UNICORN COLLEGE BAKALÁŘSKÁ PRÁCE

UNICORN COLLEGE Katedra ekonomiky a managementu

BAKALÁŘSKÁ PRÁCE Aplikace statistických metod v analýze preferencí absolventů vysokých škol

¨

Autor BP: Ladislav STRATIL Vedoucí BP: doc. Ing. Dagmar Blatná, CSc. 2013 Praha

Čestné prohlášení Prohlašuji, že jsem svou bakalářskou práci na téma aplikace statistických metod v analýze preferencí absolventů vysokých škol vypracoval samostatně pod vedením vedoucího bakalářské práce a s použitím výhradně odborné literatury a dalších informačních zdrojů, které jsou v práci citovány a jsou také uvedeny v seznamu literatury a použitých zdrojů. Jako autor této bakalářské práce dále prohlašuji, že v souvislosti s jejím vytvořením jsem neporušil autorská práva třetích osob a jsem si plně vědom následků porušení ustanovení § 11 a následujících autorského zákona č. 121/2000 Sb.

V Praze dne ………………

…….…………………….

Poděkování Děkuji vedoucímu bakalářské práce doc. Ing. Dagmar Blatné, CSc. za odbornou pomoc, poskytnutí rad a vedení při zpracování bakalářské práce a Jerome Dumetzovi za vzájemnou spolupráci a poskytnutí dat k praktické části.

Aplikace statistických metod v analýze preferencí absolventů vysokých škol Application of statistical methods in the analysis preferences of university graduates

6

Abstrakt V této práci budeme zkoumat vliv vybraných faktorů pro preferencí absolventů, studentů vysokých škol s ohledem na budoucí volbu povolání s využitím metod statistické analýzy dat. Konkrétně budeme analyzovat závislosti mezi studenty z různých zemí a jednotlivé faktory pomocí statistického softwaru Statistica a Statgraphics. Hlavní metody byly zvoleny analýza rozptylu (ANOVA) a shluková analýza (CLU). Analýza rozptylu je provedena pro každý faktor samostatně a porovnává názory studentů všech zemí a shluková analýza slouží k rozdělení respondentů na základě proměnných a posouzení závislostí mezi jednotlivými faktory a každou majoritní zemí. Získané výsledky jsou v závěru práce porovnány s výzkumem IBM. Klíčová slova: Analýza rozptylu, shluková analýza, kultura, faktory, majoritní země, absolventi vysokých škol

7

Abstract In this theses we will investigace influence of the chosen factors to gain a results of the preference graduates - university students with regard to future career choices by using the methods of statistical data analysis. Specifically, we analyze the dependencies among studends from different countries and factors using statistical software Statistica a Statgraphics. Prefered methods are a analysis of variance (ANOVA) and a cluster analysis (CLU). ANOVA compares each single factor with nationality and CLU is used for a division of respondents on the basis of their variables - foctors and calculation of the links between each factors and each major country. The all results will be compared with IBM research. Keywords: Analysis of variance, cluster analysis, culture, factors, major countries, university graduates

8

Obsah 1. Úvod .................................................................................................................................. 6 2. Teoretická část ................................................................................................................. 7 2.1.1. Základní charakteristiky ........................................................................................... 7 2.1.2. Princip testování hypotéz ........................................................................................ 10 2.1.3. Průzkumová analýza dat ......................................................................................... 11 2.1.4. Jednofaktorová analýza rozptylu ........................................................................... 14 2.1.5. Shluková analýza ..................................................................................................... 17 2.2. Charakteristika kulturních rysů ............................................................................... 18 3. Praktická část ................................................................................................................. 22 3.1. Základní charakteristiky jednotlivých faktorů ........................................................ 22 3.2. Rozdělení četností ....................................................................................................... 26 3.3. Charakteristiky polohy, variability, šikmosti a špičatosti....................................... 28 3.4. Shluková analýza jednotlivých faktorů .................................................................... 32 3.5. Analýza rozptylu z pohledu majoritních skupin...................................................... 33 3.6. Vytvoření prototypu aplikace elektronického dotazování ...................................... 51 3.7. Vyhodnocení výzkumu celkové populace ................................................................. 53 3.8. Srovnání s výzkumem IBM ........................................................................................ 56 4. Závěr ............................................................................................................................... 58 5. Conclusion ...................................................................................................................... 59 6. Seznam použité literatury ............................................................................................. 60 7. Seznam použitých symbolů a značek ........................................................................... 61 8. Seznam obrázků ............................................................................................................. 62 9. Seznam tabulek .............................................................................................................. 63 10. Seznam rovnic .............................................................................................................. 64 11. Seznam příloh ............................................................................................................... 64

9

1. Úvod Původ sdělování vlastních názorů sahá až do středověku, kdy se lidé přestali bát sdělovat svůj názor a začali otevřeně hovořit téměř o čemkoliv. Tento jev má v dnešní době nesmírně důležitý informační význam, názory různých lidí se dají formulovat do názorů skupin, celků, národů či příslušníků rozdílných kultur tedy rozšířit na pojem veřejného mínění. Rozdíl mezi současností a minulostí je především v tom, že dříve lidé neměli dostatečný podklad, aby mohli názory veřejného mínění obhájit. Tím bylo kolikrát mínění zkreslené ba dokonce smyšlené. Zlom nastal až v moderní době, kdy jsou veškerá data týkající se názoru obyvatel zařazována do databází a později zkoumána za účelem vybrat si z nich to potřebné. Mezi úplně první metody získávání odpovědí respondentů bylo dotazníkové šetření již od 40. let 19. století. Dotazník sám o sobě má velmi vysokou vypovídající hodnotu, díky otázkám, které zvolíme do obsahu. Respondent se pak snaží nejlépe svou odpovědí sdělit svůj názor a z této myšlenky my můžeme později čerpat. Záměr výzkumu je nejčastěji prostřednictvím médií tyto názory prezentovat tak, abychom mohli zvýšit díky marketingu přidanou hodnotu subjektu, kterého se výzkum týká. V tomto ohledu se tato práce liší, hlavním cílem je poskytnout čtenáři nejsrozumitelnější výsledky, které mu pomohou při rozhodování díky vhodně zvoleným statistickým metodám, protože bez oboru statistika by nikdy nebyly ani věrohodné výsledky žádného průzkumu. Vzhledem k tomu, že se práce soustředí na preference jednotlivých národnostních skupin s odlišnou geografickou polohou, kulturou, a zároveň se jedná o studenty vysokých škol, záměrů využití může být nespočet. Z vědeckého pohledu se naše zkoumání nejvíce blíží poněkud mladému oboru multikulturního managementu. Mladému, protože až v posledních pár desetiletích se zlepšila ve světě komunikace a začali se odbourávat bariéry pro volný pohyb osob a tím pádem i studentů a výzkumníků. Jak bylo již zmíněno, důležité je vždy názory porovnávat a snažit se přijít na jejich původ, proto je důležitou součástí této práce porovnat výsledky s podobným výzkumem a říci, do jaké míry se šetření odlišují či jsou shodné, aby interpretace měla co možná nejvyšší vypovídající hodnotu.

6

2. Teoretická část Obecně známý fakt, že převážná část teorie ve statistice jako vědním oboru byla již dříve objevena a objevit něco nového se dá jen s velmi malou pravděpodobností. Na druhou stranu možnost aplikovat a využít dané metody je nekonečná. Proto je velmi důležité pro správnost daného zkoumání pochopení elementárních jevů a postupů. S využitím znalostí je možné dále postupovat v samotném rozboru. Na závěr za předpokladu korektnosti formulujeme vstupy do výstupu ve většině případů za pomoci zvoleného softwaru a moderních technologií, které nám usnadňují práci.

2.1.1. Základní charakteristiky Míry polohy Primárním cílem každého výzkumu je mimo samotného shromažďování dat také důležitá vhodná prezentace naměřených hodnot reprezentujících statistický soubor jako takový. Ve většině případů se snažíme zobrazit střední hodnotu charakteristik polohy průměr, modus, medián a kvantily popsané v [1, s. 29-34]. Průměr Průměr je nejčastěji používaná střední hodnota. Mezi nejčastěji používaný typ průměru se řadí průměr aritmetický s označením 𝑥 . Jeho výpočet je dán jako součet naměřené hodnoty dělený jejím počtem. Souhrnně se dá průměr popsat vzorcem:

𝑥 =

1 n

n n=1 xi .

(1)

Kde ∑ je suma - součet jednotlivých hodnot xi a n počet prvků. Medián Medián označuje hodnotu ve statistickém souboru, která se nachází po seřazení přímo uprostřed. Jinak řečeno rozděluje soubor na dvě stejné poloviny, první část hodnot leží pod touto hodnotou, druhá část nad touto hodnotou. Medián se označuje 𝑥. Vzorec pro výpočet mediánu: 𝑥 = 0,5(𝑥𝑛 + 𝑥𝑛 +1 ) pokud je počet prvků n sudý,

(2)

𝑥 = 𝑥(𝑛+1)/2 pokud je počet n prvků lichý.

(3)

2

2

7

Modus Modus představuje nejčetnější hodnotu ve statistickém souboru. Je to tedy hodnota, která se zde vyskytuje nejčastěji, však může se jednat i o více hodnot, potom mluvíme o vícemodálních souborech. Označení pro modus je 𝑥. Kvantily Kvantil je hodnota, která rozděluje statistický soubor na dvě části. První část obsahuje hodnoty nižší než kvantil, druhá část hodnoty vyšší než kvantil tedy kvantily označujeme jako xp, kde p je procentuálně vyjádřená část sledovaného úseku. Můžeme tedy říci, že medián je vlastně 50% kvantil (x0,50). Polovina hodnot tedy leží pod a polovina nad mediánem. Dále známe označení dolní kvartil x0,25 oddělující nejnižších 25% hodnot uspořádané řady a horní kvartil x0,75 oddělující 25% nejvyšších hodnot. Dolní kvartil, horní kvartil a medián rozdělují statistický soubor na čtyři části. Pro bližší zkoumání lze využít pojmu decily, které rozdělují statistický soubor na deset částí či percentily na sto částí. [1, s. 26-39] Míry variability Míry variability popisují rozptýlenost dat ve statistickém souboru. Teorie k této kapitole je obsažena v odborné publikaci Statistika pro ekonomy [1, s. 34-44]. Pro získání rychlého přehledu o rozptýlení dat můžeme využít nejjednodušší míry variability a to variačního rozpětí. Výpočet je dán rozdílem nejvyšší a nejnižší hodnoty souboru dle vzorce: R = xmax − xmin

(4)

kde xmax představuje nejvyšší hodnotu a xmin nejnižší. Problém nastává v případě, že se v souboru nachází nízké či vysoké extrémní hodnoty a ty nám zkreslují výsledek. Tento problém se dá vyřešit mezikvartilovým rozpětím využívající dolního a horního kvartilu: R M = x75 − x25 Kde 𝑥75 značí horní kvartil a 𝑥25 dolní.

8

(5)

Rozptyl Mezi nejvíce používanou míru variability se řadí rozptyl, který nám dává ucelenou představu, zda hodnoty dat leží více či méně kolem průměru a jak velké výkyvy se zde projevují. Rozptyl označovaný jako 𝑠𝑥2 je definován jako aritmetický průměr čtvercových odchylek jednotlivých hodnot pozorování od průměru a zapsán vzorcem: sx2 =

n 2 i=1 (x i −x )

n

(6)

kde n značí velikost souboru, 𝑥 průměr a 𝑥𝑖 hodnotu proměnné. Směrodatná odchylka Díky faktu, že je rozptyl udáván ve čtvercích, je zapotřebí toho zobrazení přiblížit a k tomuto účelu se využívá charakteristika nazývaná směrodatná odchylka, značící se sx. Jedná se druhou odmocninu rozptylu 𝑠𝑥 = 𝑠 2 . Čím jsou data více rozptýlená, tím je směrodatná odchylka větší. Charakteristiky šikmosti a špičatosti Za míry koncentrace hodnot se označují šikmost měřící nesouměrnost rozložení četností kolem průměru, tedy stupeň koncentrace malých a velkých hodnot, a špičatost měřící koncentraci hodnot kolem střední hodnoty. Šikmost Ze vzorce pro výpočet šikmosti α=

n 3 i=1 (x i −x ) 3 ns

(7)

je zřejmé, že symetrické rozložení nastane, když α se rovná 0. Pokud jsou hodnoty nízké četnější než vysoké, zešikmení bude kladné a v opačném případě kdy vysoké budou četnější než nízké, bude se jednat o záporné sešikmení. Špičatost Podobně jako u šikmosti si lze odvodit ze vzorce pro výpočet špičatosti β=

n 4 i=1 (x i −x ) 4 ns

− 3,

(8)

že pro normální rozdělení dat musí platit β se rovná 0. Když β je větší než 0 je rozložení strmé, v opačném případě pro β menší než 0 ploché.

9

Grafické zobrazování Jeden ze způsobů interpretace výsledků statistického zkoumání je grafické znázorňování většinou ve spojení s výsledky vyjádřenými v tabulce. Graf má populační a propagační význam, urychluje orientaci a je více přehledný oproti tabulkám. Nevýhodou je poměrně malá přesnost a podrobnost zobrazených výsledků. Možnost grafického zobrazení je dnes možná u většiny statistických programů s rozšířenou volbou znázornění vysvětlivek, výběru různých typu čar, barev či šrafování. Nejčastěji používaným typem je spojnicový graf (line charts), který zobrazuje čára složená z úseček spojujících vždy dva body, odpovídajícím hodnotám sledovaného znaku ve dvou na sobě navazujících skupinách či obdobích. [1, s. 17-25] Histogram je graf, který se často používá k posouzení jednorozměrné normality, nazývaný také jako histogram rozdělení četností, který umožňuje posoudit, zda výsledky ve výběru mají charakteristický symetrický tvar Gaussovy křivky, odpovídající normálnímu rozdělení. Uvažujeme-li o spojité proměnné, je nutné rozdělit data do intervalů. [2, s. 98-105] Během analýzy je občas nutné graficky znázornit tvar rozdělení, ze kterého data pocházejí. K tomuto účelu slouží Krabicový diagram (Box and Whisker Plot) složený z pravoúhelníku (krabička) a čar (vousy) na obou stranách. Pravá strana krabičky pak vyjadřuje horní kvartil, levá strana dolní kvartil a délka samotné krabičky mezikvartilové rozpětí představující variabilitu v souboru. [3, s. 230-231]

2.1.2. Princip testování hypotéz V některých případech na začátku našeho zkoumání je třeba ověřit, zda zkoumaná data nejsou v rozporu s určitou stanovenou hypotézou týkající se populace za pomoci statistického testu, za předpokladu, že výběr je pravděpodobnostní. Nutné je znát rozdělení testového kritéria, na jehož základu provedeme test ze vzorku. Obor hodnot testového kritéria se rozpadá do určitých intervalů, které lze dále rozdělit na příznivé pro danou hypotézu (obor hodnot přijetí) a nepřijatelné (kritický obor) kde zamítáme testovanou hypotézu. Díky pořizování hodnot ze vzorku standardní metodou mohou nastat dvě možné chyby a to s pravděpodobností α chyba I. druhu, kdy testovaná hypotéza platí, ale hodnota testového kritéria spočítaná ze vzorku se nachází v kritickém oboru. Tímto tuto hypotézu nesprávně zamítáme. Pravděpodobností chyby prvního druhu nazýváme hladina významnosti testu. Chyba II. druhu s pravděpodobností β souvisí s přijetím nesprávné testované hypotézy. Správné zamítnutí nesprávné testované hypotézy je pak považováno za sílu testu. [4, s. 54-62]

