafhængighed mellem køn og antal arbejdstimer (se Bilag 5). På baggrund af disse konklusioner, ønsker vi at undersøge sammenhængen nærmere gennem en lineær modelsøgning, som fremgår af afsnit Køn og medarbejderansvar Indledningsvis vil vi nonparametrisk undersøge forholdet mellem køn og medarbejderansvar for at klargøre, om der foreligger indikationer på en sammenhæng. Nedenstående søjlediagram viser, at mænd som udgangspunkt har 40 % sandsynlighed for at have medarbejderansvar, hvorimod kvinder kun har 26 % sandsynlighed. Det vil sige, at der er en forskel på 14 procentpoint. Figur Kønsfordeling over sandsynlighed for medarbejderansvar: Sandsynligheden for at have medarbejderansvar 0,5! 0,4! 0,4! 0,3! 0,2! 0,1! 0,26! Mand! Kvinde! 0! Mand! Kvinde! Dernæst undersøges forholdet mellem uddannelse, køn og medarbejderansvar. Dette gøres, da vi har en forventning om, at ens uddannelseslængde har indflydelse på sandsynligheden for, hvorvidt man har medarbejderansvar (se afsnit 8). I denne forbindelse får vi følgende sandsynligheder:! 36!

37 Figur Sandsynlighed for varbaseret på køn og uddannelsesniveau Sandsynligheden for medarbejderansvar baseret på uddannelseslængde 0,6! 0,5! 0,4! 0,3! 0,2! 0,1! 0! Mand! Kvinde! Forestillingen om, at uddannelseslængde har indflydelse på ens muligheder for at opnå medarbejderansvar synes ikke at gøre sig gældende. Det ses dog, at uanset hvilken uddannelseslængde man har, er sandsynligheden større for at have medarbejderansvar, hvis man er mand. De ovenstående grafer peger derfor på, at der gælder en sammenhæng mellem køn og medarbejderansvar. Derfor har vi tilsvarende foretaget!! -test for uafhængighed (se Bilag 5), hvor vi opnår!! -værdi på 23,23. Dette bekræfter, at der ikke gælder uafhængighed mellem køn og medarbejderansvar. Vi har ligeledes foretaget en enkeltcelletest for at undersøge nærmere, hvordan mænd og kvinder fordeler sig. Enkeltcelletesten viser, at mænd er signifikant overrepræsenteret i kategorien medarbejderansvar, mens kvinder i denne kategori er underrepræsenteret. Det modsatte billede gør sig gældende i kategorien ikke medarbejderansvar, hvor mænd således er signifikant underrepræsenteret og kvinder overrepræsenteret (se Bilag 5). Vi antager derfor, at der forefindes en sammenhæng mellem køn og medarbejderansvar, som vi ønsker at undersøge nærmere gennem en logistisk modelsøgning, og denne fremgår af afsnit Opsummering På baggrund af den deskriptive statistik er det kommet til udtryk, at der umiddelbart gælder en sammenhæng mellem køn og antal arbejdstimer samt køn og sandsynligheden for at have! 37!

38 medarbejderansvar. Disse resultater er dog ikke renset for effekten af kontrolvariable, hvilket vi vil gøre i den lineære og logistiske modelsøgning. For at undersøge dette mere indgående, vil vi derfor gå videre til at foretage multipel regressionsanalyse. Vi vil først argumentere for den valgte analysestrategi og gennemgå relevant statistisk teori. 11. Analysestrategi Der er mange fordele forbundet med at anvende regression. Ved at benytte os af regression som statistisk værktøj, får vi mulighed for at kontrollere for effekten af flere forskellige variable. Gennem en multivariabel regressionsanalyse er det muligt at undersøge den partielle effekt af vores primære uafhængige variabel X. Med dette menes der, at vi kan opnå den isolerede effekt af vores primære X på vores valgte Y, når vi holder værdien af de andre X er konstant. Dermed opnår vi et mere klart billede af, hvordan køn påvirker henholdsvis antal arbejdstimer og sandsynlighed for at opnå medarbejderansvar (Gujarati & Porter 2010:96). Vi får således mulighed for at undersøge, hvordan det pågældende X påvirker Y samtidig med, at vi tager højde for, at der er andre variable, som tillige har en indflydelse. Det gør således vores model stærkere, fordi vi har taget højde for andre forklarende variable. Hvis vi ikke inddrager disse kontrolvariable, risikerer vi at overvurdere kønnets betydning. Det betyder desuden, at vi får mulighed for at identificere et kausalforhold mellem variablene, hvor den sociologiske teori dog spiller en altafgørende rolle for at bestemme, at det pågældende kausalforhold faktisk gør sig gældende, som det også fremgår hos Gujarati og Porter (Ibid.:22). Da vi opstiller to hypoteser med to forskellige former for afhængige variable, benytter vi to forskellige former for regressionsmodeller. Således bliver det muligt at undersøge den kontinuerte variabel antal arbejdstimer med en lineær regressionsmodel, hvorimod det bliver muligt at undersøge medarbejderansvar, som er kodet binært, gennem en logistisk regressionsmodel. 12. Statistisk teori 12.1 Multipel lineær regression Den lineære regression beskæftiger sig med forholdet mellem en eller flere uafhængige variable og en afhængig variabel. Vi anvender multipel lineær regression og derfor fokuseres der på, hvordan flere X er påvirker et Y (Gujarati & Porter 2010:21). Det matematiske udtryk for en lineær linje udtrykkes således:! 38!

39 !!!! =!! +!!!! (+!!!! !!!! ) I det følgende fokuserer vi på denne lineære sammenhæng mellem data Population Regression Function Den sammenhæng, som vi forestiller os gør sig gældende for hele populationen, beskrives af en Population Regression Function (PRF). I sin stokastiske form kan en PRF for multipel lineær regression opskrives således (Gujarati & Porter 2010:94):!! =!! +!!!!! (+!!!!! + +!!!! ) +!! B erne kaldes parametre eller regressionskoefficienter. B 1 kan beskrives som skæringspunktet med anden-aksen. Det vil sige, at B 1 beskriver den gennemsnitlige værdi af Y, når alle X er er lig 0 (Gujarati & Porter 2010:95). Parameterestimaterne på nær interceptet betegnes som hældningskoefficienter og beskriver, hvor meget Y s værdi stiger eller falder, når eksempelvis X 2 ændres med én enhed, og de andre X er samtidig holdes konstant (Ibid.). Derfor betegnes B 2, B 3, B 4 og så videre også som partielle regressionskoefficienter, fordi de respektive B er beskriver den ændring, som finder sted i det tilsvarende X, når de andre X er holdes konstant. Det er netop på denne måde, at vi kan isolere køns effekt på antal arbejdstimer. Vi kan dog aldrig observere B erne, fordi vi ikke har data for hele populationen. Derfor opstiller vi en Sample Regression Function (SRF), som det vil fremgå af næste afsnit. Først vil vi dog forklare, hvad u beskriver. u betegnes som fejlleddet eller residualleddet og skal forstås som en betegnelse for den støj, som repræsenterer de faktorer, som påvirker vores Y, men som ikke forårsages af de anvendte forklarende variable (Ibid.:26) Sample Regression Function Da vi ikke kender data for hele population, opstiller vi i stedet en approximeret model for populationen, som tager udgangspunkt i vores sample. Vi kan opstille denne sammenhæng ved hjælp af en SRF, som udtrykkes således:!! =!!! +!!!! (+!!!! !!!! )!!!er en estimator på!!!!, og b erne er budestimatorer på B erne.! 39!

40 For en SRF kan man tilsvarende opstille et stokastisk udtryk, så det bliver muligt at inddrage fejlleddet. Den stokastiske SRF opstilledes således:!! =!! +!!!! (+!!!!. +!!!! ) +!! e i er således en estimator på u i. Fællesnævneren for alle disse estimatorer er, at de kan beregnes på baggrund af vores sample, så vi opnår et estimat på den gældende PRF Ordinary Least Squares Når vi skal estimere PRF sker det ved anvendelse af Method of Ordinary Least Squares (OLS), der også kendes som mindste kvadraters metode (Gujarati & Porter 2010:34). Vi ønsker at finde den bedste rette linje (BLUE 5 ), hvor fejlleddene er mindst mulige. b 1 og b 2 skal vælges således, at RSS 6, Residual Sum of Squares, udtrykt ved!!!, bliver mindst muligt. Vi kan også udtrykke dette ved:! min!!!! ;!! Denne beslutningsregel vil give den linje, som ligger bedst og tættest muligt på data. Vi skal desuden være opmærksomme på følgende ved OLS (Ibid.:36):! =!! +!!!, hvor! og! angiver stikprøvegennesnittet for! og!. Residualernes middelværdi er altid 0. Summen af produktet mellem residualerne e og den forklarende variabel!! er lig nul, det vil sige:!!!! = 0, hvilket betyder, at de ikke må korrelere. Summen af produktet mellem residualerne e og den estimerede Y er også lig nul, det vil sige:!!!! = Antagelser ved multipel lineær regression OLS-metoden er dog kun den bedste metode, hvis følgende antagelser er opfyldt (Gujarati & Porter 2010:97f). 1) Regressionsmodellen skal være lineær i parametrene og korrekt specificeret. 2) X erne må ikke korrelere med residualleddet u.!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 5!BLUE!betyder!Best!Linear!Unbiased!Estimator!(Gujarati!&!Porter!2010:60).!! 6!RSS!betegner!den!uforklarede!variation!i!YRværdierne!(Gujarati!&!Porter!2010:72).!!! 40!

41 3) Middelværdien for u er 0, hvilket udtrykkes ved!!! = 0 4) Variansen af u er konstant dette udtrykkes:!"#(!! ) =!! og betyder, at vi kræver, at variansen af fejlledet er homogent, og der dermed gælder homoskedasticitet for vores model. Det vil blive uddybet i afsnit ) Der må ikke gælde autokorrelation mellem fejlled, hvilket udtrykkes ved:!"#!!!,!!!!!. 6) Der må ikke gælde eksakt multikollinearitet mellem de respektive uafhængige variable. Dette vil blive uddybet i afsnit ) u følger normalfordelingen med en middelværdi på 0 og variansen!!, som opfylder antagelse 4 om homoskedasticitet. Dette udtrykkes ved!! ~! 0,!!. Hvis ovenstående antagelser er opfyldt, er vores estimatorer unbiased 7 og efficiente 8, og vi opnår en linje, der er BLUE (Ibid.:496f) R 2 og justeret R 2 R 2 kan grundlæggende beskrives som et mål for, hvor god ens model er. R 2 betegnes derfor også som forklaringsgraden, hvilket vil sige, at den beskriver, hvor meget af variationen i Y, som de respektive X er kan forklare til sammen. R 2 kan derfor defineres som:!! =!"" (!!)! =!"" (!!!)! Hvor TSS 9 er Total Sum of Squares, og ESS 10 er Estimated Sum of Squares. R 2 antager altid en positiv værdi (Gujarati & Porter 2010:103) og har følgende udfaldsrum!!![0;1] (Ibid.). Vi anvender desuden det, der kaldes justeret R 2. Det skyldes, at R 2 altid stiger, når flere variable indsættes i en model, men dette tager det justerede R 2 højde for, som noteres!!.!! stiger kun, hvis X erne faktisk forklarer noget af variationen i Y (Ibid.:114).!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 7!Hvis!gennemsnitsværdien!af!en!estimator!(!fx!b 2)!gentagende!gange!falder!symmetrisk!omkring!B 2,!så!er!der! tale!om!en!unbiased!estimator!(gujarati!&!porter!2010:494).!! 8!Selvom!en!estimator!er!unbiased,!så!kan!den!godt!være!upræcis,!derfor!anvendes!den!efficiente!metode,!som! giver!mindst!varians!på!de!b er,!som!vi!beregner!(gujarati!&!porter!2010:496).!! 9!Er!den!totale!variation!i!Y#omkring!!! 10!Er!den!forklarede!variation!i!Y#! 41!

42 t-test En t-test anvendes i lineær regression, når man skal undersøge, hvorvidt det enkelte parameterestimat er signifikant. Ved anvendelse af en t-test undersøger man gennem en hypotesetest, om det pågældende parameterestimat (foruden!! ) er lig eller forskellig fra en fastsat værdi, som ofte er 0 (Gujarati & Porter 2010:105). Det vil sige, at vi undersøger, hvorvidt det har en signifikant betydning på Y, at vi inddrager det pågældende parameterestimat. Hypoteserne for en t- test kan eksempelvis opskrives som dobbeltsidede hypoteser således: H 0 : B 2 =0 H 1 : B 2 0 Hvis hypoteserne i stedet skal være enkeltsidede, udtrykkes det eksempelvis, som følger: H 0 : B 2 <0 & H 1 :B 2 0. Det er en grundlæggende antagelse, at B 2 følger standardnormalfordelingen i henhold til den centrale grænseværdisætning, men da vi ikke kender B 2, bliver det desuden en antagelse, at det samme gør sig gældende for b 2. Vi kan derfor beregne t-værdien ud fra følgende (Ibid.:65):! =!!!!!"(!! ) ~!!!! Hvor!! sættes til 0. n-p repræsenterer mængden af frihedsgrader, hvor n er analyseudvalgets størrelse, og p er mængden af parametre inklusiv konstantleddet (Ibid.:104f). Det antages desuden ved et højt n, at t-fordelingen følger en standardnormalfordeling F-test Ved en F-test er det muligt at teste flere parameterestimater i vores model samtidig i modsætning til i en t-test, hvor vi kun kan forholde os til et parameterestimat ad gangen (Gujarati & Porter 2010:108f)). Det skyldes, at F-testen kan regulere antallet af frihedsgrader baseret på, hvor mange parameterestimater, vi tilføjer i vores model i modsætning til en t-test (Ibid.:109) F-test mod den tomme model Ved en F-test mod den tomme model, tester man, hvorvidt ens forklarende variable forklarer variationen i Y bedre end gennemsnittet af Y alene. Man opstiller i den forbindelse joint-hypoteser, som indebærer om flere forklarende variable tilsammen forklarer noget af Y. Dette kan opstilles således:! 42!

