Дипломная работа: Политические предпочтения и культурное потребление: действительно ли они связаны? (на примере Соединенных Штатов Америки)

Существую разные способы извлекать латентные переменные из данных, как, например, одноступенчатый и трехступенчатый методы. Трехступенчатый метод имеет несколько преимуществ над 1-ступенчатым, в частности, при 3-ступенчатом анализе третьим шагом в выявлении классов является t-тест [Vermunt, 2010], что означает для исследователя, что наполнение классов определено точнее, чем при одноступенчатом анализе.

Таблица 3. Наполнение латентных классов; анализ выполнен в Mplus 7, синтаксис представлен в Приложении 1.

В таблице отражено наполнение классов, после применения трехступенчатого латентно классового анализа. Стоит отметить, что для определения оптимального количества латентных классов я использовала Байесовский информационный критерий - наименьшее значение этого критерия означает наиболее оптимальное количество классов. Оптимальное количество латентных классов - 3. Первый латентный класс самый большой - 50%, второй латентный класс составляет 36,8%, а третий 12,9%.

Таблица 4. Наполнение латентных классов по видам активностей; анализ выполнен в Mplus 7, синтаксис представлен в Приложении 1.

Латентный класс 1 - «Неактивные» - 50%

Латентный класс 2 - «Юниворы» - 37%

Латентный класс 3 - «Омниворы» - 13%

В первом латентном классе, который охватывает 50% населения, индивиды малоактивны: только 7% за предыдущий год посещали концерты живой музыки, 8% спортивные мероприятия, 3% музеи. Тем не менее, 30% указали, что читали книги, а 28% ходили в кино. Во всех остальных видах активностей представители этого класса не принимали никакого участие, или оно слишком незначительно. Во втором латентном классе культурная активность выше. Самые популярные виды активностей здесь - походы в кино (94%), чтение книг (84%), посещение концертов живой музыки (80%), посещение спортивных мероприятий (55%), походы на выставки в музеи (35,6%). Третий латентный класс наполняют культурно активные индивиды. Они посетили почти все виды представленных культурных активностей, за исключением концертов живой музыки. Большое количество индивидов в этом классе постелили массовые культурные активности, такие как кино (91%), спортивные мероприятия (47,9%). Музеи посетили 88%, читали книги 93%. Стоит отметить, что в этом классе достаточно большой процент тех, кто посещает элитарные виды культурных активностей. Так, концерты классической музыки посетили 64,5%, театр 49%, танцевальные представления 29,7%, балет 22,7%, а оперу 21%.

Таким образом, в третьем классе выделяются омниворные/всеядные паттерны культурного потребления, так как индивиды, входящие в этот класс, активно участвуют как в массовых, так и в элитарных виды культурных активностей. Этот класс можно назвать классом омниворов. Во втором классе выделяются массовые виды культурных активностей: здесь много ходят в кино, на спортивные мероприятия, а также читают книги и посещают музеи. Этот класс можно назвать классом юниворов/одноядных. Первый латентный класс отличается тем, что индивиды, попавшие в него, мало участвуют в культурных активностях, совсем не посещают элитарные виды культурных активностей и крайне мало массовые, в первом латентном классе также меньше всех ходят в кино и читают книги. Этот латентный класс можно назвать классом «Неактивных» потребителей культуры.

3.2 Множественный анализ соответствий

Далее я присвоила каждому вхождению в своих исходных данных новую переменную - латентный класс, основанный на паттернах ответов о предпочитаемых культурных активностях. С помощью этой переменной теперь есть возможность провести множественный анализ соответствий. Здесь также использованы следующие переменные: (1) политическая аффилиация, (2) уровень дохода, (3) раса, (4) уровень образования.

Рисунок 6. Культурное потребление, голосование на выборах президента в 2016 году и социально-демографические характеристики среди населения США; анализ выполнен в R 1.0.153, пакеты «FactoMiner» и «factoextra

Результаты множественного анализа соответствий изображены на рисунке №. На рисунке видно, что наибольший вклад в анализ составляют два измерения - первое - по оси абсцисс составляет 10,1%, второе - по оси ординат составляет 7,9%, по результатам анализа видно, что количество измерений больше двух. Несмотря на то, что два измерения охватывают значительно мало, на основе этого рисунка возможно увидеть несколько важных закономерностей.

