Analiza de corespondențe la nivelul României

Stoica Ștefania-Lorena
Ștefan-Alexandra
Am folosit de pe site-ul www.europeansocial.survey.org baza de date:
http://www.europeansocialsurvey.org/download.html?
file=ESS4RO&c=RO&y=2006 pentru a face o analiză la nivelul
României, utilizând o serie de variabile.

Pentru acest lucru, am lucrat cu următoarele variabile din baza de date:

Variabile de opinie:
 polintr: How interested in politics? (Cât de interesat sunteți de
politică?)
 stfgov: How satisfied with the national government? (Cât de
satisfacuți sunteți de actualul guvern?)
 sclmeet : How often socially meet with friends, relatives or
colleagues? (Cât de des socializați cu prietenii,colegii?)
 mnactic: Main activity, last 7 days. All respondents. Post coded
(Principala activitate pe ultimele 7 zile)
Variabile socio-demografice:
 edulvla: Highest level of education? (Cel mai înalt nivel de educație)
 maritala : Legal marital status (Statutul marital)
 regionro : Region, Romania (Regiunea)
 gndr : Gender (sexul)
În tabela „Variable(s)” introducem variabilele : polintr, stfgov, sclmeet,
gndr , edlvpro, mnactic, maritala , regionro , iar apoi apăsăm OK .
Rezultatele obținute sunt:

Ne vom uita pe coloana „Valid” in tabelul „Statistics” , iar dacă

majoritatea variabilelor sunt Valide, rezultatul este corect.
Apoi vom lua fiecare tabel în parte , uitându-ne pe coloana „Valid
Percent” , iar dacă valorile sunt mai mari decat 2 % , le vom lasa așa. În
schimb, dacă sunt mai mici decât 2 % , vom cumula respectivele
categorii.
Tabelul de mai jos nu conține valori mai mici ca 2%,deci rămâne la fel.
Observăm în tabelul de mai sus faptul că există valori mai mici decat 2
% ( 9 si „Extremely satisfied”) .Vom proceda astfel:
Vom apăsa butonul “Old and New Values”:
Iar noul rezultat va fi :

În următorul tabel nu avem valori mai mici ca 2%.Deci rămâne

nemodificat.
În tabelul cu sexul nu avem valori mai mici de 2%, deci și acesta rămâne
nemodificat.

Tabelul următor are valori mai mici de 2%, deci le vom modifica.

Vom face următoarele modificări:

Obținem:

În următorul tabel avem valori mai mici de 2%, deci le vom modifica.
Obținem după modificări:
Ultimul tabel nu are valori mai mici de 2%,deci va rămâne nemodificat.

Acum
vom
putea
trece la

Analiza de corespondențe multiple, astfel : Analyze – Dimension

Reduction – Optimal scaling
Apoi apăsăm „Define” : Introducem doar variabilele de opinie (polintr,
stfgov, sclmeet și mnactic) la rubrica „Analysis Variables”.
La „Options” :
La „Output” :
La „Save” :

La „Plots” :
Apoi apăsăm „OK”, iar rezultatele sunt :

În tabelul de sus („Model Summary”) inertia totală explicată de model

este de 5,715. Inertia primelor două variabile este : pe linia 1 = 0,364 ,
iar pe linia 2 = 0,325.
Variația explicată de model : (0,364 + 0,325) / 5,715= 0,12=> 12 %

În graficul de sus , dimensiunea 1 este explicată de variabilele :” How

interested in politics? (Cât de interesat sunteți de politică?) „și de
variabila “Main activity, last 7 days. All respondents. Post coded
(Principala activitate pe ultimele 7 zile)”, dar și de variabila “How often
socially meet with friends, relatives or colleagues? (Cât de des
socializați cu prietenii,colegii?)” , însa într-o măsură mai mică.
Dimensiunea 2 este explicată de variabilele: “How often socially meet
with friends, relatives or colleagues? (Cât de des socializați cu
prietenii,colegii?)”, “Main activity, last 7 days. All respondents. Post
coded (Principala activitate pe ultimele 7 zile)”, și într-o măsură mai
mică de ” How interested in politics? (Cât de interesat sunteți de
politică?”.
Din grafic reiese faptul că : Cei care socializează în fiecare zi, sunt
extremi de satisfacuți cu viața per total si totodată sunt satisfăcuți de
guvernul actual al țării,cât și foarte interesați de politică.
Cei care nu socializează niciodată, sunt foarte nemulțumiti de viața lor și
nu au un job(sunt în căutarea lui sau nu),fiind și foarte puțin interesați de
politică.
Cei care socializează de câteva ori pe lună sau,realizează muncă plătită,
sunt destul de interesați de politică.
(Metoda folosită mai sus a fost ACM(analiza corespondențelor
multiple)).
METODA ACP
Este o metodă descriptive ce se aplică in studiul legaturii dintre
variabilele numerice, care, in vederea analizei, sunt standardizate.
În SPSS urmăm:
Analyze->Dimension Reduction->Factor
La “Descriptives”:

La “Extraction”:
La “Rotation”:

La “Scores”:
La Options:

Obținem:

Tabelul de corelație
Din analiza tabelului de corelație între variabilele analizate, observăm că
există variabile puternic corelate pozitiv, ca de exemplu design
weight(coeficientul de corelație fiind 0.760 cu un nivel de semnificatie
0,00)și post stratification wight including design weight(coef. De
corelație fiind 0.760,cu un nivel de semnificație de 0,00), dar și variabile
slab corelate sau chiar necorelate intre ele, ca de exemplu year
(coeficientul de corelatie este -0,13 cu un nivel de semnificatie de 0,261)
,rezultatele garantându-se cu o probabilitate de 90 %. În concluzie putem
afirma că ACP este utilă în interpretarea legăturilor dintre variabilele
analizate.
Variația totală explicată de model:

Componenta 1 explică 58,687 % din variția modelului, componenta 2

explică 33,322 % din variația modelului.Procentul variatiei explicate de
componentele principale trebuie sa fie în jur de 80% (Cumulative %).
Interpretarea componentelor principale: