V domácnosti Manuální Administrativní Profesionální
Otec 28 464 114 388
% 2,80 % 46,70 % 11,50 % 39,00 %
Zdroj: Vlastní zpracování
Otázka v dotazníku: Práce Vašeho otce je
32
Wellbeing
Stejně jako Leppel a kol. (2001) zakomponovali wellbeing do své studie jako proměnnou ovlivňující volbu studijního oboru, tak i já se o to pokusím. Předpokladem v jejich článku bylo, že studenti, pro které je důležité mít vysoce placenou práci, si volí studijní obory v oblasti ekonomie.
V průzkumu byla stanovena škála od 1 do 5, na které respondenti volili, jak moc je pro ně důležité mít vysoce placenou práci; 1 = nejméně, 5 = nejvíce.
Otázka v dotazníku: Je pro Vás důležité mít vysoce placenou práci?
Rodiče žijí/nežijí spolu
Jedná se o kontrolní proměnnou, která nám umožní získat dodatečné informace o respondentech. Boggess (1998) došel ve svém odborném článku k závěru, že počet let studia bývá nižší právě u těch dětí, které vyrůstaly v rodině pouze s jedním rodičem.
Otázka v dotazníku: Žijí Vaši rodiče spolu?
Kdo převážně živí rodinu
Další kontrolní proměnnou, kterou jsem pro testování zvolila je, kdo převážně živí rodinu. Kategorie jsou; matka, otec, oba stejně. Celkem 323 respondentů z úplných rodin uvedlo, že jejich rodinu živí převážně otec. 59 respondentů z neúplných rodin uvedlo, že rodinu živí otec. 141 respondentů z neúplných rodin uvedlo, že rodinu živí matka.
Otázka v dotazníku: Kdo převážně živí Vaši rodinu?
33
2.4 Metodika
Protože jsou v práci použity 2 různé metody, je tato kategorie rozdělena do dvou podkategorií; OLS a Multinomial logit. OLS model je použit pro testování Hypotéz 1 a 2, protože vysvětlovanou proměnnou zde je jednoduchá binární proměnná Student, která nabývá hodnot 0 a 1. Tento model se nedá použít pro testování zbylých Hypotéz 3 až 5, a proto je pro jejich testování použit právě multinomial logit. Vysvětlovanou proměnnou zde je kategorická proměnná Studijní_obor, která má více než 2 kategorie, jež nelze seřadit od nejnižší po nejvyšší.
2.4.1 OLS
Pro testování prvních dvou hypotéz je použita vícenásobná regresní analýza za pomocí metody OLS. Aby mohla být aplikována tato metoda, musí být splněny Gauss-Markovovy předpoklady:
1. Lineární model v parametrech
2. Střední hodnota náhodné chyby je rovna nule
3. Všechny vysvětlující proměnné jsou nekorelované s náhodnou chybou
4. Žádná vysvětlující proměnná není lineární kombinací jiných vysvětlujících proměnných
Splněním těchto předpokladů získáme odhady, které jsou vydatné a nestranné.
Vydatný odhad znamená, že získaný rozptyl náhodné složky je konstantní a konverguje k 0. Nestranný odhad je takový odhad, ve kterém je střední hodnota náhodné složky nulová.
Rovnice OLS modelu je následující.
Yi = β0 + β1X1i + ui (2) Kde Yi představuje vysvětlovanou proměnnou, β0 úrovňovou konstantu, X1
vysvětlující proměnnou a ui náhodnou složku.
34
Rovnice pro bodový odhad parametrů pomocí metody OLS je následující.
𝑦̂i = b0 + b1xi i=1,2,…,n (3) Kde 𝑦̂ představuje vyrovnané hodnoty, které jsou závislé na odhadech parametrů.