43 H 0 : B 2 = B 3 = =B k = 0 eller R 2 = 0 H 1 : Mindst ét af parameterestimaterne er 0 eller R 2 0 Det vil sige, at F-testen viser os, om modellen er signifikant forskellig fra en model uden uafhængige variable. Ovenstående hypoteser illustrerer desuden, at der er et forhold mellem F og R 2, som udtrykkes ved (Gujarati & Porter 2010:119):! =!! /(! 1) (1!! )/(!!) Hvor n er antal observationer, og k er antal parameterestimater inklusiv konstantleddet. Dette illustrerer, at F-testen både er et mål for den generelle signifikans for den estimerede regressionsmodel, men samtidig et mål for, hvorvidt R 2 er signifikant forskellig fra 0 (Ibid.:111) F-test den restringerede mod den urestringerede model Vi kan desuden foretage en F-test, hvor vi sammenholder den restringerede model med den urestringerede model. Denne teststatistik kan opstilles således (Gujarati & Porter 2010:116):! = (!!"!!!! )/! (1!!!" )/(!!) ~!!,!!! Hvor m er antallet af restriktioner mellem den restringerede og urestringerede model, og n-k er antallet af respondenter fratrukket det fulde antal parameterestimater inklusiv konstantleddet, der indgår i den urestringerede model. Vi anvender eksempelvis denne model, når vi tester startmodellen og slutmodellen op imod hinanden Dummyvariable I denne opgave anvendes en række variable, som betegnes dummyvariable. Disse variable har ikke en numerisk værdi, og fordi de ikke er ordinale og dermed ikke kan rangeres på en skala, så koder vi variablene binært og nummererer de to udfald med henholdsvis 0 og 1 (Gujarati & Porter 2010:179). Vi vælger en referencekategori, som kodes med 0, og en egenskab, som vi har særlig interesse i, og koder denne med 1. Vi tolker altid dummyen i relation til sin referencekategori, og det bliver denne, man tolker resultaterne i forhold til. Ved anvendelse af dummykonstruktioner! 43!

44 bliver modellen således mere fleksibel, fordi vi får mulighed for at tolke på forholdet mellem de respektive kategorier. Det er nødvendigt altid at udelade en kategori fra ens model, da man ellers vil opleve eksakt multikollinearitet (se mere i afsnit 14.3) og dermed gå i det, der kaldes dummyfælden, som bevirker, at modellen bryder sammen (Ibid.:183). Vi anvender en t-test, når vi tolker på en enkelt dummyvariabel, mens vi anvender en F-test, når vi tolker på en variabel, der er konstrueret som flere dummier et eksempel i denne opgave er uddannelseskategorierne Interaktioner Man kan have en forestilling om, at to variable i fællesskab påvirker Y. Det vil sige, at to variable interagerer. Man kan konstruere en sådan interaktion, hvis man eksempelvis har en forventning om, at det har en fælles påvirkning på antal arbejdstimer, om man er kvinde og leder, eller om man er kvinde og har hjemmeboende børn. Denne interaktion kan konstrueres ved at finde produktet af to forklarende variable. Det vil sige, at en interaktion ikke blot er additiv, men er multiplicerende i sin effekt på Y, hvis den pågældende interaktion er signifikant (Gujarati & Porter 2010:191). Udtrykket for en interaktion kan opstilles, som følger:!! =!! +!!!!! +!!!!! +!!!!!!!! +!! 12.2 Multipel logistisk regression I modsætning til den lineære regression, hvor vi arbejder med et kontinuert Y, vil vi for at undersøge vores anden hypotese anvende logistisk regression. Det skyldes, at vi nu opererer med et binært Y det vil sige, at vi anvender et Y med kun to udfald: Om man har medarbejderansvar eller ej. For at undersøge dette, vil vi indledningsvis behandle teorien bag den logistiske regression. Vi kan med denne multiple logistiske regressionsmodel undersøge sandsynligheden for Y=1, som for denne undersøgelses vedkommende, er sandsynligheden for at have medarbejderansvar. Vi estimerer vores model gennem en Maximum Likelihood-metode, og denne model kan udtrykkes ved (Geerdsen 2014a:2):!! = 1 = exp!(!! +!!!! +.. +!!!! ) 1 + exp!! +!!!! +.. +!!!!! 44!

45 Begge sider af denne matematiske form kan kun antage en værdi mellem [0;1], og dermed er det muligt at fortolke resultatet af højre siden som sandsynligheden for Y=1 givet ved en række egenskaber, som karakteriseres ved et eller flere X er. Sandsynligheden for Y=1 er altid en andel. Ovenstående form er dog svær at tolke på og kan derfor omskrives til følgende (Geerdsen 2014a:2):!! = 1 ln!( 1!! = 1 =!! +!!!+.. +!!!! Venstresiden af udtrykket betegnes log-odds (se mere om odds i afsnit ), og som dækker over, at man tager den naturlige logaritme til forholdet mellem sandsynligheden for Y=1 og Y=0. Har man logit-værdierne, kan man omregnes disse til sandsynligheder, som det fremgår af den første formel Estimering Ved en estimering skal vi finde b 1 og b 2, og dette kræver, at vi inddeler respondenterne i vores analyseudvalg i to grupperinger, som baseres på, hvorvidt de har Y=1 eller Y=0. Det betyder, at vi opstiller to udtryk ét for personer med Y=1 og ét for personer med Y=0, da vi kan anvende dette til at estimere vores parameterestimater (Geerdsen 2014a:6f): exp!(!! +!!!+.. +!!!! )!(! = 1) =! 1 + exp!(!! +!!!+.. +!!!! )!! = 0 = 1 exp!! +!!!+.. +!!!! 1 + exp!! +!!!+.. +!!!! Ovenstående betyder således, at vi ønsker at finde et b 1 og b 2, som bevirker, at begge udtryk antager en værdi så tæt som muligt på 1, og det er dette, som er formålet med Maximum Likelihood: At estimere b 1 og b 2 på en sådan måde, at de respondenter med Y=1 har en faktisk høj sandsynlighed for Y=1, og de respondenter med Y=0 har en faktisk lav sandsynlighed for Y=1. I forlængelse af dette anvender man i den logistiske regression dét, der kaldes Likelihood (L). L er en simultan sandsynlighed, hvilket betyder en sandsynlighed for flere hændelser på samme tid (Malchow-Møller & Würtz 2010:84). L beskriver i hvilket omfang, vi kan forklare forholdet! 45!

46 mellem, hvem der har Y=1 og Y=0 jo bedre model, desto højere L-værdi (Geerdsen 2014c:2)11. Når vi skal estimere b1 og b2 anvender vi den simultane sandsynlighed (Geerdsen 2014a:7):!"!!!,!! =!! =!!! exp!(!! +!!!+.. +!!!! ) 1 + exp!(!! +!!!+.. +!!!! ) (1!!! exp!! +!!!+.. +!!!! 1 + exp!! +!!!+.. +!!!! Brøkerne bevirker, at udfaldsrummet på ny er [0;1], og L-værdien skal tilsvarende være så tæt på 1 som muligt. Vi skal derfor finde de parameterestimater, som bevirker, at L kommer tættest muligt herpå, da den angiver den simultane sandsynlighed for fordelingen af Y=1 og Y= Odds og oddsratio Et odds skal forstås som forholdet mellem sandsynligheden for Y=1 og Y=0. Et odds kan antage alle værdier mellem [0; [ i modsætning til en sandsynlighed, som altid befinder sig mellem [0;1]. Vi udtrykker derfor et odds ved følgende (Geerdsen 2014a:3):!(! = 1) 1!(! = 1) Et odds skal tolkes således, hvis sandsynligheden for p(y=1) er 0,5, så er det tilsvarende odds =1. Derfor kan ovenstående udtryk forstås som translatøren mellem sandsynligheden og oddset. Eksempelvis hvis kvinders odds-værdi er mindre end 1, så vil de have mindre sandsynlighed for at have medarbejderansvar sammenholdt med referencekategorien mænd. Dette vil vi vende tilbage til i afsnit 17. Oddsratio måler forholdet mellem to tal og er således to odds divideret med hinanden (Geerdsen 2014b:1).!(!!(!!" =!(!!(! = 1! = 0! = 1! = 0! = 1) = 1) = 0) = 0) Likelihood ratio-testen En Likelihood ratio-test (LR-test) kan sammenlignes med en F-test. Vi vil gerne undersøge, hvorvidt tilføjelsen af flere forklarende X-variable gør vores model bedre til at forklare variationen i!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 11! Det er dog begrænset, hvor meget vi kan tolke på L-værdien, da den som regel antager nogle meget små værdier. 46!

47 Y, og dette kræver, at vi genererer to modeller: En restringeret og en urestringeret model. Vi undersøger forholdet mellem disse to modeller gennem følgende udtryk (Geerdsen 2014c:1f):!! = 2!" (!!) (!! ) L R : Den restringerede model det vil sige likelihood, når X er udeladt L UR : Den urestringerede model det vil sige likelihood, når alle X er med Den restringerede model skal indgå i den urestringerede model, og analyseudvalget skal holdes konstant (Ibid.:3). For videre at undersøge de respektive modellers forklaringskraft sammenholdes de to L er, hvilket udtrykkes ved følgende (Ibid.):!! = 2 ln!!!!" = 2!"!!!"!!" = 2!"!!" 2!"!!! = 2!"!! 2!"!!" G 2 er tilsvarende! 2 -fordelt med d.f.=k, og kan kun antage en positiv værdi. Ved logistisk regression kan man både anvende en Wald- og en LR-test, og vi vælger i denne opgave at anvende sidstnævnte. Det skyldes, at LR-testen generelt betragtes, som værende en stærkere test end Wald-testen (Kreiner 1999:431). 13. Modelsøgning af multipel lineær regression I det følgende afsnit foretager vi en forlæns modelsøgning med henblik på at undersøge vores første empiriske hypotese. Der benyttes teststatistik for en t-test, såfremt vi kun tilføjer én enkelt variabel, og F-test når vi tilføjer flere parameterestimater. Vi tester indledningsvis sammenhængen mellem køn og antal arbejdstimer. Startmodellen opstilles således:!"#!$!!"#$%&'()*$" =!! +!!!"#$%!!!! 47!

48 For at teste Model A opstilles følgende hypoteser: H 0 : B 2 = 0 H 1 : B 2 0 Vi opnår en t-værdi på -7,53, som beregnes således:! = 4, , = 7,53 Vi opererer med en kritisk værdi på ±1,96 grundet et signifikansniveau på 5 %, og den beregnede t- værdi på -7,53 overskrider således denne. Der gælder derfor en signifikant sammenhæng i modellen mellem køn og antal arbejdstimer, som det fremgår af nedenstående figur: Figur 13.1: Når vi tester denne sammenhæng, og som det fremgår af den deskriptive statistik, kan vi udlede, at mænd arbejder 39,13 timer ugentligt, og kvinder arbejder 4,57 timer mindre end mænd, hvilket betyder, at kvinder arbejder 34,56 timer om ugen. Herefter indsætter vi uddannelseskategorierne som kontrolvariable. Da uddannelse er konstrueret som seks dummyvariable, hvor lang videregående uddannelse er sat som referencekategori, foretager vi en F-test, da vi tilføjer flere parameterestimater til modellen på én gang. Vi ønsker at undersøge følgende, hvor vi tester den restringerede model mod den urestringerede model:!"#!$!!"#$%&'()*$" =!! +!!!"#$%!! +!!!"#$%&'()!! +!!!"#$%&'%!! +!!!!"#æ!!! +!!!"!! +!!!"!!!! 48!

49 Vi opstiller følgende hypoteser: H 0 : B 3 =B 4 =B 5 =B 6 =B 7 =0 H 1 : Mindst ét af parameterestimaterne er 0 Vi beregner F-værdien ved hjælp af følgende formel: Hvor m=5 og n-k=1109.! = (0,1202 0,0484)/5 (1 0,1202)/ = 18,10 F-værdien overskrider således den kritiske værdi på 2,22, med et signifikansniveau på 5 % og 5 frihedsgrader i tælleren og 1109 i nævneren, hvilket fremgår af nedenstående figur. Dette betyder, at model B har signifikant større forklaringskraft end startmodellen, og vi forkaster derfor vores H 0 - hypotese. Derfor beholdes uddannelseskategorierne i modellen. Når vi kontrollerer for uddannelsesniveau, arbejder kvinder fortsat signifikant færre timer om ugen end mænd. Figur 13.2: Vi tilføjer yderligere en række kontrolvariable til modellen, og de resterende tests fremgår af nedenstående tabel:! 49!

50 Tabel Tabel over lineær modelsøgning: Modelnavn: Variabel: Hypoteser: t-værdi: Konklusion: Model C H0:!!"#$% = 0 5,62 H0 forkastes. -7,56 H0 forkastes. Alder H1:!!"#$% 0 Model D Alder2 H0:!!"#$!! = 0 H1:!!"#$!! 0 Model E Medarbejderansvar H0:!!"#$%&"'#"%$()*$% = 0 7,95 H0 forkastes. H1:!!"#$%&"'#"%$()*$% 0 Model F Hjemmeboende børn H0:!!!"#$%"&'"$ø!" = 0 0,58 H1 forkastes. 0,75 H1 forkastes. -2,89 H0 forkastes. 0,08 H1 forkastes. 5,04 H0 forkastes. -1,32 H1 forkastes. -0,70 H1 forkastes. -0,05 H1 forkastes. -0,32 H1 forkastes. -0,69 H1 forkastes. -1,48 H1 forkastes. H1:!!!"##"$%"&'"$ø!" 0 Model G Samlever H0:!!"#$%&%' = 0 H1:!!"#$%&%' 0 Model H Offentlig sektor H0:!!""#$%&'()#*%!+ = 0 H1:!!""#$%&'()#*%!+ 0 Model I By H0:!!" = 0 H1:!!" 0 Model J Indflydelse H0:!!"#$%&#'%(' = 0 H1:!!"#$%&#'%(' 0 Model K Økonomi H0:!ø!"#"$% = 0 H1:!ø!"#"$% 0 Model L Rig H0:!!"# = 0 H1:!!"# 0 Model M Frivillig H0:!!"#$#%%#& = 0 H1:!!"#$#%%#& 0 Model N Religiøs H0:!!"#$%$ø! = 0 H1:!!"#$%$ø! 0 Model O Kvinde_børn H0:!!"#$%&_!ø!" = 0 H1:!!"#$%&_!ø!" 0 Model P Kvinde_leder H0:!!"#$%&_!"#"$ = 0 H1:!!"#$%&_!"#"$ 0! 50!

51 Med afsæt i resultaterne, som fremgår af ovenstående tabel, ender vi med følgende slutmodel:!"#$%!!"#$%&'"#!!"#$%&'()*$" =!! +!!!"#$%!! +!!!"#$%&'()!! +!!!"#$%&'%!! +!!!"#$æ!!! +!!!"!! +!!!"!! +!!!"#$!! +!!!"#$!!! +!!"!"#"!! +!!!!""#$%&'()#*%!!! +!!"!"#$%&#'%(!!! Vi vil afslutningsvis teste slutmodellen mod vores startmodel for at undersøge, hvorvidt de respektive kontrolvariable samlet er signifikante. Hertil opstilles hypoteserne: H 0 :!! =!! =!! =!! =!! =!! =!! =!!" =!!! =!!" = 0 H 1 : Mindst ét af parameterestimaterne er 0 Vi opnår på ny en F-værdi, som overskrider den kritiske værdi på 1,84. Vores F-værdi lyder på 30,35, med 10 frihedsgrader i tælleren og 1104 i nævneren, og vi forkaster således H 0 hypotesen. Det fremgår af slutmodellen, at parameterestimatet for kvinde har ændret sig således, at kvinder nu arbejder 3,77 timer mindre end mænd. Dette betyder, at vi ville have overvurderet kønnets forklaringskraft på antal arbejdstimer, hvis vi ikke havde inddraget de andre kontrolvariable i modellen. Vi vil i resultatpræsentationen grafisk vise den fundne sammenhæng. Vi vil i det følgende afsnit gå videre med en modelkontrol for at undersøge, om antagelserne for OLS er opfyldt.! 51!

52 13.1 Modeltrappe for lineær regression! 52!

53 ! 53!

54 14. Modelkontrol for lineær regression Vi har tidligere i opgaven, gennem modelsøgningen, primært beskæftiget os med den forklarende del af regressionen. Dette afsnit har til formål at vurdere, om vores slutmodel lever op til antagelserne om homoskedasticitet og ingen nær eksakt multikollinearitet Opfyldelsen af homoskedasticitet (antagelse 4) I dette afsnit vil vi nu beskæftige os med fejlleddene i en residualanalyse, og om disse fejlled er homogene. Som det fremgår af antagelserne for den multiple lineære regression, er det helt centralt, at der gælder homoskedasticitet i fejlleddet u. Hvis dette ikke er tilfældet, er der tale om heteroskedasticitet, som udtrykkes således og tydeliggør, at fejlleddet varierer:!!!!! =!! (Gujarati & Porter 2010:275). Forskellen på homo- og heteroskedasticitet kan illustreres ved følgende: Figur#14.1:#Homoskedasticitet:# Figur#14.2:#Heteroskedasticitet:## Vi er interesserede i at opnå homoskedasticitet, fordi fejlleddets normalfordeling og homogenitet bevirker, at vi kan stole på de tests, som vi foretager. Som det visualiseres i ovenstående figurer er fejlleddenes varians under homoskedasticitet ens for forskelige værdier af X-variablene, hvorimod variansen for u er forskellig under heteroskedasticitet. I tilfælde af heteroskedasticitet risikerer vi upålidelige standardafvigelser og parameterestimater, hvilket bevirker, at vi ikke kan stole på hverken t- eller F-test, da de begge baseres på standardafvigelsen (Gujarati & Porter 2010:281). Vi kan teste, hvorvidt der gælder heteroskedasticitet ved at foretage en Breusch-Pagan test, og i tilfælde af heteroskedasticitet kan vi korrigere ved hjælp af robuste standardfejl (Ibid.).! 54!

55 For at undersøge, om residualerne i vores model er normalfordelt, sådan som antagelse 7 foreskriver, har vi opstillet et histogram over residualernes fordeling. Det ses ud fra nedenstående histogram endvidere, hvorledes fejlleddene i modellen er approximativt normalfordelt omkring middelværdien 0. Dette bevirker, ligesom ved homoskedasticitet, at vi kan stole på vores statistiske tests. Figur Residualernes fordeling: Vi vil således gå videre til at undersøge homogeniteten i fejlleddene. I følgende figur 14.4 har vi grafisk plottet de kvadrerede fejlled mod de forudsagte Y-værdier for at danne os et overblik over residualernes fordeling: Figur Scatterplot over de kvadrerede fejlled mod de forudsagte Y-værdier:!!! 55!

56 Det ses af ovenstående fordeling, at der er mere variation, desto længere vi bevæger os ud af X- aksen. Der ses altså en tendens til, at der er større forskel i variationen i fejlleddene, som antal arbejdstimer stiger, og dermed mere variation i fejlleddene for høje forudsagte værdier af Y. Dette er en tydelig indikation på en problematisk systematik i fejlleddenes varians, hvorfor vi har undersøgt de kvadrerede fejlled op imod de enkelte X-variable, der indgår i vores slutmodel. Nedenstående figur viser et scatterplot af de kvadrerede fejlled mod X-variablen køn. Umiddelbart ser det ud som om, at der er mere spredning i fejlleddene for mænd end for kvinder. Figur Scatterplot for køn: Af Bilag 6 fremgår de resterende scatterplots for uddannelse, alder, leder, offentlig sektor og indflydelse. Vi vil dog kort opsummere de konklusioner på heteroskedastiske problemer, som vi ved eyeballing af de fremlagte scatterplots, er kommet frem til. Scatterplottet for uddannelse, alder og medarbejderansvar tydeliggør, at der er en acceptabel spredning i residualerne. Der ser ikke ud til at forekomme en systematik, omend fordelingen ikke er fuldstændig tilfældig. I scatterplottet for uddannelse synes der at være størst spredning i residualerne for grupperne faglært og MVU. Disse to grupper er repræsenteret af flest respondenter, hvorfor det umiddelbart giver logisk mening, at der i disse grupper er størst spredning i fejlleddene. Det kan dog også vurderes at være et tegn på heteroskedasticitet, hvilket vi videre er opmærksomme på. Fejlleddene ved sektor og indflydelse ser ud til at fordele sig med en problematisk spredning. Der kan altså her være problemer med heteroskedasticitet. Der ser ud til at være langt mere spredning i! 56!

57 fejlleddene ved sektor i kategorien privat i modsætning til kategorien offentlig, mens der ved variablen indflydelse ser ud til at være mere spredning hos dem, der har svaret, at de føler, at de har meget indflydelse. Opsummerende kan det siges, at der ved eyeballing er visse tegn på, at vores model ikke opfylder kravet om homoskedasticitet, og derfor har en tendens til at vise heterogenitet i fejlleddene. Der forekom at være så stor spredning i fejlleddene ved enkelte X-variable, at vi formoder, at vores model lider af heteroskedasticitet. Det er derfor nødvendigt at teste, om der forekommer så skæv en fordeling af fejlleddene, at det har betydning for validiteten af vores model. Vi kan teste, hvorvidt der reelt set gælder heteroskedasticitet ved at foretage en Breusch-Pagan test (Gujarati & Porter 2010:281) Problemer med heteroskedasticitet Gennem en Breusch-Pagan test undersøger vi, om X-variablene kan forklare en signifikant del af fejlleddets varians. Dette gøres ved at lade de kvadrerede fejlled være den afhængige variabel, og de uafhængige variable er de samme som i slutmodellen. Modellen vi tester, ser derfor ud som følger:!!! =!! +!!!"#$%& +!!!"#$%&'()* +!!!"#$%&'%( +!!!"#$æ!" +!!!"# +!!!"# +!!!"#$% +!!!"#$!! +!!"!"#"$ +!!!!"#$%& +!!"!"#$%&#'%('! Vi opstiller H 0 som et udtryk for, at X erne ikke forklarer en del af variationen i fejlleddenes varians, mens H 1 opstilles som et udtryk for, at mindst et af X erne forklarer en del af variationen i fejlleddenes varians. Vi har dermed opstillet og testet følgende hypoteser: H 0 : B 2 =B 3 =B 4 =B 5 =B 6 =B 7 =B 8 =B 9 =B 10 =B 11 =B 12 = 0 H 1 : Mindst ét af parameterestimaterne er 0 Idet vi får en F-værdi på 6,04, der overskrider den kritiske værdi på 1,80 i en F-fordeling med et signifikansniveau på 5 %, forkaster vi vores nulhypotese. Det viser det sig altså, at X- variablene forklarer en signifikant del af fejlleddets varians, hvorfor vores model lider af heteroskedasticitet.! 57!

58 Det er værd at overveje, om systematikken skyldes mere fundamentale problemer end heterogene fejlled. Vi er ekstra opmærksomme på den variation i fejlleddenes varians, der kan ses i figur 14.5, idet denne viser vores POI mod de kvadrerede fejlled. Variansen i fejlleddene for antal arbejdstimer kan eksempelvis skyldes, at der er en forskel i mænd og kvinders uddannelsesniveau, hvilket kan tænkes at påvirke den variation, som fremgår af figur I Bilag 3 har vi givet en begrundelse for de kontrolvariable, som er medtaget i modelsøgningen. Vi har ved hjælp af kontrolvariable specificeret modellen, og vi må således gå ud fra, at vi har inkluderet alle relevante variable i modellen (Gujarati & Porter 2010:297f). Derfor mener vi, at vores parameterestimater er unbiased, og vi finder det derfor nødvendigt at behandle den påviste heteroskedasticitet på andre måder end ved modelspecifikation. For at tage højde for den påviste heteroskedasticitet, korrigerer vi for robuste standardfejl. Herved bliver standardfejlene ofte større, og det bliver på den måde sværere at få signifikante teststørrelser (Ibid.:280ff). Samtlige testværdier forbliver signifikante efter beregningen af standardfejl, der tager højde for heteroskedasticiteten, hvorfor de fortsat er en del af modellen. Af modeltrappen, som findes i afsnit 13.1, fremgår de forandringer, som er sket. Det er værd at bemærke, at variablenes parameterestimater ikke har ændret sig, men at de fleste standardafvigelser har ændret størrelse. Dette er, som nævnt, en af de betingelser, man må acceptere, når man korrigerer for robuste standardfejl. Efter at have behandlet antagelsen om homoskedasticitet, vil vi i det følgende afsnit behandle og undersøge antagelsen om multikollinearitet Test for multikollinearitet Hvis to variable måler det samme, er der tale om eksakt multikollinearitet. Som det fremgår af antagelse 4 i afsnit , er dette problematisk for vores model af flere grunde herunder (Gujarati & Porter 2010:251f): Det skaber store standardfejl og varianser Det resulterer i brede konfindensbånd Man kan risikere at få insignifikante t-værdier Og til trods for mange insignifikante t-værdier, vil man formentlig opnå et højt R 2 Det resulterer i sensitive OLS-estimatorer Samt forkerte fortegn for regressionskoefficienterne! 58!

59 Det bliver svært at vurdere de enkelte variables betydning for ESS Eksakt multikollinearitet er dog sjældent forekommende, dog vil man altid opleve en vis grad af multikollinearitet, som beskrives ved: Cov (X 1, X 2 ) 0. Vi kan ikke teste multikollinearitet, men vi kan undersøge graden af denne (Gujarati & Porter 2010:254). Man kan beregne en korrelationskoefficient, som er mål for, hvor meget to variable korrelerer, hvis værdien af denne bliver -1 eller 1, så er der tale om en enten perfekt negativ eller positiv korrelation (Malcow-Møller & Würtz 2010:127). Gennem en korrelationsmatrice kan man undersøge de parvise korrelationer, og som indikator på, hvorvidt de er for høje, kan man anvende følgende tommelfingerregel. Denne lyder således, at har den pågældende korrelationskoefficient en værdi i følgende interval: [-0,8;8], er der ikke tale om en problematisk multikollinearitet. Man kan undersøge dette videre ved at foretage en auxilliary regression, hvor alle kontinuerte variable regresseres for dernæst at foretage en F-test mod den tomme model (Gujarati & Porter 2010:255). For at tjekke om nogle af vores variable korrelerer i en sådan grad, at det kan skabe en nær eksakt multikollinearitet i vores model, konstruerer vi en korrelationsmatrice. Det ses af korrelationsmatricen i Bilag 7, at ingen af vores uafhængige variable samvarierer i en problematisk grad, således at der er tale om perfekt multikollinearitet. De højeste korrelationskoefficienter er mellem MVU og faglært (-0,38), sektor og køn (0,33) og sektor og MVU (0,29). Korrelationskoefficienterne i vores matrice befinder sig alle indenfor intervallet [- 0,8;0,8], hvorfor der ikke er tegn på problematisk multikollinearitet. For at være på den sikre side har vi dog undersøgt dette videre ved at foretage auxiliary regressioner, hvor alle kontinuerte variable regresseres for dernæst at foretage en F-test mod den tomme model (Ibid.). Ved auxiliary regressioner undersøger vi forholdene mellem X-variablene i vores model, og kan derved mere nuanceret vurdere om én X-variabel i modellen forklares af en kombination af alle de andre X-variable. I modsætning til korrelationsmatricen, der giver et mål for de parvise korrelationer, giver auxiliary regression dermed et mål for korrelationen mellem én uafhængig variabel og de øvrige variable i vores model (Ibid.). Vi har enkeltvis regresseret kontrolvariablene alder og indflydelse på de øvrige uafhængige variable (se Bilag 9). Gennem auxiliary regressionen vurderes det både med alder og indflydelse, at der er multikollinearitet mellem alder og de resterende variable, samt ved indflydelse og de resterende variable. Ud fra R 2! 59!

