- 98 - - 99 -

Radka Dudová (ed.), Jana Bierzová, Hana Hašková, Hana Ma íková, Kate ina Matysková, Št pánka Pfeiferová, Renáta Sedláková, Marcel Tomášek, Hana Víznerová, Marta Vohlídalová, Radka Výborná

Nové šance a rizika: Flexibilita práce, marginalizace a soukromý život u vybraných povolání a sociál-ních skupin

Kniha se zam uje na studování souvislostí a d sledk sou as-ných prom n pracovního trhu a pracovních podmínek na soukro-mý život lidí v eské republice. Ve st edu pozornosti p itom stojí dva fenomény, které mohou, ale nemusí být vzájemn provázané: zvyšující se flexibilita pracovních trh a pracovních podmínek a marginalizace ur itých skupin na pracovním trhu. Tyto fenomény byly zkoumány na p íkladu deseti p ípadových studií – kvalitativních výzkum zam ených na ur ité skupiny obyvatelstva nebo povolání. Studie ukazují, jak flexibilizace práce p sobí na soukromý a rodinný život t chto skupin, jaké požadavky naopak jejich soukromý život klade na uspo ádání jejich práce, jakou míru flexibility od nich požadují, i naopak jim umož ují jejich zam stnavatelé a co to vše znamená pro jejich postavení na trhu práce. Nejzávažn jším zjišt ním je fakt, že u mnoha povolání a pracovních pozic se jaksi v bec nep edpokládá, že by je vykonával n kdo, kdo má krom pracovních i soukromé závazky – nap íklad zodpov dnost za malé d ti i jiné závislé osoby. Rozhodnutí nemít d ti tak m že být tím nejzásadn jším dopadem prom n pracovního trhu na soukromý život v sou asných podmínkách nedostate né rozší enosti opat ení pro kombinaci práce a rodiny a nedo-sta ující pozitivní flexibility práce. Rozsah publikace je 208 stran. Cena publikace je 295 K bez DPH.

Další informace o publikacích vydaných v Sociologickém ústavu AV R, v.v.i.: http://publikace.soc.cas.cz/

Modelování panelových dat s dichotomickou závisle proměnnou: obecné principy a ilustrace

v programu STATA*

František Kalvas, Martin Kreidl, Jan Váně, Martina Štípková**Katedra sociologie, Fakulta filozofická ZČU v Plzni

Modeling panel data with a dichotomous dependent variable:

General principles and examples using STATA

Abstract: This article outlines several techniques for analyzing panel data with a dichotomous dependent variable. This presentation is inspired by the classic work of Paul Allison [1999]. An example analysis is presented where public attitudes toward restitution of church property in the Czech Republic is explored using pa-nel data. Here the focus is on exploring changes in the intra-personal agenda of respondents on this specific issue. There are three main conclusions from this re-search: (1) media exposure and (2) the education level of the respondent increase the odds of the church restitution issue being mentioned by a respondent as being important, and (3) mention of the church restitution issue in a particular wave of the panel survey is negatively associated with mention of this issue in later waves of the panel study examined. These findings are discussed in terms of their methodo-

logical and substantive implications.

Data a výzkum - SDA Info 2009, Vol. 3, No. 1: 96-123.(c) Sociologický ústav AV ČR, v.v.i., Praha 2009.

Úvod: využití panelových dat obecně v sociologii a konkrétně v teorii nastolování agendyZkoumání sociální změny dostala sociologie do vínku již od svého otce zaklada-tele Augusta Comtea, který krom sociální statiky studoval také sociální dynami-ku. Comtův zájem byl na počátku 19. století teoretický, podobně jako zájem jeho bezprostředních následovníků. S nástupem empirického sociálního výzkumu na počátku 20. století začala být empirickému zkoumání podrobována také sociální změna. Za tím účelem vyvinuli badatelé několik různých typů longitudinálních dat a metod jejich sběru. [Pro přehled viz např. Kalvas 2003: 6]

* Datový soubor použitý v tomto textu vznikl s finanční podporou Grantové agentury AV ČR (grant č. IAA700280702), příprava tohoto článku byla podpořena grantem GA ČR (grant č. 403/09/0038).** Adresa pro korespondenci: František Kalvas, Katedra sociologie FF ZČU, Avalon – Poděbradova 1, 306 14 Plzeň. E-mail: kalvas@kss.zcu.cz. Pro použitý datový soubor kontaktujte Markétu Škodovou, CVVM, Jilská 1, 110 00 Praha 1. E-mail: Marketa.Skodova@soc.cas.cz.

- 100 - - 101 -

Koncem 30. let 20. století si Paul F. Lazarsfeld a Majorie Fiske [1938: 597] zača-li uvědomovat, že pro některé výzkumné úlohy nejsou vhodná data z opakovaných průřezových šetření (repeated cross-sectional).1 Tato data sice vhodně měří tzv. čistou změnu, tj. změnu na úrovni celé populace, ale nejsou schopná měřit tzv. hru-bou změnu, tj. změnu na úrovni zkoumaných jednotek. Pokud je v centru našeho výzkumného zájmu právě hrubá změna, potřebujeme jiný typ dat. Lazarsfeld na-vrhuje použití panelového šetření (panel survey), kde v několika časových bodech zkoumáme stále tytéž jednotky, které reprezentují cílovou populaci [Lazarsfeld 1940: 122–123, 125–126].

Panelová data jsou jedním z typů dat, která mají shlukovou strukturu. Tako-vé shluky tvoří například sourozenci v rodinách, rodiny v obcích, žáci ve školních třídách, pacienti jednotlivých praktických lékařů, organizační jednotky v rámci firem, kandidáti ve volebním obvodu, vícestupňové pravděpodobnostní výběry a také opakovaná dotazování respondentů v panelovém výzkumu [srov. Hox 2002: 1–2; Snijders, Bosker 1999: 6–7; Raudenbush, Bryk 2002: 3–4]. Obvykle platí, že jsou si dvě pozorování v rámci shluku „podobnější“ než dvě pozorování z rozdílných shluků (míra této podobnosti je zpravidla vyjádřena koeficientem vnitrotřídní ko-relace, viz např. [Snijders, Bosker 1999: 16; Raudenbush, Bryk 2002: 36]). Jednot-livá pozorování v takové situaci přinášejí méně informace, než by přinášela, pokud by byla nezávislá. Pokud ale k analýze takových dat použijeme nástroje, které ne-závislost pozorování předpokládají, závěry mohou být chybné. Například regresní modely, které předpokládají nezávislá pozorování, vedou k neefektivním a někdy ke zkresleným odhadům jednotlivých koeficientů [Mason 2001: 14989]. Příslušné konfidenční intervaly jsou příliš úzké, protože „efektivní velikost vzorku“ je nižší, než je počet pozorování [Snijders, Bosker 1999: 16]. Vzrůstá tak riziko chyby ve statistickém usuzování.

Obecně takovým datovým strukturám můžeme říkat víceúrovňové (multi-level) nebo hierarchicky uspořádané. Problematiku shlukově uspořádaných dat obecně řeší víceúrovňová analýza [srov. Soukup 2006]. Případ panelových dat je tedy jen specifickým příkladem víceúrovňové analýzy: jednotlivá dotazování jsou mikropo-zorováními a jednotliví respondenti jsou makrokontexty. Proměnné (znaky) jsou měřené jak na mikro- tak na makroúrovni. Na mikroúrovni může jít například o měření veřejné agendy („Jaká nejvýznamnější událost se stala minulý týden?“), na makroúrovni o měření charakteristik respondentů (např. jejich vzdělání). Od ji-ných hierarchicky uspořádaných datových souborů se panelová data liší zejména svou vnitřní strukturou. Každé dotazování jsme schopni zařadit v čase, a čas tedy může strukturovat míru (ne)podobnosti jednotlivých mikrojednotek v rámci mak-rokontextů.

V tomto textu popisujeme dva velmi časté (pravděpodobně nejčastější), flexibilní a softwarově snadno dostupné přístupy k analýze panelových dat s dichotomickou závisle proměnnou: model marginální (marginal models, population-averaged models, GEE – generalized estimating equations) a model podmíněné logistické regrese (conditional logit model, fixed-effects model). Obecnou diskusi doplňuje-

me konkrétní ilustrací, která je inspirována teorií nastolování agendy.2 Ilustrace byla zvolena arbitrárně, protože máme k dispozici poměrně nová tematická pane-lová data a někteří z nás se problematice nastolování agendy systematicky věnují. Ilustraci podrobně rozebíráme – uvádíme konkrétní příkazy pro získání jednotli-vých výpočtů a prezentujeme jejich výsledky. Ilustrace tak má primárně didaktický charakter. Jako softwarové prostředí pro tento příklad jsme zvolili program STATA 10/MP [StataCorp. 2007a], který je pro většinu obvyklých úloh postačující a je díky svým schopnostem v akademickém prostředí stále populárnější.

Poslední obecnou poznámku učiníme k využití panelových dat ve výzkumu na-stolování agendy. Použití individuálních panelových dat a důsledná aplikace odpo-vídajících metod statistické analýzy nám přináší v kontextu výzkumu nastolování agendy několik výhod. (1) Umožňují nám účinně kontrolovat autokorelaci veřejné agendy. (2) Díky panelovým datům můžeme sledovat tzv. hrubou změnu na úrovni individua. Můžeme tedy zjistit, do jaké míry je stálá nebo volatilní preference zvole-ného tématu. (3) Panelová data jsou mocným nástrojem pro rozpletení kauzálních vazeb, které teorie nastolování agendy postuluje, byla však dosud velmi málo ko-rektně využívaná [Kalvas, Kreidl 2007: 340–341].

(4) Individuální panelová data nám umožňují volit strategii kognitivního por-trétu (cognitive portrait),3 která se vyznačuje tím, že sledujeme, zda jedinec pre-feruje vybrané téma v závislosti na pozornosti, kterou tématu věnují média. Dosud byla pro tuto strategii využívána pouze experimentální data, kde je mediální po-zornost manipulována [Dearing, Rogers 1996: 94; McCombs 2004: 32]. Uplatnění popsané strategie v přirozených podmínkách je tedy inovací, kterou nám umožní individuální panelová data.

Kontext zvoleného tématu: spor o církevní restituceV našich analýzách se budeme věnovat tématu církevních restitucí, proto nyní stručně popíšeme společenský kontext tohoto problému. Spor o církevní restituce probíhá od počátku 90. let 20. století. Jedná se o pokus napravit křivdy komunis-tického režimu vůči církvím, vedle restitucí, které se vztahovaly na fyzické osoby.4 Ještě ve federálním shromáždění (1990–1992) proběhl první (neúspěšný) pokus o prosazení restitučního zákona, který by umožnil církvím navrátit majetek. 5 Para-lelně v této době (30. prosince 1992) předložila Náboženská matice určovací žalobu o vlastnictví katedrály svatého Víta proti Kanceláři prezidenta republiky.6

Další pokus o vyřešení situace byl realizován v letech 1996 a 1997, kdy tehdejší vláda (ODS, KDU-ČSL a ODA) přijala usnesení o provedení některých tzv. bezú-platných převodů majetku církví a náboženských společností a majetku některých

1 Data z opakovaných průřezových šetření (repeated cross-sectional) zjišťují opakovaně shodné údaje o jednom sociálním systému. Tyto údaje se zjišťují v různých časových bodech a pro každý bod se konstruuje nový vzorek, který reprezentuje cílovou populaci.