Во-первых, основная ось - ось социального класса: на рисунке видно, что латентные классы расположены вдоль горизонтальной оси, таким же образом расположены и уровни доходов, а также уровни образования. Видно, что 1-й и 3-й класс (классы «неактивных» и «омниворов») наиболее удалены друг от друга и формируют это измерение: латентный класс «неактивных» расположен в левой части оси. Рядом с ним, находятся уровень образования «Старшая школа или меньше», а также самый низкий уровень дохода - «Меньше 30 тысяч долларов в год». В этой части графика также виден один из уровней «раса»: афроамериканское население находится рядом с низким уровнем дохода, низким уровнем образования, а также рядом с латентным классом «неактивных», в который входят те, кто мало участвует или не участвуют вообще в культурных активностях.

На противоположной части рисунка расположен 3 латентный класс - класс «омниворов». Рядом с ним находятся «Высшее образование» и самый высокий уровень дохода - «больше 150 тысяч долларов в год». Между первым и третьим классом расположен 2-й латентный класс. Он вносит небольшой вклад в объяснение измерений, тем не менее довольно близко к нему находятся средние уровни доходов: «60-99 тысяч долларов в год» и выше среднего «100-149 тысяч долларов в год».

Вертикальная ось, ось ординат, формируется, прежде всего, уровнями переменной «политическая аффилиация» - голосованием по округам. Так, округа, проголосовавшие за демократов больше 60% и округа, отдавшие больше 60% за республиканцев, оказались далеко друг от друга, в противоположных концах измерения: демократы в верху рисунка, республиканцы внизу. В измерении где находятся демократические округа появляются категории - «афроамериканцы», низкие уровни дохода, а также как низкий уровень образования, так и высокий. Наоборот, в измерении ниже горизонтальной оси, там, где расположены республиканские округа

3.3 Мультиномиальная регрессия

Третий шаг анализа - мультиномиальная регрессия. Мультиномиальная регрессия позволяет статистически подтвердить или опровергнуть результаты множественного анализа соответствий. Мультиномиальная регрессия позволяет оценить шансы попадания наблюдений в другие классы, по сравнению с опорной категорией.

В мультиномиальную регрессию (Приложение 3) включены те же переменные, что и в множественный анализ соответствий. «Политическая аффилиация» выступает в качестве зависимой переменной, так как эта переменная является наблюдаемой, в отличии от культурного потребления- латентной переменной. Здесь также были объединены два уровня: голосование в округе «от 10% до 60%» и голосование «больше 60%» для республиканцев, так как категория «больше 60%» содержит слишком маленькое число наблюдений для запуска мультиномиальной регрессии. Опорной категорией являются округа, в которых за демократов проголосовали больше 60% населения. Результаты мультиномиальной регрессии с коэффициентами стандартными ошибками и значимостью переменных представлены в Приложении 3.

В таблице 5 показаны отношения шансов для мультиномиальной регрессии.

Таблица 5. Отношения шансов проживания в округах с указанной политической аффилиацией. Опорная категория - голосование за демократов в округе больше 60% на выборах президента в США в 2016; анализ выполнен в R 1.0.153, пакет «nnet»