Pomocí těchto vyrovnaných hodnot se dají vypočítat rezidua. Reziduum je tedy rozdíl mezi pozorovanou a vyrovnanou hodnotou.
ei = 𝑦i−𝑦̂i i=1,2,…,n (4) Reziduum udává vlastně velikost chyby, které jsme se dopustili při odhadu modelu.
2.4.2 Multinomial logit
Pro testování zbylých hypotéz je použit multinomial logit, protože vysvětlovaná proměnná (studijní obor) je nominální kategorická proměnná s k kategoriemi (k>2), které nelze jednoznačně seřadit od nejnižší po nejvyšší. Tato proměnná je definovaná jako [ln(Pa/Pb)], tedy jako podíl šance pravděpodobnosti výběru kategorie „a“ ku výběru kategorie referenční.
Multinomial logit je rozšířením binomické logistické regrese. Endogenní kategorická proměnná je taková proměnná, která každé pozorování zařadí do dané nominální skupiny. Ta nabývá určitých hodnot, jejichž množství je fixní. Při modelování multinomial logitu se jedna kategorie označí jako referenční. Touto kategorií bývá ta, která je poslední, nebo ta, do které nejčastěji spadají jednotlivá pozorování. Následně se porovnává pravděpodobnost výskytu v ostatních kategorií s pravděpodobností výskytu v této referenční kategorii. Tím dostáváme relativní pravděpodobnosti, které udávají podíl pravděpodobnosti výskytu jevu ku pravděpodobnosti, že jev nenastane. Při použití multinomial logitu je důležité, aby závislá proměnná byla opravdu nominální a kategorická a aby byl dodržen předpoklad o nezávislosti mezi exogenními proměnnými.
Pro odhad parametrů modelu se využívá metoda maximální věrohodnosti. Tato metoda je postavená na zjištění maxima věrohodnostní funkce. U multinomial logitu maximalizujeme věrohodnostní rovnice pro jednotlivé pravděpodobnosti, že kategorie daného pozorování spadá do kategorie referenční.
35
2.5 Model
Níže je uvedena základní rovnice pro ekonometrický model. Celkem bylo sestaveno 10 modelů, které slouží k testování stanovených hypotéz.
Yi = β0 + β1X1i + β2X2i +…+ βkXki + ui (5) Kde Yi je vysvětlovaná proměnná; β0 úrovňová konstanta; X1, X2, … Xk jsou jednotlivé vysvětlující proměnné a ui je náhodná složka.
Model 1
Pro Model 1 je stanovena následující rovnice. Tento model testuje vliv vzdělání rodičů a místa narození na rozhodnutí jedince, zda půjde studovat vysokou školu.
Studenti = β0 + β1 Pohlavíi + β2 Vzdělání_matkyi + β3 Vzdělání_otcei + β4
Velikost_obcei + β5 VŠ_v_obcii + ui (6)
Model 2
Pro Model 2 je použita stejná rovnice, která je ale rozšířena o proměnnou Starší_sourozenec_student. Model 2 tedy vysvětluje vliv vzdělání rodičů, místa narození a staršího sourozence na rozhodnutí jedince, zda půjde studovat vysokou školu.
Studenti = β0 + β1 Pohlavíi + β2 Vzdělání_matkyi + β3 Vzdělání_otcei + β4
Velikost_obcei + β5 VŠ_v_obcii + β6 Starší_sourozenec_studenti + ui
(7)
Model 3
Z důvodu nedostatku dat nestudujících respondentů jsem využila data starších sourozenců pro testování Hypotézy 1 a 2. Model 3 sleduje vliv vzdělání rodičů a místa narození na staršího sourozence respondenta. Pro tento model byla zvolena data pouze těch respondentů, kteří uvedli, že jejich rodiče žijí spolu za účelem snížit pravděpodobnost, že sourozenci mají odlišného rodiče.
Starší_sourozenec_studenti = β0 + β1 Pohlaví_sourozencei + β2 Vzdělání_matkyi
+ β3 Vzdělání_otcei + β4 Velikost_obcei + β5 VŠ_v_obcii + ui (8)
36
Model 4
Model 4 sleduje vliv vzdělání rodičů a místa narození pouze na starší sestry. Cílem je testování různých vlivů matek a otců na dcery a syny.
