Таблица 2. Регресионен анализ на факторите,
влияещи върху зависимата променлива “ Национална гордост”
Модел
|
|
Нестандартизирани коефициенти
|
Стандартизирани коефициенти
|
t
|
Sig.
|
B
|
Std. Error
|
Beta
|
1
|
(Константа)
|
1.736
|
.097
|
|
17.957
|
.000
|
Професия/работа
|
-.001
|
.001
|
-.029
|
-1.737
|
.082
|
Най-високо постигнато образователно равнище
|
.039
|
.006
|
.112
|
6.499
|
.000
|
Пол
|
-.022
|
.024
|
-.014
|
-.905
|
.366
|
Възраст
|
-.005
|
.001
|
-.090
|
-6.032
|
.000
|
Доходи
|
.013
|
.018
|
.013
|
.763
|
.445
|
Социална класа (субективна)
|
.054
|
.013
|
.066
|
4.179
|
.000
|
Имиграционна политика
|
-.111
|
.012
|
-.130
|
-8.995
|
.000
|
Използваният метод е линейна регресия със седем независими променливи (фактори). Прилагането на друг метод - ординална регресия върху същите входни данни, води до сходни резултати, което подкрепя статистическата значимост на предложения модел. Анализът показва, че четири от предложените променливи са статистически значими: най-високо постигнато образователно равнище (с бета .112), отношение към имиграционна политика (-.130), възраст (-0.090) и субективна социална класа (0.066). Най-високият бета коефициент на имиграционната политика още веднъж подчертава значимостта на отношението към чужденците. Когато приложим същия модел към данните от страните, станали чланки на ЕС при различните вълни на присъединява, се очертава разлика в значимостта на факторите. За страните-членки, които са част от най-голямото разширение – това през май 2004, социалните и икономическите фактори стават по-важни, в сравнение с отношението към имиграционната политика, докато за най-старите членове на съюза последният фактор има по-голямо значение.
Друг съществен момент при интерпретация на резултатите е процесът на избор на независимите променливи. Неправилната селекция може да изкриви крайния резултат и да доведе до некоректни изводи. Въпреки че приликите между отделните държави не са малки, те не способстват за лесния подбор на фактори (Виж Таблица 3).
Таблица 3. Факторен анализ и редукция на модела
|
Начална
|
Редуцирана
|
Социална класа (субективна)
|
1.000
|
.561
|
Доход
|
1.000
|
.597
|
Възраст
|
1.000
|
.616
|
Пол
|
1.000
|
.714
| |
Образователно ниво
|
1.000
|
.643
|
Професия/работа
|
1.000
|
.693
|
Имиграционна политика
|
1.000
|
.530
|
Метод на редукция: Principal Component Analysis.
Точно обратното, използването на редукция на данните води след себе си значителни загуби – повече от 37.8% от заложената информация (100% - 62.194%, кумулативния процент в последната колона на Таблица 4). И този анализ потвърждава високата корелация между постигнатото образователно ниво, дохода и социалната класа, която следва да бъде отчитана и анализирана.
Таблица 4. Редукция на данните, обясняваща общата вариация
Компоненти
|
Първоначални стойности
|
Редукция, сума на квадратите
|
Общо
|
% вариация
|
Кумулативен %
|
Общо
|
% от вариация
|
Кумулативен %
|
1
|
2.059
|
29.413
|
29.413
|
2.059
|
29.413
|
29.413
|
2
|
1.285
|
18.356
|
47.769
|
1.285
|
18.356
|
47.769
|
3
|
1.010
|
14.425
|
62.194
|
1.010
|
14.425
|
62.194
|
4
|
.932
|
13.310
|
75.504
|
|
|
|
5
|
.679
|
9.703
|
85.207
|
|
|
|
6
|
.546
|
7.805
|
93.011
|
|
|
|
7
|
.489
|
6.989
|
100.000
|
|
|
|
Сподели с приятели: |
