II.4. A négydimenziós rétegződésmodellünk kialakítása, a teljes faktoriális modell alkalmazása (Krisztián Viktor, Kabai Imre) II.4.1. A négydimenziós rétegződés-modellünk kialakítása Arra tettünk kísérletet 2006-ban, hogy egy olyan magyarázó rétegződésmodell körvonalait vázoljuk fel, amely figyelembe veszi az előbbi cikkeinkben elemzett új társadalmi jelenségeket és megközelítési kísérleteit (az „individualizálódó-reflexív” folyamatok stratifikációs hatásait a II.1. fejezetben és a II.2. fejezetben az elmúlt ötven év magyar tagozódás-kutatásait), ugyanakkor tiszteletben tar egyes klasszikus „kutatási premisszákat”. Itt utaltunk Wallace (1998, 2002) a „társadalomszerkezeti szemlélet” és az „individualizáció elmélet” egyeztetésének kísérletére; de ugyanígy Rudd és Evans (1998) illetve Du Bois-Reymond (1998), majd Winn és Dwyner (1998) hasonló jellegű kérdésfelvetései is ide sorolhatók. Talán az egyik legátfogóbb leírásával találkozunk e jelenségkörnek (legismertebb elnevezése: „Life-course perspective” – „életszakasz-perspektíva”; Wallace-Jones, 1992) Martin Kohli három évtizeddel ezelőtt megjelent tanulmányában (1985), majd fontos elemekkel egészíti ki elméletét egyik legutóbbi (2007) elemzésében.
Kutatási célkitűzéseink szempontjából a következő megállapítását különösen fontosnak gondoljuk: „Az életút jelentősége, mint társadalmi intézmény nagymértékben megnőtt az elmúlt évtizedekben; míg régebbi rendszerekben csak a státusz egy kategóriája volt, most az egyik legalapvetőbb strukturális jellemzővé vált.” (Kohli 2007: 255) Ez a fejlődés – megítélése szerint – egy olyan „általános folyamat” részét képezi, amelyben a társadalom tagjai „felszabadultak a státus, a származás és a család kötelékéből”, így mára „az egyén vált a társadalmi élet alapegységévé” (uo.). Az életpályák (nevezik életutaknak, életciklus-modelleknek is) ezen felfogása jól megfigyelhető „súlypont-eltolódást” eredményezett a társadalomkutatók szemléletmódjában – és kialakultak azok a speciális módszerek is, amelyek lényegét Hareven így foglalja össze: „Az életszakaszokat tanulmányozó szociológiai felfogás a történelmi feltételek kontextusába ágyazva kíséri nyomon az emberi élet során állandóan változó egyéni és kollektív családi magatartás kölcsönhatását.” (1982: 6). Jelenleg is olyan összetett és szerteágazó kutatások folynak e kérdéskörben világszerte, hogy még elnagyolt áttekintésük is meghaladná e dolgozat kereteit (lásd erről pl. Winn-Dwyner 2002-es tanulmányát, vagy az egyik legnagyobb ilyen jellegű nemzetközi vállalkozásról, a Globalife Projektről Blossfeld és Hofmeister 2005ben született összefoglalóját). A magyar modern szociológiai szakirodalomból elsősorban Szelényi Iván és Manchin Róbert 1990-ben megjelent tanulmányára hivatkozhatunk, akik a „megszakított 3
polgárosodás” elmélete kapcsán írnak az „életutak” fontosságáról (a ’70-es évek magyar falusi társadalmában a „vállalkozóvá válás” folyamatát elemezve – lásd fentebb a II.2. fejezetben).
Cikkünkben bemutatjuk 2006-os modellépítő logikánkat, amely a következő lépéseket foglalta magába1:
Első lépésként egy olyan taxonomikus, majd magyarázó modellt alakítottunk ki, amelyek a stratifikációs tényezők egy lehetséges felépítési logikai sémáját alkotják. Adataink révén – a 2529 éves magyar fiatalokra vonatkozóan – elkészíttettük e modellek operacionális változatát: a négy stratifikációs tényező (az „életciklus-elemek”, a „réteghelyzet-elemek”, a „háttér-elemek”, végül az „előzmény-elemek”) egy olyan részletes attribútum-rendszerét, amelyek mentén elvégezhetjük az egyes magyarázandó változók konkrét oksági elemzéseit.
Egy példán – „beilleszkedés az információs társadalomba” – bemutattuk, hogy ez a modell egy átfogó, ugyanakkor „érzékletes” leírását adhatja egy fontos társadalmi egyenlőtlenségi viszonyrendszernek. Ennek során tesztelhettük azt a páros teljes faktoriális modellünket, amely megfelelő elemzési eljárást kínál a többdimenziós elméleti modellünk empirikus felépítésére.
Ezt követően – további 17 életmód- életminőség elem bevonásával – elvégeztük azt a „visszacsatolást”, amely révén a stratifikációs indikátorok attribútumainak kétféle összevonását valósítottuk meg: a „dominánsan deduktív” és a „dominánsan induktív” csoportosításokat. A kétféle összevonási kísérletünkkel azt is próbára tettük, hogy a definíciós módszer mennyiben befolyásolja a végeredményt: mely stratifikációs tényező mennyiben képes magyarázni az egyes magyarázandó változók szóródását. Ezt az összetett négydimenziós teljes faktoriális modell révén elemeztük2.
Végül a két eljárás egy kombinált változata révén azt is elemeztük, hogy az életmódéletminőség szempontjából a legkedvezőbbnek és a legkedvezőtlenebbnek tekinthető csoportok a négy stratifikációs ismérv mely attribútumainak kombinációival jellemezhető, majd az egyes „életminőség-csoportok” legjellegzetesebb attribútum-kombinációinak leírására is példát adtunk3.
1
Lásd erről bővebben: Kabai 2006: 99-109. Következő cikkünkben egy konkrét empirikus elemzés révén bemutatjuk a négydimenziós teljes faktoriális modell működését és a két „összevonási eljárás” logikáját is. 3 Lás erről bővebben Kabai 2006: 198-202. illetve a III.1. fejezetet. 2
4
Mindezek alapján az empirikus adatelemzés egy olyan logiko-empirikus sémáját alkottuk meg, amely viszonylag könnyen rekonstruálható más kutatásokban is: mely kérdéseket kell feltenni, mely stratifikációs attribútumokat hogyan érdemes kombinálni, hogyan lehet ezeket az eszközöket a fontosabb társadalmi egyenlőtlenségi viszonyok oksági kapcsolatainak elemzésére felhasználni. Az alábbiakban e modell-alkotó folyamat néhány tanulságos elemét ragadjuk ki csupán. Először tehát kialakítottuk taxonomikus modellünket, amely az elméleti modellünk legfontosabb elemeit, a „strukturális paramétereket” foglalja magába. De mik is ezek a paraméterek? Ennek tisztázása érdekében áttekintettük a társadalmi rétegződés szempontjából releváns változókat (paramétereket), illetve azok fontossági struktúrájában bekövetkezett változásokat. Peter M. Blau nyomán4 Angelusz Róbert által javasolt – finomabb – tipológiát5 alapul véve egy új csoportosítási szempontrendszert alakítottunk ki (a rétegződéskutatás legfontosabb premisszáit kiegészítve ezzel). Angelusz a változók Blau-féle „kétosztatú tipizálását” (a „nominális” paraméter a másság, az egymásmellettiség, míg a „graduális” a több-kevesebb relációk kifejeződése) sok esetben tarthatatlannak gondolja. Problematikus például – megítélése szerint – a termelési javak graduális besorolása („tulajdonnélküliség-kis tulajdon-nagyobb tulajdon” fokozatok), holott a tulajdonnélküliség és a tulajdonnal való rendelkezés bármely foka között lényegesebb társadalmi különbség van, mint a tulajdonlás fokozatai között. De hasonló problémákat vet fel, például a választójoggal való rendelkezés besorolása: nominális vagy graduális paraméterről van-e szó? „Az elemzett példák jelzik, hogy a nominális és a graduális paraméterek nem vagylagosak, és az utóbbiak nem azonosíthatók a társadalom vertikális fokozataival. E megfigyelések alapján célszerűnek látszik a paramétereknek egy árnyaltabb, négy típusba sorolható felosztása.” – fogalmaz a szerző. (Angelusz, 2000: 42) Tekintsük át Angelusz Róbert modelljét (lásd a II.4.1. táblázatot): II.4.1. táblázat: A strukturális paraméterek – Angelusz Róbert javasolta – új típusai: Paraméterek A hierarchikus tagolódás: (van: + , nincs: - ) Éles választóvonal (van: + , nincs: - )
Emergens
Nominális
Hierarchikus
Graduális
+
-
+
-
+
+
-
-
Forrás: Angelusz, 2000: 42. 4 5
Lásd: Blau, Peter: Inequality and Heterogenity. 1973. Idézi: Angelusz 2000: 41. Lásd Angelusz 2000: 39-58.
5
Az „emergens” változók hierarchikus viszonyokat feltételeznek, ahol az egyes fokozatok között éles határvonalak vannak (pl. a termelési javak tulajdona). A „nominális” paraméterek esetében szintén erőteljesen kirajzolódnak a határvonalak, de a csoportok között csak a másság relációja érvényes (pl. nem). A „hierarchikus” változók folytonosak, nem határozhatóak meg éles határvonalak (pl. a jövedelem), míg a „graduális” paraméterek nem tartalmaznak egyértelmű kedvezőbbhátrányosabb helyzeteket, és ez esetben sincsenek határvonalak (pl. életkor) 6.