====================================================================

60%>дем>10% 60%>респ>10% дем<10% респ<10%

--------------------------------------------------------------------

(Intercept) 7.288 4.611 2.183 1.488

Юниворы 0.859* 0.997 1.006 0.881

Омниворы 0.529 *** 0.516 *** 0.538 *** 0.390 ***

Азиаты 0.677 *** 0.091 *** 0.404 *** 0.136 ***

Афроамериканцы 0.197 *** 0.088 *** 0.160 *** 0.106 ***

Другие расы 0.950 0.577* 0.650 1.121

Пол мужской 1.040 1.036 1.056 0.992

30K - 59K 1.177* 1.106 1.091 1.168

60K - 99K 1.126 1.068 1.132 1.397**

100K - 149K 1.194 0.977 1.416** 1.497**

Больше 150K 0.666 *** 0.388 *** 0.829 0.685**

Среднее образование 1.500 *** 1.442 *** 1.684 *** 1.856 ***

Высшее образование 0.668 *** 0.498 *** 0.543 *** 0.624 ***

---------------------------------------------------------------

Note: *p<0.1; **p<0.05; ***p<0.01

По результатам мультиномиальной регрессии видно, что категории переменной «Пол» значимо не отличаются друг от друга - для всех уровней голосования эта переменная незначима. Напротив, для латентного класса «омниворов» оказываются значимыми все уровни голосования. Так, например, вероятность проживания респондента из класса «омниворов» в округе, в котором за демократов голосуют меньше 60% уменьшается для всех других уровней. Для категории «Азиаты» также все уровни голосования оказываются значимыми, и также вероятность для этой категории проживать в округе, в котором неактивно голосуют за демократов меньше. Интересно, что для категории «азиаты» вероятность проживать в республиканском округе, по сравнению с демократическим (где за демократов проголосовали больше 60%) уменьшается на 90%. Подобный тренд сохраняется и для категории «афроамериканцы». Для этой категории, вероятность жить в республиканском округе по сравнению с демократическим, где отданное количество голосов за демократов больше 60% уменьшается почти на 91%. Среди уровней дохода, значимой для всех округов оказывается категория дохода «Больше 150 тысяч долларов в год». Здесь вероятность жить в округах с уровнем голосования отличным от «больше 60% голосов за демократическую партию» уменьшается. Такая же тенденция у категории «Высшее образование». Интересно, что для категории «Среднее образование», вероятность жить в округах отличных от опорной категории, наоборот повышается.

Так как все уровни переменной «пол» не значимы, что также соответствует результатам множественного анализа соответствий, я решила далее не включать ее в анализ.

Предсказанные вероятности

При множественном анализе соответствий, категории «высшее образование», «доход выше 150 тысяч долларов в год» и латентный класс «омниворов» находились рядом друг с другом, на одном полюсе. С помощью мультиномиальной регрессии можно проверить это.

Таблица 6. Предсказанные вероятности попадания в округа по голосованию из разных латентных классов для американцев с высшим образованием, доходом выше $150тыс в год и европейского происхождения

======================================================================

дем>60% 60%>дем>10% 60%>респ>10% дем<10% респ< 10%

----------------------------------------------------------------------

Неактивные 0.146 0.482 0.132 0.148 0.092

Юниворы 0.158 0.449 0.143 0.161 0.088

Омниворы 0.250 0.436 0.117 0.136 0.062

----------------------------------------------------------------------

Видно, что вероятность того, что белый американец с высшим образование и с высоким доходом живет в округе, где большинство голосов было отдано за демократов больше: самая высокая вероятность жить в округах, где за демократов на президентских выборах в 2016 году было отдано от 10% до 60%, но здесь также стоит отметить, что для округов, в которых активно голосовали за демократов, и процент голосов был больше 60%, вероятность того, что в таких округах проживают омниворы на 10% выше, и составляет 25%.

Предсказанные вероятности проживания в округах по голосованию были также подсчитаны и для представителей других рас, где остальные категории («высшее образование» и самый высокий доход «больше 150 тысяч долларов в год») остались прежними. Результаты представлены в таблице № для категории расы «афроамериканец» и таблице № для категории «азиаты»

Таблица 6. Предсказанные вероятности попадания в округа по голосованию из разных латентных классов для американцев с высшим образованием, доходом выше $150тыс в год и африканского происхождения

======================================================================

дем>60% 60%>дем>10% 60%>респ>10% дем<10% респ<10%

----------------------------------------------------------------------

Неактивные 0.511 0.332 0.041 0.082 0.034

Юниворы 0.538 0.300 0.043 0.087 0.032

Омниворы 0.668 0.229 0.027 0.058 0.017

----------------------------------------------------------------------

Таблица 7. Предсказанные вероятности попадания в округа по голосованию из разных латентных классов для американцев с высшим образованием, доходом выше $150тыс в год и азиатского происхождения