60 kan vi dog se, at denne multikollinearitet ikke er problematisk, da der ikke er tale om nær eksakt multikollinearitet Konklusion på modelkontrol Vi har i den fremlagte modelkontrol oplevet heteroskedastiske problemer med vores model, og det kan konkluderes, at vores X-variable viste sig at forklare en del af variationen i fejlleddenes varians. Ved at bruge robuste standardfejl har vi forbedret vores model til at tage højde for den påviste heteroskedasticitet, hvorfor vores slutmodel nu indeholder robuste standardfejl. Ingen variables t- værdier ændrede signifikans og er derfor fortsat en del af modellen. Den fremviste korrelationsmatrice viste ingen tegn på nær eksakt multikollinearitet. Gennem auxiliary regressioner er det derudover påvist, at de øvrige variable i vores model forklarer en signifikant del af variationen i variablene alder og indflydelse. Ud fra R 2 -værdierne vurderes det dog, at denne samvariation ikke skal opfattes som problematisk. Vi finder derfor ikke indikationer på nær eksakt multikollinearitet ved vores slutmodel. 15. Modelsøgning for den logistiske regression Vi vil i det følgende afsnit foretage en forlæns modelsøgning, som fokuserer på, hvorvidt køn påvirker sandsynligheden for at opnå medarbejderansvar på en arbejdsplads og dernæst, hvilke andre variable, som kan være med til at forklare sandsynligheden for at opnå medarbejderansvar. Vi tester indledningsvis vores startmodel, som beskriver sandsynligheden for at opnå medarbejderansvar som henholdsvis mand og kvinde. Denne startmodel opstilles således:!(!"#"$ = 1)!" 1!(!"#"$ = 1) =!! +!!!"#$%!!! Vi opstiller følgende hypoteser: H 0 : B 2 = 0, som udtrykker, at kønnet ingen betydning har i forhold til at opnå medarbejderansvar H 1 : B 2 0, som udtrykker, at kønnet har en betydning i forhold til at opnå medarbejderansvar. Med et signifikansniveau på 5 %, opererer vi med en kritisk værdi på ±1,96. Vi foretager en z-test og opnår en z-værdi på -4,79, som er mindre end den kritiske værdi, og vi forkaster dermed H 0 - hypotesen, da vi lander i H 1 -rummet. P-værdien er mindre end 0,01, hvilket er med til at! 60!

61 understøtte, at parameterestimatet for kvinde er signifikant forskellig fra 0. Desuden er fortegnet for parameterestimatet for kvinde negativt, hvilket betyder, at kvinder generelt har mindre sandsynlighed for at opnå medarbejderansvar end mænd. Vi starter med at kontrollere for uddannelse, der er konstrueret som en dummyvariabel, og vi anvender derfor en LR-test. Vi sætter grundskole som referencekategori, og vi tester denne model mod startmodellen for at undersøge, om denne har en signifikant bedre forklaringskraft end vores oprindelige model.!"!!"#"$ = 1 1!!"#"$ = 1 =!! +!!!"#$%!! +!!!"#$%&'$!! +!!!"#$%!!!+!!!"!! +!!!"!! +!!!!"!!! Vi opstiller følgende hypoteser: H 0 : B 3 =B 4 =B 5 =B 6 =B 7 = 0 H 1 : Mindst ét af parameterestimaterne er 0 Gennem en Likelihood ratio-test opnår vi en teststørrelse på 19,31. Denne beregnes ved følgende formel:!! = 2 686, ,56062 =!19,31 G 2 er! 2 -fordelt, og vi har i dette tilfælde 5 frihedsgrader og et signifikansniveau på 5 %, hvilket giver en kritisk værdi på 11,07. Vi lander således i H 1 -rummet og kan dermed konkludere, at Model B har en signifikant bedre forklaringskraft end vores startmodel. Vi forkaster derfor H 0 og beholder uddannelseskategorierne i vores model. Vi tester for en lang række af variable og interaktioner. De resterende tests fremgår af følgende tabel:! 61!

62 Tabel Tabel over logistisk modelsøgning: Modelnavn: Variabel: Hypoteser: z-værdi: Konklusion: Model C Alder H0:!!"#$% = 0 2,85 H0 forkastes. 3,18 H0 forkastes. -1,66 H1 forkastes. -1,17 H1 forkastes. -0,86 H1 forkastes. 4,89 H0 forkastes. -1,23 H1 forkastes. -2,30 H0 forkastes. 0,39 H1 forkastes. -1,17 H1 forkastes. H1:!!"#$% 0 Model D Model E Hjemmeboende H0:!!!"#$%"&'"$ø!" = 0 børn H1:!!!"##"$%"&'"$ø!" 0 Samlever H0:!!"#$%&%' = 0 H1:!!"#$%&%' 0 Model F Offentlig sektor H0:!!""#$%&'()#*%!+ = 0 H1:!!""#$%&'()#*%!+ 0 Model G By H0:!!" = 0 H1:!!" 0 Model H Indflydelse H0:!!"#$%&#'%( = 0 H1:!!"#$%&#'%(' 0 Model I Økonomi H0:!ø!"#"$% = 0 H1:!ø!"#"$% 0 Model J Rig H0:!!"# = 0 H1:!!"# 0 Model K Religiøs H0:!!"#$%$ø! = 0 H1:!!"#$%$ø! 0 Model L Kvinde_børn H0:!!"#$%&_!ø!" = 0 H1:!!"#$%&_!ø!" 0 Vi ender med en slutmodel, som følger:!"!!"#"$!!!!!!"#"$!! =!! +!!!"#$%!! +!!!"#$%&'$!! +!!!"#$%!! +!!!"!! +!!!"!! +!!!!"!! +!!!"#$!! +!! ℎ!"##"$%"&'"$ø!!! +!!!"#$%&#'%(!! +!!"!"#$%!!!! 62!

63 Vi tester denne model mod vores startmodel for at undersøge, hvorvidt denne urestringerede model er bedre end den restringerede model. Vi foretager derfor på ny en LR-test med følgende hypoteser: H 0 : B 3 =B 4 =B 5 =B 6 =B 7 =B 8 =B 9 =B 10 = 0 H 1 : Mindst ét af parameterestimaterne er 0 Vi opnår en teststørrelse på 68, og da vi har 8 frihedsgrader og et signifikansniveau på 5%, opererer vi med en kritisk værdi på 15,51. Vi overskrider dermed den kritiske værdi, og H 0 forkastes. Vores slutmodel er således signifikant bedre til at forklare variationen i Y end startmodellen. Vi kan i forlængelse heraf regne logit-værdierne om til sandsynligheder, og dette beregnes ved følgende: Sandsynligheden for kvinder:!!"#"$ = 1!"#$%& = exp!(( 1,853) + 0,628 1) 1 + exp!(( 1,853) + 0,628 1) = 0,077 Sandsynligheden for mænd:!!"#"$ = 1!"#$ = exp!(( 1,853) + 0,628 0) 1 + exp!(( 1,853) + 0,628 0) = 0,136 Ovenstående betyder således, at man som kvinde har 7,7 % sandsynlighed for at opnå medarbejderansvar, hvorimod man som mand har 13,6 % sandsynlighed. Der er en difference på 5,9 procentpoint, og mænd har altså næsten en dobbelt så stor sandsynlighed for at opnå medarbejderansvar sammenholdt med kvinder. Vi vil i resultatpræsentationen tydeliggøre, hvilken betydning uddannelse kan have i forhold til ovenstående sandsynlighed.! 63!

64 15.1 Modeltrappe for logistisk regression! 64!

65 ! 65!

66 16. Logistisk modelkontrol 16.1 Teorien bag logistisk modelkontrol Ligesom vi ved den lineære regression har mulighed for at teste vores models styrke, kan vi også undersøge den logistiske model. Udover at sammenholde den restringerede og urestringerede model kan vi også undersøge, hvor god vores model er til at beskrive data ved at undersøge de grupperede residualer. For at undersøge dette, anvender vi følgende formel:!! =!"#(!! +!!!!! +.. +!!!!" ) 1 + exp!(!! +!!!!! +.. +!!!!" ) Hvor!! angiver den forudsagte sandsynlighed for Y=1, og Y i angiver den enkelte persons faktiske Y-værdi, som kan antage enten 0 eller 1. Forholdet mellem disse to kan beskrives ved (Kreiner 1999:529): 1!! (!!!! ) Vi anvender dernæst følgende formel for at kunne standardisere grupperesidualerne (Ibid.:530):!!"#$%&'("! =!!"#$%&'(!(1!) Vi kan tolke ovenstående som en Z-fordeling, det vil sige en standardnormalfordeling. Gennem modelkontrollen i denne opgave, fastsætter vi endnu engang et signifikansniveau på 5 %. Med dette signifikansniveau opnår vi en kritisk værdi på ± 1,96. Vi har følgende regler for vores modelkontrol: R Hvis Z-værdien for en eller flere af de respektive grupper i den grupperede residualanalyse er <-1,96, så er sandsynligheden signifikant overestimeret i forhold til den faktiske sandsynlighed. R Hvis Z-værdien omvendt er >1,96, så er sandsynligheden signifikant underestimeret i forhold til den faktiske sandsynlighed.! 66!

67 16.2 Modelkontrol I det følgende afsnit gennemføres en modelkontrol af vores logistiske regressionsmodel. Formålet er at undersøge, hvorvidt vi anvender en stærk empirisk model. Vi vil i det følgende foretage en grupperet residualanalyse på variablen uddannelse, og vi opstiller følgende hypoteser: H 0 : - 1,96< z <1,96 H 1 : z< -1,96 eller z>1,96 Af følgende tabel fremgår resultaterne af denne grupperede residualanalyse: Tabel Resultater af den grupperede residualanalyse: Højest gennemførte uddannelsesniveau: Standardiseret gruppe residualled: Folkeskole klasse 0,382 Folkeskole klasse -0,273 Gymnasielle uddannelser, 0,114 studentereksamen Kort erhvervsudd. under 1-2 års varighed 0,927 Faglig udd. (håndværk, handel, landbrug -0,286 Kort videreg. udd af op til 2-3 år 0,011 Mellemlang videreg.udd. 3-4 år. Prof.bac -0,263 Universitetsbachelor. 1. del af kandidat 0,164 Lang videregående uddannelse. Kandidat. 0,027 Licentiat 0,759 Forskeruddannelse. Ph.d., doktor -0,451 Ingen af ovenstående Z-værdier overskrider den kritiske værdi på ±1,96, og vi kan derfor ikke forkaste vores H 0 -hypotese. Vi må derfor antage, at vi hverken har over- eller underestimeret de respektive uddannelseskategorier. Dette betyder, at vi må antage, at sandsynligheden for Y=1 i vores analyseudvalg stemmer overens med den faktiske sandsynlighed for Y=1 i populationen. Vi har foretaget en grupperet residualanalyse for de andre omkodede kontrolvariable, som fremgår af Bilag 8.! 67!

68 Vi har desuden opstillet en korrelationsmatrice over de variable, som indgår i modellen. Af tabellen fremgår det, at ingen af værdierne befinder sig tilnærmelsesvist uden for intervallet [-0,8;0,8]. Der er altså ikke tegn på nær eksakt multikollinearitet, da ingen af korrelationskoefficienterne er i nærheden af ±1. Matricen fremgår af Bilag Resultatpræsentation Vi har nu gennemført vores modelsøgning samt modelkontrol for både den lineære og logistiske regression, og vi vil nu præsentere de resultater, som vi er nået frem til gennem de respektive tests. Indledningsvis har vi undersøgt, hvilken sammenhæng, der gør sig gældende mellem individets køn og dets antal arbejdstimer. Som det fremgik af den deskriptive statistik, var det primært de mandlige respondenter, som arbejdede fuldtid eller mere end 37 timer om ugen. Overordnet set arbejder mænd mere end kvinder, hvilket tydeligt kommer til udtryk i vores tests. Holder vi i nedenstående graf uddannelse og alder konstant, kommer det ligeledes til udtryk, at mænd i alle aldre gennemsnitligt arbejder mere end kvinder. Dette illustreres her ved en graf over mænd og kvinder med en grundskoleuddannelse: Figur Fordeling af arbejdstimer for mænd og kvinder med en grundskole: Arbejdstimer for mænd og kvinder med en grundskole uddannelse Antal&arbejdstimer& 40! 30! 20! 10! 0! 16!20!24!28!32!36!40!44!48!52!56!60!64! Alder& Mand! Kvinde! Dette forhold mellem mænd og kvinders arbejdstid kommer tilsvarende til udtryk, hvis vi ændrer uddannelsesniveauet fra at være en grundskoleuddannelse til at være en mellemlang videregående uddannelse. Mænd med en mellemlang videregående uddannelse arbejder således mere end kvinder med samme uddannelsesniveau uanset, hvor i deres arbejdsliv de aldersmæssigt befinder sig. Det fremgår af følgende graf:! 68!

69 Figur Fordeling af arbejdstimer for mænd og kvinder med lang videregående uddannelse: Arbejdstimer for mænd og kvinder med en mellemlang videregående uddannelse Antal&arbejdstimer& & 40! 35! 30! 25! 20! 15! 10! 5! 0! 16!20!24!28!32!36!40!44!48!52!56!60!64! Alder& Mand! Kvinde! Særligt interessant bliver det, når man sammenlægger disse to grafer, fordi dette tydeliggør, at uddannelse i denne undersøgelse bliver en sekundær faktor i forholdet til kønnet, når det kommer til, hvad der påvirker ens arbejdstid. Det kan vi udlede af nedenstående graf, hvor de mandlige respondenter uanset uddannelseslængde arbejder mere end de kvindelige respondenter: Figur Fordeling af arbejdstimer for mænd og kvinder med forskellig uddannelseslængde: Mand,!grundskole! Antal&arbejdstimer& Arbejdstimernes fordeling for køn med forskellig uddannelsesmæssig baggrund 40! 35! 30! 25! 20! 15! 10! & & & Kvinde,!grundskole! Mand,!MVU! Kvinde,!MVU! 5! 0! 16!18!20!22!24!26!28!30!32!34!36!38!40!42!44!46!48!50!52!54!56!58!60!62!64!66! Alder& &! 69!

70 Ovenstående graf tydeliggør således, at det for begge køn har en betydning, hvor lang den pågældendes uddannelse er, men overordnet set for begge grupper af respondenter er kønnet den afgørende faktor. Vi kan således konkludere, at kønnet påvirker individets arbejdstid, og hvad det skyldes, og hvilken betydning dette har, vil vi vende tilbage til i diskussionen. Vores anden regressionsmodel tydeliggør også, at der er tale om en kønsmæssig differentiering. Dette kommer til udtryk gennem sandsynligheden for at have medarbejderansvar som henholdsvis mand og kvinde. Dette kan illustreres ved følgende søjlediagram, hvoraf det fremgår, at en mand har markant større sandsynlighed end en kvinde for at opnå medarbejderansvar: Figur Fordeling af mænd og kvinders sandsynlighed for medarbejderansvar: Sandsynlighed for at opnå medarbejderansvar 0,16! 0,14! 0,12! 0,1! 0,08! 0,06! 0,04! 0,02! 0! 0,077! Kvinde! 0,136! Mand! Kvinde! Mand! Kvinder har desuden 47 % lavere odds end mænd for at opnå medarbejderansvar 12. Det har således også i denne kontekst en betydning, om man er mand eller kvinde. Denne sammenhæng kommer også til udtryk, hvis man kigger på sandsynligheden for at opnå medarbejderansvar for henholdsvis mænd og kvinder uanset alder. Af nedenstående graf fremgår det, at sandsynligheden for at opnå medarbejderansvar kontinuerligt er større for mænd end for kvinder, selvom de begge har en lang videregående uddannelse:!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 12!Vi har beregnet oddset ved følgende beregning:!" =!!,!""#!!$%!,!"##$!%#!,!""#!!$# = 0,533!!,!"##$!%&! 70!