Az alábbiakban – Angelusz Róbert tipológiáját továbbfejlesztve – a vizsgálati alanyok döntési lehetőségei és késztetései alapján elkülöníthető csoportokra teszünk javaslatot a meghatározó strukturális indikátorok körében. Itt is kiemeljük, hogy a csoportosításban definiált kategóriák határai térben és időben, társadalmi helyzet, kultúra szerint változóak, azaz alábbi csoportosításunk mindig „itt és most” érvényesek:
1. Nincs egyéni döntési lehetőség, ill. minimális, kis arányban fordul elő, más néven – Blau szóhasználatával élve - „veleszületett” attribútumok. Ide soroljuk a megkérdezettek nemét, társadalmi származását (a szülők helyzetét), az életkort, a faji hovatartozást. Ha történnek is egyedi kísérletek bizonyos veleszületett, biológiailag determinált tulajdonságok megváltoztatására, megállapítható, hogy ezek az attribútumok az egyének döntő többsége esetében változatlanok,
vagy
befolyásolhatatlanok életük során7. 2. Van egyéni döntési lehetőség. Vegyük sorra azokat a strukturális indikátorokat, amelyek kívül rekedtek a fentiekben vázolt körből, amelyek esetében tehát közel sem ilyen egyértelmű az egyének életében az egyes tényezők megváltoztathatatlansága, az egyéni befolyás lehetőségeinek teljes hiánya. A – társadalmi egyenlőtlenségek szempontjából releváns – indikátoroknak ezt a körét Blau az egyén „szerzett” attribútumainak nevezi. Ezekre a tényezőkre tehát az jellemző, hogy van lehetőség az egyének szintjén is – belső vagy külső késztetések, kényszerek, a kínált, ösztönzött, javasolt vagy éppen tiltott eszközökkel – ezek megváltoztatására. Ennek a lehetőségnek, késztetéseknek a foka 6
Természetesen további felosztások is elképzelhetőek az attribútumok univerzumában: pl. „ok - okozat”, „előzmény következmény”, „időben változó - maradandó” stb. 7 Manapság vannak rá példák, hogy egyesek sikeresen törekszenek nemük megváltoztatása átoperálással, a transzvesztita mozgalmak stb. Az egyéni múlt, a származás „átkozmetikázása”, megtagadása sem ismeretlen. Az életkor „eltitkolása” a viselkedési minták radikális változásaival nehezebben felderíthető egyes esetekben (pl. a „hippy-mozgalom”, a „beatnemzedék” ötvenes éveibe került tagjainak viselkedése), de vannak biológiai kísérletek is az életkor „megváltoztatására” (konzerválással, „hibernálással”). A faji hovatartozás esetében sem ismeretlenek – természetesen – a „módosítási” kísérletek pl. kozmetikai beavatkozásokkal, átalakító műtétekkel (lásd Michael Jackson sajátos történetét).
6
szerint tovább bonthatjuk ezen indikátorok csoportját, melyben elkülöníthetjük az „elsődleges” és a „másodlagos döntési mezőket”:
2.1. Az „elsődleges döntési mező” attribútumai: ahol az egyén döntési lehetőségei nagyok és/vagy a késztetések, kényszerítő körülmények is erősek. Olyan „kihívások” ezek, amelyekkel a mai magyar társadalomban szinte kivétel nélkül mindenki szembesül: iskolaválasztás, munkába lépés (erőteljes társadalmi késztetésekkel párosulva), párválasztás, gyermekvállalás (társadalmilag és biológiailag kódolt szükségletek). Külön osztályba soroljuk ezeket az életeseményekhez kötődő attribútumokat, melyek az életkor előrehaladtával a társadalmi, biológiai és egyéb késztetések révén meghozandó döntésekként merülnek fel előbb-utóbb, az emberek többségének életében, konszolidált társadalmi környezetben. Nem vizsgáljuk itt a hozott döntések mögötteseit: azaz, hogy ezek a döntések mennyire tudatosak, ill. mennyire „ösztönösek”, önkénytelen reflexiók8.
2.2. A „másodlagos döntési mező” attribútumai: ahol az egyéni döntésekre ugyan van lehetőség, de ennek erőssége, a késztetések jellege, motiváló, kényszerítő ereje lényegesen gyengébb, mint az előző csoportba sorolt (minden más, a fentiekbe be nem sorolt változó – pl. lakóhely, jövedelem, vagyoni helyzet stb. – ide sorolandó9).
Egy példa-soron keresztül mutatjuk be a releváns társadalom-tagozódási indikátorok – fentebb vázolt – lehetséges új csoportosítási sémáját (lásd a II.4.2. táblázatot).
8
Lásd erről részletesebben pl. Csontos 1998. Nehéz meghúzni a határvonalat az „elsődleges” és a „másodlagos döntési mező” között, de igen nyilvánvaló, hogy például a vallással kapcsolatos „döntések” mennyire más jellegűek, mint a tanulás vagy a munkábaállás „kérdései” a mai magyar társadalomban. A legtöbb ember életében napjainkban már fel sem vetődnek azok a társadalmi „kényszerek”, amelyek korábban állásfoglalásra késztették őket, hogy hisznek-e Istenben, vagy sem illetve, hogy melyikben. Viszonylagos szabadsággal eldöntheti: egyáltalán „foglalkozik-e” ezzel a kérdéssel, hogy „választ-e vallást magának” egy mai fiatal. Hasonló módon a tulajdonlással kapcsolatos döntések a legtöbbünk életében fel sem vetődnek. Úgy is fogalmazhatunk, hogy ez utóbbiak –„itt és most” – nem általános életesemények, míg például a munkábaállás vagy a tanulás felfogásunk szerint az. De például a lakóhely-változtatás esetében is felmerülhet a kérdés, hogy az „elsődleges” vagy a „másodlagos” döntési mezőbe soroljuk-e. Megítélésünk szerint ez elsősorban úgy dönthető el, hogy összevetjük egy adott társadalomban az egyes „életmód-változási tényezők” – pl. gyermekvállalás, házasodás, lakóhely-változtatás stb. – gyakoriságát az adott alappopulációban, és amelyek a legnagyobb gyakorisággal előfordulnak, azok esetében „nagyobb kényszerítő erőt” feltételezünk, így az „elsődleges döntési mezőbe” soroljuk. Ez a mozzanat is felhívja a figyelmet arra a problémára, hogy a két „döntési mező” közötti határvonalak igen esetlegesek, időben és térben változnak. 9
7
II.4.2. táblázat: A releváns társadalomtagozódási indikátorok új csoportosítási sémája (BlauAngelusz-Kabai) ATTRIBÚTUMOK
EMERGENS (Angelusz)
NOMINÁLIS (Blau)
HIERARCHIKUS (Angelusz)
GRADUÁLI S (Blau)
„VELESZÜLETETT” (Blau)
veleszületett fogyatékosság
nem
szülők iskolázottsága (években)
életkor
gazdasági aktivitás
családi állapot
iskolázottság (években)
gyermekszám
tulajdon
vallás
jövedelem
lakóhely lélekszáma
„SZERZETT” (Blau) „DÖNTÉSI MEZŐK” (Kabai)
„ELSŐDLEGES”
„MÁSODLAGOS”
„ÉRTÉK” ÉS „KATEGÓRIA” (Blau-Angelusz)
Van érték
Van kategória
Nincs érték
Van kategória
Nincs kategória
Van érték
Nincs érték
Nincs kategória
Forrás: Kabai, 2006: 102) Adatelemzési eljárásunk kialakítása során arra törekedtünk, hogy – a három új típus elkülönítése mellett – minél magasabb mérési szintre jussunk az egyes szociológiai indikátorok megalkotásakor. Nyilvánvaló, hogy egyes elemi mutatók (mint ezt a fenti táblázatunkban felsorolt példák is bizonyítják), szociológiai „természetüknél fogva” különböző szinten mérhetőek. Ezek összehangolása, felértékelése komoly metodológiai kihívás minden kutató számára. Arra tettünk kísérletet, hogy az elemi változók olyan csoportosítását végezzük el, amelyek egyrészt megfelelnek az elméleti előfeltevéseinknek (vagyis szociológiai szempontból összetartozó elemek kerüljenek egy-egy indikátor-osztályba), másrészt a belőlük megalkotott aggregált változók minél magasabb mérési szintre kerüljenek (lehetőleg hierarchikus, vagy graduális jellemzőkkel bírjanak).
Figyelemmel a Blau-féle felosztás Angelusz Róbert által továbbfejlesztett tipológiájára, kiegészítve az individualizálódó-reflexív koncepciónk szempontrendszerét képviselő új dimenzióval („döntési mezők”), megalkottuk azt a tipológiánkat, amely operacionalizálása révén kialakul egy új, többdimenziós magyarázó modell. Ennek taxonomikus sémáját (az egyes „összetartozó” indikátorok csoportokra
bontását)
tartalmazza
következő
8
táblázatunk
(lásd
a
II.4.3.
táblázatot).
II.4.3. táblázat: Az új rétegződésmodell szerkezete („taxonomikus modell”)
„VELE-SZÜLETETT” INDIKÁTOROK
„ELŐZMÉNYEK”: - Szülők gazdasági, vagyoni helyzete, Iskolázottsága, foglalkozása „SZÜLŐI RÉTEGHELYZET” - Lakóhely születéskor - Testvérek száma - Egyéb „veleszületett előzmény” indikátorok
„HÁTTÉRELEMEK” : - Nem - Életkor - Egyéb „veleszületett háttérelemek”
„MÁSODLAGOS DÖNTÉSI MEZŐ”
- Jövedelem, fogyasztási státus - Lakóhely - Egyéb „másodlagos döntési mezőbe tartozó háttérelemek”
„ÉLETÚT-ELEMEK”: - Iskolai életút
„ELSŐDLEGES DÖNTÉSI MEZŐ”
jelenlegi állapot: „SAJÁT RÉTEGHELYZET” - Foglalkozási életút - Párkapcsolat, gyermekvállalás - Egyéb „életút-elemek” Forrás: Kabai, 2006: 103
Mindhárom lényeges tényező (az „előzmények”, a „háttér-elemek” és az „életút-elemek” indikátor-csoportjai) valamint a „réteghelyzet” elemi indikátorai alapján egy-egy – manifeszt – aggregált változót képeztünk, melyeket egy összefüggő empirikus magyarázó modellbe illesztettünk.
Adatainkat az Ifjúság 2000 kutatás 8.000 fős, a magyar fiatalokra reprezentatív adatbázisából merítettük, melyből a 25-29 éves magyar fiatalokra vonatkozó részmintát emeltük ki10. A következőkben magyarázó modellünk empirikus eredményei mutatjuk be.