Starší_sestra_studenti = β0 + β1 Vzdělání_matkyi + β2 Vzdělání_otcei + β3
Velikost_obcei + β4 VŠ_v_obcii + ui (9)
Model 5
Model 5 sleduje vliv vzdělání rodičů a místa narození pouze na starší bratry.
Navazuje tedy na Model 4.
Starší_bratr_studenti = β0 + β1 Vzdělání_matkyi + β2 Vzdělání_otcei + β3
Velikost_obcei + β4 VŠ_v_obcii + ui (10)
Model 6
Model 6 už sleduje vliv vysokoškolského vzdělání matky a otce, místa narození a míry důležitosti mít dobře placenou práci na volbu studijního oboru. Od Modelu 6 dále je k testování použit multinomial logit, protože vysvětlující proměnná Studijní obor je kategorická. Má více než 2 kategorie, které nelze seřadit. Tato proměnná je definovaná jako [ln(Pa/Pb)], tedy jako podíl šance pravděpodobnosti výběru kategorie „a“ ku výběru kategorie referenční.
Studijní_obori = β0 + β1 Pohlavíi + β2 Matka_VŠi + β3 Otec_VŠi + β4
Velká_obeci + β5 Wellbeingi + ui (11)
Model 7
Model 7 testuje pomocí multinomial logitu vliv profesionálního kariérního zaměření rodičů, místa narození a míry důležitosti mít dobře placenou práci na výběr studijního oboru.
Studijní_obori = β0 + β1 Pohlavíi + β2 Matka_profesionálníi + β3
Otec_profesionálníi + β4 Velká_obeci + β5 Wellbeingi + ui (12)
37
Model 8
Model 8 testuje vliv manuálního kariérního zaměření rodičů, místa narození a míry důležitosti mít dobře placenou práci na výběr studijního oboru.
Studijní_obori = β0 + β1 Pohlavíi + β2 Matka_manuálníi + β3 Otec_manuálníi + β4 Velká_obeci + β5 Wellbeingi + ui (13)
Model 9
Model 9 je stejný jako Model 7, ale za účelem zvýšit důležitost matčina zaměstnání jsou zvolena pouze ta pozorování, ve kterých rodinu živí převážně pouze matka.
Studijní_obori = β0 + β1 Pohlavíi + β2 Matka_profesionálníi + β3
Otec_profesionálníi + β4 Velká_obeci + β5 Wellbeingi + ui (14)
Model 10
V Modelu 10 testuji vliv staršího sourozence, místa narození a míry důležitosti mít dobře placenou práci na výběr studijního oboru.
Studijní_obori = β0 + β1 Pohlavíi + β2 Matka_VŠi + β3 Otec_VŠi + β4
Stejný_obori + β5 Velká_obeci + β6 Wellbeingi + ui (15)
38
2.6 Výsledky
V této části je rozebráno 10 modelů definovaných v předchozí části. Prvních 5 modelů testuje vliv na rozhodnutí dítěte, zda půjde studovat vysokou školu, tedy vlastně testuje Hypotézy 1 a 2 stanovené výše. Zbylých 5 modelů testuje vliv na výběr studijního oboru, tedy Hypotézy 3, 4 a 5.
2.6.1 Vliv na rozhodnutí dítěte, zda půjde studovat
Za účelem testování Hypotézy 1 a 2 byly sestrojeny následující modely, které sledují vliv rodinného prostředí a místa narození na rozhodnutí dítěte, zda půjde studovat vysokou školu.