71 Tabel Fordeling af mænd og kvinders sandsynlighed for medarbejderansvar betinget på LVU og alder: 1,000! 0,800! Sandsynligheden for at opnå medarbejderansvar for mænd og kvinder med en lang videregående uddannelse & P(y=1)& & 0,600! 0,400! 0,200! 0,000! 15!18!21!24!27!30!33!36!39!42!45!48!51!54!57!60!63!66! Alder& Kvinde! Mand! Det kommer af ovenstående graf til udtryk, at det gælder for respondenter med en lang videregående uddannelse, at jo ældre man bliver, desto større bliver sandsynligheden for at opnå medarbejderansvar. Den tilsvarende tendens gør sig gældende for respondenter med andre uddannelsesniveauer. Alder har altså generelt en påvirkning på mænd og kvinders sandsynlighed for at opnå medarbejderansvar. Dette kan i et intersektionelt perspektiv hænge sammen med, at alder kan ses som en differentieringsmekanisme, hvilket vi ønsker at diskutere nærmere senere i opgaven. Afslutningsvis fremgår det af nedenstående søjlediagram, at køn differentierer sandsynligheden for at opnå medarbejderansvar uanset, hvilket uddannelsesniveau man har: Tabel Fordeling af mænd og kvinder sandsynlighed for medarbejderansvar betinget på uddannelseslængde: Sandsynligheden for at have medarbejderansvar givet ved køn og uddannelseslængde Sandsynligheden&& 0,3! 0,25! 0,2! 0,15! 0,1! 0,05! 0! 0,259! 0,243! 0,225! 0,208! 0,198! 0,146! 0,157! 0,135! 0,134! 0,123! 0,117! 0,077! Grundskole! Gymnasial! Faglært! KVU! MVU! LVU! Uddannelse& Kvinde! Mand!! 71!

72 Man kan undres over, at et stigende uddannelsesniveau ikke kontinuerligt bevirker, at sandsynligheden for at opnå medarbejderansvar stiger, men det kommer tydeligt til udtryk, at respondenter med en lang videregående uddannelse har den største sandsynlighed for at opnå medarbejderansvar. Det centrale er dog, at det i alle uddannelseskategorier er mere sandsynligt, at en mand opnår medarbejderansvar sammenholdt med en kvinde. Denne forskel mellem mænd og kvinder understøtter vores hypotese Afsluttende overvejelser om de empiriske resultater På baggrund af de empiriske undersøgelse kan vi bekræfte begge hypoteser om, at køn påvirker antal arbejdstimer og sandsynligheden for at have medarbejderansvar. Som tidligere påvist, er hverken analyseudvalget eller stikprøven repræsentativ for populationen i forhold til alder og uddannelse. Modsat gælder der repræsentativitet mellem analyseudvalgets og populationens kønsmæssige fordeling. Vi har således ikke mulighed for at generalisere vores resultater og dermed udtale os om populationen. De statistiske resultater indikerer dog, at der er tale om en kønsdifferentiering på arbejdsmarkedet og med afsæt i vores teoretiske betragtninger, har vi fortsat en formodning om, at disse tendenser gør sig gældende i samfundet. Vi vil i det følgende diskussionsafsnit sammenholde vores statistiske resultater med vores fremlagte teoretiske betragtninger. Herudfra diskuteres det om kønsdifferentieringen på arbejdsmarkedet kan ses, som værende problematisk eller til gavn for samfundet. 18. Teoretisk diskussion 18.1 Kønsmæssig differentiering på arbejdsmarkedet De empiriske resultater viser, at der forekommer en kønsmæssig differentiering på arbejdsmarkedet. Dette kommer til udtryk ved, at mænd har større tilknytning til arbejdsmarkedet og har mere lederansvar end kvinder. Dette kan ses som et udtryk for, at manden påtager sig den primære forsørgerrolle, hvorimod kvinden investerer mere tid i hjemmet og derfor ikke har samme mulighed for at kunne investere tiden på arbejdspladsen. Vores empiriske resultater synes derfor at vise, at der stadig eksisterer forskellige kønsroller knyttet til henholdsvis manden og kvinden, hvilket underbygger Walby og Parsons teorier.! 72!

73 Hos Parsons kan de empiriske resultater knyttes an til hans opfattelse af kønsrollerne, hvor kvinden anses for at have den ekspressive funktion i familien, og manden den instrumentelle funktion, som indebærer, at han har den primære tilknytning til arbejdsmarkedet. I forlængelse af Parsons teori kan vores resultater altså ses, som værende et udtryk for en funktionel og naturlig orden (Parsons 1988:123). På samme måde understøtter de empiriske resultater Walbys teori om, at der hersker en ubalance mellem manden og kvinden. Hvor manden har hovedansvaret for det lønnede arbejde, og kvinden omvendt har hovedansvaret for det ulønnede arbejde. Man kan argumentere for, at kvinden bruger færre timer på arbejdspladsen, fordi hun også skal bruge tid på at genopbygge mandens, the exhausted husband, arbejdskraft eller i hvert fald opfylde den huslige rolle, der er med til at sætte rammerne for, at manden kan gå på arbejde. Vores resultater kan desuden ses i lyset af Frasers begreb socioøkonomisk uretfærdighed, da vi netop finder en ulighed i forhold til, at mænd i større omfang har lederansvar end kvinder. Dette kan ses som et udtryk for, at mænd i højere grad bliver ansat i højtlønnede jobs, mens kvinder i højere grad ansættes i mindre vellønnede jobs. På denne måde kan man argumentere for, at vores resultater understøtter, at der ligeledes findes en socioøkonomisk uretfærdighed mellem mænd og kvinder. Walby og Parsons mener altså begge, at manden og kvinden har forskellige roller, hvor mandens rolle i højere grad er knyttet til arbejdsmarkedet end kvindens. De er dog uenige om, hvorvidt disse er funktionelle for samfundet eller snarere skal ses som en udbytningsrelation, hvor kvindens arbejdskraft udnyttes. Dette leder os til at diskutere, hvorvidt forskellige kønsroller er gavnlige eller problematiske Kønsroller til gavn eller problematisk? Den empiriske undersøgelse kan anvendes til at problematisere kønsrollerne, men samtidig kan empirien også anskues som et udtryk for, at den kønsmæssige differentiering er til gavn for det danske samfund. Førstnævnte forestilling knytter sig til Walbys syn på den kønsmæssige ulighed. Differencen i mænd og kvinders arbejdstid kan i Walbys perspektiv forklares med, at der gælder nogle fastgroede kønsroller, som bevirker, at kvindens arbejde uden for hjemmet nedjusteres, fordi hun fortsat er hovedansvarlig for det huslige arbejde. Kvinden har ikke mulighed for at arbejde på samme måde som manden, men hun må i stedet acceptere sin situation og håndtere den fremmedgørelse fra produktionen, som hun vil opleve. Sætter man Walbys teori over for de empiriske resultater, er det således problematisk for det danske samfund, at der finder en kønsmæssig differentiering sted på! 73!

74 arbejdsmarkedet. Denne udspringer, som nævnt, af en institutionaliseret forskel på mænd og kvinder, og fastholder, at kvinder udbyttes og udnyttes. Dette er i sig selv problematisk, men forstærkes tillige af den andocentrisme, som Fraser betegner det, der skaber en sexisme i samfundet, som devaluerer kvinden. Det er netop dette, som Walby fremhæver, som en omfattende konsekvens af samfundets patriarkalske orden, fordi den patriarkalske struktur ikke blot gennemsyrer balancen mellem arbejdsliv og husligt arbejde, men også kommer til udtryk i seksuelle såvel som voldelige relationer mænd og kvinder imellem. Man kan derfor argumentere for, at patriarkatet har en nærmest altomfattende karakter i samfundet, og relationen til arbejdsmarkedet er således kun ét eksempel på, hvordan kvinden, ifølge Walby, er manden underlegen. Det kan derudover anskues, som værende problematisk, at kvinden, som det fremgår af vores resultater, ikke har samme muligheder for at opnå lederansvar som manden. Dette kan også ses som en socioøkonomisk uretfærdighed og desuden som en social lukningsmekanisme, hvor kvinder bliver holdt uden for lederstillingerne, som mænd i stedet besidder. Kvinder ekskluderes således fra disse, og som det kommer til udtryk hos Fraser, skaber dette en følelse af marginalisering og udbytning hos kvinder. Ovenstående hænger i vid udstrækning sammen med Walbys konfliktteoretiske udgangspunkt, hvorimod Parsons er langt mere konsensusorienteret, og man kan derfor argumentere for et mere positivt syn på det kønnede arbejdsmarked i dette funktionalistiske perspektiv. Som det fremgår af den redegørende del, er familien i Parsons forstand en funktionel og specialiseret enhed. I familien er der således, som det tidligere er blevet diskuteret, tilknyttet en række funktioner til de respektive familiemedlemmer således, at de forskellige kønsroller sikrer, at familien fungerer. Derfor, kan det ikke på samme måde som hos Walby, betragtes, som værende problematisk, at mænd og kvinder arbejder forskelligt. Det er snarere et udtryk for, at kvinder orienterer sig mod den ekspressive rolle og varetager denne, mens manden orienterer sig mod den instrumentelle rolle og tager sig af at arbejde, for dermed at kunne forsørge familien. Det handler således for Parsons om, at denne struktur er til gavn, fordi den opretholder integration og dermed er funktionel for samfundet. Hvis udbytningsrelationen opløses, vil det med Parsons funktionalistiske orientering, resultere i en ustabilitet i den familiære orden, hvilket kan medføre en opløsning af samfundets funktionalitet. Den funktionalistiske orden fungerer netop bedst, når personer kan varetage forskellige roller, og derfor vil nogen ulighed altid være ønskværdig. Rollefordeling blandt kønnene er således hos Parsons en forudsætning for opretholdelse og styrkelse af integration i samfundet.! 74!

75 18.3 Eget valg eller ulighed i muligheder? Den kønsmæssige forskel inden for arbejdslivet kan desuden diskuteres i forhold til de to syn på præferencer, der er fremlagt i det redegørende. Man kan med afsæt i førstnævnte præferenceperspektiv forklare de empiriske resultater om arbejdstid ud fra, at kvinder generelt har andre præferencer i forhold til at arbejde. Ifølge denne forestilling er det kvinden selv, som vælger at arbejde mindre, fordi hun orienterer sig mod andet end det lønnede arbejde. Ud fra denne betragtning kan det således ikke betegnes, som værende problematisk med et kønsdifferentieret arbejdsmarked, fordi kvinder og mænd har samme capabilities, men forskellige ønsker og behov. De empiriske resultater kan også være et udtryk for, at mænd og kvinder i stedet har samme præferencer, men forskellige capabilities. Man kan argumentere for, at det netop er denne problemstilling Walby tilslutter sig, når hun mener, at kvinder befinder sig i en position, hvor de udnyttes af manden, og som de ikke kan komme ud af. I dette perspektiv tillægger man det netop stor betydning, at der gælder en række institutionaliserede forskelle på mænd og kvinder, som kommer til udtryk i forskellige kønsroller, mens deres præferencer er de samme. Hvor Walby kan sættes i forbindelse med sidstnævnte, kan man argumentere for, at Parsons helt overser disse perspektiver. Med en holistisk samfundsforståelse tager Parsons ikke stilling til, hvilke spændinger, der kan opstå mellem forskellige roller eller positioner, men tager udelukkende udgangspunkt i, hvad der er det mest funktionelle på det samfundsmæssige plan. På denne måde kan man beskylde Parsons for at overse de konflikter, der kan komme mellem forskellige positioner i samfundet. Perspektivet, der behandler, hvorvidt mænd og kvinder har forskellige muligheder, bliver i høj grad fremlagt, som værende problematisk for kvinder. Men i forlængelse heraf kan man også spejlvende problematikken og snarere fokusere på, hvilken betydning de empiriske resultater har for mændene. Er der nogle muligheder mændene ikke har, som kvinderne har? Man kan spørge sig selv, hvorvidt der er plads til at være husfar, eller om også manden underlægges et pres, fordi det de facto er hans opgave at sikre familien økonomisk. På trods af, at han ikke kan identificere sig med denne instrumentelle rolle. I forlængelse heraf, kan det med afsæt i Butlers teori problematiseres, hvad man som individ kan gøre, hvis man ikke føler, at man hører til i denne funktionelle opdeling som enten en feminin kvinde eller en maskulin mand. Parsons teori er i høj grad funderet i det, som Butler vil definere som den heteroseksuelle forståelsesmatrix, fordi hans funktionalistiske opfattelse netop beror på en række binære koder for kønnenes karakteristika. På samme måde kan man argumentere for, at Walby også tager afsæt i den heteroseksuelle forståelsesmatrix, da Walby! 75!

76 ligeledes tager udgangspunkt i den binære relation mellem manden og kvinden. Ifølge Butler er hele forestillingen om, at mænd går på arbejde, og kvinder passer hjemmet problematisk, fordi der vil være personer, som ikke vil føle, at de passer ind, hverken det ene eller det andet sted. I dette perspektiv er det således ikke funktionelt og dermed til gavn for samfundet, at familien er dechifreret i to kønsroller, fordi det efterlader en gruppe individer uden for, som ikke hører til i denne kernefamiliekonstellation. Butler mener netop derfor, at man skal forsøge at dekonstruere det biologiske køns prædisponeringer, og måske vil dette skabe større rum for husfaren og karrieremoren. Vores resultater peger som nævnt på, at kvinden og mandens rolle på forskellig vis er knyttet til arbejdsmarkedet. Disse roller bliver konstant forstærket af forskellige mekanismer. Hvilke mekanismer, der kan have indvirket på, at vores resultater ser ud, som de gør, vil diskuteres i nedenstående afsnit Kønsrollerne forstærkes Først og fremmest kan man påpege, at der er nogle forventninger og normer i samfundet, der lægger op til, hvordan man som henholdsvis mand og kvinde skal opføre sig. Det er netop dette, Butler forsøger at indfange med hendes begreb om den heteroseksuelle matrix, som indebærer kategoriserede forestillinger om det at være mand og kvinde. Det kan derfor være svært at agere modstridende i forhold til det, der forventes af en. Statistisk diskrimination kan ligeledes ses som en mekanisme, hvor der handles i forhold til de stereotype forventninger, der er til kønnet. Dette kan betyde, at man på baggrund af sit køn, bliver behandlet på forskellige måder, hvilket er med til at fastholde de forskellige kønsroller. I vores empiriske resultater, kan dette netop være grunden til, at man ser færre kvinder med lederansvar, da kvinderne ikke bliver sat i disse positioner grundet en forventning om, at de i højere grad vil prioritere familien, gå på barsel og så videre. Omvendt bekræfter vores empiriske resultater netop, at kvinder eksempelvis arbejder mindre, og man kan derfor sige, at resultaterne egentlig understøtter de stereotype forventninger, der i nogle tilfælde gør sig gældende. En interessant overvejelse i denne sammenhæng er derfor, hvad der kommer først? Skabes de stereotype forventninger ud fra gældende forhold? Eller skabes uligheden mellem manden og kvinden ud fra de forventninger, der eksisterer? Én af de faktorer, der kan være med til at skabe stereotype forventninger til kønnene, er Frasers begreb mommy tracket, da man kan forestille sig, at der blandt mange er en forventning til, at man! 76!