10
A KSH és a Nemzeti Ifjúságkutató Intézet 2000. őszén készítette adatfelvételeit a magyar 15-29 éves népességből egy 8.000 fős véletlen mintát véve, sztenderdizált kérdőívek segítségével kérdezőbiztosok bevonásával. A 25-29 éves részmintánk 2553 fős. Ezt a redukciót azért voltunk kénytelenek elvégezni, mert a fiatalabb korcsoportok esetében az egyes életesemények jelentős része még nem következett be, és nincsenek információink a tervezett időpontokra (más ifjúságszociológiai adatbázisokban ilyen kérdések is szerepelnek). Lásd bővebben: Szabó–Bauer–Laki 2002.
9
II.4.2. A „többdimenziós rétegződésmodell” empirikus alkalmazása A kidolgozott empirikus elemző modellünk („teljes faktoriális modell”11) logikája, matematikaistatisztikai elvárásai szempontjából arra törekedtünk, hogy olyan aggregált magyarázó változókat készítsünk, amelyek – a különböző mérési szintek problémáit áthidalva – egységesen nominálisak, míg a magyarázandó változók hierarchikusak.
Az elemzés során, azt reméltük, hogy a magyarázó változók attribútumai között – a magyarázandó változók mentén – kirajzolódik majd egyfajta hierarchia („több-kevesebb, jobb-rosszabb, előnyösebbhátrányosabb” stb. relációk).
Mindezek eredményeképpen kialakítható egy társadalom-tagozódási modell, elkülöníthetőek azok a rétegek, amelyeket az – immáron – „emergens” három plusz egy magyarázó dimenzióban („előzmények”, „háttér-elemek”, „életút-elemek” és „réteghelyzet”) együttesen leírhatjuk.
11
Lásd részletesebb leírását a IV.4. fejezetet! Itt csak egy „páros modell” eredményeit ismertetjük.
10
II.4.1. ábra: A rétegződésmodell konstrukciójának elvi vázlata (a „nominális” rétegződésmodelltől az „emergensig”)
(Forrás: Kabai, 2006:162) 11
II.4.3. Módszertani megfontolások a variancia-analízis alkalmazásával kapcsolatban A matematikai statisztika által használt ún. „magyarázó modellek12” esetében egymással aszimmetrikus viszonyban álló változók között a „kitüntetett szereppel bírót” nevezzük függő változónak, melynek „viselkedését” magyarázzuk a modellek segítségével. A „viselkedés magyarázata” pedig sok esetben nem egyéb, mint a függő változó teljes heterogenitásának két részre bontása. Ennek egyik része az, amit a független (magyarázó) változó „okoz”, míg a másik részének „magyarázatát” az alkalmazott modellünk nem tartalmazza.
A valószínűségi változó heterogenitásának mérőszáma lehet a range, az átlagos eltérés, a szórás – illetve a variancia (szórásnégyzet). Ebből eredően, ha magyarázó modellünkben a heterogenitás okait keressük, óhatatlanul feltételezzük, hogy a függő változónk magas mérési szintű (legalább intervallum, vagy arányskálán mértük). Ha ez nem teljesül (a változónkat csak nominális vagy ordinális skálán mértük),
akkor
más
típusú
magyarázó
modellek
(kontingencia-tábla,
Chí-négyzet
próba,
rangkorreláció, diszkriminancia-analízis stb.) után kell néznünk.
Ugyanakkor a független (magyarázó) változóink mérési szintje is befolyásolja az alkalmazandó modellt: ha legfeljebb ordinális szintű, akkor alkalmazhatjuk a variancia-analízist (az „ANOVÁ-t”).
Különlegesnek számít az az eset, amikor a függő (magyarázandó) változónk kétértékű („binomiális”) változó, hiszen ez esetben „magas mérési szintről” beszélhetünk (egy kis „nagyvonalúsággal”13 kijelenthetjük, hogy arányskálán mértük, mivel az átlag szociológiailag tökéletesen interpretálható: ha százfokú skálára „széthúzzuk”, akkor a változó átlaga éppen az adott „igen” alternatíva százalékarányával egyenlő). A helyzet kitüntetett voltát az is jelzi, hogy a binomiális változók esetében alkalmazható – bármilyen összetételű magyarázó változó-együttes (lehetnek magas és alacsony mérési skálán elhelyezkedők egy modellen belül is) esetében - a „logisztikus regresszió”.
12
Módszertani mellékletünkben elsősorban Székely Mária és Barna Ildikó szóhasználatával élünk. Lásd: Székelyi Mária Barna Ildikó: Túlélőkészlet az SPSS-hez. Többváltozós elemzési technikákról társadalomkutatók számára. TYPOTEX Kiadó, Bp. 2002. (pp. 164-203. és 374-424.) Lásd még: Füstös-Meszéna-Simonné (1986) és Kolosi-Rudas (1998). 13 A kétértékű (binomiális) változókat „dummy” változóknak is nevezzük, ennek az elnevezésnek azért van jelentősége, mert az alacsony mérési skálán elhelyezkedő változókat sokszor „dummyzás” segítségével „csempészhetjük be” a többdimenziós elemző modelljeinkbe. Lásd erről bővebben: Székelyi Mária – Barna Ildikó: Im. (pp. 222-223.)
12
Az ANOVA olyan magyarázó modell tehát, amely a függő változóra magas mérési szintet ír elő, míg a magyarázó változók lehetnek kategoriálisak (nominálisak) is. De van a variancia-analízisnek még egy további „gyengéje”: azt is „szereti”, ha a függő változó normális eloszlású. Márpedig ez a társadalomkutatás gyakorlatában a legritkább esetben teljesül. Különösen igaz ez a dummy változókra. Mit lehet tenni ez esetben? Mennyire „vegyük komolyan” ezt az erős alkalmazási feltételt? A matematikai-statisztikai kézikönyvek előszeretettel nevezik – többek között ezen tulajdonsága miatt is – „robusztus” módszernek a variancia-analízist. Ha matematikailag korrekt módon akarunk eljárni, akkor az ANOVA alkalmazásakor mindent el kell követnünk, hogy a függő változó normális eloszlását biztosítsuk („normalitás-vizsgálatok” Chí-négyzet próbával, „logaritmikus transzformációk” stb.14). De – mint oly’ sokszor az empirikus társadalomkutatásban – praktikus, elsősorban interpretációs megfontolásokból – néha eltekintünk ettől a kritériumtól és a magyarázandó változó eloszlásától függetlenül „nyugodt lelkiismerettel” alkalmazzuk az ANOVÁ-t. A dummy változók esetében viszont – egyfajta „biztonsági tartalékként” – rendelkezésünkre áll a logisztikus regresszió. Ez esetben ugyanis nincs semmi kikötés a dummy függő változóra, de még a független változókra sem (a függő változó viselkedését úgy magyarázza, hogy nem kívánja a független változók értelmes struktúrába szerveződését, nem kritériuma alkalmazásának a homoszkedaszticitás teljesülése, és „nem törődik” a modell változóinak eloszlásával sem). Mit tehetünk tehát, hogy „megnyugtassuk a lelkiismeretünket” az ANOVA kissé „szabálytalan alkalmazását” követően? Felvetődik annak lehetősége, hogy párhuzamosan kipróbáljuk mindkét magyarázó modellt ugyanarra az empirikus problémára. Ha az alapvető kérdésekben ugyanazt az eredményt kapjuk, akkor megnyugodhatunk: a variancia-analízis eredményei dummy változó esetén „sem vittek jégre” bennünket. Joggal felvetődhet egyrészt az, hogy mik ezek az „alapvető kérdések”? Megítélésünk szerint, ha egy dummy magyarázandó és két kategoriális magyarázó változót tartalmaz modellünk, akkor a következőt kell egybevetnünk a kétféle modell eredményeiből: 1. Szignifikáns-e a modellünk? 2. Mindkét független változó hatása szignifikáns-e ezen belül? 3. Melyik független változó magyarázó ereje (hatása) erősebb? 4. Mennyi a magyarázott szórás aránya a modellekben? 13
Ez utóbbi kérdés azért különösen fontos, mert ez alapján tudjuk összevetni: a két modell közül melyik „illeszkedik jobban” matematikailag az adott empirikus problémához?
Az előbb elmondottak után – triviális módon – felvetődhet: miért nem alkalmazzuk eleve a logisztikus regressziót, ha azzal „kevesebb a gond”? A fenti kérdések közül az utolsó adja meg erre – részben – a választ: tapasztalataink szerint ugyanis az első három kérdésben a két modell párhuzamos alkalmazásakor „egybecsengenek” az eredmények, viszont az ANOVA „magyarázó ereje” rendre magasabbnak bizonyult. A másik érv a logisztikus regresszió ellen annak rendkívül bonyolult volta: hihetetlenül nehéz akár csak a legalapvetőbb fogalmai révén – heurisztikus – értelmezése, működési elvének matematikai megértése, míg a variancia-analízis lényege könnyen megérthető. Mindezek következtében ez utóbbi modell eredményeinek interpretációja is összehasonlíthatatlanul egyszerűbb feladat.
Ha még hozzátesszük azt is – azon túl, hogy az ANOVA matematikailag általában „jobban illeszkedik” (az R2-értékei rendre nagyobbak, mint a másik modellnél) – , hogy a fokozott erőfeszítések ellenére a logisztikus regressziónál többet megtudhatunk a változók kapcsolatrendszeréről. Így például a magyarázó változók kölcsönhatásaiból eredő „kereszthatásokról” (más szóval: az „interakciókról” – a „kétutas interakciók” F-próbája révén), valamint a közöttük fellépő ún. „interferenciákról” (a független változók magyarázó erejének kölcsönös változásairól a magyarázandó változóval szemben – az Eta és a Béta értékek viszonyai kapcsán), akkor talán érthetővé válik, miért döntöttünk a variancia-analízis mellett.15
A következőkben egy konkrét empirikus példán kívánjuk szemléltetni az előzőekben tárgyalt kérdéseket. Az „Internet-használat” dummy függő változóját (0 értékkel, ha a megkérdezett nem használja az Internetet, míg 100 értékkel, ha – feltehetőleg16 – használja) vetjük össze az „életciklustipológiánk” klaszteranalízissel előállított manifeszt kategoriális változójával és az ún. „saját társadalmi 14
Lásd erről bővebben: Im. (pp. 192-203.) A logisztikus regresszió is alkalmas a változók közötti interakciók és interferenciák vizsgálatára, de igen bonyolult módon (a „stepwise”-ban futtatott változata esetében azt a két kategóriális független változót, amelyek interakcióba lépnek, lehet egydimenzióssá tenni és „categorialis” változóként berakni a „logreg” modellbe). 16 A „feltehetőleg” szócska magyarázatául annyit, hogy a kutatás vezetői nem kérdezték meg explicit formában: „Ön Internetezik-e?” – mint az általában szokás, csupán annyit tudunk, hogy van-e otthon, vagy máshol Internet-hozzáférése. Úgy érezzük, nem túl nagy módszertani kompromisszum azt feltételeznünk, hogy akinek van valahol Internet-hozzáférése, az használja is, akinek viszont nincs, az valószínűleg nem is férhet hozzá, tehát „nem használja”. 15
14
státusz” –mutatójával17 (ezek alkotják modellünkben a magyarázó változókat). A modelleket az SPSS 6.01 –es verzióján építettük fel, melynek futtatási eredményeit itt mellékeljük (lásd az ANOVA-modellt az II.4.2.1. mellékletben, míg a logisztikus regresszió-modellt a II.4.2.2. mellékletben).