10

2.1.3. Průzkumová analýza dat Důvodem pro provedení průzkumové analýzy je skutečnost, že ve velké většině případů průzkumníci získávají data z nedostatečně kvalifikovaného a předem připraveného šetření. Díky tomuto faktu je třeba data později zpracovat a upravit k použitelné interpretaci. Ne vždy je tedy výsledek zadavatelů různých úloh shodný s předpoklady a přípravou celého procesu. Může nastat situace, kdy se sledované veličiny nemusí řídit normálním zákonem rozdělení. Hodnoty mohou či nemusí spolu souviset nebo naopak nemusí potvrzovat představu o nezávislosti. Dále se mohou vyskytnout odlehlá pozorování, celkový model může být chybně specifikován díky špatným datům, možností je celá řada. Cílem kvalitního výzkumu je za pomoci kvalitních diagnostických nástrojů a využitelných předpisů či návodů utvořit kvalitní výstup celkového procesu s adekvátními úsudky. Průkopník a otec průzkumové analýzy dat John Turky do své teorie zahrnoval veškeré nástroje nutné k popisu dat vedoucí k pochopení statistických souvislostí, které se liší od popisné statistiky především ve formulaci výstupů a to konkrétně zobrazení interpretace grafických a číselných. Nástroje se většinou opíraly o původní neupravená data, které lze uspořádat z hlediska velikosti hodnot a na jejich základě počítat základní charakteristiky. [2, s. 65] Náhrada chybějících hodnot Ne vždy je datová matice úplná a to z různých důvodů. Je zřejmé, že pokud u některého objektu či souboru četností datového souboru chybí větší počet hodnot nebo současný stav je nedostačující, lze doporučit tyto hodnoty buď z částečného, či celkového testování vyřadit. V případě hodnot, jejichž nestandardní výskyt je spíše náhodný, lze tyto hodnoty doplnit uměle snížením vypovídající ztráty informace. Umělou náhradu chybějících hodnot v datové matici vyřešíme dvěma způsoby: 1. nahrazení průměrnou hodnotou příslušné proměnné, 2. nahrazení náhodným číslem z rozdělení příslušné proměnné, 3. odhad založený na regresní rovnici charakterizující závislost příslušné proměnné na p-1 zbývajících proměnných popř. jen několika silně korelovaných proměnných. [2, s. 76-77] Dané postupy a vyhodnocení je závislé na používaném statistickém software. Třídění do intervalů Občas je nutné v jistých případech přejít od původních hodnot kvantitativních proměnných k intervalovému rozdělení četností za účelem lepší přehlednosti či jiných kvalitativních důvodů. V podstatě tím přecházíme k pořadové proměnné. Sloupcový vektor v matici dané proměnné bude obsahovat čísla intervalů. Pro určení 11

počtu a šíře intervalů není žádné přesné pravidlo, ale je nutné ji přizpůsobit k účelu a potřebě dané analýzy. [2, s. 77-78] Příprava dotazníkového šetření Než přejdeme k samotnému procesu sběru dat, je nutné stanovit a vymezit podmínky dotazování tak, aby získaná data byla použitelná a měla vypovídající schopnost. Při opomenutí této části se může stát, že v dalších etapách bude výzkum narušen neočekávanými vlivy, jaké jsou například špatná formulace cíle, způsob sběru dat, rozhodnutí o cílové skupině návrh dotazníku a další. [5, s. 11-15] Pořizování dat Než dojde k samotnému sestavení plánu pro získání dat, je důležité formulovat předmět zkoumání, zainteresované subjekty a situaci, ve které se nacházejí. Tyto prvky a doporučení nám mohou usnadnit postup a předpověď dalšího vývoje. K pořízení dat vždy přísluší náklady, ať jsou to finanční, či časové, jež mají odpovídat výsledku, který požadujeme. Výstupem jsou tedy informace použitelné pro naše vlastní potřeby. Je zde také možnost použít informace sekundární, které již dříve byly zjištěny ideálně pro stanovení předem dané prognózy či později k utvoření závěru. Primární data zajištěná během výzkumu šetření jsou více nákladná na pořízení, však rozdíl je zřejmý a to přehled o aktuálním stavu. Míra nákladů finančních a časových je stanovena nejen rozsahem průzkumu, ale také zvolenou metodou zkoumání. Je důležité rozdělit získání odpovědí kvantitativně či kvalitativně. V budoucím zkoumání praktické části jsou užity metody kvantitativního výzkumu, kde jsou respondenti z různých sociálních uskupení či národností a mají různé vlastnosti, potřeby, motivaci, charakter atd. Důležité je vymezit naši pozornost hromadným jevům, které ve zkoumání nastávají u větších skupin lidí. [4, s. 15-16] Při přípravě sběru primárních dat je nutné si odpovědět na otázky dle PECÁKOVÉ1: a) Co (nebo kdo) je statistickou jednotkou, jak je definován základní soubor všech statistických jednotek a jaký je rozsah? b) Jakým způsobem bude proveden výběr z toho souboru? Jaký bude rozsah výběru? c) Jak bude kontaktována každá jednotka, jak budou získány a zaznamenány zjištěné informace?

PECÁKOVÁ, I. Statistika v terénních průzkumech. 1. vyd. Praha: Professional Publishing, 2008, 231 s. ISBN 978-808-6946-740 1

12

d) Jak mohou být zkoumané jevy změřeny, jaké lze k tomu používat stupnice (škály) a jakého charakteru budou v závislosti na tom získané proměnné? e) Jaké chyby a zkreslení vznikají při sběru dat a jak jim lze předcházet? Kombinace různých postupů závisí čistě na vlastní volbě, vždy jde o možnost rozhodování mezi více faktory ovlivňující náš průzkum. Základní soubor Nositelem primárních informací jsou konkrétní respondenti podrobení dotazování. Základní soubor tvoří skupina těchto respondentů osob či částí populace. Ne vždy je elementární jednotka jedinec, z ekonomického hlediska nás mohou zajímat např. firmy, společnosti či domácnosti. V moderní statistice za určitých situací, kdy jsou stanoveny přesné podmínky týkající se věcné stránky, času a prostoru, můžeme zobecnit skutečnosti v daném vzorku. Jako vždy platí podmínky nutnosti výběru správného postupu při přípravě, zpracování a vyhodnocení. Vybraný vzorek musí splňovat podmínku reprezentativnosti. Ověřováním korektnosti průzkumů u populace či lidských činitelů musíme brát v potaz časové dispozice. Díky základním lidským předpokladům jako jsou reprodukce, migrace a stárnutí postupujeme stále rychleji po časové ose a tím je nutné zvážit časovou amortizaci informací, zda jsou v daném prostředí aktuální. Problém také může nastat při kompetenci získávání informací, platí zde například zákony o ochraně osobních údajů či povolení zařazení do databází. Pomocnými prostředky mohou být údaje, registry, databáze subjektů zařazené na webových stránkách ministerstev, ČSÚ a jiné. Reprezentativnost a přesnost výsledků týkající se populace je vždy dána pravděpodobnostní mírou. Pro zajištění reprezentativního výstupu je potřeba získání co nejvíce charakteristických znaků, však závisí na cíli výzkumu. [4, s. 16-17] Formulace dotazů a výběr respondentů Jak je již zmíněno v předešlých kapitolách je nutné u každého šetření předem formulovat cíle. Samotné dotazy pro respondenty se mohou týkat například faktorů ovlivňujících jejich život (práci, rodinu, volný čas) a dalším aspektům. Otázky můžeme rozdělit do dvou základních skupin týkajících se: -

chování a názorů respondentů, účelu získání doplňujících informací např. kulturních a demografických.

V první skupině se soustředíme na předem stanovený problém, který chceme šetřením objasnit. Tyto otázky se nazývají meritorní. Dále známe otázky pomocné a kontrolní. Druhá skupina se zabývá otázkami analytickými a to třídícími či identifikačními. Musíme brát také zřetel na srozumitelnost a jednoznačnost odpovědí. Selektivní otázky mají variantní charakter. Odpověď by tedy měla zajišťovat validitu 13

a realitu. Pozornost je nutné soustředit u šetření s možností seřazení otázek dle preferencí. Zde je důležité sled a strukturu zvolit logicky, aby předchozí otázky nezkreslily výsledek. [5, s. 11] Výběrové postupy V závislosti na velikosti, druhu šetření a kategorii dat s ohledem na pravděpodobnost výběru v pozdějším zobrazení si lze vybrat dvě možnosti. Výběr bez vracení znamená, že vybraná jednotka ze statistického souboru nemůže být opět vrácena a podrobena zkoumání a tím i vzorek obsahuje rozsáhlejší počet výběrových jednotek oproti snadnějšímu výběru s opakováním. Záleží ovšem na typu zkoumání. Při proporcionálním výběru rozvrženého do skupin, kdy jsou výběry z oblastí úměrné jejím velikostem, dosahujeme lepších úsudků o populaci oproti prostému náhodnému výběru. Nastane-li situace, kdy jsou rozdělené skupiny vnitřně různorodé a vzájemně velmi podobné je ideální metoda skupinový výběr. Postup spočívá v prošetření všech jednotek úseku dané skupiny. Výhoda je především individuální možnost posouzení situace postupu bez osnovy, zejména v situacích, kdy přirozeně vzájemné vztahy jednotek existují. [4, s. 17-22] Způsoby dotazování S tvorbou samotného dotazníku souvisí forma dotazování. Vybrat si můžeme mezi klasickým písemným, nejrozšířenějším osobním, telefonickým a v moderní době stále více preferovaným elektronickým dotazováním. Každá forma má své výhody a nevýhody, které se především týkají nákladů v poměru s kvalitou získaných informací. Výhodou písemného dotazování jsou poměrně nízké náklady a celkem věrohodná vypovídající schopnost. Nevýhodou je opětovná nutnost zařazení do databáze. Vhodným prostředkem pro zaujmutí respondenta je motivace ať po stránce finanční, tak po stránce vědecké. V současné době je velmi populární forma elektronického dotazování prostřednictvím internetu. Jsou dvě základní možnosti jak postupovat. První možnost je vytvoření vlastního webu s databází, kam se ukládají data po vyplnění elektronického dotazníku a druhá možnost využít služeb zprostředkovatele, v České republice například server www.vyplnto.cz, který umožňuje vstup do databáze a práci se vstupními hodnotami. [8, s. 45-48]

2.1.4. Jednofaktorová analýza rozptylu U jednorozměrné analýzy rozptylu předpokládáme jednu vypovídající proměnnou. Rozhodneme-li se zvolit analýzu rozptylu jako takovou, je nutné si uvědomit, že její využití se váže ke splnění předpokladů, že výběry jsou nezávislé, každý výběr náleží normálnímu rozdělení, rozptyly všech k skupin jsou shodné a počet pozorování je 14

větší než počet skupin. Třídícími jednotkou jsou zde kategoriální (slovní) nebo číselné znaky. Testujeme zde nulovou hypotézu u číselných znaků: 𝐻0 : 1 = 2 = 3 = ⋯ = 𝑛 ,

(9)

𝑛𝑜𝑛 𝐻0 : 𝑎𝑙𝑒𝑠𝑝𝑜ň 2 𝑠𝑡ř𝑒𝑑𝑛í ℎ𝑜𝑑𝑛𝑜𝑡𝑦 𝑠𝑒 𝑙𝑖ší nebo: 𝐻0 : ℎ𝑜𝑑𝑛𝑜𝑡𝑦 𝑧𝑛𝑎𝑘𝑢 𝑦 𝑛𝑒𝑗𝑠𝑜𝑢 𝑧á𝑣𝑖𝑠𝑙é 𝑛𝑎 𝑡ří𝑑í𝑐í𝑚 𝑧𝑛𝑎𝑘𝑢 𝐴, 𝑛𝑜𝑛 𝐻0 : ℎ𝑜𝑑𝑛𝑜𝑡𝑦 𝑧𝑛𝑎𝑘𝑢 𝑦 𝑗𝑠𝑜𝑢 𝑧á𝑣𝑖𝑠𝑙é 𝑛𝑎 𝑡ří𝑑í𝑐í𝑚 𝑧𝑛𝑎𝑘𝑢 𝐴. Testové kritérium je konstruováno jako poměr součtu čtverců zastupující meziskupinovou (QB) a vnitroskupinovou (QE) variabilitu vysvětlované proměnné, Q /(K−1)

F = Q B /(n−K).

(10)

E

Statistika F rozdělení s (k-1) a (n-k) stupni volnosti. Závislost je potvrzena při překročení kvantilu F1-α[(k-1);(n-k)]. [2, s. 155-162]; [9] Test normality ve většině případů není nutné ověřit díky nižší citlivosti na porušení normality, nicméně test o shodě rozptylů musíme ověřit vždy. Při nedodržení tohoto předpokladu je nutné zvolit jinou statistickou metodu např. Kruskal-Wallisův test. [9] Kruskal-Wallisův K ověření shody úrovně spojitého sledovaného znaku v k nezávislých výběrech využijeme tento test v případě, kdy není možné využití analýzy rozptylu jednoduchého třídění, zejména v rozdělení odlišného od normálního, resp. tehdy, když tvar rozdělení neznáme a není možnost ho ověřit. Základní předpoklad je pouze spojitost rozdělení. Rozsah skupin nemusí být vždy stejný, však je požadováno vyhovět velkosti větší než 5. Testování hypotéz H0 předpokládá výběry pocházejících ze stejného statistického souboru nebo ze souborů se stejnou úrovní zkoumaného spojitého znaku. Alternativní hypotéza non H0 toto tvrzení vyvrací. Nejčastější tvar Kruskal-Wallisova testu je dán vzorcem: QKW = kde

1 𝑘 𝑗 =1 n j

[𝑇𝑗 −

𝑛 𝑛+1 2

2

]=

12 𝑛 𝑛+1

𝑇𝑗2 𝑘 𝑗 =1 𝑛 𝑗

k je počet výběrů, nj je počet jednotek v j-tém výběru, n je celkový rozsah výběru n = ∑nj, Tj je součet pořadí jednotek náležejících j-tému výběru.

15

− 3 𝑛+1 ,

(11)

U shodných pozorování přiřazujeme průměrná pořadí vypočtená jako aritmetický průměr pořadí všech shodných jednotek. Pokud je těchto shodných pozorování více než 25%, doporučuje se využít korigovaný vzorec Kruskalovy-Wallisovy statistiky ve tvaru: QKW ∗ = kde

𝑄𝐾𝑊 ∑𝑇 𝑗

,

(12)

1− 3 𝑛 −𝑛

Tj = tj3-tj, je t počet shodných pozorování ve skupině, ∑Tj je součet všech skupin shod. 𝑘

QKW =

𝑗 =1

12 𝑛 𝑛 +1

1−

𝑇2 𝑗 𝑘 𝑗 =1 𝑛 𝑗 ∑(t 3 j −t j )

− 3 𝑛+1 +1

.