2 Teorie nastolování agendy (agenda-setting theory) se zabývá (1) vztahem veřejného mínění a obsahu médií, kdy předpokládá, že čím častěji bude příslušné téma zmiňováno v médiích, tím je bude považovat veřejnost za důležitější, a (2) vzájemnými vztahy politické agendy (prioritní témata formulovaná politi-ky), veřejného mínění a obsahu médií [podrobněji viz Dearing, Rogers 1996; česky Kalvas, Kreidl 2007: 334–338]. V našem textu se zabýváme pouze vztahem veřejného mínění a obsahu médií.3 Kompletní výčet možných strategií je shrnut v tzv. Acapulco typologii, kterou přehledně rekapituluje např. Maxwell McCombs [2004: 30–32].4 K problematice necírkevních restitucí a jejich reflexe v médiích srov. např. [Šmídová 2007: 101–155].5 Celé znění navrhovaného zákona lze nalézt na: http://spcp.prf.cuni.cz/dokument/resta.htm.6 Jádrem sporu je polemika, zda je platné vládní nařízení z roku 1954, podle nějž patří katedrála všemu československému lidu.

- 102 - - 103 -

spolků.7 Návrh restitučního vyrovnání byl odmítnut opoziční ČSSD. Předkládaný návrh na vyrovnání s církvemi v tomto období byl mimo jiné kritizo-ván i z řad nekatolických církví, které se cítily být předloženým návrhem diskrimi-novány.

V následujících letech zcela chybí politická vůle situaci řešit. Nejsilnější impuls k řešení zablokované situace přichází paradoxně nikoli ze strany státu nebo církví, ale ze strany obcí. Symbolickou je např. tzv. Řečická výzva z roku 2004, 8 kterou předložili starostové obcí a měst. Kromě několika návrhů se až do roku 2008 v dané věci nevyskytuje žádný posun. Je to zejména tlak obcí a vznik průlomového konsenzu mezi sedmnácti církvemi, který iniciuje navržení další podoby zákona o církevních restitucích vládou (ODS, KDU-ČSL, Zelení) v roce 2008.9

Krátce si přibližme, čemu věnují masová média pozornost v námi zkoumaném období (duben až červenec 2008). Při jistém zjednodušení lze konstatovat, že se v médiích vyprofilovaly dvě základní pozice. Všichni aktéři se shodují, že je spraved-livé, aby došlo k vyrovnání státu a církví. Rozdíl je následující: na jedné straně stojí zastánci co nejrychlejšího vyrovnání s církvemi, s odůvodněním, že se jedná o ne-přijatelný relikt nezákonnosti, jež přetrvává od roku 1989. Druhá strana akceptuje pokus o politické řešení, avšak odmítá stanovená kritéria pro vyrovnání. Přičemž je především poukazováno na nejasnost volených kritérií. Jinými slovy, je zpochyb-ňována volba kritéria(í).10 Kromě těchto dvou základních pozic se ještě objevuje v médiích církevní sebeprezentace coby rukojmí politiků (srov. např. MF Dnes 10. 5. 2008 a 14. 5. 2008), kteří chtějí na dané kauze vyzískat co nejvíce politických bodů. V neposlední řadě je součástí kauzy „církevních restitucí“ důsledné mediální prezentování sporu o Chrám svatého Víta, přičemž spor o katedrálu se v médiích postupně překrývá s problém nevyřešeného navracení zabaveného církevního ma-jetku a vyrovnání se s církvemi.

Popis použitých datV našem textu používáme data Centra pro výzkum veřejného mínění (dále CVVM) z projektu „Veřejná a mediální agenda“. Datový soubor vznikl propojením dat z pa-

nelového šetření CVVM, jehož vzorek byl konstruován pomocí prostého náhodné-ho výběru, a kvantitativní obsahové analýzy, kterou provedlo na objednávku CVVM občanské sdružení InnoVatio, o. s. V panelovém šetření bylo dotazováno celkem 648 občanů ČR ve věku 18–65 let po dobu 12 týdnů od 20. 4. do 6. 7. 2008. Re-spondenti byli instruováni, aby sami vyplnili dotazník, vždy v neděli na konci pří-slušného týdne, a poté jej odeslali zpět poštou. Obsahová analýza sledovala obsah celostátních deníků (Blesk, Hospodářské noviny, Lidové noviny, MF Dnes a Právo), rozhlasového zpravodajství (ČRo 1 Radiožurnál a Impuls) a hlavního televizního zpravodajství (ČT 1, TV Prima a TV Nova) od 24. 3. do 14. 7. 2008.

Deskriptivní charakteristiky použitých proměnných se nachází v Přílohách 1 a 2. Proměnné jsme konstruovali takto: pokud respondent uvedl v některé vlně jako jednu ze dvou nejdůležitějších událostí poslední doby odpověď v kategorii „kated-rála sv. Víta“ nebo „majetkové vyrovnání s církvemi“, nastavili jsme v příslušné vlně hodnotu proměnné „R_now“ jako 1 a v následující vlně hodnotu proměnné „R_last“ také jako 1. Pokud ve své odpovědi tyto kategorie respondent nezmínil, nastavili jsme v příslušné vlně hodnotu proměnné „R_now“ jako 0 a v následující vlně hodnotu proměnné „R_last“ také jako 0. Své vzdělání respondenti specifiko-vali pouze v prvé vlně, jeho hodnota je tedy konstantní pro všechny vlny.

Poslední konstruovanou proměnnou je počet mediálních příspěvků věnova-ných církevním restitucím. Pro každý týden sledovaného období jsme pomocí dat z obsahové analýzy zjistili počet příspěvků v kategoriích „restituce církevního majet-ku“ a „vztah církví a státu“. Hodnotu jejich součtu za každý týden jsme pak uložili každému respondentovi do proměnné „media“, vždy pro příslušnou vlnu panelu. Vycházeli jsme přitom z předpokladu, že respondenti vyplňují své dotazníky vždy v neděli, jak byli instruováni. Pokud tedy měli respondenti např. ve čtvrté vlně odpo-vídat v neděli 11. 5. 2008, nastavili jsme všem respondentům ve čtvrté vlně hodno-tu proměnné „media“ na 59, což odpovídalo počtu příspěvků ve všech sledovaných médiích na téma církevních restitucí od pondělí 5. 5. do neděle 11. 5. 2008.

Z panelových dat jsme nejprve vyloučili respondenty, kteří neuvedli své vzdě-lání nebo v některé z vln neodpověděli, které dvě události považují v poslední době za nejdůležitější. Tím jsme získali soubor čítající 480 respondentů. Poté jsme ze souboru vyloučili první vlnu dotazování, protože pro ni logicky chyběla hodnota proměnné „R_last“ (první vlně žádná nepředcházela, nemohli jsme proto znát předchozí mínění respondentů). Nakonec jsme se rozhodli také vyloučit 10., 11. a 12. vlnu, protože v nich žádný respondent téma církevních restitucí nezmínil (resp. v 10. vlně ji zmínil pouze jeden). Popisované metody se v principu umí s takovou situací vypořádat, ale příklad by se tím zkomplikoval více, než se nám zdá pro tento úvodní přehledový text vhodné. Výsledný datový soubor proto obsahuje 8 vln dota-zování a 480 respondentů, celkem tedy 3 840 pozorování. Je tedy reprezentativní pro občany ČR ve věku 18–65 let, avšak s ohledem na to, že jsou vyloučeni respon-denti, kteří v některé z vln neuvedli platnou hodnotu některé studované proměn-né. 11

Didaktická část Nyní si názorně ukážeme, jak je možné s panelovými daty pracovat při odhado-vání modelu s dichotomickou závisle proměnnou, což je případ v analytické pra-xi poměrně častý, avšak metodologicky netriviální. Logika výkladu je inspirována

7 Usnesení č. 498 z roku 1996 a Usnesení č. 211 z roku 1997 – tzv. restituční tečka.8 Jedná se o výzvu, kterou předložila obec Červená Řečice, ke které se připojilo dalších 42 obcí. Cílem je dosažení zrušení § 29 zákona 229/1991 Sb., který zakazuje obcím nakládat s bývalým církevním majetkem. V květnu 2007 podává cca 20 senátorů stížnost k Ústavnímu soudu (ÚS) do Brna s návrhem na zrušení daného zákona.9 Návrh zákona na vyrovnání státu s církvemi počítal s odškodněním za zabavený majetek v hodnotě 134 miliard korun. Církvím měla být vydána třetina majetku, jenž jim byl zabaven po 25. únoru 1948. Zbylé dvě třetiny měly být kompenzovány v peněžní podobě. Mělo se jednat o finanční náhradu ve výši 83 miliard, která by se vyplácela po dobu 60 let. Zbylý majetek měl být úrokován 4,85 procenta ročně. To znamenalo, že každoroční splátka by byla cca 4,275 miliardy korun, které by se rozdělovaly mezi sedmnáct registrovaných církví, na něž zákon o vyrovnání pamatoval. Součástí předkládaného zákona byl i návrh, že po dobu dvaceti let bude stát daným sedmnácti registrovaným církvím vyplácet příspěvek na činnost jednotlivých subjektů, jako tomu bylo doposud, přičemž by navrhovaná částka měla být každý rok ponížena o pět procent. Kromě toho měly být církevním řádům navráceny pozemky a budovy v hodnotě 51 miliard korun. V souhrnu to znamenalo, že navrhovaný zákon o vyrovnání státu s církvemi a náboženskými společenstvími počítal s tím, že stát i s úroky vyplatí za 60 let cca 270 miliard Kč. Předložený návrh zákona o církevním vyrovnání 3. 6. 2008 neprošel poslaneckou sněmovnou PČR, o čemž 4. 6. 2008 referují všechny velké deníky.10Jako příklad lze uvést zpochybňování kritéria, které mělo posloužit k odhadu cen vraceného majetku. Metr čtvereční zemědělské půdy byl oceněn na 45 Kč, metr čtvereční lesa na 27 Kč (Právo 16. 4. 2008, MF Dnes 2. 5. 2008), přičemž tato cena byla opozicí kritizována jako nadhodnocená.

- 104 - - 105 -

klasickou prací Paula Allisona [1999], který na několika příkladech ilustruje různé přístupy k analýze panelových dat v programu SAS. Allisonovu strukturu výkla-du [ibid.: 179–192], kterou považujeme za exemplární a v sociálních vědách za respektovanou, zhruba zachováme. Konkrétní příklady jsou ale založené na výše popsaných českých datech. Některé části Allisonova výkladu vynecháme, protože se domníváme, že nejsou příliš aktuální. Na některých místech naopak přidáváme příklady vlastní, protože podle našeho názoru Allison některým analyticky důleži-tým aspektům práce s daty nevěnoval dostatečnou pozornost.