77 som kvinde følger dette. Begrebet lægger op til, at kønsrollerne tit er selvforstærkende. Mommy tracket beskriver netop, en separat karrierevej for kvinder, der som oftest starter med, at kvinden går på barsel, og derved kommer bagud på arbejdsmarkedet. I vores empiriske resultater, kan man argumentere for, at en stor del af kvinderne følger dette mommy track, da de i højere grad arbejder på deltid end mændene. Af resultatpræsentationen fremgår det, at sandsynligheden for at opnå lederansvar stiger med alderen, og forskellen på mænd og kvinders sandsynlighed mindskes med tiden. Dette kan være et udtryk for, at kvinden bruger mere tid på arbejdspladsen, når eksempelvis børnene flytter hjemmefra, og hun kommer på denne måde ud af mommy tracket. I et intersektionelt perspektiv kan alder derfor ses som en differentieringsmekanisme. Det skal derfor nævnes, at det ikke kun er ovenstående kønsrelaterede faktorer, som gør sig gældende, og som kan indvirke på kønsrollerne. Man må hele tiden have in mente, at mange forskellige differentieringsmekanismer spiller ind på kønsdifferentieringen.! 77!

78 19. Konklusion Vi har i denne opgave undersøgt, hvorvidt der gælder en kønsmæssig differentiering på arbejdsmarkedet. Dette har vi undersøgt statistisk ved anvendelse af henholdsvis lineær og logistisk regression. Vi har gennem en lineær regression undersøgt, hvordan køn påvirker antal arbejdstimer og kan konkludere, at køn har en klar påvirkning på et individs arbejdstid. Dette gælder også, når vi inddrager relevante kontrolvariable. I vores anden hypotese kommer en kønsmæssig differentiering på arbejdsmarkedet tillige til udtryk. Med afsæt i den logistiske regressionsmodel kan vi konkludere, at køn ligeledes påvirker sandsynligheden for at have medarbejderansvar. Således konkluderer vi overordnet, at der gælder en kønsmæssige differentiering på arbejdsmarkedet. Med denne konklusion er det dog nødvendigt at have in mente, at vores repræsentativitetstest viser, at der ikke gælder repræsentativitet mellem analyseudvalget og populationen i forhold til alders- og uddannelsesfordelingen. På trods af at køn er repræsentativt, er det derfor ikke muligt at generalisere vores resultater til at gælde populationen. Efterfølgende er det blevet diskuteret, hvorvidt denne kønsmæssige differentiering skal ses, som værende problematisk eller til gavn for det danske samfund. Vi har igennem en teoretisk diskussion klarlagt, at det i høj grad afhænger af, hvilke sociologiske øjne der ser. Hos Sylvia Walby kommer det tydeligt til udtryk, at det betragtes, som værende problematisk, at der gælder en kønsmæssig differentiering. Hendes patriarkatsteori betoner de problematiske aspekter, som en kønsdifferentiering bevirker. Walby fokuserer i særdeleshed på de negative konsekvenser, som patriarkatet afføder, fordi kvinden herigennem udbyttes både af den patriarkalske produktionsmåde og af kapitalismen, som ligeledes lukrerer på kvindens reproduktive arbejde. Det kan således konkluderes, at det ifølge Walbys patriarkatsperspektiv er problematisk for det danske samfund, at der gælder en kønsmæssig differentiering. Tager man derimod afsæt i Parsons funktionalistiske perspektiv, kan det konkluderes, at den kønsmæssige differentiering på arbejdsmarkedet er til gavn for samfundet. Dette begrundes med, at den funktionelle familie tjener et mere specialiseret samfund bedst muligt ved at påtage forskellige kønsroller, fordi det opretholder den samfundsmæssige integration.! 78!

79 20. Litteraturliste 20.1 Social Differentiering Andersen, Heine 2013: Funktionalisme - integration og konflikt i Andersen, Heine og Lars Bo Kaspersen: Klassisk og moderne samfundsteori. København: Hans Reitzels Forlag: s Beck, Ulrich 1997: Jeg er mig: om kønnenes samliv og konflikter i og uden for familien i Risikosamfundet - på vej mod en ny modernitet. København: Hans Reitzels Forlag Boje, Thomas P. og Anders Ejrnæs 2013: Kapitel 4,6 og 7 i Uligevægt - Arbejde og familie i Europa. Frederiksberg C: Nyt fra Samfundsvidenskaberne Bradley, H. 1994: Gender - Rethinking Patriarchy i Fractured Identities. Cambridge: Polity Press Butler, Judith 2004: Introduction: Acting in Concert og Gender Regulations i Undoing Gender. New York: Routledge Davis, Kingsley & Moore, Wilbert E. 1994: Some Principles of Stratification. Grusky, Davis B.: Social Stratification, Westview Press, USA Fraser, Nancy: Fra omfordeling til anerkendelse i Hviid, Jacobsen og Rasmus Willig 2008: Anerkendelsespolitik. Odense: Syddansk Universitetsforlag Harrits, Gitte 2014: Klasse. En introduktion. København: Hans Reitzels Forlag Parkin, Frank: Marxism and Class Theory:a Bourgeois Critique i Grusky, David B. 1994: Stratification in Sociological Perspective. Boulder: Westview Press Parsons, Talcott 1955: Den amerikanske familie: dens forhold til personligheten og samfunnsstrukturen i Østerberg, Dag 1988: Talcott Parsons. Sosiologiske Essays. Utvalg og innledning ved Dag Østerberg. Pax Forlag A.s, Oslo Phoenix, Ann 2006: Interrogating intersectionality i Kvinder, køn og forskning, 2-3 Walby, Sylvia 1986: Towards a New Theory of Patriarchy i Patriarchy at Work. Cambridge: PolityPress. West og Zimmermann 1987: Doing Gender i Gender & Society, vol 1, no 2. Sages Publication: New York 20.2 Videregående Kvantitative Metoder Geerdsen, Lars Pico 2014a, Logistisk lektionsnoter 1 Geerdsen, Lars Pico 2014b, Logistisk lektionsnoter 2 Geerdsen, Lars Pico 2014c, Logistisk lektionsnoter 3! 79!

80 Gujarati, Damodar N. og Dawn C. Porter 2010: Essentials of Econometrics. New York: McGraw- Hill International Edition Kreiner, Svend (1999): Logistisk regression. I: Kreiner, S. (1999): Statistisk problemløsning. København: Jurist- og Økonomforbundets Forlag, s Malchow-Møller, Nikolaj og Allan Würtz 2010: Indblik i statistik - for samfundsvidenskab. København: Hans Reitzels Forlag 20.3 Internetsider (Web1) Danmarks Statistik, Statistikbanken. (Besøgt d ). (Web 2) ESS: (Besøgt d ) (Web 3) ESS i Danmark: (Besøgt d ) (Web 4) ESS metoder: (Besøgt d ) (Web 5) ESS - spørgeskemaet: df (Besøgt d ) (Web 6) Leksikon: (Besøgt d ) (Web 7) Politiken: (Besøgt d )! 80!

81 21. Bilag Bilag 1: Analyse af partielt bortfald Antal svar Partielt bortfald i antal Total Partielt bortfald i procent Antal arbejdstimer ,57 % Køn % Uddannelse ,30 % Alder % Lederansvar ,64 % Samlever % Hjemmeboende børn % Geografisk placering ,24 % Sektor ,39 % Indflydelse på arbejdspladsen ,90 % Opfattelse af økonomi ,39 % Vigtigt at være rig ,27 % Frivilligt arbejde ,12 % Religion ,42 %! 81!

82 Bilag 2: Omkodning af variable Uddannelse: Folkeskole! 6.R8.!klasse!! Grundskole! Folkeskole! 9.R10.!klasse!! Gymnasiale! uddannelser,! studentereksamen!! Gymnasial!uddannelse!! Kort! erhvervsuddannelse!! Faglært!! Faglig!uddannelse!! Kort!videregående! uddannelse!af!op!til!2r3! års!varighed.! KVU!! 82!

83 Mellemlang! videregående! uddannelse!3r4!år.! Professionsbachelor!! MVU! Universitetsbachelor,! 1.!del!!af!kandidat!! Lang!videregående! Uddannelse.!Kandidat.!! Licentiat! LVU!! Forskeruddannelse.! Ph.d.!Doktorgrad.!! 83!

84 Sektor: Privat!firma! Privat!Sektor! Selvstændig! Staten!eller! regioner/kommuner! Anden!offentlig! virksomhed! Offentlig!sektor! Andet!statsejet! virksomhed!! 84!

85 Geografi: Storby! Forstad!eller!udkanten! af!en!storby! By! En!mellemstor!eller! mindre!by! Landsby! Landet! En!gård!eller!et!hus!på! landet!! 85!

86 Økonomi: Lever!godt!på!nuværende! indtægt! God!økonomi! Klarer!sig!på! nuværende!økonomi! Finder!det!svært!med! nuværende!økonomi! Svær!økonomi! Finder!det!meget!svært! med!nuværende! økonomi!! 86!

87 Rigdom: Det!er!meget!vigtigt!for! mig! Det!er!vigtigt!for!mig! Rigdom!er!vigtigt! Det!er!delvist!vigtigt!for! mig! Det!er!lidt!vigtigt!for! mig! Det!er!ikke!vigtigt!for! mig! Rigdom!er!mindre!vigtigt! Det!er!slet!ikke!vigtigt! for!mig!! 87!

88 Frivilligt arbejde: Mindst!en!gang!om! ugen! Laver!ofte!frivilligt! arbejde!! Mindst!en!gang!om! måneden! Mindst!en!gang!pr.! tredje!måned! Mindst!en!gang!pr.! halve!år! Sjældent!! Mindre!ofte! Aldrig!! 88!

89 Bilag 3: Argumentation for kontrolvariable Der følger i nedenstående en argumentation for, hvorfor de anvendte kontrolvariable er medtaget i henholdsvis den lineære og logistiske regressionsanalyse. 3.1 Kontrolvariable anvendt i lineær regression: Uddannelse: Vi forestiller os, at uddannelse kan have en betydning for, hvor meget man arbejder, idet vi har en formodning om, at folk med længere uddannelse besidder positioner, der kræver en lang arbejdstid. Derudover kan man formode, at der eksempelvis i kategorien faglærte vil findes selvstændige, som arbejder mere, end dem der ikke er selvstændige. Alder: Respondenterne i analyseudvalget spænder over et stort aldersinterval og dermed også over flere generationer. Vi har en formodning om, at ens arbejdstid varierer ud fra alder. Man kan forestille sig, at der vil være en variation i arbejdstid for unge, fordi nogle studerer, mens andre har fuldtidsjob. Ydermere kan man forestille sig, at folk arbejder mindre, når de har passeret en vis alder. Dette kan der være mange grunde til, bl.a. at folk arbejder mindre, når de får børn, at de arbejder mere, når deres børn flytter hjemmefra, eller at man arbejder mindre, når kroppen fysisk bliver ældre. Medarbejderansvar: Vi anvender denne som kontrolvariabel i den lineære regression, fordi vi har en forestilling om, at man arbejder mere, hvis man har medarbejderansvar kontra, hvis man ikke har. Hjemmeboende børn: Vi har en formodning om, at hjemmeboende børn påvirker, hvor meget man arbejder i den forstand, at man vil mindske mængden af sit arbejde for at have tid til samvær med ens børn. Man vil således indrette sin arbejdsmængde efter, hvorvidt man har hjemmeboende børn eller ej. Tilsvarende kan det formodes, at man vil investere mere tid i sit arbejde, hvis man ikke har hjemmeboende børn, fordi man derved ikke skal hjem og passe dem. Samlever: Lige såvel som hjemmeboende børn kan præge en persons arbejdstid, forestiller vi os, at det kan have en betydning, hvorvidt man lever sammen med en mand/kone/partner. Det kan tænkes,! 89!

90 at man vil tage hensyn til sin partner og dermed arbejde mindre for at kunne dedikere tid til sin familie. Offentlig sektor: At arbejde i den offentlige sektor er i mange sammenhænge forbundet med at varetage et fuldtidsjob, som er fastlåst på 37 timer. Vi forestiller os således, at man i tilfælde, hvor man arbejder i den private sektor vil arbejde mere end fuldtid, da det ikke på samme måde er normen, at man varetager et helt almindeligt fuldtidsjob. Man kan altså forestille sig, at man er bundet af forskellige kontrakter alt efter, om man arbejder i den offentlige eller private sektor. Bor i byen: Vi forestiller os, at det har betydning for ens arbejdstid, om man er bosat i byen eller på landet. Dette gør vi ud fra en formodning om, at personer der bor i byen orienterer sig anderledes end personer på landet. Vi forestiller os derudover, at det er dyre at bo i byen end på landet, hvorfor det at bo i byen kan indebære en længere arbejdstid, fordi dette kan sættes i forbindelse med en højere løn. Indflydelse på arbejdspladsen: Hvis man oplever at have indflydelse på, hvilke beslutninger der bliver truffet på ens arbejdsplads, kan det tænkes, at man bruger mere tid på sit arbejde, fordi det er motiverende at være en del af beslutningsprocessen. Økonomi: Vi kontrollerer for, hvorledes respondenterne opfatter deres husstandsøkonomi, idet vi har en forventning til, at man vil arbejde mere, hvis man opfatter sin økonomi som dårlig, fordi en forhøjet arbejdstid formentlig vil betyde en forhøjet løn på længere sigt og vice versa. Det modsatte billede kan dog også gøre sig gældende, idet man kan forvente, at personer, som vurderer, at de har en god husstandsindkomst vil besidde en betydningsfuld position på arbejdspladsen, som naturligt indebærer en høj løn og en længere arbejdstid. Rig: Vi kontrollerer for vigtigheden af rigdom, da vi har en formodning om, at man vil arbejde mere, hvis det at have dyre ting og stor materiel rigdom har en stor betydning for individet. Vi forestiller os således, at man vil arbejde mere for at kunne tjene til at købe dyre ting. Frivilligt arbejde: Hvis man dedikerer meget tid til at foretage frivilligt arbejde, så forestiller vi os, at man vil arbejde mindre i sit lønnede job for at have tid til ens frivillige beskæftigelse.! 90!