(13)

n 3 −n

Postup testu probíhá spojením všech hodnot k výběru do jednoho souboru s rozsahem n = ∑ nj, uspořádání hodnot spojeného výběru a přiřazením pořadových čísel od 1 do n. Pro každý výběr vypočítáme součet pořadí příslušejících do k-tého výběru Tj. Platí-li pro každou skupinu nj ≥ 5 pozorování, pak má v případě přijetí nulové hypotézy veličina QKW rozdělení chí-kvadrát s k-1 volnosti X2[k-1]. Tím je možné pro testování hypotézy o shodě středních hodnot využít i kvantily daného rozdělení. Jestliže hodnota testového kritéria je větší než (1-α) – procentní kvantil χ2 [k-1], zamítáme nulovou hypotézu H0 o shodě znaků ve všech skupinách. Nepřijetím hypotézy o shodné úrovni sledovaného znaku ve všech skupinách je užitečné posoudit, které skupiny se od sebe vzájemně odlišují. V souladu všech k výběrů se stejným rozsahem neboli vyváženým tříděním platí-li n1 = n2 = … = nk = m je možné posoudit, které dvojice se liší tzv. Neményivu metodou vícenásobného porovnání ve výpočtu rozdílů |Ti-Tj| s kritickou hodnotou. Nastane-li případ, že |Ti-Tj| ≥ kritické hodnotě, zamítáme nulovou hypotézu o shodnosti středních hodnot srovnané dvojice. Postup se opakuje pro všechna k(k-1)/2 dvojic |Ti-Tj|. [6, s. 246-248]; [9]

16

2.1.5 Shluková analýza Během zkoumání je často třeba v souboru rozlišit jaké skupiny (shluky) jsou si na základě vstupních hodnot podobné více či méně. Závislost může nastat mezi skupinami, ale také mezi samotnými faktory. Předlohou pro metody shluku je uspořádán algoritmus vstupních jednotek do symetrické matice n x n, kde tyto prvky vyjadřují pro každou dvojici jednotek míru podobnosti. Jsou si tedy ve výsledku blízké či vzdálené. V obou předešlých případech se jedná o hieararchické shlukování, nejčastěji používané aglomerativní, kdy na začátku je každá kategorie sama o sobě shlukem a postupně se vždy dvě kategorie s nejvyšší podobností spojí. Tento postup se opakuje, dokud nejsou všechny kategorie zařazeny do jednoho shluku. Pro vstup utváření kategorií shluku je tedy kontingenční tabulka, výstup se dá označit jako identifikace jednotlivých skupin dle podobnosti. Využitím matice vzdáleností (nepodobností) je vždy u každé dvojice přiřazeno číslo do jaké míry jsou si podobné. Obecně tedy platí čím blíže je daná hodnota 0, tím větší podobnost nastává. [4, s. 202-204] K objasnění principu jednorozměrného shlukování se využívají dvě míry podobnosti a to chí-kvadrát a φ. Za předpokladu, že proměnná u které zjišťujeme podobnost, je řádková, pak na základě kontingence můžeme vytvořit dílčí tabulky s pouze dvěma řádky. Pro veškeré tabulky pak vypočteme Pearsonovu statistiky chíkvadrát či koeficientu φ. Užitečnou pomůckou jsou míry vzdálenosti (euklidovské, Mahalanobisovo a dalších), které využíváme k hodnocení podobnosti objektů a shluků. K samotnému shlukování se aplikuje řada metod, mezi ty nejznámější patří: -

-

Wardova metoda, kde základ tvoří čtverec euklidovské vzdálenosti, jenž má nejvyšší rozptýlení mezi shluky. Metoda nejbližšího souseda – první v pořadí jsou zde objekty s nejbližší vzdáleností, ke kterým je přiřazen další shluk pomocí následujícího nejbližšího objektu. Metoda nejvzdálenějšího souseda – rozdíl oproti předchozí metodě je, že hledá objekty s naopak největší vzdáleností. Centroidní metoda – kde vzdálenost shluků je určena euklidovskou vzdáleností mezi čtverci či těžišti, souřadnice jsou pak vyjádřeny průměry hodnot znaků pro veškeré objekty shluku. V návaznosti se vypočítá vždy nová hodnota pro dané těžiště. [3, s. 120-137]

Určení optimálního počtu shluků v dendogramu a interpretace Dendogram je druh grafického znázornění jednotlivých kroků shlukové analýzy, tedy proces shlukování ve formě „stromu“ zobrazením blízkých pozorování. Problém zde nastává pouze v počtu shluků, který při nastavení zvolíme. Existují dva základní 17

přístupy, a to formální cesty a heuristické procedury. Heuristické procedury patří mezi ty nejpoužívanější a řadí se sem i výše zmiňovaný dendogram, kde počet shluků je dán počtem řezu čar vzdáleností. Míra věrohodnosti je posouzena Pearsonovým korelačním koeficientem mezi vzdálenostmi určených z dendogramu. Čím více se blíží výsledná hodnota koeficientu druhé, tím nastává lepší proložení. Výsledný graf nám říká, že objekty spojené nízko jsou si více podobné oproti objektů vysoko, kde je podobnost nízká. [4, s. 204]

2.2 Charakteristika kulturních rysů Pro správné pochopení a interpretaci výsledků zkoumání, kdy je populace šetření rozdělená do skupin různých národnostních celků s odlišnou kulturou, je třeba znát jisté předpoklady a vlivy působící na jedince. K bližšímu posouzení stanovené hypotézy můžeme potvrdit či zamítnou a přijít s novým unikátním tvrzením. Odlišné smýšlení kultur Svět kolem nás je plný střetů mezi národy, skupinami i samotnými lidmi, které vždy smýšlejí odlišně, však dá se říci, že do jisté míry mají podobné všední problémy, které vyžadují spolupráci s okolím. Okolí chápáno jako sociální, politické, ekologické či geografické prostředí nekončí v rozdělení státních útvarů pouze za hranicemi. Pochopení těchto rozdílů je předloha pro řešení. Nastudování rozmanitosti lidí na tomto světě nevede pouze k výsledkům jistého zkoumání, ale také k bližšímu pochopení a vzájemnému porozumění týkající se všech sociálních sfér. Projevy rozdílnosti kultur se dají lépe přiblížit na cibulovém diagramu: Obrázek 1: Cibulový diagram úrovní projevu kultury

Zdroj: Hofstede, 2007, strana 17, upraveno Kde symboly prezentují nejpovrchnější a hodnoty nejzákladnější projevy kultury. Symboly znamenají v dané kultuře konkrétní význam a mohou to být gesta, 18

slova, předměty. Hrdiny si můžeme představit jako zástupce osob reálných či smyšlených, však v dané kultuře mají vysoký význam. Rituály jsou ve společnosti podstatné, jedná se o kolektivní činnosti, můžeme jimi ostatním dávat najevo oddanost, uznání apod. Jádrem každé kultury jsou bezesporu hodnoty, ty rozdělují vše okolo nás na dobré či špatné. Co je povoleno, zakázáno, význam věci krásné a ošklivé a mnoho dalších podob. Podstata diagramu napovídá o původu různých postojů člověka. Ke změnám kultur v časovém horizontu docházelo důsledkem národnostních jevů, ale také díky lidem samotným. Od hromadného stěhování, ekologické změny, vývoj a úroveň obyvatelstva přes technologie ulehčující život samotný. Systém národů jako takový byl utvořen až ve dvacátém století, kořeny a prvopočátky kultury sahají do hluboko do minulosti. Tím pádem nemůžeme srovnávat národy se společenstvími, resp. formami sociální organizace. Důkazem toho tvrzení je, že v každém státě se sice v jisté míře vyskytují národnostní menšiny oplývající často rozdílným temperamentem, nicméně každý národ má svou vlastní jedinečnou kulturu. [7, s. 13-18] Měření stupně nevolnosti ve společnosti Termín nevolnost ve společnosti se používá ve zkratce PDI popsaný jako index vzdálenosti moci, který si můžeme představit pod pojmem závislost například mezi podřízeným a nadřízeným. V zemích s nízkou mírou závislosti funguje na pracovišti spíše konzultativní styl práce. Závislost je zde minimální, zaměstnanci s nadřízenými i mezi sebou více komunikují a zpětná vazba je zde lepší. Nevýhodou může být neuznávání autority a nízký emotivní stupeň vůči výše postaveným. U zemí s vyšší závislostí (vzdáleností moci) jsou podřízení na svém vedoucím velmi závislí. Tento jev může být kladný, nadřízeného preferují nebo negativní, kladou odpor k nařízenému. Firma IBM díky této skutečnosti provedla výzkum mezi zaměstnanci ze 74 zemí a tří multikulturních regionů. Zaměstnancům byly vždy kladeny 3 otázky s ohledem na vztah mezi nadřízeným a podřízeným. Například, jestli se bojí v případě, že nastane problém zeptat, do jaké míry, jak vnímají svého nadřízeného, a jaký styl nadřízeného by preferovali. Po vyhodnocení byly jednotlivé otázky pomocí statistických metod rozděleny do skupin shluků a faktorů. Vzhledem k praktické části bakalářské práce byly použity v následující tabulce pouze země shodné s pozdějším výzkumem:

19

Tabulka 1: Měření stupně nevolnosti ve společnosti Země Skóre Pořadí (z celkového výzkumu) 104 1-2 Slovensko 93 6 Rusko 80 12-14 Čína 77 17-18 Indie 68 27-29 Francie 58 43-44 Tchai-wan 57 45-46 Česká republika 35 63-65 Německo 11 74 Rakousko Zdroj: Hofstede, 2007, strana 43, upraveno Tabulka udává velké vzdálenosti moci u většiny Asijských zemí a zemí východní Evropy. V poněkud nižším stupni se nachází francouzsky mluvící země. Nízký stupeň se týká německy mluvících zemí. [7, s. 41-46] Samostatnost ve společnosti Individualismus a kolektivismus jsou opačné póly v globálním měřítku národních kultur. Oba pojmy se do jisté míry liší v každé zemi. Tato dimenze je nejvíce spojena s relativní vahou pracovních cílů. Mezi další související termíny patří osobní čas, samostatnost, osobní naplnění, rozvoj osobnosti, pracovní prostřední a využití dovedností. Ve výzkumu IBM z těchto termínů každý zaměstnanec volil od nejvíce preferované po nejméně. Obecně vzato, termíny jako volný čas a samostatnost se dají lehce spojit s individualismem jako takovým. Naopak za kolektivismus a potřebu naplňovat pracovní cíle lze spojit s rozvojem osobnosti, pracovními podmínky a dovednostmi. Index měřící individualismus, používaný při šetření IBM, se nazývá IDV podobně jako u minulé tabulky s indexem PDI. Výsledky průzkumu IDV ze 74 zemí jsou zobrazeny v následující tabulce opět se zaměřením na vybrané země, pro které je analýza prováděna v praktické části: Země Francie Německo Česká republika Rakousko Slovensko Indie Rusko Čína Tchai-wan

Tabulka 2: Samostatnost ve společnosti Skóre Pořadí (z celkového výzkumu) 71 13-14 67 18 58 26 55 27 52 29 48 31 39 37-38 20 56-61 17 64 Zdroj: Hofstede, 2007, strana 68, upraveno

20

Pro lepší vysvětlení byla vytvořena pomocná Bondova studie (CVS) u studentů 23 zemí. Z odpovědí studentů vyšlo najevo, že pojem individualismus, se nejvíce pojí s termíny nesoutěživost, soulad s druhými, získávání přátel, spokojenost s vlastní pozicí v životě, důvěryhodnost, snášenlivost, solidarita a konzervativnost. Mnoho zemí skórujících ve výzkumu PDI mělo naopak nízké skoré u IDV a naopak. Lze tedy předpokládat negativní korelaci mezi těmito dvěma faktory a můžeme tedy předpokládat, že země s vysokou tendencí k individualismu mají nízkou vzdálenost k moci. Tyto dvě dimenze jsou rozdílné a to díky třetímu faktoru ekonomického rozvoje. [7, s. 66-70] Maskulinita - feminita V již zmíněném průzkumu IBM v předešlých kapitolách se tým výzkumníků snažil přijít mezi respondenty na nejdůležitější faktory tvořící ideální zaměstnání. Mezi skutečnosti pro utvoření daného prostředí byly zvoleny maskulinní faktory výdělek, uznání, možnost povýšení, výzva (seberealizace). Na opačném femininním pólu dobré vztahy na pracovišti, spolupráce, oblast k žití a jistota zaměstnání. Samotný pojem maskulinita znázorňuje rozdílnost rodových rolí, kde muž je drsný a průbojný, žena mírná, jemná preferující kvalitní život, femininita rovnost mezi pohlavím. V následující tabulce můžeme vidět výsledky zkoumání respondentů z 50 zemí 3 kulturních regionů podobně jako u předchozích tabulek: Země Slovensko Rakousko Čína Německo Česká republika Indie Tchai-wan Francie Rusko

Tabulka 3: Maskulinita - feminita Skóre Pořadí (z celkového výzkumu) 110 1 79 4 66 11-13 66 11-13 57 25-27 56 29 45 43-45 43 47-50 36 63 Zdroj: Hofstede, 2007, strana 98, upraveno

Skóry blížící se k více k hodnotě 100 charakterizují sklon k maskulinitě a naopak hodnoty blíže k 0 femininitu. [7, s. 97-101] Výzkum IBM nám nabízí do jisté míry možnost vysvětlení postojů a chování jedinců různých kultur a zemí z něhož můžeme data použít pro porovnání s námi naměřenými hodnoty.

21

3. Praktická část Primárním cílem praktické části bakalářské práce bylo získat výsledky využitím statistickým metod ze statistického souboru získaných dat zaměřeného na preference absolventů (studentů) vysokých škol s ohledem na volbu budoucího povolání. Samotného výzkumu stejně jako v teoretické části i výzkumu IBM se zúčastnilo k datu 52 odlišných národností. Četnost základního souboru činila k datu 12. 4. 2013 dohromady 745 unikátních odpovědí respondentů. Nezbytnou součástí byla nutnost získané data ve formě písemné - dotazníku zařadit do databáze softwaru Excel. Vytvořená databáze byla později podrobena bližšímu zkoumání a rozdělena do skupin dle devíti majoritních národností. Zároveň sloužila jako zdroj pro další statistické programy. Konečné výsledky šetření byly porovnány s teorií síly vůle, samostatnosti, rozdílu maskulinity a femininity ve společnosti výzkumu IBM. Během spolupráce s Francouzem Jerome Dumetzem na výzkumném projektu byl vytvořen prototyp aplikace pro získávání dat elektronickou formou, jehož vizuální podobu můžeme nalézt v příloze bakalářské práce. Příprava dotazníkového šetření Díky velké frekvenci studentů z různých zemí a národnostních kultur byl dotazník navržen v anglickém jazyce a pro studenty České republika a Slovenska upraven do českého jazyka. Každý respondent (student) byl před vyplněním dotazníku obeznámen jaká je hlavní myšlenka šetření a jak má postupovat při vyplňování. V úvodu si přečetl krátký text seznamující blíže s problematikou, vyplnil zemi, ze které pochází a poté přistoupil k hlavní fázi, která spočívala v seřazení předem vybraných faktorů dle preferencí od nejdůležitějšího po nejméně důležitý známkou od jedné do deseti. Jednotlivé faktory byly zvoleny s myšlenkou, co bude student preferovat při volbě budoucího povolání v případě, že dostuduje vysokou školu.