Panelová data jsou speciálním příkladem hierarchicky strukturovaných dat. V rodině hierarchických lineárních modelů existují v zásadě čtyři různé způsoby, jak se se shlukovou strukturou dat vypořádat. Jde o modely marginální (tzv. populati-on-averaged models, GEE), modely s náhodnými efekty (random-effects models), modely s fixovanými efekty (fixed effects models) a modely s robustními standard-ními chybami zohledňujícími shlukování [Mason 2001]. Allison [1999] podrobněji rozvádí tři z těchto strategií, protože – a v tom vládne v sociálněvědní komunitě konsenzus – modely s náhodnými efekty jednak nejsou vzhledem ke svým před-pokladům příliš vhodné pro modelování panelových dat, jednak výsledky nejsou při modelování dichotomické závisle proměnné příliš stabilní a konzistentní napříč různými algoritmy a softwary. My se v tomto textu podrobněji věnujeme dvěma – podle našeho názoru nejslibnějším – strategiím práce s panelovými daty s di-chotomickou závisle proměnnou: marginálním modelům [viz např. Pickles 1998] a modelům podmíněné logistické regrese [Hosmer, Lemeshow 1998]. Na rozdíl od Allisona však předvedeme, jak tyto modely odhadnout v programu STATA 10/MP [StataCorp. 2007a], který je v české sociálněvědní komunitě více rozšířený než SAS a zároveň obsahuje procedury/příkazy nutné pro efektivní analýzu panelových dat.

Už jsme zmínili, že při zpracování panelových dat je třeba zohlednit prováza-nost pozorování. Odpovědi jednoho respondenta zaznamenané v různých okamži-cích jsou si podobnější než odpovědi různých respondentů. V našem případě máme 480 respondentů – klastrů, z nichž každý obsahuje 8 záznamů (odpovídajících 8 vlnám dotazování). Data pro analýzu jsou organizována tak, aby každý individuální dotaz každého respondenta tvořil jeden řádek v datové matici, datová matice tedy celkem obsahuje 3 840 záznamů. Velikost každého datového shluku je 8 mikropo-zorování; jde tedy o balancovaný (balanced) design.12 Pro názornost uvádíme ve Výstupu 1 13 prvních 24 pozorování, tj. odpovědi prvních tří respondentů ve všech osmi vlnách dotazování.

Jednotlivé proměnné v datové matici jsou tyto: id je unikátní identifikátor každého respondenta, R_now značí, že respondent zmínil církevní restituce jako významný společenský problém v „současném“ dotazníku, R_last značí, že respon-dent zmínil církevní restituce jako problém při minulém vyplňování, educ je vzdě-lání respondenta (1 – základní, 2 – neúplné střední, 3 – úplné střední, 4 – vysoko-školské), time měří, ze které vlny panelu pochází dané pozorování (hodnoty od 2 do 9; závisle proměnnou měříme poprvé až ve druhé vlně dotazování, protože mezi vysvětlujícími proměnnými je i postoj z minulého dotazování) a konečně media měří počet mediálních příspěvků na téma církevní restituce za poslední týden. R_now, R_last, media, time jsou mikropozorování (jejich hodnoty se mohou měnit u každého pozorování), educ je makroproměnnou (zůstává konstantní u všech osmi dotazování daného respondenta).11 U všech dat pocházejících z výběrových šetření je důležitá otázka jejich reprezentativity, u panelových

dat mohou být odchylky od reprezentativity navíc umocněny ne náhodnou úmrtností v průběhu sběru dat. Naše data v tomto ohledu nejsou výjimkou – využíváme 480 z původních 648 respondentů. S ohledem na maximální možný rozsah a spíše didaktickou povahu textu však diskusi o reprezentativitě opomíjíme.12 Obecně balancovaný design znamená, že v každém makrokontextu je stejný počet mikropozorování, v našem konkrétním případě to znamená, že každý respondent zahrnutý do analýzy přispěl stejným počtem pozorování.13 V celém textu uvádíme doslovný přepis příkazů a výstupů z programu STATA v písmu Courier New, ostatní části textu jsou psány fontem Times New Roman. Kompletní do-file, který produkuje všechny zde prezentované výsledky, je k dispozici na http://www.kss.zcu.cz/data/blob.php?table=internet_list&ty-pe=FileType&file=Data&name=&idname=IDInternet&id=55.

32

Výstup 1. Prvních 24 záznam datového souboru „CVVM: Ve ejná a mediální agenda“.

id R_now R_last educ time media 1. 1 0 0 2 2 10 2. 1 1 0 2 3 45 3. 1 0 1 2 4 59 4. 1 0 0 2 5 4 5. 1 0 0 2 6 19 6. 1 0 0 2 7 5 7. 1 0 0 2 8 13 8. 1 0 0 2 9 7 9. 2 0 0 3 2 10 10. 2 0 0 3 3 45 11. 2 0 0 3 4 59 12. 2 0 0 3 5 4 13. 2 0 0 3 6 19 14. 2 0 0 3 7 5 15. 2 0 0 3 8 13 16. 2 0 0 3 9 7 17. 3 0 0 3 2 10 18. 3 0 0 3 3 45 19. 3 0 0 3 4 59 20. 3 0 0 3 5 4 21. 3 0 0 3 6 19 22. 3 0 0 3 7 5 23. 3 0 0 3 8 13 24. 3 0 0 3 9 7

Výstup 1. Prvních 24 záznamů datového souboru „CVVM: Veřejná a me-diální agenda“.

- 106 - - 107 -

Jednoduchá logistická regresePro porovnání si nejdříve představme běžný logistický model bez nastavení, které by zohledňovalo provázanost pozorování. Vyjádříme ho rovnicí, kterou používá Al-lison [1998: 181]:

kde pit označuje pravděpodobnost, že respondent i zmíní církevní restituce jako

aktuální téma v čase t, ln značí přirozený logaritmus a xit označuje vektor vysvětlu-

jících proměnných pro respondenta i v čase t. V tomto modelu je každé dotazování posuzováno zvlášť, v našem případě tedy jde o 3 840 nezávislých pozorování. V programu STATA tento model odhadneme například pomocí příkazu logit:

xi: logit R_now R_last media i.educ

R_now je označení dichotomické proměnné zmínění tématu církevních restitu-cí při současném dotazování a R_last vyjadřuje uvedení tématu církevních restitucí při předchozím dotazování. Proměnná media vyjadřuje počet mediálních sdělení, která se tomuto tématu věnovala během uplynulého týdne před dnem dotazová-ní, a educ je vzdělání respondenta překódované do dichotomických proměnných (dummy variables) pomocí příkazového prefixu xi: před specifikací modelu a před-ponou i. před názvem proměnné, kterou chceme dichotomizovat.

Výsledky tohoto příkazu ukazuje Výstup 2. Vidíme, že všechny odhadnuté koe-ficienty jsou statisticky významné na běžné hladině významnosti (0,05). Větší počet zpráv o církevních restitucích zvyšuje šanci, že respondenti zmíní církevní restitu-ce jako aktuální společenský problém. Uvedení stejného tématu respondentem v předchozím dotazování má v tomto modelu – při kontrole mediálních obsahů – po-někud překvapivě negativní efekt na současnou odpověď. (Zde tuto skutečnost dále neinterpretujeme, protože – jak ještě uvidíme – věc je poněkud složitější.)

Protože však v tomto jednoduchém logistickém modelu nebyla zohledněna pro-vázanost pozorování, koeficienty a zejména testové statistiky mohou být zkreslené.

V Tabulce 1 vidíme, že podíl respondentů, kteří zmínili církevní restituce při současném dotazování, je vyšší mezi těmi, kteří toto téma zmínili již při předcho-zím dotazování, v porovnání s respondenty, kteří v předchozím dotazníku církevní restituce neuvedli. Jinými slovy, hodnoty závisle proměnné jsou korelované.14

Před začátkem všech níže popsaných analýz je třeba informovat STATu o tom, že používáme panelová data pomocí příkazu xtset. V našem případě vypadá příkaz takto:

xtset id time

Na prvním místě po samotném příkazu uvedeme proměnnou identifikují-cí klastry, což je v našich datech proměnná id (unikátní identifikátor dotazované osoby, proměnná nabývá 480 hodnot – viz výše), a poté proměnnou udávající čas dotazování, v našich datech označené jako time. Pojmenování obou proměnných je přirozeně arbitrární.

12

ln1

itit

it

px

p (1),

kde pit ozna uje pravd podobnost, že respondent i zmíní církevní restituce jako aktuální téma

v ase t, ln zna í p irozený logaritmus a xit ozna uje vektor vysv tlujících prom nných pro

respondenta i v ase t. V tomto modelu je každé dotazování posuzováno zvláš , v našem

p ípad tedy jde o 3 840 nezávislých pozorování. V programu STATA tento model

odhadneme nap íklad pomocí p íkazu logit:

xi: logit R_now R_last media i.educ

R_now je ozna ení dichotomické prom nné zmín ní tématu církevních restitucí p i

sou asném dotazování a R_last vyjad uje uvedení tématu církevních restitucí p i p edchozím

dotazování. Prom nná media vyjad uje po et mediálních sd lení, která se tomuto tématu

v novala b hem uplynulého týdne p ed dnem dotazování, a educ je vzd lání respondenta

p ekódované do dichotomických prom nných (dummy variables) pomocí p íkazového prefixu

xi: p ed specifikací modelu a p edponou i. p ed názvem prom nné, kterou chceme

dichotomizovat.

Výsledky tohoto p íkazu ukazuje Výstup 2. Vidíme, že všechny odhadnuté koeficienty

jsou statisticky významné na b žné hladin významnosti (0,05). V tší po et zpráv

o církevních restitucích zvyšuje šanci, že respondenti zmíní církevní restituce jako aktuální

spole enský problém. Uvedení stejného tématu respondentem v p edchozím dotazování má

v tomto modelu – p i kontrole mediálních obsah – pon kud p ekvapiv negativní efekt na

sou asnou odpov . (Zde tuto skute nost dále neinterpretujeme, protože – jak ješt uvidíme –

v c je pon kud složit jší.)

14 Asociace mezi současnou a předchozí odpovědí stejného respondenta ve většině případů platí i při porovnání jednotlivých dvojic po sobě jdoucích pozorování, tj. čas 1 s časem 2, čas 2 s časem 3 atd. Odpo-vídající tabulky neuvádíme, protože jsou příliš obsáhlé.

Tabulka 1. Asociace mezi zmín ním církevních restitucí p i sou asném a p edchozím dotazování.

v sou asném dotazování v p edchozím dotazování nezmínil zmínil

Celkem

nezmínil 92,6 7,4 100 % N = 3565

zmínil 90,2 9,8 100 % N = 275

Celkem 92,5 7,6 101 % N = 3840

Poznámka: Datový soubor „CVVM: Ve ejná a mediální agenda“. Souhrnná statistika kategorizovaných prom nných v analýze, N = 3 840

Prom nná Kategorie %

ZŠ 6,9

SŠ bez maturity 32,9

SŠ s maturitou 47,5

Vzd lání

VŠ 12,7

Tabulka 1. Asociace mezi zmíněním církevních restitucí při současném a předchozím dotazování.