91 Religiøs: Ens religiøsitet kan være knyttet til bestemte værdier, der kan have indflydelse på ens forhold til arbejdslivet, og derfor benyttes denne som kontrolvariabel. 3.2 Kontrolvariable anvendt i logistisk regression: Uddannelseslængde: Vi formoder at uddannelseslængde har en betydning for, hvilke kompetencer man har at trække på i sit arbejdsliv. Således ligger der en forventning om, at en højere rangeret uddannelse vil indebære flere kompetencer og dermed en større sandsynlighed for at have medarbejderansvar. Alder: Vi har en forventning om, at jo ældre du bliver, jo mere anciennitet opnår du på en given arbejdsplads og derved, at der er en større sandsynlighed for at opnå medarbejderansvar. Hjemmeboende børn og samlever: Vi har en formodning om, at når man har hjemmeboende børn og/eller bor sammen med en mand/kone/partner, så har det en betydning i forhold til prioriteringen mellem arbejdslivet og familielivet, og at dette kan påvirke sandsynligheden for at få medarbejderansvar. Offentlig sektor: Vi har en forventning om, at det vil påvirke sandsynligheden for at have medarbejderansvar, om man arbejder i den offentlige eller den private sektor. Dette fordi vi har en formodning om, at der er forskel i grundlaget for, hvornår man bliver tillagt medarbejderansvar i henholdsvis den offentlige og private sektor. Bor i byen: Muligheden for at blive leder forestiller vi os er større i byen end uden for de større byer, da der er flere arbejdspladser i byen og dermed flere potentielle lederstillinger. Således har vi en formodning om, at muligheden for at have medarbejderansvar er større. hvis man er bosat i byen end på landet. Indflydelse på eget arbejde: Vi har en forventning om, at en stor indflydelse på ens arbejdsplads vil indebære en større sandsynlighed for at have medarbejderansvar, idet medarbejderansvar! 91!

92 naturligt indebærer større indflydelse. Vi forventer derfor ligeledes, at oplevelsen af ikke at have indflydelse på sin arbejdsplads indebærer en lavere sandsynlighed for at have medarbejderansvar. Økonomi: Vi har en forventning til, at hvorvidt man vurderer sin husstandsindkomst som god eller svær kan have indflydelse på sandsynligheden for at have medarbejdersansvar. Hvis man føler at have en god husstandsindkomst kan dette være en indikation på, at man tjener mange penge, hvilket vi formoder vil påvirke ens sandsynlighed for at have ledelsesansvar. Dette fordi en lederposition sættes i forbindelse med en høj løn. Rig: Vi har en forestilling om, at det at man synes, at det er vigtigt at være rig og have dyre materielle ting kan have indflydelse på, hvilken position man ønsker på en given arbejdsplads og derfor kan påvirke sandsynlighed for at have ledelsesansvar. Religiøs: Samme begrundelse som ved lineær regression.! 92!

93 Bilag 4: Repræsentativitetstest 4.1: Udregninger af z-test for aldersintervaller for analyseudvalget For aldersintervallet årige :! =!!!!!! (!! (!!!! ))! =!!,!""!!,!"# (!,!"# (!!!,!"#))!!!" = 6,666 For aldersintervallet årige :!=!!!!! (!! (!!!! ))! =!!,!"#!!,!"# (!,!"# (!!!,!"#))!!!" = -3,080 For aldersintervallet årige :!=!!!!! (!! (!!!! ))! =!!,!"!!!,!"# (!,!"# (!!!,!"#))!!!" = -5,297 For aldersintervallet årige :!=!!!!! (!! (!!!! ))! =!!,!"#!!,!"# (!,!"# (!!!,!"#))!!!" =!-2,370 For aldersintervallet årige :!=!!!!! (!! (!!!! ))! =!!,!"#!!,!!" (!,!!" (!!!,!!"))!!!" = 7,391 De følgende z-test for aldersintervaller og uddannelseskategorier er udregnet på samme måde som ovenstående.! 93!

94 4.2: Test af alder for stikprøven Aldersintervaller Frekvens i populationen Observeret frekvens Forventet frekvens under H 0 X 2 - værdi Antal Procent Antal Procent Antal år ,38 % ,58 % 253,78 0, år ,14 % ,48 % 233,39 15, år ,86 % ,42 % 278,20 5, år ,24 % ,12 % 284,41 0, år ,30 % ,88 % 252,52 7, år ,42 % ,97 % 204,88 8, år ,19 % 104 6,30 % 102,21 0, år ,28 % 36 2,18 % 37,56 0, år ,18 % 1 0,06 % 3,04 1,37 Total % % ,49 Kilde: BEF5: Folketal 1. januar efter køn, alder og fødeland (Web 1). Den kritiske værdi er:!! 0,70 (8) = 9,52! 94!

95 4.3 Resultater af z-test for alder for stikprøven Z-værdier for aldersintervaller Alderskategorier Z-værdier år 0, år -4, år -2, år 0, år 2, år 3, år 0, år -0, år -1,177! 95!

96 4.4: Uddannelsesfordeling af stikprøve og population Uddannelse Frekvens i population Observeret frekvens Forventet frekvens under H 0 X 2 - værdi Antal Procent Antal Procent Antal Grundskole ,30 % ,00 % 483,38 29,98 Gymnasial ,58 % 139 8,42 % 141,60 0,05 Faglært ,86 % ,24 % 525,74 6,79 KVU ,33 % 156 9,45 % 71,52 99,80 MVU ,71 % ,76 % 242,72 55,71 LVU ,29 % 162 9,82 % 120,33 14,43 Uoplyst ,92 % 5 0,30 % 64,71 55,10 Total % % ,85 Kilde: KRHFU2: Befolkningens højeste fuldførte uddannelse (15-69 år) efter område, alder, køn og arbejdsmarkedstilknytning (tidl UDD3) (Web 6) Den kritiske værdi er:!! 0,70 (6) = 7,23 4.5: Resultater af z-test for uddannelseskategorier for stikprøven Z-værdier for uddannelseskategorierne Uddannelseskategorier Z-værdier Grundskole -6,512 Gymnasial -0,229 Faglig -3,156 KVU 10,214 MVU 8,082 LVU 3,945 Uoplyst -7,573! 96!

97 Bilag 5: Deskriptiv analyse Køn og antal arbejdstimer Test af uafhængighed mellem køn og arbejdstimer: Vi vil i det følgende afgøre, hvorvidt der forefinder uafhængighed mellem køn og antal arbejdstimer, altså om det tyder på at der eksisterer en sammenhæng mellem køn og antal arbejdstimer. Vi opstiller følgende hypoteser: H 0 : Uafhængighed, dvs. f(køn,arbejdstimer) = f X (køn)! f Y (arbejdstimer) for alle værdier af x og y H 1 : Afhængighed, dvs. f(køn,arbejdstimer) = f X (køn) f Y (arbejdstimer) for alle værdier af x og y Vi har benyttet følgende teststatistik (Malchow-Møller & Würtz 2010:373):!! =!!!!!!!! (!!"!!! (!! )!! (!! ))!!!! (!! )!! (!! ) I nedenstående tabeller 13 fremgår først de observerede frekvenser, derefter de forventede frekvenser samt marginale sandsynligheder. Disse bruges til at udregne den samlede!! -værdi. Mand Kvinde Total timer timer timer Total !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 13!Bemærk at arbejdstimer her er kodet i intervaller af hensyn til at kunne foretage en test for uafhængighed for fordelinger!! 97!

98 Mand Kvinde Marginal ssh timer 131,54 126,46 0, timer 419,61 403,38 0, timer 17,85 17,16 0,03 Marginal ssh. 0,51 0,49 1 Med en samlet!! -værdi på 56,24 kan vi således forkaste H 0 -hypotesen, da denne!! -værdi langt overskrider vores kritiske værdi på 5,99 ved 2 frihedsgrader og et signifikansniveau på 5%. Således kan vi konstatere, at der ikke gælder uafhængighed mellem køn og antal arbejdstimer. Enkeltcelletest Ydermere foretager vi en enkeltcelletest for at opnå et mere nuanceret billede af, hvorledes respondenterne fordeler sig i de respektive celler. Signifikansniveauet er fortsat 5%, hvorfor den kritiske værdi lyder på ±1,96. Teststatistikken for en enkeltcelletest ser ud som følger:!!" = (!!"!!!" )!!!" (1!"(!)) (1!"(!)) I nedenstående skema er signifikante overrepræsentationer røde, mens underrepræsentationer er blå: Mand Kvinde timer -6,61 6, timer 4,68-4, timer 4,18-4,18 En enkeltcelletest indikerer, hvorledes mænd er underrepræsenteret i kategorien arbejdstimer, mens de er overrepræsenteret i resten af kategorierne. Kvinder er overrepræsenteret i kategorien arbejdstimer, mens de er underrepræsenteret i resten af kategorierne.! 98!

99 Z-test for middelværdi: Det testes ligeledes om middelværdierne for mænd og kvinders antal arbejdstimer afviger signifikant fra hinanden. Jf. vores teoretiske overvejelser, tror vi, at mænd arbejder mere end kvinder og ender derfor ud med følgende hypoteser: H! :!!!"#$ =!!!"#$%&!! :!!!"#$ >!!!"#$%& Med et signifikansniveau på 5% samt en kritisk værdi på 1,64 udregner vi følgende Z-test:! =!!!"#$!!"#$%&!!!!"# /!!!!"#$ +!!"#$%& /!!!"#$%&! =! 39,13 34,56 11,2/569 +!8,89/547 = 24,11!!!! Således overskrider den udregnede Z-værdi på 20,16 den kritiske værdi på 1,64, og vi forkaster dermed nulhypotesen. Mænd arbejder signifikant mere end kvinder. Køn og medarbejderansvar Testen af uafhængighed mellem køn og medarbejderansvar fremgår på samme vis som testen for køn og arbejdstimer. Vi vil i det følgende afgøre om der eksisterer en sammenhæng mellem køn og medarbejderansvar, hvorvidt kan der altså siges at eksisterer uafhængighed mellem disse. Vi opstiller følgende hypoteser: H 0 : Uafhængighed, dvs. f(køn,medarbejderansvar) = f X (køn)! f Y (medarbejderansvar) for alle værdier af x og y H 1 : Afhængighed, dvs. f(køn,medarbejderansvar) = f X (køn)! f Y (medarbejderansvar) for alle værdier af x og y! 99!

100 Følgende teststatistik benyttes (Malchow-Møller & Würtz 2010:373): d.f. = 1 α = 5%!! =!!!!!!!! (!!"!!! (!! )!! (!! ))!!!! (!! )!! (!! ) I nedenstående tabeller fremgår først de observerede frekvenser, derefter de forventede frekvenser samt marginale sandsynligheder. Disse bruges til at udregne den samlede!! -værdi. Mand Kvinde Total Medarbejderansvar Ikke medarbejderansvar Total Mand Kvinde Marginal ssh. Medarbejderansvar 188,14 180,86 0,33 Ikke 380,86 366,14 0,67 medarbejderansvar Marginal ssh. 0,51 0,49 1 Den kritiske værdi for en!! -fordeling med 1 frihedsgrad og et signifikansniveau på 5 % er 3,84. Med den udregnede!! -værdi på 23,23 kan vi konstatere at der ikke forefinder uafhængighed mellem køn og medarbejderansvar på arbejdet. Vi forkaster således H 0 -hypotesen. Samlet set overskred alle vores!! -værdier deres respektive kritiske værdier under nulhypotesen. Det antages på baggrund heraf, at kønnet har en betydning for antal arbejdstimer og om man har medarbejderansvar eller ej. Vi vil derfor gå videre med køn som POI til at forklare fordelingen af vores uafhængige variable: antal arbejdstimer og medarbejderansvar.! 100

101 Enkeltcelletest Ydermere foretager vi en enkeltcelletest for at opnå et mere nuanceret billede af, hvorledes respondenterne fordeler sig i de respektive celler. Signifikansniveauet er fortsat 5 %, hvorfor den kritiske værdi lyder på ±1,96. Teststatistikken for en enkeltcelletest ser ud som følger:!!" = (!!"!!!" )!!!" (1!"(!)) (1!"(!)) I nedenstående skema er signifikante overrepræsentationer røde, mens underrepræsentationer er blå: Mand Kvinde Medarbejderansvar 4,82-4,82 Ikke medarbejderansvar -4,82 4,82 En enkeltcelletest indikerer, at mænd er signifikant overrepræsenteret i kategorien medarbejderansvar, mens kvinder i denne kategori er underrepræsenteret. Det modsatte billede gør sig gældende i kategorien ikke medarbejderansvar, hvor mænd således er signifikant underrepræsenteret og kvinder overrepræsenteret.! 101

102 Bilag 6: Scatterplots Scatterplot for uddannelse Scatterplot for alder! 102

103 Scatterplot for medarbejderansvar Scatterplot for sektor! 103

104 Scatterplot for indflydelse! 104

105 Bilag 7: Korrelationsmatricer Korrelationsmatrice lineær regressionsanalyse Korrelationsmatrice logistisk regressionsanalyse! 105