3.1. Základní charakteristiky jednotlivých faktorů Dobrý plat - student preferuje nejvíce finanční hodnoty ať na pokrytí základních potřeb, tak za účelem obohacení a pohodlného stylu života Vztahy na pracovišti – důležitou součástí spokojeného zaměstnance je dobrý kolektiv, který vede k dobré efektivitě práce a tvoří bezpochyby příjemný pocit. Takový zaměstnanec se do práce rád vrací. Bezpečnost práce – zejména u studentů, jejichž obor vyžaduje vyšší riziko ohrožení při pracovním procesu. Může se jednat o chemiky, pracovníky managementu jaderných elektráren a další. Určitý vztah bezpečnosti lze spojit s politickou situací dané země. Propojení mezi studovaným oborem a prací – jsou obory, kdy je více či méně možností své vzdělání uplatnit a tím i důležitost v preferencích roste či 22

klesá. Nicméně rozpor nastává v případě, že existuje možnost volby práce v navazujícím oboru a oboru odlišném s vyšším platem. Možnost pracovat individuálně – v populaci lze jistě nalézt lidi, kteří pracují samostatně. Jsou více zodpovědní za svůj postoj a pracovní vytížení, protože na něm většinou závisí odměna. Profesí je mnoho, od podnikatelů až po obchodní zástupce, kde důležitou část platu hraje variabilní složka závislá na výkonech. Příležitost rozvíjet se – rozvoj osobnosti jistě vede k seberealizaci. Princip celoživotního vzdělávání se dá spojit s mnoho pozicemi. Různorodá práce – člověk, který je aktivní, rád cestuje, objevuje nové a nesnáší stereotyp, by jistě řadil mezi přední pozice tento faktor. Počet pracovních hodil v týdnu – mít více času a možnost využít ho ke svým potřebám jako jsou rodina a přátele či nižší pracovní vytížení. Fyzická náročnost práce – zátěž obecně jako fyzické vytížení, nedostatek spánku či díky časovému nedostatku špatné stravovací návyky a další. Příležitost k povýšení – ze studenta oboru IT začínajícího na pozici junior programátora se časem může stát senior programátorem či vedoucím projektů a tento proces jistě souvisí s dalšími výhodami a uznáním ve společnosti. Další postoj k této skutečnosti může být nadřazenost nad ostatními, pocit vládnout a rozhodovat. Jednotlivé odpovědi byly pouze zobrazeny pod těmito klíčovými slovy, protože každý člen populace má do jisté míry jinou představu a souvislosti, které ho ovlivňují a další nezbytný požadavek kvalitního výzkumu je neovlivňovat výsledky. V následující tabulce můžeme vidět přehled faktorů v originální anglické verzi, překlad v českém jazyce a zvolené zkratky, používané v pozdější části: Tabulka 4: Přehled faktorů Anglický název Český překlad Dobrý plat Good pay Vztahy na pracovišti Interpersonal relations Bezpečnost práce Job security Propojení mezi studovaným oborem a prací Match betw. you and your job Možnost pracovat individuálně A lot of autonomy Příležitost se učit, rozvíjet Oportunity to learn Různorodá práce A lot of variety Počet pracovních hodin v týdnu Convenient work hours Fyzická náročnost práce Good physical working cond. Příležitost k povýšení Opportunity for promotion Zdroj: Vlastní zpracování

23

Zkratka GPA GIR GJS GMB LOA OTL LOV CWH GPW OFP

Škála hodnocení sestavená studenty v dotazníku pak vyjadřuje následující tabulka pod těmito kategoriemi: Hodnota známky, pořadí 1;2 3;4 5;6 7;8 9 ; 10

Tabulka 5: Škála Hodnocení, preferuji: Nejvíce Velmi Středně Méně Nejméně Zdroj: Vlastní zpracování

Škála je díky 5 stupňům hodnocení vyvážená, jedná se tedy o ordinální znaky, které umožňují seřazení. Následující histogramy ukazují nesourodost ve struktuře škály hodnocení u jednotlivých vybraných faktorů. Prvním z nich je faktor CWH (počet pracovních hodin v týdnu) kde je stupnice hodnocení rostoucí: Obrázek 2: Počet hodin v týdnu - četnost odpovědi

Zdroj: Program Statistica, vlastní zpracování Oproti faktoru CWH u faktoru OFP (možnost povýšení), je většina naměřených hodnot blíže středu a jsou si velmi podobné. Graf zároveň značí nižší náchylnost na výskyt extrémních hodnocení (nejméně, nejvíce preferuji – 1 a 10).

24

Obrázek 3: Možnost povýšení – četnost odpovědí

Zdroj: Program Statistica, vlastní zpracování Třetím ukázkovým typem je faktor s označením GMB (propojení mezi studovaným oborem a prací) s výrazně vyšší koncentrace hodnot u škály s hodnocením 1. Obrázek 4: Propojení mezi studovaným oborem a prací – četnost odpovědí

Zdroj: Program Statistica, vlastní zpracování Zbytek grafu lze najít v příloze bakalářské práce. 25

3.2 Rozdělení četností Z celkového počtu 745 vyplněných dotazníků bylo formulováno zadání zjistit obecné předpoklady pro veškeré odpovědi a poté se soustředit na vybrané skupiny národností s nejvyšší frekvencí respondentů. Po kontrole databáze a předběžných součtů, jsme získali četnosti v průzkumu: Zkratka země ARM AUS AZE BEL BRA BUL CAM CAN CHI COL CRO CZE DAN DUT EKV ENG ETH FIN

Počet 1 37 1 11 3 5 1 3 21 1 2 72 1 2 1 1 2 7

Tabulka 6: Národnosti výzkumu Zkratka země Počet Zkratka země FRE 141 NOR GEO 1 PER GER 58 POL GRE 4 ROM HUN 3 RUS ID 1 SIN IND 63 SLO INS 6 SPA IRI 1 SWE ITA 16 TAI JOR 2 TUN KAZ 1 TUR KOR 1 UKR LAT 2 USA MEX 3 UZB MOL 2 VEN MOR 11 VIE NOR 1 Zdroj: Vlastní zpracování

Počet 1 1 14 3 120 1 32 4 1 33 3 13 13 13 2 1 2

Na základě zjištěných četností základního souboru byly vytvořeny majoritní skupiny jako zástupci nejčetnějších národnostních a kulturních uskupení zemí Evropy a Asii: Tabulka 7: Majoritní skupiny Název země odkud student pochází Počet vyplněných dotazníků 141 Francie 120 Rusko 72 Česká Republika 63 Indie 58 Německo 37 Rakousko 32 Slovensko 33 Taiwan 21 Čína Zdroj: Vlastní zpracování

26

Pro lepší zobrazení byl zvolen koláčový graf: Obrázek 5: Graf - přehled četností

Přehled četností Francie Rusko Česká republika Indie Německo Rakousko Slovensko Taiwan Čína Ostatní

Zdroj: Program Excel, vlastní zpracování Francie zastupuje samostatnou oblast západní Evropy, německy mluvící a podobně smýšlející germánské země Německo a Rakousko. Ve střední Evropě nalezneme státy Českou a Slovenskou republiku, jež do roku 1993 tvořila společný státní útvar a na východě Evropy Rusko. Asijské státy zastupují Čína, Taiwan a Indie. Shrneme-li toto rozdělení, je zde vidět poměrně velký kontrast zvolených skupin. Země původu studentů se liší nebo jsou si podobné geograficky, státním uskupením, náboženstvím, jazyky a kulturními předpoklady popsanými v teoretické části. Geografické uskupení Vzhledem k rozdělení průzkumu do majoritních skupin byla zajímavá myšlenka uskupení dle geografické polohy národností vycházející z předešlé kapitoly. Proto byly navíc spojeny majoritní skupiny do celků, které jsou patrné z následující tabulky: Tabulka 8: Geografické uskupení Název geografického uskupení Země Francie Západní Evropa - Francie Německo, Rakousko ZE - Německy mluvící země Česká republika, Slovensko Střední Evropa Rusko Východní Evropa Čína, Taiwan, Indie Asie Zdroj: Vlastní zpracování

27

Zkratka WEF WEG MIE EAE ASC

Cílem tohoto rozdělení bylo porovnání výsledků výzkumu majoritních skupin se skupinami geografického uskupení odlišnou statistickou metodou založenou na náhodném výběru vzorku z populace.

3.3 Charakteristiky polohy, variability, šikmosti a špičatosti S využitím popisné statistiky a základních statistických metod byly výpočty základní statistické charakteristiky. Vycházelo se zde ze základní myšlenky hodnocení respondenta od 1 do 10 a logického předpokladu, že první označená hodnota je nejvýznamnější. První charakteristikou byl součet hodnocení respondentů na jednotlivé otázky. Vhledem k použitému hodnocení je celkový součet pro nejlépe hodnocený faktor počet s nejnižší hodnotou. Tedy výpočetně: n

𝑥 =

xi . n=1

kde ∑ je suma - součet jednotlivých hodnot xi a 𝑥 značí proměnnou (faktor). Tabulka 9: Základní charakteristiky Faktor Součet Medián 2280 3 Dobrý plat 3 Propojení mezi prací a studovaným oborem 2662 3226 4 Vztahy na pracovišti 3414 4 Příležitost se učit, rozvíjet 4213 6 Příležitost k povýšení 4524 6 Různorodá práce 4949 7 Možnost pracovat individuálně 5147 7 Počet pracovních hodin v týdnu 5156 8 Bezpečnost práce 5395 8 Fyzická náročnost práce Zdroj: Program Statistica, vlastní zpracování

Modus 2 1 3 2 5 7 10 10 10 9

Pořadí 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.

V tabulce jsou faktory seřazeny od nejdůležitějšího pro respondenty až po ten nejméně důležitý. Oblíbenost byla určena podle součtu (suma). Pořadí podle mediánu a modu je občas jiné z důvodu množství kladně a záporně hodnocených odpovědí. Jinak řečeno koncentrace rozsahu hodnocení 1-5 byla u dobrého platu vyšší než u propojení mezi prací a sledovaným oborem. Jako další charakteristiky popisné statistiky byly vybrány průměr, směrodatná odchylka, šikmost, špičatost, kvartily a kvartilové rozpětí:

28

Proměnná (zkratka) GPA GIR GJS GMB LOA OTL LOV CWH GPW OFP

Proměnná (zkratka) GPA GIR GJS GMB LOA OTL LOV CWH GPW OFP

Tabulka 10: Základní charakteristiky druhá část Průměr Rozptyl Směrodatná Šikmost odchylka 3,06 3,88 1,97 1,15 4,33 5,31 2,30 0,45 6,93 6,93 2,63 -0,58 3,57 6,96 2,63 0,71 6,64 6,71 2,59 -0,44 4,58 5,99 2,44 0,32 6,07 6,98 2,64 -0,23 6,90 6,05 2,46 -0,53 7,24 6,00 2,44 -0,74 5,65 7,12 2,66 -0,03 Zdroj: Program Statistica, vlastní zpracování

Špičatost 0,98 -0,57 -0,79 -0,61 -0,81 -0,84 -1,00 -0,67 -0,41 -1,10

Tabulka 11: Kvartily Dolní kvartil0,25 Horní kvartil0,75

Kvartilové rozpětí

2 2 5 1 5 3 4 5 6 3

2 4 4 5 4 3 4 4 3 5

4 6 9 6 9 6 8 9 9 8

Zdroj: Program Statistica, vlastní zpracování Obrázek 6: Grafické znázornění kvartilů 10 9 8 7 6 5

Kvartil0,25

4

Kvartil0,75

3 2 1 0 GPA GIR

GJS GMB LOA OTL LOV CWH GPW OFP

Zdroj: Vlastní zpracování 29

Čím více se kvartilové rozpětí blíží stupni hodnocení 2, tím vyšší koncentrace kladných hodnot bude u vybrané faktoru a zároveň i preference studentů, kteří tento faktor ohodnotili. Pro lepší grafickou interpretaci však slouží, jak bylo zmiňováno v teoretické části, krabicový graf. Grafické znázornění středních hodnot, dolních a horních kvartilů krabicovým grafem: Obrázek 7: Krabicová graf - faktory

Zdroj: Program Statistica, vlastní zpracování Kde pro každý faktor poloha „krabice“ určuje počet hodnocení kolem střední hodnoty a výška „krabice“ kvatilové rozpětí. Dobrou pomůckou pro souhrnné zjištění jak byl faktor hodnocen je zobrazení škály a počtu odpovědí v statistickém softwaru Statgraphics. Tabulka 12: Počet hodnocení jednotlivých faktorů Zkratka: Hodnocení

GPA

GIR

GJS

GMB

LOA

OTL

1 2 3 4 5 6 7 8 9 10

172 197 131 101 49 40 26 16 8 5

76 16 263 25 78 40 16 16 117 48 81 39 106 40 24 22 119 42 75 41 105 76 48 31 104 52 69 61 93 75 52 58 103 60 62 83 96 70 74 57 87 67 74 76 94 81 82 70 57 84 46 101 65 107 94 74 47 107 34 87 50 95 111 114 19 117 22 115 42 79 117 155 16 152 19 117 16 82 127 148 Zdroj: Program Statgraphics, vlastní zpracování 30

LOV

CWH

GPW

GOF

Slovní hodnocení

43 71 77 80 91 74 91 84 71 63

Nejvíce Nejvíce Více Více Středně Středně Málo Málo Nejméně Nejméně

Z tabulky je zřejmé, že 369 (172+197) jednotek v oblasti „nejvíce preferuji“ vypovídá o faktoru dobrý plat. Hned za ním je propojení mezi studovaným oborem a zaměstnáním (344). V pořadí třetí nejdůležitější jsou dobré vztahy na pracovišti (193). V oblasti nejméně preferovaných faktorů se opět nachází bezpečnost práce (269), počet hodin v týdnu (244) a fyzická náročnost práce (303). Podobné rozdělení najdeme také v softwaru Statistica7. Použít se dá do jednotlivé škály hodnocení např. nejvíce preferuji – stupeň hodnocení 1;2. Obrázek 8: Příklad výstupu software

Zdroj: Program Statistica, vlastní zpracování Tato tabulka se týká faktoru GPA (dobrý plat), zbytek tabulek lze najít v příloze bakalářské práce. Obecně vzato výsledky našeho průzkumu porovnané s psychologicko-sociální teorií potřeb člověka a známé pyramidy potřeb Abrahama Maslowa, aby populace mohla existovat, musí na prvním místě obstarat elementární potřeby a to v dnešní době převážně financemi, jež zastupuje dobrý plat. Vzhledem k faktu, že výzkum probíhal mezi vysokoškoláky, je možné si zdůvodnit na druhém místě propojení mezi studovaným oborem a pracovní činností jako nutnost uplatnění uchazeče s jistou logickou návazností. V případě, že máme dobrý plat a pracujeme v oboru, pro který jsme studovali, je důležité, aby nás práce uspokojila i po stránce duševní. Tedy zařazení mezi top výběr jsou vztahy na pracovišti možné akceptovat. Je pravda, že během studia student potkává nové kolegy a pomalu si začíná zvykat na práci v kolektivu, proto při dalším postupu do pracovního procesu by rád v tomto prostředí pokračoval. Možnost rozvíjet se souvisí obecně s pracovní činností a nepřímo i s předešlými třemi faktory. Podíváme-li se na žebříček od nejméně důležitých faktorů a to fyzické náročnosti a bezpečnosti, je zapotřebí přemýšlet, v jaké míře nastane situace pro respondenta a setkání s faktory spíše pro ojedinělou práci či práci v extrémním prostředí. Pravděpodobnost je výrazně menší než u respondentů s nižším stupněm vzdělání. Zajímavý faktor je počet pracovních hodin v týdnu. Proč tento faktor je mezi nižšími hodnotami? Zjevně proto, že s vyšším počtem hodin v týdnu budoucí zaměstnanec počítá, chce-li vyšší plat.