33

Výstup 2. Výstup jednoduchého logitového modelu. Datový soubor „CVVM: Ve ejná a mediální agenda“. . xi: logit R_now R_last media i.educ; i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted)

( ást výstupu smazána)

Logistic regression Number of obs = 3840 LR chi2(5) = 217.02 Prob > chi2 = 0.0000 Log likelihood = -919.42279 Pseudo R2 = 0.1056

R_now Coef. Std. Err. z P>|z| [95% Conf. Interval] R_last -.5769149 .22728 -2.54 0.011 -1.022376 -.1314543 media .0425683 .0030098 14.14 0.000 .0366692 .0484675 _Ieduc_2 .8826867 .3456153 2.55 0.011 .2052933 1.56008 _Ieduc_3 .7305109 .3417607 2.14 0.033 .0606723 1.40035 _Ieduc_4 1.080964 .3665327 2.95 0.003 .3625729 1.799355 _cons -4.418723 .3461442 -12.77 0.000 -5.097153 -3.740293

Výstup 2. Výstup jednoduchého logitového modelu. Datový soubor „CVVM: Veřejná a mediální agenda“.

- 108 - - 109 -

Směrodatné chyby mají v tomto případě tendenci být nižší než ve skutečnosti, a protože Waldův test, kterým je testována statistická významnost koeficientů, s nimi počítá ve jmenovateli [viz Wald 1943], může být uvedená p-hodnota zkreslená.

Marginální modely, populačně zprůměrované modely, GEEJednou z možností, jak do modelu zahrnout korelovanost odpovědí od stejného respondenta, jsou tzv. marginální modely.15 Rozdíl oproti běžnému logistické-mu modelu spočívá v odlišném algoritmu, který je využit při odhadu parametrů modelů (modely pracují s metodou generalizovaných nejmenších čtverců, v níž je korelovanost pozorování uvnitř makrokontextů do iterativního procesu zahrnuta jako vedlejší podmínka [viz Mason 2001: 14 991]). Zobecněný lineární model byl rozšířen o tuto postranní podmínku v již klasických pracích Lianga a Zegera [např. Liang, Zeger 1986], sociologické obci model představili např. Bye a Riley [1989]. Komplexní pojednání nabízejí např. Hardin a Hilbe [2003].

V programu STATA se tento typ modelů zadává například obecným příkazem pro analýzu hierarchicky strukturovaných dat a binární závisle proměnnou xtlogit, přičemž jako možnost (option) je třeba specifikovat druh modelu. Například:

xi: xtlogit R_now R_last media i.educ, pa corr(unstructu-red) 16

Za příkazem xtlogit následuje závisle proměnná (R_now) a poté vysvětlující

proměnné – R_last a educ. Možnost (option v jazyce programu STATA) pa ozna-čuje typ modelu (zkratka pochází z výrazu „population-averaged“, což je jiný název pro marginální model).17 Pomocí možnosti corr udáváme, jaká struktura korelací v rámci klastrů má být při odhadování modelu použita. V uvedeném zadání jsme použili nestrukturované korelace (možnost unstructured). To znamená, že každý element korelační matice může nabývat v zásadě libovolných hodnot a není nijak omezen hodnotami korelací jiných. Korelační matici STATA automaticky nezobra-zuje, ale ukládá do paměti spolu s řadou dalších údajů o posledním odhadnutém modelu (kompletní seznam těchto údajů ukládaných příkazem xtlogit s možností pa je uveden v manuálu [StataCorp. 2007b: 215]. Pracovní korelační matici zobra-zíme následujícím příkazem (příkaz je vhodné zadat ihned po odhadnutí, protože jiné příkazy mohou obsah paměti měnit):

matrix list e(R)

K dalším možnostem nastavení struktury korelací se vrátíme níže. Výsledek specifikovaného modelu zobrazuje Výstup 3. V porovnání s jednoduchým logistic-kým modelem zůstala zachována znaménka koeficientů a jejich absolutní hodnoty mírně vzrostly. P-hodnota se ale u vyučení zvýšila a u vzdělání s maturitou se do-konce přehoupla přes hranici statistické významnosti. U jednotlivých koeficientů zůstává zachována i interpretace (jde o čistý efekt změny vysvětlující proměnné o jednu jednotku, přičemž závisle proměnnou je logit šance, že jev nastal). Model se anglicky nazývá population-averaged (populačně zprůměrňovaný), protože jde o průměrný efekt napříč kontexty a mikropozorováními.

Připojená korelační matice ukazuje většinou velmi malé pozitivní korelace mezi jednotlivými odpověďmi respondentů. Korelace jsou vyšší pouze mezi dvěma po sobě bezprostředně následujícími vlnami dotazování (v matici jsou to elementy bezprostředně pod hlavní diagonálou). Poněkud překvapivě vidíme také některé negativní korelace. Většinou jde o korelace současné odpovědi a odpovědi dva týd-ny staré.

Allison [1999: 185] bez bližšího vysvětlení uvádí, že je nestrukturovaná korelač-ní matice vhodná především v situacích, kdy máme malý počet opakovaných dota-zování, což není zcela náš případ. Proto uvažujeme i o alternativních specifikacích. V úvahu připadá možnost zaměnitelných korelací (tj. stav, kdy jsou všechny mimo-diagonální elementy korelační matice nenulové a shodné). Tuto možnost můžeme zadat, pokud zadáme do závorky za možnost corr místo unstructured možnost ex-changeable.

15 Metodě se také někdy díky odhadovacímu algoritmu říká generalized estimating equations (často zkra-cováno jako GEE, česky zřejmě nejlépe zobecněné odhadové rovnice).16 Stejného výsledku můžeme dosáhnout i pomocí příkazu xtgee. Pak je třeba podrobněji specifikovat typ modelu: xi: xtgee R_now R_last media i.educ, family (binomial) link (logit) co-rr(unstructured)xtgee je obecný příkaz, který umí odhadnout celou řadu hierarchických lineárních modelů metodou zo-becněných odhadových rovnic (modely s různými typy závisle proměnné atp.). Podrobnosti k příkazuxtgee lze nalézt v manuálu [StataCorp 2007b: 119 a další].17 Příkaz xtlogit umí odhadovat i další typy hierarchických lineárních modelů s dichotomickou závisle pro-měnnou. Možnost fe specifikuje tzv. model s fixovanými efekty (fixed-effects model, viz níže) a možnost re specifikuje tzv. „random effects model“ (model s náhodnými efekty, o tom zde již dále nebudeme mluvit, protože se příliš nehodí pro analýzu panelových dat).

34

Výstup 3. Výstup marginálního modelu s nestrukturovanou korela ní maticí. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: xtlogit R_now R_last media i.educ, pa corr(unstructured) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) ( ást výstupu smazána)

GEE population-averaged model Number of obs = 3840 Group and time vars: id time Number of groups = 480 Link: logit Obs per group: min = 8 Family: binomial avg = 8.0 Correlation: unstructured max = 8 Wald chi2(5) = 300.60 Scale parameter: 1 Prob > chi2 = 0.0000

R_now Coef. Std.Err. z P>|z| [95%Conf.Interval] R_last -2.433386 .3956632 -6.15 0.000 -3.208872 -1.6579 media .0510859 .0030472 16.77 0.000 .0451136 .0570582 _Ieduc_2 .9448041 .3951383 2.39 0.017 .1703472 1.719261 _Ieduc_3 .7433182 .3906432 1.90 0.057 -.0223283 1.508965 _Ieduc_4 1.23158 .4205061 2.93 0.003 .4074033 2.055757 _cons -4.622771 .395701 -11.68 0.000 -5.398331 -3.847211

. matrix list e(R)

symmetric e(R)[8,8] c1 c2 c3 c4 c5 c6 c7 c8 r1 1 r2 .34638934 1 r3 -.00546647 .18415154 1 r4 .01561026 .06311103 .08907401 1 r5 .06119335 .03652175 -.00847153 .09845185 1 r6 -.01514502 .00686438 .01100001 -.01928935 .00378571 1 r7 .03949146 .07864283 .05367912 .12566043 .03892322 .14910319 1 r8 .10938546 .08582669 .03176937 -.02505339 .04124264 -.01275933 .13184975 1

Výstup 3. Výstup marginálního modelu s nestrukturovanou korelační maticí. Datový soubor „CVVM: Veřejná a mediální agenda“.

- 110 - - 111 -

Odhadnuté parametry modelu se zaměnitelnou strukturou korelací uvádí Vý-stup 4. Absolutní velikost koeficientů se oproti předchozímu modelu velmi mírně snížila, nepatrně se pozměnily i p-hodnoty, ale signifikance výsledků se nezměni-la.

Další možností nastavení korelační matice je independent. Tímto příkazem na-stavíme korelace nulové (jako by jednotlivá dotazování stejných respondentů byla nezávislá). Výsledky tohoto modelu jsou totožné s výsledky jednoduchého logistic-kého modelu prezentovanými ve Výstupu 2 (viz Výstup 5). Marginální model s autoregresivní strukturou korelací odhadneme příkazem:

Poslední možností, která přichází v úvahu, je autoregresivní struktura korelací. Jde o specifikaci, kde se předpokládá, že míra korelovanosti závisí na vzdálenosti pozorování v čase. Korelovanost je shodná pro všechny dvojice pozorování, které jsou stejně vzdálené v čase. Například všechna po sobě bezprostředně jdoucí pozo-rování vykazují stejnou míru podobnosti (např. pozorování v čase 2 a 3 jsou stejně korelovaná jako pozorování v čase 3 a 4, 4 a 5 atd.). Obdobně vykazují stejnou míru podobnosti pozorování vzdálená dva týdny (např. pozorování ve druhém a čtvrtém týdnu, pozorování ve třetím a pátém týdnu atp.). Autoregresivní struktura se hodí právě pro panelová (tj. v čase uspořádaná) data.

Nejjednodušší specifikace autoregresní korelační matice předpokládá autore-gresní strukturu prvního řádu, tj. situaci, kdy existuje čistá korelace pouze mezi pozorováními, která po sobě bezprostředně následují (korelace nultého řádu mezi vzdálenějšími pozorováními může být v datech zjištěna, je ale pouze důsledkem korelovanosti bezprostředně sousedících datových bodů).

Marginální model s autoregresivní strukturou korelací odhadneme příkazem:

xi: xtlogit R_now R_last media i.educ, pa corr(ar1)

Autoregresivní struktura korelací je vyžádána možností corr(ar1), kde 1 označu-je, že se jedná o autoregresní strukturu prvního řádu. Výsledky této procedury jsou zachyceny ve Výstupu 6. Negativní vliv uvedení církevních restitucí v předchozím dotazování se opět prohloubil, vliv počtu zpráv v médiích se téměř nezměnil, stejně jako p-hodnoty.

Allison [1999: 187] uvádí (a doporučuje) možnost nastavit model tak, aby spočí-tal robustní směrodatné chyby. Toto řešení se nám jeví jako diskutabilní, nicméně alespoň pro úplnost uvádíme, jak toto nastavení ve STATě provést pomocí mož-nosti vce:

xi: xtlogit R_now R_last media i.educ, pa corr(unstructu-red) vce(robust)

Výstup 4. Výstup marginálního modelu se zaměnitelnou korelační ma-ticí. Datový soubor „CVVM: Veřejná a mediální agenda“.