Az ANOVA-modell18 esetében a függő változó varianciáját két részre bontjuk: a csoportosított kategóriák közötti és az azon belüli varianciára. Úgy is fogalmazhatunk, hogy a csoportosítás által magyarázott és nem magyarázott varianciákat különítjük el. A két elem hányadosát nevezzük „Fstatisztikának”. Ha az F értéke nagy, akkor azt mondhatjuk, hogy a csoportok közötti eltérések viszonylag nagyok a csoportokon belüli eltérésekhez képest. Úgy is fogalmazhatunk ez esetben, hogy a csoportok viszonylag „jól el vannak különítve”. Ha viszont az F értéke kicsi, akkor a csoportok a mintában igencsak „össze vannak keveredve”. Ezért a nagy F érték esetében az átlagok jelentős különbsége feltételezhető. Ha figyelembe vesszük az F értékhez tartozó szabadságfokokat is, és összehasonlítjuk az F-eloszlás táblázati értékeivel, azt tapasztalhatjuk, hogy el kell vetnünk azt a „nullhipotézist”, hogy az átlagok azonosak, azaz a magyarázó változó szignifikánsan befolyásolja a függő változó heterogenitását.
Ha megvizsgáljuk a modellünket (lásd az II.4.2.1. mellékletet), akkor megállapíthatjuk, hogy a két változó által alkotott magyarázó modell együttes hatása szignifikáns (a „Main Effects” F-próbájának szignifikancia-értéke: P < 0,001 – lásd az 1. értéket), de az is leolvasható adatainkból, hogy a két magyarázó változó külön-külön is szignifikáns hatással van a magyarázandó változóra (a 2. és a 3. Fpróba szignifikancia-érték is messze a 0,05-ös érték alatt van). Lényeges összefüggés a két magyarázó változó „kereszthatása” is: esetünkben nem szignifikáns (az F-próba értéke P = 0,146; lásd a 4. értéket táblázatunkban), amely azt mutatja, hogy van értelme a két változó hatását külön-külön – „önállóan” – is értelmezni, ellenkező esetben csak az általuk kifeszített kétdimenziós térben vizsgálódhatnánk.
Ha a mintánk kellő nagyságú, akkor a teljes szórásnégyzet és a meg nem magyarázott szórásnégyzet szabadságfoka igen közel áll egymáshoz, ezért nem nagy torzítás, ha ezt az igen hasonló szabadságfokú szórásnégyzetet elosztjuk egymással. Ebben az esetben azt mondhatjuk, hogy a meg
17
Ezen összetett magyarázó változóink leírását lásd a tanulmány 1. részében. Részletesebben lásd: Kolosi Tamás – Rudas Tamás: Empirikus problémamegoldás a szociológiában. OMIKK-TÁRKI, Bp. 1988. (pp. 52-59.) vagy Füstös László – Meszéna György – Simonné Mosolygó Nóra: A sokváltozós adatelemzés statisztikai módszerei. Akadémiai Kiadó, Bp. 1986. (pp. 129-138.) 18
15
nem magyarázott variancia a megmagyarázott variancia hányadosában „kifejezésre jut” a magyarázott szórás aránya. (Hasonló módon számítjuk az ún. Éta-értéket is.)
Ha a két magyarázó változó kategóriaszáma (azaz a szabadságfokuk) eltér egymástól (mint esetünkben is), akkor az MCA táblázatban közölt Éta-értékekre kell hagyatkoznunk. Ezen értékeket négyzetre emelve mondhatjuk azt, hogy az egyes magyarázó változók milyen mértékben magyarázza a magyarázandó változó varianciáját. A vizsgált esetben ezek az értékek a következőképpen alakulnak: az életciklus-tipológia Éta-értéke: 0,51 század (az 5. érték), míg a saját társadalmi státusz Éta-értéke: 0,57 század (a 7. érték). Vagyis az életciklus-tipológiánk önmagában 26,0%-ban magyarázza az Internet-használat szóródását, míg a társadalmi státusz mutatója 32,5%-ban (az Éta-négyzet értékei szerint).
Figyelembe kell ugyanakkor vennünk, hogy a főhatások kiszámításakor egymástól függetlenül kezeltük a két magyarázó változót. A valóságban azonban tudjuk, hogy a társadalmi státusz és a „hozzá vezető” életút nem függetlenek egymástól (különösen az iskolázottsági szint „közös hatása” számottevő a két összetett változó megkonstruálásakor). Ezért egy – meglehetősen bonyolult algoritmus segítségével – az egész számítást úgy is elvégezhetjük, hogy az egyik magyarázó változó kategóriái szerinti átlagok akkor mennyiben különböznek a főátlagtól, ha a másik magyarázó változó értékeit rögzítjük (minta minden életút „ugyanoda vezetne”, illetve a megkérdezettek társadalmi státusza mögött „ugyanolyan arányban fordulnának elő az egyes életutak”, mint a teljes mintában).
Az MCA táblázatból (lásd az II.4.2.1/a mellékletet) ez is kiolvasható: erre az esetre is kiszámítja eljárásunk az Éta-értékeket. Ez az Éta hasonlóan értelmezhető, mint a sztenderdizált regressziós együttható, ezért is nevezzük Bétának. Az adott esetben az életciklus-tipológiánknál 0,25 század (lásd a 6. értéket), míg a saját státusznál 0,42 század (lásd a 8. értéket). Megállapítható tehát, hogy a saját státusz hatása az internetezés alakulására lényegesen nagyobb, mint az életúté.
Ha nem kérjük a program futtatásakor az „OPTIONS 10” opciót, akkor már a szórás felbontásakor is az egyes változók hatását ebben a parciális értelmezésben közli eljárásunk. (Ebben az esetben azonban a független változókra külön-külön kiszámított négyzetösszegek összege nem lesz azonos a főhatások négyzetösszegénél, hanem – természetesen – kevesebb lesz annál.)
16
Végül az MCA-táblázatban megtalálható a reziduális szórásnégyzet 1-ből kivont értéke, valamint a teljes szórásnégyzet aránya is (a megmagyarázott hányad torzítatlan értékei). Ezeket az értékeket a program az R2 elnevezéssel közli (a regresszió-analízishez hasonló módon). A modellünk esetében ez az érték 0,343 (lásd a 9. értéket), ami annyit jelent, hogy a két kategoriális magyarázó változó (illetve a kombinációikból adódó 34*25 = 850 kategóriájú változó) a teljes szórásnégyzet 34,3%-át magyarázza19.
A logisztikus regresszió modellje nem csak a kétértékű függő változók „kezelésére” alkalmas, hanem megoldja azt a nehezen kezelhető problémát is, amikor a dummy függő változó viselkedését magyarázva nem teljesül a magyarázó változók „értelmes struktúrába szerveződése” (mint például a diszkriminancia-analízis), vagy „nem törődik” a magyarázandó változó eloszlásával és a magyarázandó változók homoszkedasztticidásával (mint a – korábbiakban tárgyalt – ANOVA teljes faktoriális modellje). Vagyis sokkal szélesebb körben alkalmazható, mint ezek a „hagyományos technikák”.
Az eljárás lényege: megpróbáljuk megbecsülni annak valószínűségét a magyarázó változók segítségével, hogy a magyarázandó változó az egyik és nem a másik kategóriába esik (P(Y=1)). A valószínűség becslése helyett a kategóriába való tartozás esély logaritmusa (a ln(P(Y=1) / 1- P(Y=1)) lesz segítségünkre. Némi átalakítások után visszajutunk oda, hogy a modell regressziós Bétái segítségével az eredeti valószínűséget tudjuk becsülni20. A logisztikus regressziós modell értelmezése meglehetősen bonyolult feladat – így ebbe részletesebben nem megyünk bele, csupán azokat a statisztikákat vesszük sorra, amelyek az értelmezésben segítségünkre lehetnek.
A II.4.2. melléklet 1. adata a „log-likelihood függvény” értékének mínusz kétszerese (DO), amely az összes magyarázandó részt képviseli. A 2. adat a magyarázó változók bevonása utáni log-likelihood érték (DM), amely a meg nem magyarázott részt képviseli. Azt, hogy a modellünk szignifikáns-e, a Chínégyzet próbával teszteljük, melynek értéke a 3. adat (jelölése: GM), a próba elfogadási valószínűségértéke pedig – a 4. adat – 0,000 értékkel egyenlő, azaz a modell erősen szignifikáns).
19
Itt is felhívjuk arra a figyelmet, hogy ezen mutatók (Éta, Béta, R 2) csak nagy mintás vizsgálatokban értelmezhetőek, ahol a teljes szabadságfok és a reziduális szabadságfoka közötti különbség elhanyagolható. 20
Lásd részletesen: Székelyi – Barna: Im. (pp. 378-382.)
17
A következő adat (lásd az 5. adatot) az ún. „találati arány”, amely azt mutatja meg, hogy az egyszerű módusz alapján történő becsléshez képest – melynek értéke jelen esetben 70,2% – a két magyarázó változó bevonásával mennyivel jobb a becslésünk (a modellünk esetében ez utóbbi 81,4% – tehát jelentősen magasabb). A modell találati arányának – a logisztikus regresszió besorolásának a módusszal becsült besoroláshoz képest – a szignifikanciáját a Lambda értékkel, illetve annak szignifikancia-értékével is mérhetjük. Adataink szerint a Lambda asszociációs mérőszám esetünkben erősen szignifikáns (elfogadási valószínűség: P < 0,001), vagyis ez alapján is kijelenthetjük, hogy a logisztikus regresszió független változói „érdemben növelték a találati arányt” – más szavakkal: a modellünk erősen szignifikáns.