31

3.4 Shluková analýza jednotlivých faktorů Cíl analýzy spočíval v objasnění závislosti a preferencí jednotlivých faktorů. Tedy pro vytvoření závěru je nezbytně nutné znát, do jaké míry studenti dávají přednost jednotlivým odpovědím a jaké odpovědi spolu více či méně souvisí. Byla zvolena hluková analýza s Wardovými vzdálenostmi a vytvořením dvou clusterů. Cluster je skupina proměnných s podobnými statistikami. Čím více se blíží v dendogramu k bodu 0, tím je podobnost větší. Postup sestrojení grafu začíná od dvojice nejvíce blízkých proměnných, na které se postupně připojují další. Tento postup se opakuje do utvoření konečných 2 shluků. První cluster obsahuje 60% z celkového součtu proměnných, druhý 40% jak lze lépe vidět na následujícím grafu: Obrázek 9: Dendogram shlukové analýzy

Zdroj: Program Statgraphics, vlastní zpracování Nejvyšší podobnosti si lze povšimnout mezi dobrým platem (GPA) a příležitosti k povýšení (OFP). Tyto dva faktory mezi sebou jistě velmi podobné, z reálného života očekávání růstu platových podmínek ve většině případů souvisí se samotným povýšením a to nejčastěji při přechodu ze zkušební lhůty na trvalý pracovní poměr. Další zajímavý výsledek představují faktory rozmanitá práce (LOV) a počet pracovních hodin v týdnu (CWH). Již v úvodní studii byl popsán význam těchto dvou charakteristik. V případě, že student chce v budoucnu zajímavou práci, která není vyznačena stereotypem, bude pracovní doba (počet hodin v týdnu) velmi individuální. Naopak autonomními oblastmi jsou fyzický zátěž (GPW) a možnost pracovat samostatně (LOA).

32

3.5 Analýza rozptylu z pohledu majoritních skupin Po úpravě základního souboru očištěného o národnostní skupiny, kde byl celkový počet získaných odpovědí zanedbatelný, vznikl soubor tvořený devíti majoritními skupinami v celkovém počtu 577 odpovědí. Zbývající část respondentů byla přeřazena do skupiny ostatní. Základní výstup, nezbytně nutný k pozdějšímu porovnávání a utváření závěru, který z analýzy rozptylu očekáváme je zjistit bližší informace o hodnocení jednotlivých faktorů studenty. Analýza rozptylu byla provedena v softwaru Statgrafics tedy i následující tabulky a grafy jsou z toho programu. Pro každý faktor byl proveden test rovnosti rozptylu, abychom posoudili, jestli je oprávněné použít analýzu rozptylu (ANOVA) nebo neparametrickou analýzu rozptylu Kruskal-Wallisův test. Rozhodnutí o testu provádíme na základě vypočtené P-Value, v případě, když je P-Value menší než zvolená hladina významnosti α=0,05, zamítáme hypotézu o rovnosti rozptylů jednotlivých národností a používáme Kruskal-Wallisův test. V ostatních případech použijeme ANOVU. Dobrý plat (GPA) Základní charakteristiky jsou obsaženy v tabulce hodnot, u ostatních faktorů jsou uvedeny v příloze: Tabulka 13: Základní charakteristiky GPA Nationality Count Mean Lower limit Upper limit 37 4,45946 4,02221 4,89671 AUS 21 3,28571 2,70532 3,86611 CHI 72 2,83333 2,51988 3,14678 CZE 141 3,22695 3,00296 3,45094 FRE 58 3,58621 3,23697 3,93544 GER 63 3,25397 2,91888 3,58906 IND 120 2,35833 2,11554 2,60113 RUS 32 2,96875 2,49858 3,43892 SLO 33 3,15152 2,68852 3,61451 TAI 577 3,09879 Total Zdroj: Program Statgraphics, vlastní zpracování Postup zkoumání jednotlivých faktorů a vztahu k majoritním skupinám se skládá z dílčích částí. První z nich, abychom vůbec mohli přejít k samotné analýze rozptylu či zvolit Kruskal-Wallisův test, musíme použít test rovnosti rozptylu (Variance check): Tabulka 14: Test rovnosti rozptylů GPA Test

Levene's

P-Value

3,76001 0,000262745 Zdroj: Program Statgraphics, vlastní zpracování

Z testu rovnosti rozptylů je zřejmé, že máme použít Kruskal-Wallisův test nulové hypotézy o rovnosti odpovědí studentů: 33

Tabulka 15: Kruskal-Wallisův test GPA Nationality Sample Size Average Rank 37 380,446 AUS 21 278,548 CHI 72 279,833 CZE 141 299,897 FRE 58 329,905 GER 63 315,405 IND 120 225,196 RUS 32 280,922 SLO 33 284,106 TAI Test statistic = 36,1385 P-Value = 0,0000165639 Zdroj: Program Statgraphics, vlastní zpracování Zamítáme hypotézu o rovnosti odpovědí studentů jednotlivých národností. Uvedeme i výsledky analýzy rozptylu s vědomím, že v dané situaci nejsou optimální: Tabulka 16: Analýza rozptylu Source Between groups Within groups Total (Corr.)

Sum of Squares 158,348 2083,02 2241,37

Df 8 568 576

Mean Square 19,7935 3,66729

F-Ratio 5,40

P-Value 0,0000

Zdroj: Program Statgraphics, vlastní zpracování Díky poměru meziskupinové a vnitroskupinové variability, z něhož vypočítá program výsledek F-testu i P-Value (P-hodnoty), jak je z tabulky zřejmé, zamítáme hypotézu o nezávislosti platu mezi národnostmi, tedy zamítáme hypotézu o rovnosti odpovědí studentů jednotlivých národností i analýzu rozptylu. V našem průzkumu je však nejdůležitější test porovnání, které národnosti s ohledem na faktor dobrý plat jsou si podobné a do jaké míry uvádíme výsledky vícenásobného porovnání založené na testování významnosti rozdílů středních hodnot:

34

Contrast AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS AUS - SLO AUS - TAI CHI - RUS CZE - GER FRE - RUS GER - RUS IND - RUS RUS - TAI

Tabulka 17: Test porovnání GPA Sig. Difference +/- Limits * 1,17375 1,02766 * 1,62613 0,760841 * 1,23251 0,69478 * 0,873253 0,791398 * 1,20549 0,779071 * 2,10113 0,707304 * 1,49071 0,908023 * 1,30794 0,900615 * 0,927381 0,889728 * -0,752874 0,66365 * 0,868617 0,467163 * 1,22787 0,601525 * 0,895635 0,585211 * -0,793182 0,739343 Zdroj: Program Statgraphics, upraveno, vlastní zpracování

V tabulce jsou červenou hvězdičkou vyznačeny rozdíly mezi národnostmi s významnými rozdíly na 5% hladině spolehlivosti. Kompletní tabulky pro tento i ostatní faktory nalezneme v příloze bakalářské práce. Podobný závěr můžeme určit z následující tabulky, kde jsou vyznačeny homogenní skupiny. Významně se odlišují národnosti, u nichž znaky X jsou v rozdílných liniích: Nationality RUS CZE SLO TAI FRE IND CHI GER AUS

Tabulka 18: Homogenní skupiny GPA Mean Homogeneous Groups X 2,35833 XX 2,83333 XXX 2,96875 XX 3,15152 XX 3,22695 XX 3,25397 XX 3,28571 X 3,58621 X 4,45946 Zdroj: Program Statgraphics, vlastní zpracování

35

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 10: Graf – test LSD pro GPA

Zdroj: Program Statgraphics, vlastní zpracování Z předchozích tabulek a grafů je zřejmé, že u faktoru dobrý plat studenti z Ruska a Rakouska představují dvě naprosto odlišné skupiny oproti všem ostatním studentům. Studenti Ruska dobrý plat preferují nejvíce, nejblíže jsou jim studenti České a Slovenské republiky, což je velice zajímavý fakt z hlediska polohy těchto tří zemí střední a východní Evropy oproti studentům zemí Německa a Rakouska, kde plat není až tak důležitý. Tento jev může značit do jisté míry rozdíl mezi průměrnými a skutečnými platy těchto zemí tím, že na ve východní Evropě je plat nižší a pro studenty je tedy důležitější při volbě budoucího povolání což odpovídá i realitě. Ostatní národnosti můžeme nazvat jako „skupinami středu“, kde není tak velká ani mála tendence dosáhnout vysokého finančního ohodnocení, tedy platové podmínky obecně stačí na pokrytí výdajů a student očekává, že s platem bude víceméně spokojen. Vztahy na pracovišti (GIR) Postup u testování dobrého platu je stejný i u dalších faktorů, však výsledky díky metodám jsou vždy rozdílné. Nejdůležitější je vyhodnocení v závěru každé kapitoly, popis se vztahuje především k porovnání rozdílů národností a analýz rovnosti rozptylů či Kruskal-Wallisůvo testu (v případě, kdy není oprávněné použít analýzu rozptylu) jsou obsaženy pouze formálně.

36

Test rovnosti rozptylů

Levene's

Tabulka 19: Test rovnosti rozptylů GIR Test P-Value 0,514774 0,845676 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 20: Analýza rozptylu GIR Sum of Squares Df Mean Square F-Ratio 127,315 8 15,9144 3,06 2957,11 568 5,20619 3084,43 576 Zdroj: Program Statgraphics, vlastní zpracování

P-Value 0,0022

Test vícenásobného porovnání faktoru GIR a majoritních národností: Nationality CZE SLO FRE GER AUS CHI RUS TAI IND

Tabulka 21: Homogenní skupiny GIR Count Mean Homogeneous Groups X 72 3,70833 XX 32 3,75 XX 141 3,94326 XXX 58 3,96552 XXX 37 4,21622 XXXX 21 4,42857 XX 120 4,65 XXX 33 4,69697 X 63 5,1746 Zdroj: Program Statgraphics, vlastní zpracování

37

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 11: Graf – test LSD pro GIR

Zdroj: Program Statgraphics, vlastní zpracování Celkem zajímavý fakt je, že faktor vztahy na pracovišti rozdělil majoritní skupiny do dvou pomyslných skupin. Do první, pro kterou jsou vztahy na pracovišti více důležité, patří státy západní a střední Evropy. Nejdůležitější zejména pro studenty České republiky. Podobnost můžeme najít v první skupině zejména mezi Slovenskem a Francií, dále Německem a Rakouskem. Do druhé skupiny na opačném pólu se řadí státy východní Evropy Rusko a téměř všechny Asijské státy Indie a Taiwan. Čína má zde zvláštní roli, že je do jisté míry si podobná se všemi zeměmi. Tento jev nasvědčuje schopnosti studentů Číny přizpůsobit se pracovnímu kolektivu, ať se nachází kdekoliv. Bezpečnost práce (GJS) Test rovnosti rozptylů

Levene's

Tabulka 22: Test rovnosti rozptylů GJS Test P-Value 1,42637 0,182264 Zdroj: Program Statgraphics, vlastní zpracování

38

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 23: Analýza rozptylu GJS Sum of Squares Df Mean Square F-Ratio 343,87 8 42,9837 7,07 3451,1 568 6,07588 3794,97 576 Zdroj: Program Statgraphics, vlastní zpracování

P-Value 0,0000

Test vícenásobného porovnání faktoru GJS a majoritních národností: Nationality IND CHI AUS GER TAI RUS CZE SLO FRE

Tabulka 24: Homogenní skupiny GJS Count Mean Homogeneous Groups X 63 5,61905 X 21 6,0 X 37 6,2973 X 58 6,46552 XX 33 6,51515 X 120 7,50833 X 72 7,55556 XX 32 7,625 X 141 7,84397 Zdroj: Program Statgraphics, vlastní zpracování

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 12: Graf – test LSD pro GJS

Zdroj: Program Statgraphics, vlastní zpracování

39

Bezpečnost práce sama o sobě závisí, jak již bylo na začátku zmiňováno v popisu jednotlivých faktorů, především na oboru ve kterém student bude v budoucím povolání pracovat. Vzhledem k celkovým výsledkům preferencí respondentů byl tento faktor spíše opomíjen, tedy nebyl tak důležitý. Homogenita je zde mezi studenty Indie, Číny, Německa a Rakouska, kde můžeme říci, že očekávají studenti povolání více nebezpečné oproti druhé straně skupiny studentů České republiky, Slovenska, Francie a Ruska. Propojení mezi studovaným oborem a prací (GMB) Test rovnosti rozptylů

Levene's

Tabulka 25: Test rovnosti rozptylů GMB Test P-Value 1,30747 0,236829 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 26: Analýza rozptylu GMB Sum of Squares Df Mean Square F-Ratio 114,592 8 14,324 2,01 4049,04 568 7,1286 4163,64 576 Zdroj: Program Statgraphics, vlastní zpracování

P-Value 0,0433

Test vícenásobného porovnání faktoru GMB a majoritních národností: Nationality IND GER TAI SLO FRE CZE AUS RUS CHI

Tabulka 27: Homogenní skupiny GMB Count Mean Homogeneous Groups X 63 2,66667 XX 58 3,05172 XXX 33 3,36364 XXX 32 3,65625 XX 141 3,70213 XX 72 3,86111 XX 37 3,89189 X 120 4,03333 XX 21 4,2381 Zdroj: Program Statgraphics, vlastní zpracování

40

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 13: Graf – test LSD pro GMB

Zdroj: Program Statgraphics, vlastní zpracování U propojení mezi studovaným oborem a budoucím povoláním byly překvapivě zjištěny dvě nehomogenní skupiny. Studenti Indie, kteří tento faktor preferovali ze všech národností nejvíc a na druhé straně studenti Ruska u kterých můžeme říci, že je pro ně nejméně důležitý, což je zvláštní fakt, protože preferují nejvíce dobrý plat. Další dvě zajímavé podskupiny v podobnosti tvoří studenti původem ze Slovenska a Taiwanu a druhé podskupině studenti České republiky, Francie, Rakouska a Číny. Možnost pracovat individuálně (LOA) Test rovnosti rozptylů

Levene's

Tabulka 28: Test rovnosti rozptylů LOA Test P-Value 0,575514 0,798358 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 29: Analýza rozptylu LOA Sum of Squares Df Mean Square F-Ratio 248,759 8 31,0949 4,84 3646,61 568 6,42009 3895,37 576 Zdroj: Program Statgraphics, vlastní zpracování 41