35

Výstup 4. Výstup marginálního modelu se zam nitelnou korela ní maticí. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: xtlogit R_now R_last media i.educ, pa corr(exchangeable) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) ( ást výstupu smazána)

GEE population-averaged model Number of obs = 3840 Group variable: id Number of groups = 480 Link: logit Obs per group: min = 8 Family: binomial avg = 8.0 Correlation: exchangeable max = 8 Wald chi2(5) = 221.50 Scale parameter: 1 Prob > chi2 = 0.0000

R_now Coef. Std.Err. z P>|z| [95%Conf .Interval] R_last -1.033895 .2548112 -4.06 0.000 -1.533315 -.5344741 media .043989 .0029907 14.71 0.000 .0381274 .0498507 _Ieduc_2 .8839941 .3845113 2.30 0.022 .1303658 1.637622 _Ieduc_3 .7281666 .3800392 1.92 0.055 -.0166967 1.47303 _Ieduc_4 1.145145 .4075695 2.81 0.005 .3463236 1.943966 _cons -4.419858 .3834952 -11.53 0.000 -5.171494 -3.668221

. matrix list e(R)

symmetric e(R)[8,8] c1 c2 c3 c4 c5 c6 c7 c8 r1 1 r2 .04886335 1 r3 .04886335 .04886335 1 r4 .04886335 .04886335 .04886335 1 r5 .04886335 .04886335 .04886335 .04886335 1 r6 .04886335 .04886335 .04886335 .04886335 .04886335 1 r7 .04886335 .04886335 .04886335 .04886335 .04886335 .04886335 1 r8 .04886335 .04886335 .04886335 .04886335 .04886335 .04886335 .04886335 1

Výstup 5. Výstup marginálního modelu s nezávislou korelační maticí. Datový soubor „CVVM: Veřejná a mediální agenda“.

36

Výstup 5. Výstup marginálního modelu s nezávislou korela ní maticí. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: xtlogit R_now R_last media i.educ, pa corr(independent) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted)

Iteration 1: tolerance = 2.165e-10

GEE population-averaged model Number of obs = 3840 Group variable: id Number of groups = 480 Link: logit Obs per group: min = 8 Family: binomial avg = 8.0 Correlation: independent max = 8 Wald chi2(5) = 208.21 Scale parameter: 1 Prob > chi2 = 0.0000

Pearson chi2(3840): 3684.85 Deviance = 1838.85 Dispersion (Pearson): .9595955 Dispersion = .478866

R_now Coef. Std.Err. z P>|z| [95%Conf. Interval] R_last -.5769149 .2272803 -2.54 0.011 -1.022376 -.1314538 media .0425683 .0030098 14.14 0.000 .0366692 .0484675 _Ieduc_2 .8826867 .3456192 2.55 0.011 .2052855 1.560088 _Ieduc_3 .7305109 .3417647 2.14 0.033 .0606645 1.400357 _Ieduc_4 1.080964 .3665365 2.95 0.003 .3625656 1.799362 _cons -4.418723 .3461482 -12.77 0.000 -5.097161 -3.740285

. matrix list e(R);

symmetric e(R)[8,8] c1 c2 c3 c4 c5 c6 c7 c8 R1 1 R2 0 1 R3 0 0 1 R4 0 0 0 1 R5 0 0 0 0 1 R6 0 0 0 0 0 1 R7 0 0 0 0 0 0 1 R8 0 0 0 0 0 0 0 1

- 112 - - 113 -

Tabulka 2 přináší porovnání hodnot chi2 jednotlivých koeficientů (testových kritérií pro test hypotézy, že je daný koeficient roven nule) pro různě specifikované modely.

Podmíněný logitový modelDalší možností, jak pracovat s panelovými daty, je model podmíněné logistické regrese (tento model bývá v ekonometrické literatuře často označován jako fixed-effects model).

Největší výhodou modelu podmíněné logistické regrese oproti marginálnímu modelu je jeho schopnost statisticky kontrolovat všechny měřené i neměřené, mě-řitelné i neměřitelné charakteristiky klastrů (makroproměnné), tj. proměnné, které jsou v čase stabilní [Mason 2001: 14 990]. V našem případě to znamená, že jsou kontrolovány (aditivní a lineární) efekty všech vlastností respondentů, které se mezi jednotlivými vlnami dotazování neměnily, ať už jde o námi sledované vzdělá-ní nebo jakékoli další proměnné charakterizující respondenta napříč jednotlivými vlnami výzkumu. Modely s fixovanými efekty jsou extrémně analyticky populární právě pro tuto svou vlastnost. Jak ale ještě uvidíme, mají tyto modely i jiné, méně chvályhodné vlastnosti, které jim brání, aby se staly univerzálně používaným ná-strojem.

Se stabilními charakteristikami jednotlivců model pracuje jako se sadou fixova-ných konstant, z nichž každá je přiřazena jednomu respondentovi. Model můžeme v souladu s Allisonem [1999: 188] zapsat rovnicí:

kde zachycuje všechny rozdíly mezi jedinci, které jsou v čase stabilní (fixova-né, odtud také název metody). Tímto postupem ale každý další klastr (respondent) přidá do modelu další parametr, což působí při odhadování metodou maximální věrohodnosti problémy. Ta totiž předpokládá výrazně vyšší počet pozorování než parametrů. Řešením je odhadování modelu metodou podmíněné věrohodnosti [Hosmer, Lemeshow 1998]. Protože sada kontrastů mezi kontexty (parametry α

i)

není obvykle věcně zajímavá, nebývá ve výstupech uváděna. Často nejsou ani hod-noty kontrastů odhadovány, protože data jsou před odhadováním v rámci shluků centrována.

V programu STATA definujeme podmíněný logitový model pomocí příkazu clo-git:

xi: clogit R_now R_last media i.educ, group(id) 18

Výsledky vidíme ve Výstupu 7. Chybí v nich koeficienty proměnných, které jsou v rámci jednoho respondenta konstantní, tj. všechny tři indikátory vzdělání. Ty nám totiž nemohou odpovědět na otázku, proč se událost odehrála v daném čase a ne jiném, protože jsou pro každého respondenta ve všech časových bodech kon-stantní (a něco, co se nemění v čase, nemůže vysvětlit, proč se něco jiného v čase změnilo).

18

Se stabilními charakteristikami jednotlivc model pracuje jako se sadou fixovaných

konstant, z nichž každá je p i azena jednomu respondentovi. Model m žeme v souladu

s Allisonem [1999: 188] zapsat rovnicí:

ln1

iti it

it

px

p (2),

kde i zachycuje všechny rozdíly mezi jedinci, které jsou v ase stabilní (fixované, odtud také

název metody). Tímto postupem ale každý další klastr (respondent) p idá do modelu další

parametr, což p sobí p i odhadování metodou maximální v rohodnosti problémy. Ta totiž

p edpokládá výrazn vyšší po et pozorování než parametr . ešením je odhadování modelu

metodou podmín né v rohodnosti [Hosmer, Lemeshow 1998]. Protože sada kontrast mezi

kontexty (parametry i) není obvykle v cn zajímavá, nebývá ve výstupech uvád na. asto

nejsou ani hodnoty kontrast odhadovány, protože data jsou p ed odhadováním v rámci

shluk centrována.

V programu STATA definujeme podmín ný logitový model pomocí p íkazu clogit:

xi: clogit R_now R_last media i.educ, group(id)18

Výsledky vidíme ve Výstupu 7. Chybí v nich koeficienty prom nných, které jsou v rámci

jednoho respondenta konstantní, tj. všechny t i indikátory vzd lání. Ty nám totiž nemohou

odpov d t na otázku, pro se událost odehrála v daném ase a ne jiném, protože jsou pro

každého respondenta ve všech asových bodech konstantní (a n co, co se nem ní v ase,

nem že vysv tlit, pro se n co jiného v ase zm nilo).

18 Stejného výsledku docílíme i pomocí nám již známého p íkazu xtlogit nastavením možnosti fe (zkratka pro fixed-effects): xi: xtlogit R_now R_last media i.educ, fe i(id).

37

Výstup 6. Výstup marginálního modelu s autoregresivní korela ní maticí prvního ádu. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: xtlogit R_now R_last media i.educ, pa corr(ar1) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) ( ást výstupu smazána)

GEE population-averaged model Number of obs = 3840 Group and time vars: id time Number of groups = 480 Link: logit Obs per group: min = 8 Family: binomial avg = 8.0 Correlation: AR(1) max = 8 Wald chi2(5) = 228.73 Scale parameter: 1 Prob > chi2 = 0.0000 R_now Coef. Std.Err. z P>|z| [95%Conf. Interval] R_last -1.762107 .3237433 -5.44 0.000 -2.396632 -1.127581 media .0438912 .0029836 14.71 0.000 .0380435 .049739 _Ieduc_2 .9245471 .3742736 2.47 0.014 .1909845 1.65811 _Ieduc_3 .7601691 .3700499 2.05 0.040 .0348848 1.485454 _Ieduc_4 1.167091 .3970615 2.94 0.003 .3888644 1.945317 _cons -4.379821 .3729844 -11.74 0.000 -5.110857 -3.648785

. matrix list e(R)

symmetric e(R)[8,8] c1 c2 c3 c4 c5 c6 c7 c8 r1 1 r2 .12392779 1 r3 .0153581 .12392779 1 r4 .00190329 .0153581 .12392779 1 r5 .00023587 .00190329 .0153581 .12392779 1 r6 .00002923 .00023587 .00190329 .0153581 .12392779 1 r7 3.623e-06 .00002923 .00023587 .00190329 .0153581 .12392779 1 r8 4.489e-07 3.623e-06 .00002923 .00023587 .00190329 .0153581 .12392779 1

Výstup 6. Výstup marginálního modelu s autoregresivní korelační ma-ticí prvního řádu. Datový soubor „CVVM: Veřejná a mediální agenda“.

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti daného koeficientu u r zných HLM model . Logistická regrese GEE modely Bez úprav S robustními

standardními chybami (s. e.)

S robustními s. e. zohled ujícími

shlukování

Nestrukturovaná korela ní matice (unstructured)

Zam nitelné korelace(exchangeable)

Nezávislá pozorování

(independent)

Autoregresivní specifikace

R_last 6,45 5,76 6,05 37,82 16,48 6,45 29,59 media 199,93 223,80 212,58 281,23 216,38 199,93 216,38 _Ieduc_2 6,5 6,45 7,56 5,71 5,29 6,5 6,1 _Ieduc_3 4,57 4,54 5,43 3,61 3,68 4,57 4,2 _Ieduc_4 8,7 8,70 10,69 8,58 7,89 8,7 8,64 _cons 163,07 165,38 202,78 136,42 132,94 163,07 137,82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

31

Tab

ulka

2. P

orov

nání

hod

not c

hi2

pro

test

stat

ické

výz

nam

nost

i dan

ého

koef

icie

ntu

u r

znýc

h H

LM m

odel

.