Vizsgáljuk meg a független változók hatását egyenként a modellben. A hatáserősség mérésére az ún. „Wald-statisztika” szolgál, melynek a szabadságfokkal korrigált négyzetes értékét találhatjuk a program outputjában (a 7. érték az életciklus-tipológiánké, míg a 9. érték a saját státuszmutatóé – adatainkból leolvasható, hogy ez utóbbi hatása nagyobb a magyarázandó változónkra). Ha a Waldstatisztikákhoz tartozó szignifikancia-értékeket (ábránkon a 6. és a 8. érték) megvizsgáljuk, akkor azt is megállapíthatjuk, hogy mindkét változó hatása szignifikáns a modellünkben (mégpedig erős szignifikanciáról beszélhetünk, hiszen mindkét érték kisebb 0,0005 –nél).
Végül – némi „kézi számítás” után, mivel a modell magyarázó erejét nem, csak a komponenseit (DO és GM értékeket – lásd II.4.2. melléklet az 1. és 3. értéket) találhatjuk a program outputjában – megvizsgáljuk a modell „magyarázó erejét”. Erre szolgál az ún. „speciális R2” érték, mely a már jól ismert megmagyarázott és összes heterogenitás viszonyát adja meg. Esetünkben ez az arányszám 28,9%-nak adódott, amely tehát a modell által magyarázott eltérések arányát fejezi ki.
A következőkben összevetjük a két magyarázó modellünket (az ANOVÁ-t és a logisztikus regressziót) a fentiekben leírt statisztikák mentén, és ezek alapján választ adunk a négy – „lényegesnek” tartott - kérdésünkre. Egy táblázatban foglaljuk össze az eredményeket (lásd a II.4.4. táblázatot):
18
II.4.4. táblázat: A teljes faktoriális (ANOVA) modell és a logisztikus regressziós modell összehasonlítása A teljes faktoriális Kérdések (ANOVA) modell statisztikái 1. Szignifikáns-e a A modell modell? szignifikanciapróbája: F-próba elfogadási valószínűsége = 0,000
A logisztikus regressziós modell statisztikái
A modell szignifikanciapróbája 1. : Chí-négyzet próba elfogadási valószínűsége = 0,000; A 2. próba: Lambda elfogadási valószínűsége = 0,000 2. Mindkét Az „életciklusA Wald-statisztikákhoz független változó tipológia” Ftartozó elfogadási hatása próbájának elfogadási valószínűségek az szignifikáns-e valószínűsége = „életciklus-tipológia” ezen belül? 0,000, a „saját esetében = 0,002, míg a státusz” mutatójáé „saját státusz” esetében szintén 0,000 0,000 3. Melyik Az „életciklusA parciális R érték az független változó tipológia” Éta értéke: „életciklus tipológiánál” magyarázó ereje 0,51 (azaz a függő = 0,01, míg a „saját (hatása) erősebb? változó szórásának státusznál” = 0,22. 26%-át magyarázza), míg a „saját státusz” esetében ez az érték 0,57 (32%) 4. Mennyi a R2 = 0,343 - azaz R2 = 0,289 - azaz 28,9%magyarázott 34,3%-os os magyarázóerő szórás aránya a magyarázóerő modellekben?
Következtetések Mindkét modell erősen szignifikáns, azaz a bevont magyarázó változók érdemben magyarázzák a függő változó heterogenitását. Mindkét modell azt mutatja, hogy a bevont független változók különkülön is szignifikáns hatással vannak a magyarázandó változóra. Mindkét modellben a „saját státusz” magyarázó ereje bizonyult az erősebbnek.
Mindkét modell közel a magyarázandó változó szóródásának egyharmadát magyarázza, de az ANOVA esetében ez az érték magasabb.
Az ANOVA modell esetében is találhatunk további statisztikákat, amelyek hasznos eligazítást adnak a modell elemeinek hatásmechanizmusairól21 (lásd a II.4.5. táblázatot):
21
Minta fentebb – a 15. lábjegyzetben is – jeleztük, a logisztikus regresszió is alkalmas a változók kapcsolatok vizsgálatára.
19
II.4.5 táblázat: Az ANOVA modell további statisztikái
Kérdések
A teljes faktoriális (ANOVA) modell statisztikái
Következtetések
5. Hogyan alakul a két független váltó „interakciója” („kereszthatása”)
Az F-próba elfogadási valószínűsége = 0,146
Az ANOVA modell szerint az interakció nem szignifikáns – tehát van értelme a két független változó önálló hatását (is) vizsgálni
6. Hogy alakulnak a független változók közötti „interferenciák” (a kölcsönhatások hogy változtatják meg az egyes változók magyarázó erejét)?
Az „életciklus-tipológia” Béta értéke: 0,25, vagyis a magyarázó ereje 0,26 századdal (51,0%-kal) csökken, míg a „saját státusznál” mindössze 0,15 (26,3%) a magyarázóerő csökkenésének az értéke
A „saját státusz” erősebb hatása abban is érvényre jut, hogy a kölcsönhatások révén az „életciklus-tipológia” magyarázó ereje jelentősebben csökken.
Mindezek a vizsgálódások azt támasztják alá, hogy az ANOVA modell „robusztus” volta ellenére is igen hasznos és megbízható vizsgálati eszköznek bizonyul, hiszen „nem vitt jégre” bennünket: a főbb kérdések esetében teljesen egybecsengenek (a matematikai feltételek szempontjából teljesen korrekt módon alkalmazott) logisztikus regresszió eredményeivel a variancia-analízis statisztikáiból levonható következtetések.
Ugyanakkor az ANOVA olyan többlet-információkat szolgáltatott, amely hasznosságát, használhatóságát még inkább alátámasztja.
20
II.4.4. A páros faktoriális modellek együttes alkalmazása Vizsgáljuk meg – fenti ANOVA modellünk segítségével – az életciklus-indikátorunk összetett hatásmechanizmusát a többi magyarázó változóval összefüggésben is (lásd a II.4.2. ábrát). II.4.2. ábra: Az internetezés vizsgálatának páros faktoriális modelljei (az „életút-elemek” hatásmechanizmusai, kölcsönhatásai; a „kegészítő elemek” és egyes „komponensek”) (A: Éta-értékek, illetve B: a Béta értékek eltérései az Étáktól) „KIEGÉSZÍTŐ ELEMEK”:
„INTERNETEZÉS”
Nyelvtudás A: 0,41 Kulturális aktivitás A: 0,33 Különórák A: 0,28 Könyvolvasás A: 0,28 Élettervei A: 0,23 Politikai érdeklődés A: 0,20 EU-csatlakozás hatása A: 0,19
(Internetezik-e?)
A: 0,57 „RÉTEGHELYZET”: - a megkérdezett státuszmutatója
A: 0,51
B: -0,07
A: 0,42
A: 0,34
3. „ÉLETÚT-ELEMEK”:
B: -0,09
- életciklus-tipológia az életesemények alapján
2. „HÁTTÉR-ELEMEK”: - a vizsgált személy szociodemográfiai indikátorai
B: -0,04
1. „ELŐZMÉNYEK”: „KOMPONENSEK” I.: Iskolai szint A: 0,47 Iskola – munka A: 0,17 Párkapcsolat – gyerek A: 0,19
- a kibocsátó család jellemzői („SZÜLŐI RÉTEGHELYZET”)
„KOMPONENSEK” II.: Nem A: 0,03 Lakóhely A: 0,22 Fogyasztási státusz A: 0,42
(Ifjúság 2000 vizsgálat 25-29 éves alcsoportja, N=2.553 fő) Adatelemzési stratégiánk – a fentebb ismertetett kétdimenziós modell mintájára – a következő:
Sorra
vesszük
a
kiválasztott
magyarázó
változó-együttesekből
készített
összetett
indikátorainkat22, megvizsgáljuk ezek hatásának erősségét külön-külön a magyarázandó
22
Nem a statisztikai eljárás során kialakított „összevont látens változókra” támaszkodunk tehát, hanem az eredeti attribútumokat tartalmazó változókra.
21
változónkra. Ennek során az F-próba értékeit kiszámítva megállapítjuk, hogy a magyarázó változónk mentén a részátlagok eltérései – az oksági kapcsolatok – szignifikánsak-e23.
Ezt követően az Éta-értékeket számítjuk ki24, és a független változók magyarázóerejének nagyságával azonosítjuk.
A következő lépésben az „életút-elemek” és a másik három magyarázó változó kölcsönhatásait kiszűrve vizsgáljuk a kiemelt magyarázó változók „tiszta” hatását a magyarázandó változóra a kétdimenziós faktoriális modellek Béta értékeit elemezve25.
Ábránkon (lásd a II.4.2. ábrát) az egyes magyarázó változók Éta értékeit közöljük (A értékek) a magyarázandó változóra, majd megvizsgáljuk a Béta értékeket is változó-páronként. Miután elsősorban arra vagyunk kíváncsiak, hogy az életciklus-tipológiánk milyen magyarázó erőt képvisel önmagában, a másik három magyarázó változóhoz képest, a páronkénti Béták értékeit összehasonlítjuk az életciklus-változónk Éta értékeivel (ezek ábránkon a B értékek26).
E mellett közel félszáz – még a modellekbe be nem vont – kiegészítő változó hatásait is sorra vettük. Ábránkon csak azt a négyet szerepeltetjük, amelyek erős szignifikáns hatást mutattak (Étaértékeik nagyok voltak, és az F-próbát is kiállták).