P-Value 0,0000

Test vícenásobného porovnání faktoru LOA a majoritních národností: Nationality FRE GER SLO CZE RUS AUS TAI IND CHI

Tabulka 30: Homogenní skupiny LOA Count Mean Homogeneous Groups X 141 5,67376 XX 58 5,84483 XXXX 32 6,15625 XXX 72 6,26389 XXX 120 6,8 XXXX 37 6,89189 XXX 33 7,24242 X 63 7,50794 XX 21 7,52381 Zdroj: Program Statgraphics, vlastní zpracování

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 14: Graf – test LSD pro LOA

Zdroj: Program Statgraphics, vlastní zpracování Studenti, pro které v budoucnosti bude možnost pracovat samostatně nezbytně nutná zejména ze západní Evropy, konkrétně Francie, kteří v tomto testu dominovali a Německa. Ve spojení s faktorem dobré vztahy na pracovišti, který byl podobně jako zde převážně v preferencích států západní a střední Evropy, můžeme výsledky koncipovat do podoby pracovníka, pro kterého jsou důležité vztahy na pracovišti a to nejen s ostatními kolegy, ale také např. s obchodními partnery a nadřízenými a zároveň pracuje více samostatně a více dokáže své vlastní postavení ovlivnit. To by znamenalo, že studenti východních zemí a kultury pracují na pozicích, kde nemůžou 42

moc ovlivnit vše, co s prací souvisí a tedy i vztahy na pracovišti zákonitě nemůžou být důležitými. Příležitost se učit, rozvíjet (OTL) Test rovnosti rozptylů

Levene's

Tabulka 31: Test rovnosti rozptylů OTL Test P-Value 0,426034 0,90561 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Tabulka 32: Analýza rozptylu OTL Source Sum of Squares Df Mean Square F-Ratio 8 5,68031 1,02 Between groups 45,4425 3150,68 568 5,54698 Within groups 3196,12 576 Total (Corr.) Zdroj: Program Statgraphics, vlastní zpracování

P-Value 0,4164

Test vícenásobného porovnání faktoru OTL a majoritních národností: Nationality AUS CHI TAI IND CZE GER RUS FRE SLO

Tabulka 33: Homogenní skupiny OTL Count Mean Homogeneous Groups X 37 3,56757 XX 21 4,19048 XX 33 4,27273 XX 63 4,36508 XX 72 4,5 X 58 4,56897 X 120 4,6 X 141 4,65248 X 32 4,84375 Zdroj: Program Statgraphics, vlastní zpracování

43

Grafické znázornění testu LSD je v následujícím grafu:

Obrázek 15: Graf – test LSD pro OTL

Zdroj: Program Statgraphics, vlastní zpracování U tohoto faktoru příležitost učit se rozvíjet během budoucího povolání nelze zamítnout hypotézu o rovnosti názorů jednotlivých skupin. Lze pouze konstatovat to, že studenti Rakouska se významně odlišují od studentů Německa, Ruska, Slovenka a Francie. Různorodá práce (LOV) Test rovnosti rozptylů

Levene's

Tabulka 34: Test rovnosti rozptylů LOV Test P-Value 0,292495 0,968465 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 35: Analýza rozptylu LOV Sum of Squares Df Mean Square F-Ratio 413,396 8 51,6745 8,35 3515,72 568 6,18964 3929,11 576 Zdroj: Program Statgraphics, vlastní zpracování 44

P-Value 0,0000

Test vícenásobného porovnání faktoru LOV a majoritních národností: Nationality AUS GER FRE SLO CZE RUS IND TAI CHI

Tabulka 36: Homogenní skupiny LOV Count Mean Homogeneous Groups X 37 4,2973 XX 58 4,96552 XX 141 5,21986 XX 32 6,125 X 72 6,19444 XX 120 6,61667 XX 63 6,71429 XX 33 6,90909 X 21 7,57143 Zdroj: Program Statgraphics, vlastní zpracování

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 16: Graf – test LSD pro LOV

Zdroj: Program Statgraphics, vlastní zpracování Popis rozmanité práce v úvodu a výsledek testu ukázal, že se zde nachází více různorodých skupin. Významně se odlišují studenti Rakouska, Německa, Francie, Slovenska a České republiky od studentů Číny.

45

Počet pracovních hodin v týdnu (CWH) Test rovnosti rozptylů

Levene's

Tabulka 37: Test rovnosti rozptylů CWH Test P-Value 1,33209 0,22457 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 38: Analýza rozptylu CWH Sum of Squares Df Mean Square F-Ratio 130,636 8 16,3295 2,80 3317,73 568 5,84107 3448,36 576 Zdroj: Program Statgraphics, vlastní zpracování

P-Value 0,0048

Test vícenásobného porovnání faktoru CWH a majoritních národností: Nationality TAI CZE RUS CHI SLO IND FRE GER AUS

Tabulka 39: Homogenní skupiny CWH Count Mean Homogeneous Groups X 33 6,06061 X 72 6,41667 X 120 6,59167 XXX 21 6,71429 XXX 32 6,8125 XX 63 6,8254 XX 141 7,34043 XX 58 7,46552 X 37 7,83784 Zdroj: Program Statgraphics, vlastní zpracování

46

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 17: Graf – test LSD pro CWH

Zdroj: Program Statgraphics, vlastní zpracování Skupina studentů Taiwanu, České republiky a Ruska má vyšší předpoklad k tomu, že v budoucím povolání bude hledat prostor pro více volného času, než u zbytku populace testu, zejména oproti studentům Rakouska. Nicméně můžeme říci, že v daném faktoru se nevyskytují velké odlišnosti. Vyšší preference však neznamenají, že by chtěli studenti podávat nižší pracovní výkon, ale závisí na situaci s obecným vytížením v dané zemi a kultuře, poměrem pracovních hodin v týdnu. Jinak řečeno, například v Rakousku v průměru pracovníci odpracují více hodin než pracovníci v Taiwanu. Fyzická náročnost práce (GPW) Test rovnosti rozptylů

Levene's

Tabulka 40: Test rovnosti rozptylů GPW Test P-Value 2,87517 0,00382011 Zdroj: Program Statgraphics, vlastní zpracování

Zamítáme hypotézu o rovnosti odpovědí studentů jednotlivých národností. Uvedeme i výsledky analýzy rozptylu s vědomím, že v dané situaci nejsou optimální.

47

Source Between groups Within groups Total (Corr.)

Tabulka 41: Analýza rozptylu GPW Sum of Squares Df Mean Square F-Ratio 218,956 8 27,3696 4,86 3196,34 568 5,62736 3415,3 576 Zdroj: Program Statgraphics, vlastní zpracování

P-Value 0,0000

Kruskal-Wallisův test Tabulka 42: Kruskal-Wallisův test GPW Nationality Sample Size Average Rank 37 286,865 AUS 21 217,548 CHI 72 251,882 CZE 141 334,418 FRE 58 355,698 GER 63 248,008 IND 120 278,725 RUS 32 252,5 SLO 33 257,576 TAI Test statistic = 35,0724 P-Value = 0,0000259387 Zdroj: Program Statgraphics, vlastní zpracování Test vícenásobného porovnání faktoru GPW a majoritních národností: Nationality CHI IND CZE SLO TAI RUS AUS FRE GER

Tabulka 43: Homogenní skupiny GPW Count Mean Homogeneous Groups X 21 6,33333 X 63 6,65079 X 72 6,80556 X 32 6,8125 X 33 6,84848 X 120 7,25 XX 37 7,40541 X 141 8,02837 X 58 8,37931 Zdroj: Program Statgraphics, vlastní zpracování

48

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 18: Graf – test LSD pro GPW

Zdroj: Program Statgraphics, vlastní zpracování Faktor fyzické zátěže byl podobně jako bezpečnost práce označován v souhrnném hodnocení mezi obecně méně důležité. Homogenita je mezi většinou majoritních zemí až na Franci a Německo, pro něž tento faktor zároveň není vůbec důležitý. Příležitost k povýšení (OFP) Test rovnosti rozptylů

Levene's

Tabulka 44: Test rovnosti rozptylů OFP Test P-Value 1,03698 0,406678 Zdroj: Program Statgraphics, vlastní zpracování

Analýza rozptylu Source Between groups Within groups Total (Corr.)

Tabulka 45: Analýza rozptylu OFP Sum of Squares Df Mean Square F-Ratio 374,46 8 46,8075 6,85 3881,82 568 6,83419 4256,28 576 Zdroj: Program Statgraphics, vlastní zpracování

49

P-Value 0,0000

Test vícenásobného porovnání faktoru OFP a majoritních národností: Nationality RUS CHI FRE TAI AUS IND SLO GER CZE

Tabulka 46: Homogenní skupiny OFP Count Mean Homogeneous Groups X 120 4,59167 XX 21 4,71429 XX 141 5,36879 XXX 33 5,93939 XX 37 6,13514 X 63 6,22222 XX 32 6,25 X 58 6,7069 X 72 6,86111 Zdroj: Program Statgraphics, vlastní zpracování

Grafické znázornění testu LSD je v následujícím grafu: Obrázek 19: Graf – test LSD pro OFP

Zdroj: Program Statgraphics, vlastní zpracování Příležitost k povýšení nejvíce upřednostňují studenti Ruska a odlišují se od ostatních s výjimkou Číňanů. Na opačném pólu si je velmi podobná skupina složená z České republiky, Německa a Indie.

50

3.6 Vytvoření prototypu aplikace elektronického dotazování Jak bylo již dříve zmíněno v předešlých kapitolách, výzkum samotný neobnášel pouze práci s daty. Časově nejnáročnější etapou bylo zpracování dat a vytvoření databáze. Zadat kompletně vyplněný dotazník do databáze softwaru Excel zabere přibližně 20 až 30 sekund. S kontrolou přibližně 40. Vynásobíme-li tento čas počtem respondentů (745) jedná se o značně nepraktickou a zdlouhavou část. Tato skutečnost mě vedla k možnosti usnadnění práce. Nejdříve jsem vytvořil a zaregistroval jednoduché stránky v programovacím jazyku php podle open source řešení. Byly plně funkční, však problém byl, že neměly pěkný design a nebyl vyřešen problém bezpečnosti. Proto jsem se rozhodl využít softwaru Adobe Flash Professional CS5 k vytvoření aplikace nové. V současné době nabízí rozšíření o volbu pohlaví, věk respondenta a zaslání výsledků na email. Aplikace je ve fázi prototypu a vypadá takto: Obrázek 20: První strana aplikace

Zdroj: Program AFPCS5, vlastní zpracování V první části se respondent seznámí s celým výzkumem a je-li hotov, pokračuje tlačítkem „Continue“.

51

Obrázek 21: Druhá strana aplikace

Zdroj: Program AFPCS5, vlastní zpracování Zde vyplní základní údaje, zemi, věk a pohlaví a opět tlačítkem „Continue“ může pokračovat dále nebo se vrátit tlačítkem „Back“ zpět. Obrázek 22: Třetí strana aplikace

Zdroj: Program AFPCS5, vlastní zpracování Tato část je nejdůležitější, zde respondent seřadí veškeré faktory od nejdůležitějšího po nejméně důležitý. Tlačítko „REFRESH“ vrací původně nastavené hodnoty. 52

3.7 Vyhodnocení výzkumu celkové populace Zkoumání bylo zaměřeno na preference a závislosti jednotlivých faktory pro veškerou populaci statistického souboru studentů VŠ a dílčí majoritní skupiny. Výzkum ukázal, že nejvíce upřednostňovaný faktor v celkovém měřítku všech dotazovaných byl dobrý plat. Dále v pořadí oblíbenosti a důležitosti se řadí propojení mezi studovaným oborem a prací a dobré vztahy na pracovišti naopak nejméně populární faktory byly pro většinu studentů bezpečnost práce a fyzická náročnost práce, jak je patrné z následujícího obrázku: Obrázek 23: Stupnice oblíbenosti faktorů

Zdroj: Program Visio, vlastní zpracování

Shluková analýza prokázala (obrázek číslo 9: Dengoram shlukové analýzy) nejvyšší závislost mezi faktory dobrý plat a příležitost k povýšení, v druhé řadě jsou si velmi podobné faktory různorodá práce a počet hodin v týdnu. Naopak za faktory, které nesouvisely s ostatními, můžeme označit možnost pracovat samostatně a fyzická náročnost práce. Rozdíly mezi majoritními skupinami a geografickými celky Z pohledu jednotlivých národností a kultur, jsme prověřili preference a závislosti zemí mezi sebou. V porovnání se zvoleným uskupením celků je zřejmé, že se výsledky od sebe výrazně neliší, což potvrzuje hypotézu o kulturním původu a kořenech zemí, které jsou si blízké v geografickém měřítku, pro bližší vysvětlení se nabízí shluková analýza z 97 jednotek náhodného výběru ze souboru geografických celků a porovnání s majoritními národnostmi: 53

Obrázek 24: Příklad porovnání majoritních skupin s geografickými celky

Zdroj: Program Visio, vlastní zpracování 54

Skupina MIE, kterou tvoří Česká Republika a Slovensko je si z grafu shlukové analýzy nejvíce podobná se skupinou EAE tvořící studenti Ruska a tento stejný výsledek závislosti je vidět i v tabulce homogenních skupin u faktoru GPA. Podobně se tyto výsledky neliší u zbylých geografických celků a majoritních skupin, až na jisté výjimky kde například studenti Rakouska a Německa jsou ve svých odpovědích velmi odlišní. Obrázek 25: Názorné zobrazení totožnosti

Zdroj: Program Visio, vlastní zpracování Vyhodnocení výzkumu majoritních skupin Obrázek 26: Výsledky všech majoritních skupin

Zdroj: Program Visio, vlastní zpracování 55

V následujícím diagramu jsou zobrazeny jednotlivé faktory a v tabulkách pod nimi se nacházejí země seřazené od nejvíce preferující daný faktor, po nejméně. To znamená, že například faktor GPA je nejdůležitější pro studenty z Ruska (RUS) a nejméně pro studenty z Rakouska (AUS).

3.8 Srovnání s výzkumem IBM Na začátku byly přiřazeny jednotlivé výsledky analýzy IBM, dle předlohy teoretické části, k odpovídajícím faktorům. Nutno však podotknout, že výzkumy se od sebe liší rozdílností respondentů student – zaměstnanec a dobou, kdy byla data pořízena. Pro lepší přehlednost byly z interpretace použity a seřazeny faktory související s výzkumem k jednotlivým vybraným majoritním skupinám. Bylo zjištěno, že dané výsledky se od sebe v jistých případech liší. Nejlépe lze porovnávat u teorie o maskulinitě a feminitě, které podle popisu nejvíce souvisí s faktory dobrý plat a možnost povýšení. Zde je zajímavé, že z odpovědí všech respondentů vyšla najevo nejvyšší závislost mezi těmito faktory, což by zdůrazňovalo čistě dominantní postavení maskulinity ve společnosti. V následujícím diagramu jsou výsledky zobrazeny a porovnány: Obrázek 27: Rozdílné porovnání

Zdroj: Program Visio, vlastní zpracování

Je zde názorně vidět, že ačkoliv spolu faktory dobrý plat (GPA) a možnost povýšení (OFP) souvisí, výsledky jsou rozdílné, především u studentů Ruska. V našem výzkumu mají u těchto faktoru nejvyšší tendenci je preferovat. Naopak studenti z Rakouska u faktoru dobrý plat jsou na opačné straně hodnocení. 56

Větší podobnost můžeme najít o teorie výzkumu IBM o samostatnosti ve společnosti. Ať už se respondenti lišili nejen kategoricky, ale také v době konání výzkumu, lze si v následujícím diagramu povšimnout jisté homogenity: Obrázek 28: Shodné porovnání

Zdroj: Program Visio, vlastní zpracování

Teorie říká, že individualismus nejvíce souvisí s faktory možnost pracovat samostatně (LOA) a různorodá práce (LOV). Porovnáním nacházíme pouze zanedbatelné rozdíly a to především při pohledu geografickém, kdy v horní části tabulky jsou převážně zastupitelé západní a střední Evropy. S vysokou pravděpodobností můžeme konstatovat, že tento stav a výsledky přetrvávají dodnes.