Logi

stic

ká re

gres

e G

EE m

odel

y

Bez

úpr

av

S ro

bust

ním

i st

anda

rdní

mi

chyb

ami (

s. e.

)

S ro

bust

ním

i s. e

. zo

hled

ujíc

ími

shlu

ková

ní

Nes

trukt

urov

aná

kore

laní

mat

ice

(uns

truc

ture

d)

Zam

nite

lné

kore

lace

(exc

hang

eabl

e)

Nez

ávis

lá

pozo

rová

ní

(inde

pend

ent)

Aut

oreg

resi

vní

spec

ifika

ce

R_l

ast

6,45

5,

76

6,05

37

,82

16,4

8 6,

45

29,5

9 m

edia

19

9,93

22

3,80

21

2,58

28

1,23

21

6,38

19

9,93

21

6,38

_I

educ

_2

6,5

6,45

7,

56

5,71

5,

29

6,5

6,1

_Ied

uc_3

4,

57

4,54

5,

43

3,61

3,

68

4,57

4,

2 _I

educ

_4

8,7

8,70

10

,69

8,58

7,

89

8,7

8,64

_c

ons

163,

07

165,

38

202,

78

136,

42

132,

94

163,

07

137,

82

Tabulka 2. Porovnání hodnot chi2 pro test statické významnosti dané-ho koeficientu u různých HLM modelů.

18Stejného výsledku docílíme i pomocí nám již známého příkazu xtlogit nastavením možnosti fe (zkratka pro fixed-effects): xi: xtlogit R_now R_last media i.educ, fe i(id).

- 114 - - 115 -

Všimněme si, že model byl odhadnut s odlišným počtem pozorování. Z mode-lování byly vypuštěny všechny klastry, v jejichž rámci se hodnota závisle proměnné neměnila, tj. všechny záznamy o jedincích, kteří uvedli církevní restituce buď ve všech vlnách dotazování, nebo je nezmínili ani jednou. To znamenalo vyloučení 261 respondentů (2 088 pozorování), což je více než polovina z našich 480 respon-dentů. Takovéto snížení počtu pozorování může výrazně zvýšit směrodatné chyby koeficientů a znamená neefektivní využívání dat, které je velkou cenou za použití tohoto modelu. Absolutní hodnoty obou zbylých koeficientů se lehce zvýšily a jsou vysoce signifikantní.

Testování hypotézAby byl výklad co nejvíce názorný, předvedli jsme, jak spočítat marginální modely a model podmíněné logistické regrese na velmi jednoduchém příkladu. V této sekci chceme představit několik dalších doplňkových nástrojů, které se mohou v analy-tické práci hodit. Dále se chceme alespoň krátce vrátit k substantivnímu významu odhadnutých modelů. Chceme ukázat, že modely, které jsme až doposud používali jako didakticky užitečné ilustrace, je třeba dále rozvíjet, protože v současné podobě nejsou interpretovatelné.

U všech marginálních modelů i u podmíněných logitových modelů můžeme testovat statistickou významnost odhadnutých koeficientů Waldovým testem (po-mocí příkazu test). Tímto způsobem lze testovat významnost každého jednotlivého koeficientu (tím replikuje příkaz test část výstupu příkazu xtlogit, neboť ten uvádí hodnotu testového z-kritéria pro každý odhadnutý efekt) i skupiny koeficientů. Na-příklad po odhadnutí marginálního modelu můžeme provést souhrnný test hypo-tézy, že vzdělání respondenta má nulový vliv na zmínění církevních restitucí takto:

xi: xtlogit R_now R_last media i.educ, pa corr(ar1)test _Ieduc_2 _Ieduc_3 _Ieduc_4

Výsledkem je Výstup 8. Signifikantnost testu na hladině 0,05 potvrzuje, že sku-pina koeficientů vzdělání se významně liší od nuly, tedy že vzdělání má vliv na uve-dení církevních restitucí jako aktuálního společenského tématu.

Různé podmíněné logitové modely, které jsou zároveň vhnízděné (nested), mů-žeme mimo to porovnávat pomocí testu věrohodnostním poměrem (likelihood-ra-tio test – odtud název příkazu lrtest). Tento test je výpočtově náročnější, protože předpokládá odhadnutí obou srovnávaných modelů a uložení odhadnutých para-metrů ještě před jejich srovnáním. Nejdříve je třeba odhadnout složitější model, uložit jeho parametry příkazem estimates store se specifikací jména modelu (zde pro jednoduchost „A“):

xi: clogit R_now R_last media i.educ, group(id)estimates store A

Poté odhadneme vhnízděný model a provedeme test příkazem:

xi: clogit R_now media i.educ, group(id)lrtest A

Výsledky této procedury přináší Výstup 9. Porovnali jsme model, se kterým jsme pracovali v předchozí části, s jednodušším modelem, který nezahrnoval pro-měnnou R_last. Vysoce signifikantní výsledek testu věrohodnostním poměrem nám říká, že složitější model odpovídá datům lépe.

38

Výstup 7. Výstup podmín ného logistického modelu. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: clogit R_now R_last media i.educ,group(id) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) note: multiple positive outcomes within groups encountered. note: 261 groups (2088 obs) dropped because of all positive or all negative outcomes. note: _Ieduc_2 omitted because of no within-group variance. note: _Ieduc_3 omitted because of no within-group variance. note: _Ieduc_4 omitted because of no within-group variance.

( ást výstupu smazána)

Conditional (fixed-effects) logistic regression Number of obs = 1752 LR chi2(2) = 359.57 Prob > chi2 = 0.0000 Log likelihood = -357.37249 Pseudo R2 = 0.3347 R_now Coef. Std. Err. z P>|z| [95% Conf. Interval] R_last -2.794777 .2664174 -10.49 0.000 -3.316946 -2.272609 media .0673906 .0042163 15.98 0.000 .0591267 .0756545

Výstup 7. Výstup podmíněného logistického modelu. Datový soubor „CVVM: Veřejná a mediální agenda“.

39

Výstup 8. Výstup Waldova testu koeficient vzd lání pro marginální model s autoregresivní korela ní strukturou. . test _Ieduc_2 _Ieduc_3 _Ieduc_4;

( 1) _Ieduc_2 = 0 ( 2) _Ieduc_3 = 0 ( 3) _Ieduc_4 = 0

chi2( 3) = 10.13 Prob > chi2 = 0.0175

Výstup 8. Výstup Waldova testu koeficientů vzdělání pro marginální model s autoregresivní korelační strukturou.

- 116 - - 117 -

Waldovým testem (u marginálních modelů) a Waldovým testem a/nebo věro-hodnostním testem (u podmíněných logitových modelů) lze testovat statistickou významnost i u meziúrovňových interakcí. Mějme například hypotézu, že vliv množství mediálních zpráv o církevních restitucích na zmínění tohoto tématu jako aktuálního společenského problému se může lišit podle vzdělání respondentů. To prověříme tím, že do modelů přidáme interakce mezi vzděláním a počtem mediál-ních zpráv. Marginální model potom vypadá takto:

xi: xtlogit R_now R_last i.educ*media, pa corr(ar1)

a podmíněný logitový model takto:

xi: clogit R_now R_last i.educ*media, group(id)

Statistickou významnost interakčních koeficientů jsme v obou případech ověřili Waldovým testem. Oba testy shodně ukázaly, že interakční koeficienty nejsou sig-nifikantní (výstupy neuvádíme). To znamená, že množství mediálních sdělení na téma církevních restitucí působilo na všechny vzdělanostní skupiny zhruba stejně.

Věcná elaborace modelůV předchozím textu jsme konstatovali, že při jednoduché aditivní specifikaci mode-lů se zdá, že respondenti, kteří církevní restituce zmínili jako problém v předcho-zím týdnu, mají nižší šanci, že téma zmíní v aktuálním dotazování. Domníváme se, že jde o předčasný závěr. Zdá se nám, že vliv předcházející odpovědi respondenta na tu současnou může záviset na mediální expozici tématu. Abychom zjistili, jest-li tomu tak opravdu bylo, přidáme do modelů interakce mezi proměnnou media, která udává počet mediálních sdělení na téma církevních restitucí, a R_last, která říká, jestli respondent uvedl církevní restituce jako aktuální společenský problém při minulém dotazování. Marginální model specifikujeme takto:

xi: xtlogit R_now i.R_last*media, pa corr(exc)

Nastavení zaměnitelné korelační struktury bylo v tomto případě jediným mož-ným řešením. Při ostatních možnostech (uns a ar1) nebyl program schopen nalézt maximum věrohodnostní funkce a takto vytvořený model je neinterpretovatelný. Výsledky specifikovaného modelu uvádí Výstup 10, ve kterém vidíme, že koeficient interakce proměnných media a R_last není signifikantní na obvyklé hladině 0,05.

Výstup 9. Výstup testu věrohodnostním poměrem pro modely podmí-něné logistické regrese s proměnnou R_last a bez ní. Datový soubor „CVVM: Veřejná a mediální agenda“.

40

Výstup 9. Výstup testu v rohodnostním pom rem pro modely podmín né logistické regrese s prom nnou R_last a bez ní. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: clogit R_now R_last media i.educ,group(id); i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted)

note: multiple positive outcomes within groups encountered. note: 261 groups (2088 obs) dropped because of all positive or all negative outcomes. note: _Ieduc_2 omitted because of no within-group variance. note: _Ieduc_3 omitted because of no within-group variance. note: _Ieduc_4 omitted because of no within-group variance. ( ást výstupu smazána)

Conditional (fixed-effects) logistic regression Number of obs = 1752 LR chi2(2) = 359.57 Prob > chi2 = 0.0000 Log likelihood = -357.37249 Pseudo R2 = 0.3347

R_now Coef. Std. Err. Z P>|z| [95% Conf. Interval] R_last -2.794777 .2664174 -10.49 0.000 -3.316946 -2.272609 media .0673906 .0042163 15.98 0.000 .0591267 .0756545

. estimates store A;

. xi: clogit R_now media i.educ,group(id); i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) note: multiple positive outcomes within groups encountered. note: 261 groups (2088 obs) dropped because of all positive or all negative outcomes. note: _Ieduc_2 omitted because of no within-group variance. note: _Ieduc_3 omitted because of no within-group variance. note: _Ieduc_4 omitted because of no within-group variance. ( ást výstupu smazána)

Conditional (fixed-effects) logistic regression Number of obs = 1752 LR chi2(1) = 203.08 Prob > chi2 = 0.0000 Log likelihood = -435.61626 Pseudo R2 = 0.1890

R_now Coef. Std. Err. z P>|z| [95% Conf. Interval] media .0412891 .0029777 13.87 0.000 .035453 .0471252

. lrtest A;

Likelihood-ratio test LR chi2(1) = 156.49 (Assumption: . nested in A) Prob > chi2 = 0.0000

Výstup 10. Výstup marginálního modelu se zaměnitelnou korelační strukturou s interakcí počtu mediálních zpráv o církevních restitucích a jejich zmínění při předchozí vlně dotazování. Datový soubor „CVVM: Veřejná a mediální agenda“.