106 Bilag 8: Grupperet residualanalyse for resterende variable Anvendte kontrolvariable: Rigdom: Respondentens forhold til sin indkomst Standardiseret grupperesidual Det er meget vigtigt for mig -0, Det er vigtigt for mig 0, Det er delvist vigtigt for mig -0, Det er lidt vigtigt for mig 1, Det er ikke vigtigt for mig -1, Det er slet ikke vigtigt for mig 0, Ingen af de standardiserede grupperesidualled overskrider den kritiske værdi på ±1,96, og vi over- eller underestimerer således ikke denne variabel. Insignifikante kontrolvariable: Bopæl i byen: Respondenternes bopæl Standardiseret grupperesidual En storby 0, Forstad eller udkanten af en storby 0, En mellem stor eller mindre by -0,95513 Landsby 1, En gård eller et hus på landet -1, Ingen af de standardiserede grupperesidualled overskrider den kritiske værdi på ±1,96, og vi over- eller underestimerer således ikke denne variabel. Offentlig sektor:! 106

107 Arbejde i sektor. Standardiseret grupperesidual Staten eller regioner/kommuner 0, Anden offentlig virksomhed -2, Anden statsejet virksomhed 0, Privat firma 1, Selvstændig -2, Her er to af de standardiserede grupperesidualer mindre end den kritiske værdi på -1,96, og derfor er disse overestimerede. Da denne variabel ikke er signifikant, når vi kontrollerer for den i vores model, vil vi ikke gå mere indgående ind i dette. Bilag 9: Do-file use "/Users/************/Downloads/ESS6DKSTATA12-2.dta", clear *** INDSKRÆNKNING AF ANALYSEUDVALG *** * Fjerner alle der arbejder under 10 timer og over 80 timer * keep if wkhtot > 9 & wkhtot < 81 * Behold folk i arbejdsduelig alder * keep if agea > 14 & agea < 68 *** UNDERSØGELSE AF VARIABLE *** * Undersøgelse af Y og POI * tab wkhtot gndr tab jbspv gndr * Undersøgelse kontrolvariable * tab1 edlvddk tab1 agea tab1 jbspv tab1 icpart1 tab1 chldhm tab1 rlgblg tab1 domicil tab1 tporgwk tab1 iorgact tab1 hincfel tab1 wkvlorg *** RENAME *** rename wkhtot arbejdstimer! 107

108 rename agea alder rename iorgact indflydelse *** OMKODNINGER *** * Omkodning af køn - POI * tab1 gndr, nol gen kvinde=. replace kvinde=0 if gndr==1 replace kvinde=1 if gndr==2 label define kvinde_label 0 mand 1 kvinde label values kvinde kvinde_label rename gndr koen * Omkodning af lederansvar * recode jbspv (1=1 "Leder") (2=0 "Ikke Leder") (else=.), gen (leder) * Omkodning af civilstand * recode icpart1 (1=1 "samlever") (2=0 "ikke samlever") (else=.), gen (samlever) * Omkodning privat/offentlig * recode tporgwk (1 2 3=1 "offentlig") (4 5=0 "privat") (else=.), gen (offentlig) * Omkodning af hjemmeboende børn * recode chldhm (1=1 "hjemmeboende boern") (2=0 "ikke hjemmeboende boern") (else=.), gen (hjemboern) * Omkodning af religion * recode rlgblg (1=1 "religioes") (2=0 "ikke religioes") (else=.), gen (religiøs) * Omkodning af land/by * recode domicil (1 2 3=1 "byen") (4 5=0 "landet") (else=.), gen(byen) * Omkodning af opfattelse af økonomi * recode hincfel (1=1 "god oekonomi") (2 3 4=2 "svær oekonomi") (else=.), gen (oekonomi) * Omkodning af vigtig at være rig * recode imprich (1 2 3=1 "vigtigt") (4 5 6=2 "mindre vigtigt") (else=.), gen (rig) * Omkodning af frivilligt atbejde * recode wkvlorg (1 2=1 "ofte") ( =2 "sjældent") (else=.), gen (friv) * Omkodning af uddannelse * rename edlvddk uddannelse gen grundskole=. replace grundskole=1 if inlist(uddannelse,0,1,2) replace grundskole=0 if inlist(uddannelse,3,4,5,6,7,8,9,10,11) gen gymnasial=. replace gymnasial=1 if inlist(uddannelse,3) replace gymnasial=0 if inlist(uddannelse,0,1,2,4,5,6,7,8,9,10,11) gen faglært=. replace faglært=1 if inlist(uddannelse,4,5) replace faglært=0 if inlist(uddannelse,0,1,2,3,6,7,8,9,10,11) gen KVU=.! 108

109 replace KVU=1 if inlist(uddannelse,6) replace KVU=0 if inlist(uddannelse,0,1,2,3,4,5,7,8,9,10,11) gen MVU=. replace MVU=1 if inlist(uddannelse,7,8) replace MVU=0 if inlist(uddannelse,0,1,2,3,4,5,6,9,10,11) gen LVU=. replace LVU=1 if inlist(uddannelse,9,10,11) replace LVU=0 if inlist(uddannelse,0,1,2,3,4,5,6,7,8) recode uddannelse (0 1 2=1 "grundskole") (3=2 "gymnasial") (4 5=3 "faglært") (6=4 "KVU") (7 8=5 "MVU") ( =6 "LVU") (else=.), gen (uddannelse1) * Omkodning alder^2 * gen alder2 = alder*alder * Omkodning af interaktioner * gen kvinde_hjemboern=kvinde*hjemboern gen kvinde_leder=kvinde*leder gen kvinde_gymnasial=kvinde*gymnasial gen kvinde_faglært=kvinde*faglært gen kvinde_kvu=kvinde*kvu gen kvinde_mvu=kvinde*mvu gen kvinde_lvu=kvinde*lvu gen kvinde_alder=kvinde*alder gen kvinde_indflydelse=kvinde*indflydelse gen kvinde_rig=kvinde*rig *** FILTER *** egen filter_eksamen = rowmiss(alder koen arbejdstimer uddannelse oekonomi friv rig indflydelse religiøs offentlig byen hjemboern samlever leder) tab filter_eksamen *** DESKRIPTIV STATISTIK *** recode arbejdstimer (10/33 = 1 "10-33") (34/56 = 2 "34-56") (57/80 = 3 "57-80"), gen(arb1) * krydstabel over arbejdstimer og køn * tab2 arb1 kvinde if filter_eksamen==0 * aflæs middelværdi og varians for kvinder * sum arbejdstimer if kvinde==1 & filter_eksamen==0 * aflæs middelværdi og varians for mænd * sum arbejdstimer if kvinde==0 & filter_eksamen==0 * Krydstabel over ssh'er* table kvinde if filter_eksamen==0, content(mean leder) format(%9.2f) center table kvinde uddannelse1 if filter_eksamen==0, content(mean leder) format(%9.2f) center *** REPRÆSENTATIVTETSTEST *** * mellem analyseudvalg og populationen * tab1 uddannelse1 if filter_eksamen==0 tab1 alder if filter_eksamen==0 * mellem stikprøven og populationen (kør sti igen) * *tab1 agea *tab1 edlvddk! 109

110 *** LINEÆR MODELSØGNING *** * Model A * reg arbejdstimer kvinde if filter_eksamen==0 estimates store model_a * Model B * reg arbejdstimer kvinde grundskole-mvu if filter_eksamen==0 estimates store model_b * test af model B mod model A * test grundskole gymnasial faglært KVU MVU disp invf(5, 1109, 0.95) * Model C * reg arbejdstimer kvinde grundskole-mvu alder if filter_eksamen==0 estimates store model_c * Argument for kun at bruge Alder^2 vha scatterplot * graph twoway (lfit arbejdstimer alder) (qfit arbejdstimer alder) (scatter arbejdstimer alder) if filter_eksamen==0 * Model D * reg arbejdstimer kvinde grundskole-mvu alder alder2 if filter_eksamen==0 estimates store model_d * Model E * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder if filter_eksamen==0 estimates store model_e * Model F * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder hjemboern if filter_eksamen==0 estimates store model_f * Model G * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder samlever if filter_eksamen==0 estimates store model_g * Model H * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig if filter_eksamen==0 estimates store model_h * Model I * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig byen if filter_eksamen==0 estimates store model_i * Model J * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse if filter_eksamen==0 estimates store model_j * Model K * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse oekonomi if filter_eksamen==0 estimates store model_k * Model L * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse rig if filter_eksamen==0 estimates store model_l! 110

111 * Model M * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse friv if filter_eksamen==0 estimates store model_m * Model N * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse religiøs if filter_eksamen==0 estimates store model_n * Model O * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse kvinde_hjemboern if filter_eksamen==0 estimates store model_o * Model P * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse kvinde_leder if filter_eksamen==0 estimates store model_p * Model J mod model A * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse if filter_eksamen==0 estimates store model_ test grundskole gymnasial faglært KVU MVU alder alder2 leder offentlig indflydelse disp invf(10, 1104, 0.95) *** MODELKONTROL - LINEÆR *** * test af homoscedasticitet * predict eksamenresidual, residual hist eksamenresidual if filter_eksamen==0, norm sum eksamenresidual if filter_eksamen==0 * ovenstående histogram tyder på at vi har fejlled der er normalfordelt * predict eksamen_yhat, xb browse wkhtot eksamen_yhat eksamenresidual if filter_eksamen==0 ** vi laver en kvadreret residualled for at arbejde med positive tal ** gen eksamen_res2 = eksamenresidual*eksamenresidual ** scatterplot med kvardreret residualled og gennemsnit af arbejdstimer/y ** scatter eksamen_res2 eksamen_yhat if filter_eksamen==0, msize(tiny) scatter eksamen_res2 kvinde if filter_eksamen==0, msize(tiny) scatter eksamen_res2 uddannelse1 if filter_eksamen==0, msize(tiny) scatter eksamen_res2 alder if filter_eksamen==0, msize(tiny) scatter eksamen_res2 alder2 if filter_eksamen==0, msize(tiny) scatter eksamen_res2 leder if filter_eksamen==0, msize(tiny) scatter eksamen_res2 offentlig if filter_eksamen==0, msize(tiny) scatter eksamen_res2 indflydelse if filter_eksamen==0, msize(tiny) * Breusch-Pagan-test for heteroskedasticitet * reg eksamen_res2 kvinde grundskole-mvu alder alder2 leder offentlig indflydelse if filter_eksamen==0 display invf(11,1104,0.95) * Model korigeret for robuste * reg arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse if filter_eksamen==0, robust estimates store model_robust * test for multikollinaritet *! 111

112 corr arbejdstimer kvinde grundskole-mvu alder alder2 leder offentlig indflydelse if filter_eksamen==0 *** auxillary regression *** reg alder kvinde grundskole-mvu leder offentlig indflydelse if filter_eksamen==0 reg indflydelse kvinde grundskole-mvu alder alder2 leder offentlig indflydelse if filter_eksamen==0 *** LINEÆR MODELTRAPPE TIL EXCEL *** ssc install xml_tab * xml_tab model_a model_b model_c model_d model_e model_f model_g model_h model_i model_j model_k model_l model_m model_n model_o model_p model_robust, pvalue stats(n p r2_a r2 F) save ("/Users/lauramariekalmark/Dokumenter eksamentrappe.xml") *** LOGISTISK MODELSØGNING *** * Estimation af Model A * logit leder kvinde if filter_eksamen==0 estimates store model_a * Estimation af Model B * logit leder kvinde gymnasial-lvu if filter_eksamen==0 estimates store model_b * Test af model A mod model B * lrtest model_a model_b display invchi2(4, 0.95) * Estimation af Model C logit leder kvinde gymnasial-lvu alder if filter_eksamen==0 estimates store model_c * Estimation af Model D logit leder kvinde gymnasial-lvu alder hjemboern if filter_eksamen==0 estimates store model_d * Estimation af Model E logit leder kvinde gymnasial-lvu alder hjemboern samlever if filter_eksamen==0 estimates store model_e * Estimation af Model F logit leder kvinde gymnasial-lvu alder hjemboern offentlig if filter_eksamen==0 estimates store model_f * Estimation af Model G logit leder kvinde gymnasial-lvu alder hjemboern byen if filter_eksamen==0 estimates store model_g * Estimation af model H logit leder kvinde gymnasial-lvu alder hjemboern indflydelse if filter_eksamen==0 estimates store model_h * Estimation af model I logit leder kvinde gymnasial-lvu alder hjemboern indflydelse oekonomi if filter_eksamen==0 estimates store model_i * Estimation af model J logit leder kvinde gymnasial-lvu alder hjemboern indflydelse rig if filter_eksamen==0! 112

113 estimates store model_j * Estimation af model K logit leder kvinde gymnasial-lvu alder hjemboern indflydelse rig religiøs if filter_eksamen==0 estimates store model_k * Estimation af model L logit leder kvinde gymnasial-lvu alder hjemboern indflydelse rig kvinde*hjemboern if filter_eksamen==0 estimates store model_l * Slutmodel(model J) mod model A * lrtest model_j model_a display invchi2(8, 0.95) *** ODDS-RATIO TEST *** logit leder kvinde gymnasial-lvu alder hjemboern indflydelse rig if filter_eksamen==0, or *** LOGISTISK MODELTRAPPE *** ssc install xml_tab *xml_tab model_a model_b model_c model_d model_e model_f model_g model_h model_i model_j model_k model_l, pvalue stats(n p r2_a r2 F) save ("/Users/lauramariekalmark/Dokumenter eksamenlogistisk(pvaerdi).xml") *** LOGISTISK MODELKONTROL *** * Grupperede residualanalyse af uddannelse * predict pi if filter_eksamen==0, pr gen residual_dif = leder-pi if filter_eksamen==0 gen tael = 1 if filter_eksamen==0 bysort uddannelse: egen n_uddannelse = sum(tael) gen Zres_uddannelse = sqrt(n_uddannelse)*residual_dif/sqrt(pi*(1-pi)) table uddannelse, c(mean Zres_uddannelse) * Rigdom * bysort imprich : egen n_imprich = sum(tael) gen Zres_imprich = sqrt(n_imprich )*residual_dif/sqrt(pi*(1-pi)) table imprich, c(mean Zres_imprich ) * Bopæl i byen * bysort domicil: egen n_domicil = sum(tael) gen Zres_domicil = sqrt(n_domicil)*residual_dif/sqrt(pi*(1-pi)) table domicil, c(mean Zres_domicil) * Sektor * bysort tporgwk: egen n_tporgwk = sum(tael) gen Zres_tporgwk = sqrt(n_tporgwk)*residual_dif/sqrt(pi*(1-pi)) table tporgwk, c(mean Zres_tporgwk) * test for multikollinaritet * corr kvinde gymnasial-lvu alder hjemboern indflydelse rig if filter_eksamen==0! 113