57

4. Závěr Jak bylo již zmíněno v úvodu, cílem této práce bylo vytvořit pro čtenáře nejsrozumitelnější výsledky, které později může použít k vlastním záměrům. Výsledky tedy mají širokou škálu uplatnění, především ve firmách, které zaměstnávají absolventy vysokých škol z různých zemí a ve firmách, které plánují rozšíření působení do zemí, kde nemají zkušenosti s danou kulturou, aby se mohli lépe připravit. Celý proces výzkumu byl rozdělen do několika částí a postupů zkoumání. Na úvod každého kvalitního šetření je důležitá příprava k dosažení potřebných informací. Této problematice se věnuje první část bakalářské práce. V teoretické části byly vybrány základní statistické metody analýzy dat, konkrétně popisné statistiky, analýzy rozptylu, shlukové analýzy, a informace potřebné pro sestavení adekvátní databáze jako předlohy pro další procesy zkoumání. Dále byl zde obsažen výzkum společnosti IBM, který sloužil pro srovnání s námi naměřenými hodnoty. Praktická část se věnovala popisu jednotlivých faktorů, rozdělení respondentů do skupin, zařazení dotazníků do databáze, úpravu databáze, aplikaci statistických metod spojenou s prací v softwaru Excel, Statistica, Statgraphics a tvorby výsledků. Tomuto výzkumu se věnuji již od roku 2011 a bakalářská práce jako taková byla završením dlouhodobé výzkumné činnosti na tomto projektu. Nutno však podotknout, že dle rozsahu práce informuje jen o části možných výstupů ze zdrojové databáze, ale zároveň lze označit výsledky za plnohodnotné a jsou schopny být aplikovány v praxi.

58

5. Conclusion As mentioned in the introduction, the aim of this work was to create for the reader the clearest results that can be later use for their own purposes. The results have a wide range of applications, especially in companies that employ graduates from different countries and companies that plan to expand operations into countries where they have no experience with the culture, so that they can better prepared. The process of research has been divided into several parts and procedures for the examination. At the beginning of each quality analysis is an important preparation for achieving the required information. This issue is discussed in the first part of the thesis. In the theoretical part were selected basic statistical methods of data analysis, specifically descriptive statistics, analysis of variance, cluster analysis and information needed to develop an adequate database as a template for further investigation processes. Furthermore, there was included IBM Research, which was used for comparison with our measured values. The practical part is devoted to the description of the various factors, respondents split into groups, inclusion questionnaires into the database, modify database, application of statistical methods associated with working in Excel software, Statistica, Statgraphics and production results. This research has been devoted since 2011, bachelor thesis, as such, was the culmination of a long-term research activities in this project. It should be noted, however, that according to the extent of work informs you about the possible outcomes of the source diabase. The results are complete and they can be applied in practice.

59

6. Seznam použité literatury [1] HINDLS, R., HRONOVÁ, S., SEGER, J., Statistika pro ekonomy. 8. vyd. Praha: Professional Publishing, 2007, 415 s. ISBN 978-80-86946-43-6 [2] HEBÁK, P. Vícerozměrné statistické metody (1). 1. vyd. Praha: Informatorium, 2004, 239 s. ISBN 80-733-3025-3. [3] HEBÁK, P. Vícerozměrné statistické metody (3). 1. vyd. Praha: Informatorium, 2005, 155. ISBN 80-733-3039-3 [4] PECÁKOVÁ, I. Statistika v terénních průzkumech. 1. vyd. Praha: Professional Publishing, 2008, 231 s. ISBN 978-808-6946-740 [5] ŘEZANKOVÁ, H. Analýza dat z dotazníkových šetření: (druhé vydání). 2. vyd. Praha: Professional Publishing, 2010, 217 s. ISBN 978-80-7431-019-5. [6] ANDĚL J., Základy matematické statistiky, Univerzita Karlova v Praze – Matematicko-Fyzikální fakulta, Praha 2002 [7] HOFSTEDE G., Kultury a organizace - Software lidské mysli, Praha: Linde, 2007, 335 s. ISBN 978-80-86131-70-2. [8] HAGUE, Paul N. Průzkum trhu. Vyd. 1. Brno: Computer Press, 2003, 234 s. ISBN 80722-6917-8. [9] BLATNÁ, Dagmar. Metody statistické analýzy. 1. vyd. Praha: Bankovní institut vysoká škola, 2004, 92 s. ISBN 80-726-5062-9.

60

7. Seznam použitých symbolů a značek Zkratky národnosti studentů Zkratka země Název země Zkratka země RUS Rusko CAN TAI Tchai-wan GRE HUN Maďarsko MOR FRE Francie FIN MOL Moldavsko JOR GER Německo MEX SLO Slovensko BEL CZE Česká rep. SIN TUR Turecko ITA UKR Ukrajina IND KOR Korea INS AZE Ázerbájdžán EKV CHI Čína DUT IRI Irsko LAT VEN Venezuela VIE COL Kolumbie PER UZB Uzbekistán AUS ETH Etiopie SPA POL Polsko

Název země Kanada Řecko Maroko Finsko Jordánsko Mexiko Belgie Singapur Itálie Indie Indonésie Ekvádor Nizozemsko Litva Vietnam Peru Rakousko Španělsko

Zkratky jednotlivých faktorů viz: Tabulka 4: Přehled faktorů, strana 27 Zkratky geografických celků viz: Tabulka 8: Geografické uskupení, strana 31 Zkratky a významy výstupů programu Statistica a Statgraphics: Výstup Count Mean Lower limit Upper limit P-Value Sample size Source Contrast Difference

Význam Počet Průměr Dolní mez Horní mez P-Hodnota Velikost vzorku Zdroj Kontrast Rozdíl

Výstup Sum of squares Df F-Ratio Average rank Total Between groups Within groups Limits Homogenous Groups

Význam Součet čtverců Deficit F-Poměr Průměrné pořadí Celkem Mezi skupinami Skupinová Meze Homogenní skupiny

Zkratky tlačítek ukázkové aplikace: Výraz Back Continue

Význam Zpět Pokračovat

Výraz Refresh Complete 61

Význam Obnovit Ukončit

8. Seznam obrázků Obrázek 1: Cibulový diagram úrovní projevu kultury ................................................................... 18 Obrázek 2: Počet hodin v týdnu - četnost odpovědi ....................................................................... 24 Obrázek 3: Možnost povýšení – četnost odpovědí .......................................................................... 25 Obrázek 4: Propojení mezi studovaným oborem a prací – četnost odpovědí.......................... 25 Obrázek 5: Graf - přehled četností ....................................................................................................... 27 Obrázek 6: Grafické znázornění kvartilů ........................................................................................... 29 Obrázek 7: Krabicová graf - faktory.................................................................................................... 30 Obrázek 8: Příklad výstupu software .................................................................................................. 31 Obrázek 9: Dendogram shlukové analýzy ......................................................................................... 32 Obrázek 10: Graf – test LSD pro GPA ............................................................................................... 36 Obrázek 11: Graf – test LSD pro GIR ................................................................................................ 38 Obrázek 12: Graf – test LSD pro GJS................................................................................................. 39 Obrázek 13: Graf – test LSD pro GMB .............................................................................................. 41 Obrázek 14: Graf – test LSD pro LOA ............................................................................................... 42 Obrázek 15: Graf – test LSD pro OTL ............................................................................................... 44 Obrázek 16: Graf – test LSD pro LOV ............................................................................................... 45 Obrázek 17: Graf – test LSD pro CWH ............................................................................................. 47 Obrázek 18: Graf – test LSD pro GPW .............................................................................................. 49 Obrázek 19: Graf – test LSD pro OFP ................................................................................................ 50 Obrázek 20: První strana aplikace ........................................................................................................ 51 Obrázek 21: Druhá strana aplikace ...................................................................................................... 52 Obrázek 22: Třetí strana aplikace ......................................................................................................... 52 Obrázek 23: Stupnice oblíbenosti faktorů.......................................................................................... 53 Obrázek 24: Příklad porovnání majoritních skupin s geografickými celky ............................. 54 Obrázek 25: Názorné zobrazení totožnosti ........................................................................................ 55 Obrázek 26: Výsledky všech majoritních skupin ............................................................................ 55 Obrázek 27: Rozdílné porovnání .......................................................................................................... 56 Obrázek 28: Shodné porovnání ............................................................................................................. 57

62

9. Seznam tabulek Tabulka 1: Měření stupně nevolnosti ve společnosti ................................................................ 20 Tabulka 2: Samostatnost ve společnosti ............................................................................................. 20 Tabulka 3: Maskulinita - feminita ........................................................................................................ 21 Tabulka 4: Přehled faktorů ..................................................................................................................... 23 Tabulka 5: Škála ........................................................................................................................................ 24 Tabulka 6: Národnosti výzkumu .......................................................................................................... 26 Tabulka 7: Majoritní skupiny ................................................................................................................ 26 Tabulka 8: Geografické uskupení......................................................................................................... 27 Tabulka 9: Základní charakteristiky .................................................................................................... 28 Tabulka 10: Základní charakteristiky druhá část ............................................................................. 29 Tabulka 11: Kvartily ................................................................................................................................ 29 Tabulka 12: Počet hodnocení jednotlivých faktorů......................................................................... 30 Tabulka 13: Základní charakteristiky GPA ....................................................................................... 33 Tabulka 14: Test rovnosti rozptylů GPA ........................................................................................... 33 Tabulka 15: Kruskal-Wallisův test GPA ............................................................................................ 34 Tabulka 16: Analýza rozptylu GPA .................................................................................................... 34 Tabulka 17: Test porovnání GPA ......................................................................................................... 35 Tabulka 18: Homogenní skupiny GPA............................................................................................... 35 Tabulka 19: Test rovnosti rozptylů GIR ......................................................................................... 37 Tabulka 20: Analýza rozptylu GIR ...................................................................................................... 37 Tabulka 21: Homogenní skupiny GIR ................................................................................................ 37 Tabulka 22: Test rovnosti rozptylů GJS ............................................................................................. 38 Tabulka 23: Analýza rozptylu GJS ...................................................................................................... 39 Tabulka 24: Homogenní skupiny GJS ................................................................................................ 39 Tabulka 25: Test rovnosti rozptylů GMB .......................................................................................... 40 Tabulka 26: Analýza rozptylu GMB ................................................................................................... 40 Tabulka 27: Homogenní skupiny GMB ............................................................................................. 40 Tabulka 28: Test rovnosti rozptylů LOA ........................................................................................... 41 Tabulka 29: Analýza rozptylu LOA .................................................................................................... 41 Tabulka 30: Homogenní skupiny LOA .............................................................................................. 42 Tabulka 31: Test rovnosti rozptylů OTL............................................................................................ 43 Tabulka 32: Analýza rozptylu OTL ..................................................................................................... 43 Tabulka 33: Homogenní skupiny OTL ............................................................................................... 43 Tabulka 34: Test rovnosti rozptylů LOV ........................................................................................... 44 Tabulka 35: Analýza rozptylu LOV .................................................................................................... 44 Tabulka 36: Homogenní skupiny LOV .............................................................................................. 45 Tabulka 37: Test rovnosti rozptylů CWH .......................................................................................... 46 Tabulka 38: Analýza rozptylu CWH ................................................................................................... 46 Tabulka 39: Homogenní skupiny CWH ............................................................................................. 46 Tabulka 40: Test rovnosti rozptylů GPW .......................................................................................... 47 Tabulka 41: Analýza rozptylu GPW ................................................................................................... 48 63

Tabulka 42: Kruskal-Wallisův test GPW........................................................................................... 48 Tabulka 43: Homogenní skupiny GPW.............................................................................................. 48 Tabulka 44: Test rovnosti rozptylů OFP ............................................................................................ 49 Tabulka 45: Analýza rozptylu OFP ..................................................................................................... 49 Tabulka 46: Homogenní skupiny OFP ............................................................................................... 50

10. Seznam rovnic (1) Průměr (2) Medián – sudé hodnoty (3) Medián – liché hodnoty (4) Variační rozpětí (5) Mezikvartilové rozpětí (6) Rozptyl (7) Šikmost (8) Špičatost (9) Jednofaktorová analýza rozptylu (10) Testové kritérium (11) K-W test (12) K-W test korigovaný (13) K-W test celý korigovaný vzorec

7 7 7 8 8 9 9 9 15 15 15 16 16

11. Seznam příloh Příloha 1: Grafy – četnost odpovědí jednotlivých faktorů ............................................................ 65 Příloha 2: Základní charakteristiky jednotlivých faktorů u majoritních skupin ..................... 69 Příloha 3: Rozdíly v jednotlivých faktorech u majoritních skupin ............................................. 70

64

Příloha 1: Grafy – četnost odpovědí jednotlivých faktorů Dobrý plat

Vztahy na pracovišti

65

Bezpečnost práce

Možnost pracovat individuálně

66

Různorodá práce

Příležitost se učit, rozvíjet

67

Fyzická zátěž

68

Příloha 2: Základní charakteristiky jednotlivých faktorů u majoritních skupin Nationality AUS CHI CZE FRE GER IND RUS SLO TAI Total

Count 37 21 72 141 58 63 120 32 33 577

GPA Mean 4,45946 3,28571 2,83333 3,22695 3,58621 3,25397 2,35833 2,96875 3,15152 3,09879

Lower limit 4,02221 2,70532 2,51988 3,00296 3,23697 2,91888 2,11554 2,49858 2,68852

Nationality AUS CHI CZE FRE GER IND RUS SLO TAI Total

Count 37 21 72 141 58 63 120 32 33 577

GJS Mean 6,2973 6,0 7,55556 7,84397 6,46552 5,61905 7,50833 7,625 6,51515 7,10225

Lower limit 5,73448 5,25294 7,1521 7,55566 6,016 5,18773 7,19582 7,01981 5,9192

Upper limit 6,86011 6,74706 7,95901 8,13228 6,91504 6,05036 7,82085 8,23019 7,1111

LOA Mean 6,89189 7,52381 6,26389 5,67376 5,84483 7,50794 6,8 6,15625 7,24242 6,46101

Lower limit 6,31336 6,75588 5,84916 5,3774 5,38275 7,06457 6,47875 5,53416 6,62983

Upper limit 7,47043 8,29174 6,67862 5,97012 6,30691 7,9513 7,12125 6,77834 7,85502

LOV Mean 4,2973 7,57143 6,19444 5,21986 4,96552 6,71429 6,61667 6,125 6,90909 5,94281