41

Výstup 10. Výstup marginálního modelu se zam nitelnou korela ní strukturou s interakcí po tu mediálních zpráv o církevních restitucích a jejich zmín ní p i p edchozí vln dotazování. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: xtlogit R_now i.R_last*media,pa corr(exc); i.R_last _IR_last_0-1 (naturally coded; _IR_last_0 omitted) i.R_last*media _IR_lXmedia_# (coded as above) ( ást výstupu smazána)

GEE population-averaged model Number of obs = 3840 Group variable: id Number of groups = 480 Link: logit Obs per group: min = 8 Family: binomial avg = 8.0 Correlation: exchangeable max = 8 Wald chi2(3) = 223.61 Scale parameter: 1 Prob > chi2 = 0.0000

R_now Coef. Std. Err. z P>|z| [95% Conf. Interval] _IR_last_1 -.0421106 .6405807 -0.07 0.948 -1.297626 1.213404 media .0448268 .0030375 14.76 0.000 .0388734 .0507802 _IR_lXmedia_1 -.0195006 .0123873 -1.57 0.115 -.0437792 .0047781 _cons -3.648692 .1315671 -27.73 0.000 -3.906559 -3.390825

- 118 - - 119 -

K jinému závěru však vede podmíněný logitový model specifikovaný jako:

xi: clogit R_now i.R_last*media i.educ, group(id)

Výstup 11 ukazuje výsledky modelu, Waldova testu interakčního koeficientu a testu statistické významnosti dodané interakce věrohodnostním poměrem. Oba testy potvrzují vysokou signifikanci interakce. Podle podmíněného logistického modelu se tedy významně liší vliv předchozího zmínění církevních restitucí na jejich uvedení při současném dotazování podle toho, jak intenzivně se toto téma vyskytovalo v mediálních zprávách. Nebo jinými slovy: efekt mediální expozice té-matu je odlišný u respondentů, kteří téma minule zmínili, a u respondentů, kteří téma minule nezmínili (u obou skupin je však statisticky významně různý od nuly, podrobnosti o tomto testu neuvádíme).

Interakci interpretujeme takto: pokud respondent uvedl církevní restituce jako jedno ze dvou nejdůležitějších společenských témat jeden týden a zároveň byl v následujícím týdnu vystaven velkému množství zpráv o církevních restitucích, zvy-šuje se šance, že je zmíní i při dalším dotazování (resp. že téma neopustí). Také pokud respondent minule téma nezmínil, zvyšuje mediální expozice tématu šanci, že respondent téma zmíní. Efekt mediální expozice je ale podstatně slabší u respon-dentů, kteří minule téma uvedli, než u respondentů, kteří téma minule neuvedli. To lze vyložit takto: pro získání tematické preference respondenta a k jejímu udržení je třeba různě silná mediální expozice.

Pokud jedinec téma církevních restitucí aktuálně zmíní, koeficienty podmíně-ného logistického modelu ve Výstupu 11 nám říkají, že to ještě automaticky nezna-mená, že jedinec toto téma opustí v následujícím dotazování. Vše závisí na mediální prezentaci tématu. (1) Pokud bude vysoký počet příspěvků v následujícím týdnu, bude i vysoká šance, že respondent téma v budoucím dotazování neopustí. (2) Za podmínky, že příští týden mediální expozice tématu církevních restitucí dosáhne 13 a více příspěvků, platí, že ten, kdo aktuálně téma preferuje, má v následujícím dotazování nižší šanci na preferenci tématu, než ten, kdo jej aktuálně nezmiňuje. Při nižší expozici není rozdíl šancí statisticky ani věcně významný.19

Věcně nekonzistentní výsledky při použití alternativních modelů jsou při práci s hierarchickými lineárními modely poměrně častou záležitostí.20 Na tomto příkladu jasně vidíme, že správná volba modelu může zásadně ovlivnit výsledky, ke kterým dospějeme. V našem případě se domníváme, že datům lépe odpovídá podmíněný logistický model. I když využil méně než polovinu pozorování, pořád byl vzorek poměrně velký (1 752 pozorování) a především nám umožnil kontrolovat všechny stabilní charakteristiky respondentů, včetně těch, které jsme neměřili. Právě zkres-lující vliv nějaké nepozorované proměnné mohl způsobit odlišnost výsledků mar-ginálních modelů.

ZávěrŽádný z popsaných modelů panelových dat není univerzálně použitelný. Vždy je třeba zvážit, jaké výhody nám použití konkrétního přístupu přinese a co budeme těmto výhodám muset obětovat. Podmíněný logitový model nakládá s daty neefek-tivně, protože používá pouze pozorování, u nichž došlo ke změně stavu závisle pro-měnné. Je ale více odolný vůči zkreslení v důsledku vynechané proměnné (omitted variable bias). GEE využívá data efektivněji, ale problém vynechané proměnné je mnohem pravděpodobnější. Obecné pravidlo při práci s hierarchicky strukturo-vanými daty (zejména pokud je závisle proměnná dichotomická) ale praví, že je vhodné použít několik alternativních postupů, různé algoritmy (a různé programy) a výsledky otevřeně prezentovat, a to i tehdy (zejména tehdy!) pokud nejsou zcela konzistentní. Přijatelný výklad výsledků je ovšem nakonec vždy otázkou přiměřené interpretace a sociologické imaginace.

Výstup 11. Výstup podmíněného logistického modelu s interakcí počtu mediálních zpráv o církevních restitucích a jejich zmínění při předchozí vlně dotazování. Datový soubor „CVVM: Veřejná a mediální agenda“.

42

Výstup 11. Výstup podmín ného logistického modelu s interakcí po tu mediálních zpráv o církevních restitucích a jejich zmín ní p i p edchozí vln dotazování. Datový soubor „CVVM: Ve ejná a mediální agenda“.

. xi: clogit R_now i.R_last*media i.educ,group(id); i.R_last _IR_last_0-1 (naturally coded; _IR_last_0 omitted) i.R_last*media _IR_lXmedia_# (coded as above) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) note: multiple positive outcomes within groups encountered. note: 261 groups (2088 obs) dropped because of all positive or all negative outcomes. note: _Ieduc_2 omitted because of no within-group variance. note: _Ieduc_3 omitted because of no within-group variance. note: _Ieduc_4 omitted because of no within-group variance.

( ást výstupu smazána)

Conditional (fixed-effects) logistic regression Number of obs = 1752 LR chi2(3) = 376.79 Prob > chi2 = 0.0000 Log likelihood = -348.76491 Pseudo R2 = 0.3507

R_now Coef. Std. Err. z P>|z| [95% Conf. Interval] _IR_last_1 -.2548714 .5112451 -0.50 0.618 -1.256893 .7471506 media .0723036 .0044316 16.32 0.000 .0636177 .0809895 _IR_lXmedia_1 -.0518232 .0106975 -4.84 0.000 -.0727899 -.0308565

. est store A;

. test _IR_lXmedia_1;

( 1) [R_now]_IR_lXmedia_1 = 0

chi2( 1) = 23.47 Prob > chi2 = 0.0000

. xi: clogit R_now i.R_last media i.educ,group(id); i.R_last _IR_last_0-1 (naturally coded; _IR_last_0 omitted) i.educ _Ieduc_1-4 (naturally coded; _Ieduc_1 omitted) note: multiple positive outcomes within groups encountered. note: 261 groups (2088 obs) dropped because of all positive or all negative outcomes. note: _Ieduc_2 omitted because of no within-group variance. note: _Ieduc_3 omitted because of no within-group variance. note: _Ieduc_4 omitted because of no within-group variance.

( ást výstupu smazána)

Conditional (fixed-effects) logistic regression Number of obs = 1752 LR chi2(2) = 359.57 Prob > chi2 = 0.0000 Log likelihood = -357.37249 Pseudo R2 = 0.3347

R_now Coef. Std. Err. z P>|z| [95% Conf. Interval] _IR_last_1 -2.794777 .2664174 -10.49 0.000 -3.316946 -2.272609 media .0673906 .0042163 15.98 0.000 .0591267 .0756545

. lrtest A;

Likelihood-ratio test LR chi2(1) = 17.22 (Assumption: . nested in A) Prob > chi2 = 0.0000

19 Vliv mediální expozice na statistickou významnost rozdílu šancí jsme testovali pomocí centrování pod-míněného logistického modelu (podrobnosti o tomto testu neuvádíme). 20 Stejně časté jsou bohužel i nekonzistence napříč různými softwary.

- 120 - - 121 -

Věcně naše analýza přináší tři závěry. (1) Potvrzuje vliv obsahu mediální agendy na individuální preferenci nejdůležitějších témat i při kontrole měřených a kon-stantních neměřených proměnných. (2) Naše analýza dále potvrzuje vliv vzdělání na individuální preferenci nejdůležitějších témat. Oba tyto závěry nejsou překva-pivé, jsou konzistentní s výsledky dosavadních studií, které se věnovaly výzkumu procesu nastolování agendy.

(3) Poměrně překvapivé je zjištění, že předchozí preference tématu má negativ-ní efekt na jeho opětovné jmenování za předpokladu vyšší mediální expozice (efekt je statisticky i věcně významný již při 13 příspěvcích týdně, při nižším počtu se tento efekt věcně i statisticky vytrácí). Intuitivně bychom čekali právě opačný výsledek. Nikdo dosud netestoval, jak dlouho se udrží téma v intrapersonální agendě zkou-maného jedince, nemůžeme tedy naše výsledky s nikým srovnávat. Pouze z výzku-mů provedených na agregovaných datech víme, že téma ve veřejné agendě prochází určitým vývojovým cyklem a obvykle opouští veřejnou agendu po osmi týdnech od okamžiku nastolení tématu [Wanta 1997: 149]. Je možné, že preference důležitých témat má na individuální úrovni velmi nestálou povahu a jmenování tématu tudíž nezvyšuje pravděpodobnost, že jej jedinec bude opakovaně preferovat.

Výsledky však možná popisují chování specifické skupiny jedinců, která iden-tifikuje téma jako důležité již při prvotní nízké mediální expozici. Tuto skupinu bychom mohli označit jako inovátory a časné uživatele. Tito jedinci pak téma ne-opouštějí ani v následující fázi, kdy mediální pozornost prudce vzroste a téma po-važují za důležité i osoby, které bychom mohli zahrnout do skupiny raná a pozdní většina. V závěrečné fázi, kdy téma opouští mediální agendu, se snižuje šance všech skupin, že budou téma preferovat.

Je možné, že za pozorovaným jevem stojí specifičnost tématu církevních resti-tucí. Jak víme z podkapitoly, která popisuje společenský kontext tématu, média vě-novala pozornost několika věcem: církevním restitucím, sporu o katedrálu sv. Víta a obrazu církve. Těmto komponentám byla během zkoumaného období věnována různá pozornost. Je tedy možné, že dotázaní reagovali na různé dimenze tématu odlišným způsobem. Tuto domněnku může ověřit detailnější analýza, na kterou zde bohužel nemáme prostor. Domněnku o obecné specifičnosti tématu církevních restitucí může ověřit srovnání s výsledky analýz dalších témat, která se v datech objevují.