Adataink azt mutatják, hogy az életútelemek csupán a második legnagyobb magyarázóerővel bíró indikátorunk (ábránkon a réteghelyzet mutatójának Éta-értéke 0,57, míg az életútelemeké csupán
23
Az F-próba során azt vizsgáljuk, hogy a csoportok közötti eltérések mennyivel nagyobbak a csoportokon belüli eltérésekhez képest. Ha az F-próba értéke, mely e két statisztika viszonyából számítható, a hozzá tartozó szabadságfokkal együtt is meghalad egy küszöbértéket, azaz a nullhipotézis elfogadási valószínűsége alatta marad a 0,05 százados értéknek, akkor „szignifikáns kapcsolatról” beszélünk 95 százalékos megbízhatósági szint mellett. 24 Az Éta érték a „megmagyarázott” és a „meg nem magyarázott” szórások hányadosából származtatott mutató (a csoportok közötti szórások összege az előző, míg a csoportokon belüli szórások összege az utóbbi). 25 Míg az Éta értékeknél egymástól függetlenül kezeltük a magyarázó változókat, a számítás úgy is elvégezhető, hogy az egyik változó kategóriája szerinti átlagok akkor mennyiben különböznek a főátlagtól, ha a másik független változó értékét rögzítjük, azaz kiszűrjük a kölcsönhatásokból („interakciókból”) és az „interferenciákból” eredő magyarázóerőt. Hasonló módon értelmezhető, mint a sztenderdizált regressziós együttható, ezért is jelöljük Bétával, amely tehát az egyes változók hatását ebben a parciális értelmezésben közli. 26 , A B értékek azt mutatják meg, hogy az életútelemek hatása mennyiben csökken a páros kölcsönhatások kiszűrése után. Kiszámítása úgy történik, hogy a Bétából kivonjuk az Étát, azaz a negatív B érték azt mutatja, hogy a Béta mennyivel kisebb, mint az Éta – ezt neveztük az előzőekben „interferenciának”.
22
0,52). Az Internet-használatot legerősebben tehát a megkérdezettek hagyományos társadalmi státusz mutatója magyarázza. Az életesemények indikátora ennél gyengébb statisztikai magyarázóerővel bír 27.
Miután mindkét változó felépítésekor nagy szerepet játszott az iskolázottság 28, nem meglepő, hogy a hagyományos státuszmutató bizonyult „sikeresebbnek” (az iskolázottság – vagy modellünkben: „iskolai szint” – változójának erős hatása jól kitűnik a Komponensek I. elemből az ábrán: a mutató Étaértéke 0,47 , azaz kb. 22 százalékos magyarázóerővel bír). Ennek igen egyszerű a magyarázata. Miután a hagyományos stratifikációs mutató elemei általában szorosan kapcsolódnak az iskolai végzettséghez és annak mintegy következményeképpen előálló, a társadalmi munkamegosztásban elfoglalt helyzethez, így evidens a magasabb magyarázó erő (megsokszorozódnak az iskolázottság mutatójának hatásai).
Felvethető ugyanakkor az a kérdés, hogy vajon mennyivel értünk meg többet egy magasabb statisztikai magyarázóerővel bíró változó esetében? Valóban közelebb juthatunk a társadalmi jelenségek összefüggéseinek megértéséhez? Úgy gondoljuk, ha egy magyarázó változó hatása csupán azért magas, mert magába sűríti a legfontosabb tényező – jelen esetben az iskolázottság – következmény-változóit, akkor sok olyan magyarázó tényező kívül reked a horizontunkon, amely plusz adalékokkal szolgálna az összefüggések megértéséhez.
Az életesemények együttes vizsgálata éppen ezeknek a plusz magyarázó tényezőknek a bevonását teszik lehetővé. Arra hívják fel a figyelmet, hogy – jelen esetben – az iskolázottsággal csak részben összefüggő tényezők (az egyéni életutak egyéb döntései-buktatói) hogyan erősíthetik, vagy gyöngíthetik ezeket az iskolai életút során szerzett előnyöket és hátrányokat.
27
Természetesen itt is kiemeljük, hogy adataink „nem bizonyító erejűek” abban az értelemben, hogy modellünk eredményei alapján az alappopulációra vonatkozóan nem jelenthetjük ki „teljes bizonyossággal” például, hogy az életciklusok alakulásának „függvényében” alakul az Internet-használat, de igen valószínű összefüggésekre hívhatják fel figyelmünket a vizsgálatunk eredményei. Különösen hasznos lehet a szociológus számára abból a szempontból, hogy ötleteket adjon a további vizsgálatokhoz. Segíthet újabb kutatási hipotézisek megfogalmazásában, amelyek további – célirányosabb, alaposabb – kutatások kiindulópontjai lehetnek. 28 Az iskolázottság – vagy pontosabban a megkérdezett „iskolai szintjének” - mutatója: 1 - 8 általánosig, 2 szakmunkásképző, 3 - középiskola, 4 - felsőfokú hallgató, 5 – diplomás. A „munkába-állás és az iskolai tanulmányok” viszonyát kifejező változónk a következő alternatívákat tartalmazzák: 1 – munkába-állás legalább egy évvel később, mint az iskolák befejezése, 2 - egy évben mindkét esemény, 3 - legalább egy évvel megelőzi a munkába-állás az iskolai tanulmányok befejezését. Végül a „párkapcsolat, gyermekvállalás” mutatója: 1- egyedülálló, 2 - házas vagy együtt él és elköltözött otthonról, valamint 3 - már van gyermeke (is).
23
Más, a munka társadalmilag szervezett világának szorosan vett határain kívüli tényező, a párválasztás, a szülői háztól való elszakadás, a gyermekvállalás, a munka és a tanulás világa közötti „lavírozás” képessége és még sok, ehhez hasonló egyéni döntések, képességek, tapasztalatok, amelynek jelentőségéről csak igen halovány ismereteink vannak, hatásmechanizmusuk könnyen kiszorulhat látókörünkből. Ha valami miatt fontosnak gondoljuk kísérletünket, az éppen ez a szemléletmód: mi más kapcsolódik a jelen sikereihez-kudarcaihoz, mint a társadalom hagyományos tagozódási modelljeiből kifejthető – a munka és az iskolázottság – világától részben független társadalmi jelenségek.
***
A fentiekben részletesen bemutattuk a kialakított empirikus modellünk magyarázó logikáját: az információs társadalomba való beilleszkedés vizsgálatakor az életciklus-indikátor összetett hatásmechanizmusát szemléltettük a páros teljes faktoriális modellek révén. Adatainkból kiderült, hogy az egyéni életutak jelentősége a második legnagyobb. Ugyanakkor azt is megállapíthattuk, hogy az „E-társadalomba” való beilleszkedés szempontjából mégis csak a jelenlegi társadalmi státusz (a hagyományos stratifikációs tényező) a legfontosabb.
Úgy is fogalmazhatunk, hogy a vizsgált szempontból a „hova jutott” (a réteghelyzet) a legfontosabb. Ezt követi az a tényező, amely megmutatja, „hogyan jutott odáig” (az életútelemek), a harmadik legfontosabb az, hogy „milyen körülmények között” (a háttérelemek), míg a – relatíve – legkisebb hatása annak van, hogy „honnan jött” (az előzményeknek).
A „kvázi idiografikus” (a kiegészítető) elemekkel bővített modellünk révén azt is nyomon követhettük, hogy a stratifikációs tényezőkön kívül rekedt összes többi potenciális magyarázó változó (nyelvtudás, kulturális aktivitás, különórák, stb.) jelentősége alatta marad a magyarázó modellünket alkotó tényezőkének.
A komponensek vizsgálata arra is fényt derített, hogy az életesemények között kitüntetett szerepe van a vizsgált szempontból az iskolai szintnek, amely magyarázó ereje önmagában az aggregált indikátorunk magyarázó erejének 90 százalékát képviseli. A háttérelemek komponensei esetében a 24
fogyasztási státusznak van hasonló jelentősége (önmagában is akkora magyarázó erőt képvisel, mint a háttérelemek összetett mutatója).
Az életesemények és a másik három stratifikációs tényező interakcióit elemezve az is kiderül, hogy a háttérelemekkel kifejtett kölcsönhatása a legnagyobb, de jelentősek a réteghelyzetnek és az előzményeknek is a kölcsönhatásai. Azt is megállapíthatjuk ugyanakkor, hogy ezek az interakciók nem szignifikánsak29, tehát van értelme a stratifikációs tényezők önálló hatásait (is) vizsgálni.
Végül a páros faktoriális modellünk annak vizsgálatára is alkalmas, hogyan alakulnak a stratifikációs tényezők közötti interferenciák30. Az adatokból kiderült, hogy a saját státusz mutató bevonása után az életciklus mutató Éta értéke és a Béta érték közötti különbség igen jelentős. A 0,51 os Éta érték a másik változó bevonása után 0,25 -os Béta értékre csökken. Kijelenthető tehát, hogy a hagyományos státusz-mutató nem csak nagyobb magyarázó erővel bír, mint az új változónk, hanem jelentősen – mintegy 0,26 századdal – csökkenti annak magyarázó erejét bevonva a páros faktoriális modellbe31.
29
Az F-próbák elfogadási valószínűségének értéke minden esetben meghaladta a 0,05 –ös határértéket. A kölcsönhatások hogyan változtatják meg az egyes változók magyarázó erejét. 31 A II.4.3. mellékletben közöljük hasonló statisztikai számításaink eredményeit a másik 17 vizsgált „életmód, életminőség elem” mutatója esetében. 30
25
II.4.5. Mellékletek II.4.1. melléklet: Az Internet használat összefüggései a megkérdezett „életút-elemeinek” és a „réteghelyzetének” mutatóival (a „teljes faktoriális modell” SPSS 6.01 eredménylistája) -> ***** HASZNÁL-E INTERNETET? *******************************************. -> ***** ANOVA Saját státusz és Életciklus-tipológia együtt **************. -> -> ANOVA -> VARIABLES=pcin13 -> BY ectip4yy(1 34) sajst2 (1 25) -> /MAXORDERS ALL -> /STATISTICS MCA -> /METHOD HIERARCHICAL -> /FORMAT LABELS .
* * * by
A N A L Y S I S
O F
V A R I A N C E
* * *
PCIN13 Internetezik-e (valószínű igen=100) ECTIP4YY SAJST2 Megkérdezett státusza:isk+foglalk+g.akti HIERARCHICAL sums of squares Covariates entered FIRST Sum of Squares
DF
Mean Square
F
Sig of F
1804400,592 1357038,521 447362,070
57 33 24
31656,151 41122,379 18640,086
22,736 29,535 13,388
,000 ,000 ,000
279857,693 279857,693
180 180
1554,765 1554,765
1,117 1,117
,146 ,146
3.