Lower limit 3,72924 6,81741 5,78723 4,92886 4,51181 6,27895 6,30124 5,51417 6,30759

Nationality AUS CHI CZE FRE GER IND RUS SLO TAI Total

Nationality AUS CHI CZE FRE GER IND RUS SLO TAI Total

Count 37 21 72 141 58 63 120 32 33 577

Count 37 21 72 141 58 63 120 32 33 577

Upper limit 4,89671 3,86611 3,14678 3,45094 3,93544 3,58906 2,60113 3,43892 3,61451

Upper limit 4,86535 8,32545 6,60166 5,51085 5,41923 7,14962 6,9321 6,73583 7,51059

69

GIR Mean 4,21622 4,42857 3,70833 3,94326 3,96552 5,1746 4,65 3,75 4,69697 4,26516

GMB Mean 3,89189 4,2381 3,86111 3,70213 3,05172 2,66667 4,03333 3,65625 3,36364 3,62218

OTL Mean 3,56757 4,19048 4,5 4,65248 4,56897 4,36508 4,6 4,84375 4,27273 4,48527

CWH Mean 7,83784 6,71429 6,41667 7,34043 7,46552 6,8254 6,59167 6,8125 6,06061 6,93241

Lower limit 3,69524 3,73704 3,33486 3,67639 3,54941 4,77535 4,36071 3,1898 4,14532

Upper limit 4,73719 5,1201 4,0818 4,21014 4,38163 5,57386 4,93929 4,3102 5,24862

Lower limit 3,28227 3,4289 3,4241 3,38984 2,56481 2,19948 3,69482 3,00073 2,71812

Upper limit 4,50152 5,04729 4,29813 4,01441 3,53863 3,13386 4,37184 4,31177 4,00915

Lower limit 3,02981 3,47667 4,1145 4,37701 4,13945 3,95296 4,30139 4,2655 3,70331

Upper limit 4,10533 4,90428 4,8855 4,92796 4,99848 4,77719 4,89861 5,422 4,84215

Lower limit 7,28601 5,9818 6,02108 7,05774 7,02477 6,4025 6,28525 6,21912 5,47629

Upper limit 8,38967 7,44677 6,81225 7,62311 7,90627 7,2483 6,89809 7,40588 6,64492

Nationality AUS CHI CZE FRE GER IND RUS SLO TAI Total

Count 37 21 72 141 58 63 120 32 33 577

GPW Mean 7,40541 6,33333 6,80556 8,02837 8,37931 6,65079 7,25 6,8125 6,84848 7,36222

Lower limit 6,86376 5,61438 6,41727 7,75091 7,9467 6,2357 6,94924 6,23008 6,27496

Upper limit 7,94705 7,05229 7,19384 8,30583 8,81192 7,06588 7,55076 7,39492 7,42201

OFP Mean 6,13514 4,71429 6,86111 5,36879 6,7069 6,22222 4,59167 6,25 5,93939 5,7279

Lower limit 5,53823 3,92198 6,43322 5,06302 6,23015 5,76478 4,26022 5,60816 5,30735

Upper limit 6,73204 5,50659 7,28901 5,67456 7,18365 6,67966 4,92311 6,89184 6,57144

Příloha 3: Rozdíly v jednotlivých faktorech u majoritních skupin GPA Contrast AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

Sig. * * * * * * * *

*

*

*

*

*

*

Difference 1,17375 1,62613 1,23251 0,873253 1,20549 2,10113 1,49071 1,30794 0,452381 0,0587639 -0,300493 0,031746 0,927381 0,316964 0,134199 -0,393617 -0,752874 -0,420635 0,475 -0,135417 -0,318182 -0,359257 -0,0270179 0,868617 0,2582 0,0754352 0,332239 1,22787 0,617457 0,434692 0,895635 0,285218 0,102453 -0,610417 -0,793182 -0,182765

+/- Limits 1,02766 0,760841 0,69478 0,791398 0,779071 0,707304 0,908023 0,900615 0,932854 0,879805 0,957939 0,94778 0,889728 1,05633 1,04997 0,544831 0,66365 0,648901 0,560714 0,799141 0,790714 0,586747 0,570011 0,467163 0,736523 0,727371 0,684473 0,601525 0,828286 0,820158 0,585211 0,816516 0,80827 0,748349 0,739343 0,933196

GIR Contrast Sig. AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND * AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND * CZE - RUS * CZE - SLO CZE - TAI * FRE - GER FRE - IND * FRE - RUS * FRE - SLO FRE - TAI GER - IND * GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO * IND - TAI RUS - SLO * RUS - TAI SLO - TAI

70

Difference -0,212355 0,507883 0,272954 0,250699 -0,958387 -0,433784 0,466216 -0,480753 0,720238 0,485309 0,463054 -0,746032 -0,221429 0,678571 -0,268398 -0,234929 -0,257184 -1,46627 -0,941667 -0,0416667 -0,988636 -0,0222548 -1,23134 -0,706738 0,193262 -0,753707 -1,20909 -0,684483 0,215517 -0,731452 0,524603 1,4246 0,477633 0,9 -0,0469697 -0,94697

+/- Limits 1,22444 0,906528 0,827818 0,942936 0,928248 0,84274 1,08189 1,07307 1,11148 1,04827 1,14137 1,12926 1,06009 1,2586 1,25102 0,649156 0,790727 0,773153 0,668081 0,952162 0,942121 0,699098 0,679157 0,556615 0,877554 0,866649 0,815537 0,716705 0,986887 0,977203 0,697268 0,972863 0,963038 0,891644 0,880914 1,11189

GJS Contrast AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

Sig. * *

* * * *

* *

* *

* * *

* * * * *

*

Difference 0,297297 -1,25826 -1,54667 -0,16822 0,67825 -1,21104 -1,3277 -0,217854 -1,55556 -1,84397 -0,465517 0,380952 -1,50833 -1,625 -0,515152 -0,288416 1,09004 1,93651 0,0472222 -0,0694444 1,0404 1,37845 2,22492 0,335638 0,218972 1,32882 0,84647 -1,04282 -1,15948 -0,0496343 -1,88929 -2,00595 -0,896104 -0,116667 0,993182 1,10985

+/- Limits 1,32277 0,979323 0,894292 1,01865 1,00279 0,910412 1,16877 1,15923 1,20073 1,13245 1,23302 1,21994 1,14522 1,35967 1,35148 0,701284 0,854223 0,835238 0,721728 1,02862 1,01777 0,755236 0,733694 0,601312 0,948022 0,936241 0,881025 0,774257 1,06613 1,05567 0,753259 1,05098 1,04037 0,963243 0,951651 1,20117

GMB Contrast Sig. AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND * AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND * CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND * CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND * FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS * GER - SLO GER - TAI IND - RUS * IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

71

Difference -0,346203 0,0307808 0,189764 0,840168 1,22523 -0,141441 0,235642 0,528256 0,376984 0,535968 1,18637 1,57143 0,204762 0,581845 0,874459 0,158983 0,809387 1,19444 -0,172222 0,204861 0,497475 0,650404 1,03546 -0,331206 0,0458777 0,338491 0,385057 -0,981609 -0,604526 -0,311912 -1,36667 -0,989583 -0,69697 0,377083 0,669697 0,292614

+/- Limits 1,43278 1,06078 0,968673 1,10338 1,08619 0,986134 1,26598 1,25565 1,3006 1,22664 1,33557 1,32141 1,24047 1,47276 1,46389 0,759611 0,925271 0,904707 0,781756 1,11417 1,10242 0,818051 0,794717 0,651325 1,02687 1,01411 0,954302 0,838654 1,15481 1,14348 0,81591 1,1384 1,1269 1,04336 1,0308 1,30107

LOA Contrast AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

Sig.

*

* * *

*

* * * * * * *

Difference -0,631918 0,628003 1,21813 1,04706 -0,616045 0,0918919 0,735642 -0,350532 1,25992 1,85005 1,67898 0,015873 0,72381 1,36756 0,281385 0,59013 0,419061 -1,24405 -0,536111 0,107639 -0,978535 -0,171069 -1,83418 -1,12624 -0,482491 -1,56867 -1,66311 -0,955172 -0,311422 -1,3976 0,707937 1,35169 0,265512 0,64375 -0,442424 -1,08617

+/- Limits 1,35972 1,00668 0,919275 1,04711 1,0308 0,935846 1,20142 1,19162 1,23427 1,16408 1,26746 1,25402 1,17721 1,39765 1,38924 0,720875 0,878087 0,858571 0,74189 1,05736 1,04621 0,776335 0,754191 0,61811 0,974506 0,962397 0,905638 0,795887 1,09592 1,08516 0,774303 1,08035 1,06944 0,990153 0,978237 1,23473

OTL Contrast Sig. AUS - CHI AUS - CZE AUS - FRE * AUS - GER * AUS - IND AUS - RUS * AUS - SLO * AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

72

Difference -0,622909 -0,932432 -1,08491 -1,0014 -0,797512 -1,03243 -1,27618 -0,70516 -0,309524 -0,462006 -0,378489 -0,174603 -0,409524 -0,653274 -0,0822511 -0,152482 -0,0689655 0,134921 -0,1 -0,34375 0,227273 0,0835168 0,287403 0,0524823 -0,191268 0,379755 0,203886 -0,0310345 -0,274784 0,296238 -0,234921 -0,478671 0,0923521 -0,24375 0,327273 0,571023

+/- Limits 1,26388 0,935728 0,854482 0,973308 0,958147 0,869885 1,11674 1,10763 1,14728 1,08204 1,17813 1,16564 1,09424 1,29914 1,29132 0,670066 0,816197 0,798057 0,6896 0,982831 0,972467 0,721616 0,701033 0,574544 0,90582 0,894564 0,841806 0,739791 1,01868 1,00868 0,719728 1,0042 0,994058 0,920364 0,909288 1,1477

LOV Contrast AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

Sig. * * * * * * * * * *

* * *

* * * * * * *

Difference -3,27413 -1,89715 -0,922561 -0,66822 -2,41699 -2,31937 -1,8277 -2,61179 1,37698 2,35157 2,60591 0,857143 0,954762 1,44643 0,662338 0,974586 1,22893 -0,519841 -0,422222 0,0694444 -0,714646 0,254341 -1,49443 -1,39681 -0,905142 -1,68923 -1,74877 -1,65115 -1,15948 -1,94357 0,097619 0,589286 -0,194805 0,491667 -0,292424 -0,784091

+/- Limits 1,33509 0,988449 0,902626 1,02815 1,01213 0,918896 1,17966 1,17004 1,21192 1,143 1,24451 1,23131 1,15589 1,37234 1,36408 0,707819 0,862183 0,843021 0,728454 1,03821 1,02726 0,762274 0,740531 0,606915 0,956856 0,944966 0,889235 0,781472 1,07607 1,06551 0,760279 1,06078 1,05007 0,972219 0,96052 1,21236

CWH Contrast Sig. AUS - CHI AUS - CZE * AUS - FRE AUS - GER AUS - IND * AUS - RUS * AUS - SLO AUS - TAI * CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE * CZE - GER * CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS * FRE - SLO FRE - TAI * GER - IND GER - RUS * GER - SLO GER - TAI * IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

73

Difference 1,12355 1,42117 0,497412 0,372321 1,01244 1,24617 1,02534 1,77723 0,297619 -0,62614 -0,751232 -0,111111 0,122619 -0,0982143 0,65368 -0,923759 -1,04885 -0,40873 -0,175 -0,395833 0,356061 -0,125092 0,515029 0,748759 0,527926 1,27982 0,64012 0,873851 0,653017 1,40491 0,23373 0,0128968 0,764791 -0,220833 0,531061 0,751894

+/- Limits 1,29696 0,960213 0,876842 0,998777 0,983219 0,892647 1,14596 1,13661 1,1773 1,11035 1,20896 1,19614 1,12287 1,33314 1,32511 0,6876 0,837554 0,81894 0,707645 1,00855 0,997914 0,740499 0,719377 0,589578 0,929523 0,917972 0,863833 0,759149 1,04533 1,03507 0,738561 1,03048 1,02007 0,944447 0,933082 1,17773

GPW Contrast AUS - CHI AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS AUS - SLO AUS - TAI CHI - CZE CHI - FRE CHI - GER CHI - IND CHI - RUS CHI - SLO CHI - TAI CZE - FRE CZE - GER CZE - IND CZE - RUS CZE - SLO CZE - TAI FRE - GER FRE - IND FRE - RUS FRE - SLO FRE - TAI GER - IND GER - RUS GER - SLO GER - TAI IND - RUS IND - SLO IND - TAI RUS - SLO RUS - TAI SLO - TAI

Sig.

* *

* *

* * * * * * * *

Difference 1,07207 0,59985 -0,622963 -0,973905 0,754612 0,155405 0,592905 0,556921 -0,472222 -1,69504 -2,04598 -0,31746 -0,916667 -0,479167 -0,515152 -1,22281 -1,57375 0,154762 -0,444444 -0,00694444 -0,0429293 -0,350942 1,37758 0,778369 1,21587 1,17988 1,72852 1,12931 1,56681 1,53083 -0,599206 -0,161706 -0,197691 0,4375 0,401515 -0,0359848

+/- Limits 1,27301 0,942484 0,860651 0,980335 0,965065 0,876165 1,1248 1,11563 1,15556 1,08985 1,18664 1,17405 1,10214 1,30852 1,30064 0,674903 0,822089 0,803819 0,694579 0,989927 0,979488 0,726826 0,706095 0,578692 0,91236 0,901023 0,847883 0,745132 1,02603 1,01596 0,724924 1,01145 1,00123 0,927009 0,915853 1,15599

OFP Contrast Sig. AUS - CHI * AUS - CZE AUS - FRE AUS - GER AUS - IND AUS - RUS * AUS - SLO AUS - TAI CHI - CZE * CHI - FRE CHI - GER * CHI - IND * CHI - RUS CHI - SLO * CHI - TAI CZE - FRE * CZE - GER CZE - IND CZE - RUS * CZE - SLO CZE - TAI FRE - GER * FRE - IND * FRE - RUS * FRE - SLO FRE - TAI GER - IND GER - RUS * GER - SLO GER - TAI IND - RUS * IND - SLO IND - TAI RUS - SLO * RUS - TAI * SLO - TAI

74

Difference 1,42085 -0,725976 0,766341 -0,571761 -0,0870871 1,54347 -0,114865 0,195741 -2,14683 -0,654509 -1,99261 -1,50794 0,122619 -1,53571 -1,22511 1,49232 0,154215 0,638889 2,26944 0,611111 0,921717 -1,3381 -0,853428 0,777128 -0,881206 -0,5706 0,484674 2,11523 0,456897 0,767503 1,63056 -0,0277778 0,282828 -1,65833 -1,34773 0,310606

+/- Limits 1,40289 1,03864 0,948459 1,08035 1,06353 0,965555 1,23956 1,22945 1,27346 1,20104 1,3077 1,29383 1,21459 1,44202 1,43334 0,74376 0,905963 0,885828 0,765443 1,09092 1,07942 0,80098 0,778134 0,637733 1,00544 0,992949 0,934388 0,821153 1,13071 1,11961 0,798884 1,11464 1,10339 1,02159 1,00929 1,27392