Další možné vysvětlení pozorovaného jevu má metodologickou povahu. Učiň-me však nejprve několik obecných poznámek k charakteru zkoumaných dat. Za pozornost stojí dva rysy námi studovaných panelových dat. Jsou to: velký počet vln dotazování (dvanáct; my však z výše uvedených důvodů analyzujeme pouze výsled-ky druhé až deváté vlny) a poměrně vysoká frekvence odpovědí, resp. krátký časový rozestup mezi jednotlivými vlnami (jeden týden). V tomto ohledu jsou analyzovaná data naprosto unikátní, dosud nikdo ve výzkumu nastolování agendy nerealizoval panelové šetření, které by obsahovalo tolik vln dotazování s tak krátkým časovým odstupem. Tato data jsou tedy ideální pro měření změn, ke kterým ve veřejném mínění dochází v krátkém časovém úseku.

Je však třeba si položit otázku, zda tato specifičnost s sebou nenese problémy, které dosud nejsou známé vzhledem k unikátnosti studovaných dat. Můžeme oče-kávat, že se u respondentů promění chápání základní otázky: „Jaké dvě celospo-lečenské události z poslední doby považujete Vy osobně za nejvýznamnější?“. Na

rozdíl od prvé vlny budou respondenti v pozdějších vlnách za referenční časový úsek („z poslední doby“) pravděpodobně považovat týden uplynulý od posledního vyplnění dotazníku. Pro přijetí této domněnky nám však chybí empirická opora.

Podobně se můžeme v tuto chvíli pouze domnívat, zda týdenní odstup jednot-livých vln zvyšuje u respondentů citlivost vůči mediální agendě, resp. zda citlivější respondenti spíše nezůstávají uvnitř panelu a panelové úmrtnosti (panel attrition) nepodléhají spíše ti méně citliví. Zde můžeme pouze přibližně srovnávat s výzku-mem rodinného klimatu, který provedli Joseph Veroff, Shirley Barchet a Elizabeth Douvan [1992]. Zde prokázali, že častější dotazování vede k facilitaci rodinných problémů, a tudíž k lepšímu rodinnému klimatu. Podobně by mohlo i časté dotazo-vání vést k většímu zájmu o aktuální události a úvahám o jejich významu. Případně by tento zájem mohl vést k vyšší rezistenci vůči panelové úmrtnosti.

Třetí věcný výsledek (o negativním efektu předchozí preference tématu) nás vede k následující metodologické úvaze. Nelze jej vysvětlit právě krátkým časovým odstupem jednotlivých vln? Lapidárně řečeno: je možné, že by respondent uvedl záměrně jiné téma v aktuální vlně právě proto, že by si pamatoval svou minulou od-pověď (veden představou, že by měl upozornit na nějaké další téma)? Použité do-tazníky neobsahují žádné podněty, které by respondenty k takovým úvahám vedly.

Zde bychom také rádi uvedli, že v počátcích užívání panelových dat se výzkum-níci obávali opačného problému: že zapamatování si minulé odpovědi povede k jejímu zopakování, jelikož se budou respondenti obávat přiznat změnu názoru. La-zarsfed [1940: 125–126] však tehdy ukázal, že stabilita názoru je jen mírně vyšší (61 versus 52 %) u retrospektivního dotazování než u panelu, který obsahoval dvě vlny dotazování. Je možné, že by se stabilita názoru tak radikálně snížila pouhým zvýše-ním počtu vln dotazování? Domníváme se, že vysvětlení rozdílu tkví spíše v povaze studovaného problému. Zatímco se Lazarsfeld zabýval zamýšleným a skutečným hlasováním v referendu, my srovnáváme preferenci důležitých témat a událostí. Mínění respondentů je v našem případě nepochybně volatilnější než v případě, kte-rý zkoumal Lazarsfeld. Vysvětlením by tedy mohla být povaha samotného procesu nastolování agendy, ve kterém je mínění jedinců nestálejší více, než jsme očekávali. Tuto domněnku o nestálosti mínění jedinců v procesu nastolování témat může opět ověřit srovnání s výsledky analýz dalších témat, která se v datech objevují.

LiteraturaALLISON, P. D. 1999. Logistic regression using the SAS system: theory and appli-

cation. Cary : SAS Publishing, 1999.

BYE, B. V.; RILEY, G. F. 1989. Model estimation when observations are not inde-pendent: application of Liang and Zeger’s methodology to linear and logistic regression analysis. Sociological Methods & Research. 1989, n. 17, s. 353–375.

DEARING, J. W.; ROGERS, E. M. 1996. Agenda-Setting. Thousand Oaks – Lon-don – New Delhi : Sage Publications, Inc, 1996.

HARDIN, J. W.; HILBE, J. M. 2003. Generalized Estimating Equations. Boca Ra-ton : Chapman & Hall/CRC, 2003.

HOSMER, D. W.; LEMESHOW, S. 1998. Logistic regression, conditional. In AR-MITAGE, P.; COLTON, T. (eds.) Encyclopedia of Biostatistics. Chichester :

- 122 - - 123 -

John Wiley & Sons, 1998, s. 2 327–2 333.

HOX, J. 2002. Multilevel Analysis. Techniques and Applications. Mahwah : Lawrence Erlbaum Associates, 2002.

KALVAS, F. 2003. Zkoumání sociální změny: Zaostřeno na panelové šetření. SDA Info. 2003, roč. 5, č. 1, s. 6–9.

KALVAS, F.; KREIDL, M. 2007. Jaký je vliv obsahu a struktury televizního zpravo-dajství na vnímání důležitosti vybraného tématu českou veřejností? Sociologický časopis/Czech Sociological Review. 2007, roč. 43, č. 2, s. 333–360.

LAZARSFELD, P. F. 1940. „Panel“ Studies. The Public Opinion Quarterly. 1940, vol. 4, č. 1, s. 122–128.

LAZARSFELD, P. F.; FISKE, M. 1938. The „Panel“ as a New Tool for Measuring Opinion. The Public Opinion Quarterly. 1938, vol. 2, n. 4, s. 596–612.

LIANG, K. Y.; ZEGER, S. L. 1986. Longitudinal data analysis using generalized li-near models. Biometrika. 1986, n. 73, s. 13–22.

MASON, W. M. 2001. Statistical analysis: multilevel methods. In SMELSER, N. J.; BALTES, P. B. (eds.) International Encyclopedia of the Social and Behavioral Sciences. Oxford : Pergamon, 2001, s. 14 988–14 994.

MCCOMBS, M. E. 2004. Setting The Agenda. The Mass Media and the Public Opi-nion. Cambridge : Polity Press, 2004.

PICKLES, A. 1998. Generalized Estimating Equation. In ARMITAGE, P.; COLTON, T. (eds.) Encyclopedia of Biostatistics. Chichester : John Wiley & Sons, 1998, s. 1 626–1 637.

RAUDENBUSH, S. W.; BRYK, A. S. 2002. Hierarchical Linear Models. Applica-tions and Data Analysis Methods. Thousand Oaks – London – New Delhi : SAGE, 2002.

SNIJDERS, T.; BOSKER, R. 1999. Multilevel Analysis. An introduction to basic and advanced multilevel modeling. London – Thousand Oaks – New Delhi : SAGE, 1999.

SOUKUP, P. 2006. Proč užívat hierarchické lineární modely? Sociologický časo-pis/Czech Sociological Review. 2006, roč. 42, č. 5, s. 987–1012.

STATACORP. 2007a. Stata Statistical Software: Release 10. College Station : Stata Corporation, 2007.

STATACORP. 2007b. Longitudinal/Panel Data. College Station : Stata Corpora-tion, 2007.

ŠMÍDOVÁ, O. 2007. Porevoluční diskurz Rudého práva a restituce. In HÁJEK M. a kol. Praktiky ne/spravedlnost: pojmy, slova, diskurzy. Praha : Matfyzpress, 2007, s. 101–155.

VEROFF, J.; BARCHET, S.; DOUVAN, E. 1992. Consequences of Participating in a Longitudinal Study of Marriage. Public Opinion Quarterly. 1992, n. 56, s. 315–327.

WALD, A. 1943. Tests of Statistical Hypotheses Concerning Several Parameters When the Number of Observations is Large. Transactions of the American Ma-

thematical Society. 1943, n. 54, s. 426–482.

WANTA, W. 1997. The Messenger and the Message: Differences Across News Me-dia. In MCCOMBS, M.; SHAW, D. L.; WEAVER, D. (eds.) Communication and Democracy. Exploring the Intellectual Frontiers in Agenda-Setting Theory. Mahwah : Lawrence Erlbaum Associates, 1997, s. 137–151.

- 124 - - 125 -

Příloha 1: Distribuce použitých proměnných

Příloha 2: Tabulka vývoje mediální expozice tématu církevních restitu-cí, preference církevních restitucí v aktuálním a minulém dotazování v čase (21. 4.–15. 6. 2008), souhrnné počty mediálních příspěvků a sou-hrnné počty respondentů preferujících téma za jednotlivé týdny (počet týdnů = 8).

38

P íloha 1: Distribuce použitých prom nných Popisné statistiky pom rových a dichotomických prom nných v analýze.

Minimum Maximum Pr m r S. d.

Po et mediálních p ísp vk 4 59 20,250 19,191

Církevní restituce jsou d ležité téma v aktuálním dotazování (Ano = 1)

0 1 0,076 0,264

Církevní restituce byly d ležité téma v minulém dotazování (Ano = 1)

0 1 0,072 0,258

Souhrnná statistika kategorizovaných prom nných v analýze, N = 3 840

Prom nná Kategorie %

Vzd lání ZŠ 6,9

SŠ bez maturity 32,9

SŠ s maturitou 47,5

VŠ 12,7

Tabulka 1. Asociace mezi zmín ním církevních restitucí p i sou asném a p edchozím dotazování.

v sou asném dotazování v p edchozím dotazování nezmínil zmínil

Celkem

nezmínil 92,6 7,4 100 % N = 3565

zmínil 90,2 9,8 100 % N = 275

Celkem 92,5 7,6 101 % N = 3840

Poznámka: Datový soubor „CVVM: Ve ejná a mediální agenda“. Souhrnná statistika kategorizovaných prom nných v analýze, N = 3 840

Prom nná Kategorie %

ZŠ 6,9

SŠ bez maturity 32,9

SŠ s maturitou 47,5

Vzd lání

VŠ 12,7

39

P íloha 2: Tabulka vývoje mediální expozice tématu církevních restitucí, preference církevních restitucí v aktuálním a minulém

dotazování v ase (21. 4.–15. 6. 2008), souhrnné po ty mediálních p ísp vk a souhrnné po ty respondent preferujících téma za

jednotlivé týdny (po et týdn = 8).

Týden Souhrnné po ty mediálních p ísp vk

Církevní restituce jsou d ležité téma

v aktuálním dotazování

Církevní restituce byly

d ležité téma v minulém

dotazování 21. 4. –

27. 4. 10 21 0

28. 4.–4. 5. 45 141 21 5. 5.–11. 5. 59 57 141

12. 5.–18. 5.

4 14 57

19. 5.–25. 5.

19 20 14

26. 5.–1. 6. 5 8 20 2. 6.–8. 6. 13 14 8

9. 6.–15. 6. 7 15 14