Explained
2084258,285
237
8794,339
6,316
,000
4.
Residual
3175225,649
2280
1392,343
Total
5259483,934
2517
2089,584
Source of Variation
1. Main Effects ECTIP4YY SAJST2 2-Way Interactions ECTIP4YY SAJST2
2553 cases were processed. 34 cases (1,3 pct) were missing.
26
2.
II.4.1/a. melléklet: az „MCA” az életciklus tipológiára * * *
M U L T I P L E by
Grand Mean =
A N A L Y S I S
PCIN13 Internetezik-e (valószínű igen=100) ECTIP4YY SAJST2 Megkérdezett státusza:isk+foglalk+g.akti 29,71
Variable + Category ECTIP4YY 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
C L A S S I F I C A T I O N
N 97 58 27 157 42 30 29 121 109 237 53 43 82 29 109 141 30 76 168 56 43 75 27 120 129 59 43 36 41 36 101 61 26 27
Adjusted for Independents Dev'n Beta
Unadjusted Dev'n Eta 5,38 -21,49 -19,02 -20,84 -21,37 -17,70 -24,86 -21,64 -17,10 -21,00 -7,81 -17,60 -20,05 -22,44 -16,28 -11,49 -13,71 4,29 2,02 8,36 5,26 14,17 10,16 17,11 14,52 8,78 30,93 34,06 62,21 7,88 49,34 58,30 48,62 39,64
2,71 -3,77 -5,43 -2,34 -2,81 -5,69 -4,60 -6,69 -7,61 -11,67 ,49 -9,88 -11,32 -11,98 -7,69 -1,66 -5,38 -3,25 -1,85 ,59 -7,45 1,27 4,04 ,75 4,47 ,66 20,72 25,63 35,95 -11,84 23,26 36,67 17,36 8,94 ,51
,25 5.
27
6.
* * *
II.4.1/b. melléklet: az „MCA” a saját státuszra SAJST2 1 egyetemi hallgató 2 főiskolai hallgató 3 vezető 4 értelm/egyetemi 5 értelm/főisk 6 e.szellemi/középisk 7 e.szellemi/alacs 8 iparos/érett-től 9 iparos/szakmk-ig 10 szakmun/érett-től 11 szakmun/szakmképző 12 bet.mun/éret-től 13 bet.mun/szakmmkk 14 bet.mun/8 általánosi 15 segédm/szkmk-től 16 segédm/8 általánosig 17 mg.fiz/szakk-től 18 mg.fiz/8 általánosig 19 inakt/diplomás 20 inakt/éretts 21 inakt/szakmk 22 inakt/8 általánosig 23 munkané/érett-től 24 munkané/szakmk 25 munkané/8 általánosi
41 34 27 103 161 268 39 48 73 223 435 51 108 111 32 54 35 20 43 149 136 138 49 63 76
37,73 44,56 37,72 63,60 38,87 34,75 20,76 -4,78 -20,09 -1,36 -16,21 -4,81 -18,44 -19,05 -22,25 -26,08 -17,99 -29,71 12,97 -6,68 -16,60 -26,12 -14,16 -23,11 -24,14
28,02 34,56 26,38 38,53 16,83 34,59 27,50 -5,24 -13,70 -2,39 -9,06 -5,18 -10,67 -14,64 -15,00 -21,59 -12,21 -24,71 -7,88 -5,38 -8,05 -23,09 -16,40 -15,57 -20,30 ,57
Multiple R Squared Multiple R
7.
,42 8.
,343 ,586
9.
-> ************************* vége *****************************************.
Jelmagyarázat (keretes számok): 1. : A modell szignifikancia-próbájának (F-próba) értéke 0,000 – vagyis a modell szignifikáns. 2. : Az éltciklus-mutató szignifikancia-próbája (F-próba) értéke 0,000 – vagyis a változó hatása szignifikáns. 3.: A saját státusz-mutató szignifikancia-próbája (F-próba) értéke 0,000 – vagyis a változó hatása szignifikáns. 4. : Az interakció szignifikanciájának próbája (F-próba) értéke 0,146 – vagyis nem szignifikáns. 5. : Az éltciklus-mutató Éta-értéke (0,51 század). 6. : Az éltciklus-mutató Béta-értéke (0,25 század) - vagyis az interferencia erős ( - 0,26 százados csökkenés). 7. : A saját státusz-mutató Éta-értéke (0,57 század). 8. : A saját státusz-mutató Béta-értéke (0,42 század) - vagyis az interferencia közepes ( - 0,15 százados csökkenés). 9. : A modellbe bevont két változó magyarázóereje (az R 2 érték): 0,342 – vagyis a szórás 34,3%-át magyarázza.
28
II.4.2. melléklet: Az Internet használat összefüggései a megkérdezett „életút-elemeinek” és a „réteghelyzetének” mutatóival (a „logisztikus regressziós modell” SPSS 6.01© eredménylistája) -> ***** HASZNÁL-E INTERNETET? *******************************************. -> ***** LOGISZTIKUS REGRESSZIÓ Saját státusz és Életciklus-tipológia *******. -> -> LOGISTIC REGRESSION pcin13 -> /METHOD=ENTER ectip4yy sajst2 -> /CONTRAST (sajst2)=Deviation /CONTRAST (ectip4yy)=Deviation -> /CRITERIA PIN(.05) POUT(.10) ITERATE(20) .
Total number of cases: 2583 (Unweighted) Number of selected cases: 2583 Number of unselected cases: 0 Number of selected cases: 2583 Number rejected because of missing data: 0 Number of cases included in the analysis: 2583 Dependent Variable Encoding: Original Value ,00 100,00
Internal Value 0 1
******************************************************************** A MÁTRIX KIHAGYVA! ******************************************************************** Dependent Variable..
PCIN13
Beginning Block Number -2 Log Likelihood
0.
Internetezik-e (valószínű igen=100)
Initial Log Likelihood Function
3111,6137
1.
* Constant is included in the model. Beginning Block Number
1.
Method: Enter
Variable(s) Entered on Step Number 1.. ECTIP4YY SAJST2 Megkérdezett státusza:isk+foglalk+g.aktivitás Estimation terminated at iteration number 5 because Log Likelihood decreased by less than ,01 percent. -2 Log Likelihood Goodness of Fit
2209,882 2575,045
2.
29
3. Model Chi-Square Improvement
Chi-Square 901,732 901,732
df Significance 58 58
4.
,0000 ,0000
Classification Table for PCIN13 Predicted ,00 100,00 Percent Correct 1 | 2 Observed +-------+-------+ ,00 1 | 1614 | 177 | 90,14% +-------+-------+ 100,00 2 | 298 | 464 | 60,87% +-------+-------+ Overall 81,41% 5. ------------------------ Variables in the Equation ------------------------Variable ECTIP4YY ECTIP4YY(1) ECTIP4YY(2) ECTIP4YY(3) ECTIP4YY(4) ECTIP4YY(5) ECTIP4YY(6) ECTIP4YY(7) ECTIP4YY(8) ECTIP4YY(9) ECTIP4YY(10) ECTIP4YY(11) ECTIP4YY(12) ECTIP4YY(13) ECTIP4YY(14) ECTIP4YY(15) ECTIP4YY(16) ECTIP4YY(17) ECTIP4YY(18) ECTIP4YY(19) ECTIP4YY(20) ECTIP4YY(21) ECTIP4YY(22) ECTIP4YY(23) ECTIP4YY(24) ECTIP4YY(25) ECTIP4YY(26) ECTIP4YY(27) ECTIP4YY(28) ECTIP4YY(29) ECTIP4YY(30) ECTIP4YY(31) ECTIP4YY(32) ECTIP4YY(33)
B
S.E.
Wald
df
,1321 -,5172 -,6807 -,2426 -,3121 -,6950 -,6168 -,8486 -,7393 -1,1822 -,1468 -,9522 -1,1187 -1,2604 -,7453 -,2596 -,5520 -,0568 ,0343 ,1371 -,2643 ,1753 ,3190 ,1873 ,3303 ,1514 1,0339 1,2797 2,3022 -,4839 1,1291 2,1656 1,4934
,2754 ,5168 ,6364 ,4415 ,6319 ,6818 ,9264 ,4761 ,3958 ,3590 ,4309 ,5480 ,4655 ,7470 ,3959 ,3556 ,5708 ,3577 ,3029 ,3881 ,4323 ,3580 ,4916 ,3280 ,3189 ,3885 ,5291 ,5544 ,6979 ,5462 ,4899 ,5669 ,6132
62,2612 ,2302 1,0017 1,1439 ,3020 ,2439 1,0389 ,4434 3,1771 3,4894 10,8469 ,1161 3,0197 5,7751 2,8469 3,5448 ,5329 ,9352 ,0252 ,0128 ,1247 ,3739 ,2398 ,4211 ,3262 1,0722 ,1518 3,8190 5,3278 10,8832 ,7851 5,3123 14,5948 5,9314
33 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
30
6.
Sig ,0015 ,6314 ,3169 ,2848 ,5826 ,6214 ,3081 ,5055 ,0747 ,0618 ,0010 ,7333 ,0823 ,0163 ,0916 ,0597 ,4654 ,3335 ,8739 ,9099 ,7240 ,5409 ,6243 ,5164 ,5679 ,3005 ,6968 ,0507 ,0210 ,0010 ,3756 ,0212 ,0001 ,0149
7.
R
Exp(B)
,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 -,0194 -,0219 -,0533 ,0000 -,0181 -,0348 -,0165 -,0223 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0242 ,0327 ,0534 ,0000 ,0326 ,0636 ,0355
1,1413 ,5962 ,5063 ,7846 ,7319 ,4991 ,5396 ,4280 ,4774 ,3066 ,8634 ,3859 ,3267 ,2836 ,4746 ,7714 ,5758 ,9448 1,0349 1,1469 ,7677 1,1916 1,3758 1,2060 1,3913 1,1634 2,8121 3,5955 9,9966 ,6164 3,0929 8,7197 4,4522
8. SAJST2 SAJST2(1) SAJST2(2) SAJST2(3) SAJST2(4) SAJST2(5) SAJST2(6) SAJST2(7) SAJST2(8) SAJST2(9) SAJST2(10) SAJST2(11) SAJST2(12) SAJST2(13) SAJST2(14) SAJST2(15) SAJST2(16) SAJST2(17) SAJST2(18) SAJST2(19) SAJST2(20) SAJST2(21) SAJST2(22) SAJST2(23) SAJST2(24) SAJST2(25) Constant
,4352 1,1882 1,5173 1,4184 2,7271 ,8791 1,7022 1,9810 -,0516 -,3828 ,1306 ,0632 -,0156 -,0877 -,3882 -,6819 -1,5357 -,2618 -4,3835 -,1374 ,0079 ,1802 -1,7021 -,7357 -,7041 -1,2293
,4771 ,5246 ,5518 ,5237 ,6119 ,5083 ,3574 ,4469 ,4633 ,4978 ,3649 ,3545 ,4578 ,4464 ,4765 ,7057 ,7935 ,5862 4,7768 ,5709 ,3671 ,4135 ,5528 ,4956 ,5810 ,2116
202,0622 ,8320 5,1292 7,5602 7,3344 19,8612 2,9911 22,6853 19,6463 ,0124 ,5913 ,1282 ,0318 ,0012 ,0386 ,6636 ,9339 3,7456 ,1995 ,8421 ,0579 ,0005 ,1900 9,4815 2,2037 1,4687 33,7584
25 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
9. ,0000 ,3617 ,0235 ,0060 ,0068 ,0000 ,0837 ,0000 ,0000 ,9114 ,4419 ,7203 ,8586 ,9728 ,8442 ,4153 ,3339 ,0529 ,6551 ,3588 ,8098 ,9829 ,6629 ,0021 ,1377 ,2255 ,0000
,2211 ,0000 ,0317 ,0423 ,0414 ,0758 ,0178 ,0815 ,0753 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 ,0000 -,0237 ,0000 ,0000 ,0000 ,0000 ,0000 -,0490 -,0081 ,0000
1,5453 3,2811 4,5600 4,1305 15,2888 2,4087 5,4858 7,2501 ,9497 ,6819 1,1396 1,0652 ,9845 ,9160 ,6783 ,5056 ,2153 ,7697 ,0125 ,8716 1,0079 1,1975 ,1823 ,4792 ,4945
-> -> ************************* vége *****************************************.
Jelmagyarázat (keretes számok): 1. : A magyarázandó rész (DO). 2. : A nem magyarázott rész (DM). 3.: A modell Chí-négyzet próba értéke (GM). 4. : A modell Chí-négyzet próbájának elfogadási valószínűsége: 0,000 – vagyis a modell szignifikáns. 5. : A „találati arány” (a Modus becslése alapján 70,2% - a 81,4%-os érték magasabb). 6. : Az életciklus-mutató hatásának szignifikancia-vizsgálata (Wald-próba): 0,0015 – a hatás szignifikáns. 7. : Az életciklus-mutató hatásának erőssége (a korrtigált Wald-érték): 0,0000 – alacsony. 8. : A saját státusz-mutató hatásának szignifikancia-vizsgálata (Wald-próba): 0,0000 – a hatás szignifikáns. 9. : A saját státusz -mutató hatásának erőssége (a korrtigált Wald-érték): 0,2211 – magas. Számítások: A) A modell magyarázóereje Korrigált R2 számítása: (ahol k a bevont változók száma, azaz 2)
GM – 2*k DO
Értéke: 0,2885, vagyis a modell magyarázóereje: 28,9%.
B) A modell szignifikanciájára elvégzett Chí-négyzet próba Lambda értéke: 0,0000 – tehát a modell szignifikáns.
31
II.4.3. melléklet: Az egyes rétegképző tényezők magyarázóereje (az Éta-értékek alapján)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Beilleszkedés az E-társadalomba A drog használata Hány gyermeket szeretne? Különóra (korábban) Művelődési intézmények látogatása "Kapcsolati tőke" (befolyásos kapcs.) Baráti kapcsolatok erőssége Kapcsolatok hasonlósága Nyelvtudás Politikai érdeklődés Előítéletesség Szórakozás (intézmények látogatása) Egészségi állapot Volt-e már munkanélküli? "Vesztes" vagy "nyertes"? (10 év) Elégedettség jelenlegi helyzetével Tervei megvalósulási esélyei Egyetért-e az EU-csatlakozásunkkal?
Kiegészítő elemek ("ok" illetve "okozat" változók)
Előzmények
Háttérelemek
Réteghelyzet
Magyarázandó változók
Életútelemek
Rétegképző tényezők
1.
0,52 0,57 0,42 0,34 0,18 0,16 0,14 0,13 0,33 0,27 0,13* 0,13* 0,46 0,46 0,32 0,32 0,59 0,59 0,41 0,4 0,33 0,33 0,31 0,29 0,42 0,34 0,29 0,27 0,2 0,15* 0,15 0,13* 0,6 0,62 0,43 0,41 0,18 0,2 0,14 0,11* 0,19 0,17 0,15 0,12 0,4 0,31 0,27 0,2 0,24 0,19 0,25 0,16 0,28 0,36 0,23 0,16 0,24 0,27 0,28 0,19 0,23 0,28 0,25 0,16 0,29 0,32 0,3 0,25 0,2 0,22 0,19 0,16
*: Nem szignifikáns hatás (95 százalékos megbízhatósági szinten) : A legerősebb összefüggések
32
Nyelvtudás: 0,40 Alkohol: 0,16 Pártpreferencia: 0,13 Nyelvtudás: 0,41 Nyelvtudás: 0,45 Műv. aktivitás: 0,32 Szórakozás: 0,46 Életterv megv.: 0,12 E-társadalom: 0,42 Szavazói magat.: 0,26 Rádiózás: 0,12 Műv. aktivitás: 0,38 Életterv megv.: 0,16 EU-régiók: 0,20 Jővőben helyzete: 0,46 Tervei megval.: 0,39 "Vesztes-nyertes": 0,34 Pártpreferencia: 0,22
2.
3.
Műv. aktivitás: 0,33 Különórák: 0,28 Nyelvtudás: 0,12 Szórakozás: 0,11 Testvérek száma: 0,12 Életterv megv.: 0,11 Műv. aktivitás: 0,38 E-társadalom: 0,32 Különórák: 0,44 Könyvolvasás: 0,44 Különórák: 0,31 E-társadalom: 0,28 "Érdekes élet": 0,24 Alkohol: 0,24 Műv. aktivitás: 0,11 Nyelvtudás: 0,10 Műv. aktivitás: 0,41 Különórák: 0,38 "Tradíciók": 0,25 Bal-jobboldali: 0,17 Munkanélküliség: 0,10 E-társadalom: 0,09 "Kapcsolati tőke":0,22 Üdülés: 0,21 EU-régiók: 0,12 "Vesztes-nyertes": 0,12 Dohányzás: 0,15 Nyelvtudás: 0,13 Tervei megval.: 0,34 E-társadalom: 0,22 "Vesztes-nyertes": 0,29 Műv. aktivitás: 0,18 E-társadalom: 0,25 Nyelvtudás: 0,23 Műv. aktivitás: 0,21 Tervei megval.: 0,19
II.4.6. Irodalomjegyzék Angelusz Róbert (2000): A láthatóság görbetükrei. Új mandátum Könyvkiadó, Budapest. Blossfeld, Hans-Peter – Hofmeister, Heather (2005): Life Course int he Globalization Process. Otto Friedrich University of Bamberg. Csontos László (1998): A racionális döntések elmélete. Osiris Könyvkiadó – Láthatatlan Kollégium [Szemeszter könyvek], Budapest. Du Bois-Reymond, Marcus (1998): I don’t want to commit myself yet: young people’s life concepts, Journal of Youth Studies, 1998/1(1), (pp. 63-79.) Dwyer, Peter - Wyn, Johanna (1998): Post-compulsory education policy in Australia and its impact on participant pathways and outcomes in the 1990s, Journal of Education Policy 1998/13(3), (pp. 285-300.) Füstös László – Meszéna György – Simonné Mosolygó Nóra (1986): A sokváltozós adatelemzés statisztikai módszerei. Akadémia Kiadó, Budapest. Kabai Imre (2006): Társadalmi rétegződés és életesemények. A magyar fiatalok a posztindusztriális korszakban. Új Mandátum Könyvkiadó, Budapest. Kohli, Martin (1985): Die Institutionalisierung des Lebenslaufs: Historische Befunde und theoretische Argumente. Kölner Zeitschrift für Soziologie und Sozialpsychologie, 1985/37, (pp. 1–29.) Kohli, Martin (2007): The Institutionalization of the Life Course: Looking Back to Look Ahead. Research in Human Development, 4. 2007/3–4. (pp. 253–271.) Kolosi Tamás – Rudas Tamás (1998): Empirikus problémamegoldás a szociológiában. OMIKK-Tárki, Budapest. Rudd, Peter – Evans, Karen (1998): Structure and Agency in youth transitions: student experiences of vocational further education, Journal of Youth Studies, 1998/1(1), (pp. 39-62.) Székelyi Mária – Barna Ildikó (2002): Túlélőkészlet az SPSS-hez. TYPOTEX Kiadó, Budapest. Szelényi Iván – Manchin Róbert (1990): A családi mezőgazdasági termelés a kollektivizált gazdaságokban: három elmélet (Theories of Family Agricultural Productions in Collectivized Economies). In: Szelényi Iván: Új osztály, állam, politika. Európa Könyvkiadó, Budapest. (pp. 375400.) Wallace, Claire – Jones, Gill (1992): Ifjúság, család, polgárrá válás. In: Gábor Kálmán: Civilizációs korszakváltás és ifjúság. Belvedere Kiadó, Szeged. (pp. 104-111.) 33
Wallace, Claire (2002): Ifjúság, család, polgárrá válás. In: Gábor Kálmán (szerk.): Az ifjúsági korszakváltás. Szöveggyűjtemény. Szegedi Egyetem. (pp. 104-111.) Wallace, Claire (1998): Social reproduction and school leavers: a longitudinal perspective, in: Hurrelmann, Klaus – Engels, Ulrich (szerk.) (1998): The Social World of Adolescents: International Perspectives. de Gruyter, New York.
34