2.6.1.1 Model 1
Tento model testuje vliv vzdělání rodičů a místa narození na rozhodnutí dítěte, zda půjde studovat vysokou školu. Vysvětlující proměnné jsou Pohlaví, Vzdělání_matky, Vzdělání_otce, Velikost_obce, VŠ_v_obci. Vysvětlovanou proměnnou je Student, tedy zda jedinec studuje, nebo nestuduje. Model je vytvořen z 994 pozorování. Protože proměnné Vzdělání_matky, Vzdělání_otce a Velikost_obce jsou kategorické proměnné s k kategoriemi, vytvořím si k-1 proměnných. Proměnná, kterou vyřadím, bude referenční proměnnou a koeficienty u zbylých proměnných budou vždy vztažené právě k této referenční proměnné. Zvolila jsem vždy tu první (Matka_ZŠ, Otec_ZŠ, obyv_1_až_1000).
Po provedení F-testu (p=0,240) nezamítám H0 o statistické nevýznamnosti modelu jako celku. P-hodnota modelu je vyšší než 0,10, a proto model není statisticky významný na hladině významnosti 10 %. R2=0,016; model vysvětluje pouze 1,6 % variability vysvětlované proměnné. To může být způsobené nízkou variabilitou proměnné Y v pozorovaném vzorku.
39
Model 1: Vliv vzdělání rodičů a místa narození na vzdělání dítěte (994 pozorování)
Koeficienty
Chyba střední hodnoty
t-statistika p-hodnota
Konstanta 0,819*** 0,052 15,815 0,000
Pohlaví -0,003 0,014 -0,215 0,830
Matka_SŠ_bez_maturity 0,077* 0,041 1,883 0,060
Matka_SŠ_s_maturitou 0,079* 0,040 1,950 0,051
Matka_VŠ 0,087** 0,042 2,090 0,037
Otec_SŠ_bez_maturity 0,047 0,045 1,051 0,294
Otec_SŠ_s_maturitou 0,051 0,045 1,131 0,258
Otec_VŠ 0,054 0,046 1,163 0,245
obyv_1001_až_5000 0,010 0,019 0,552 0,581
obyv_5001_až_10000 0,038* 0,020 1,883 0,060
obyv_10001_až_50000 0,026 0,019 1,425 0,154
obyv_50001_až_100000 0,014 0,029 0,471 0,638
obyv_100001_a_více 0,029 0,028 1,046 0,296
VŠ_v_obci 0,007 0,021 0,308 0,758
N 994
R2 0,016
Pozn.: *p<0,1; **p<0,05; ***p<0,01
Zdroj: Vlastní zpracování
40
2.6.1.2 Model 2
Do dalšího modelu přidám proměnnou Starší_sourozenec_student, abych mohla sledovat vliv staršího sourozence. Tato proměnná určuje, zda starší sourozenec studuje (studoval) vysokou školu. Ostatní proměnné zůstávají stejné jako v Modelu 1. Počet pozorování se tedy sníží pouze na ty respondenty, kteří mají staršího sourozence.
Ihned po zakomponování této proměnné se model stává statisticky významným.
Na základě F-testu (p=0,080) zamítám H0 o nevýznamnosti modelu jako celku. Model je významný na hladině významnosti 10 %. Model vysvětluje 4,6 % variability vysvětlované proměnné (R2=0,046). Nově přidaná proměnná Starší_sourozenec_student je po provedení t-testu statisticky významná na hladině významnosti 1 %. Zamítám tedy H0 o nevýznamnosti této proměnné.
Koeficient je různý od 0 a pozitivní, tudíž můžeme říci, že existuje vliv staršího sourozence na mladšího. Jedinec půjde pravděpodobněji studovat vysokou školu, pokud má staršího sourozence, který studuje (studoval) vysokou školu. Na staršího sourozence má ovšem také vliv vzdělání rodičů, a proto se nemusí jednat o čistě kauzální jev, ale o korelaci. Kdybychom měli větší vzorek nestudujících respondentů, mohli bychom nejspíše pozorovat silnější vliv. R2 je opravdu malé a z tabulky níže vidíme, že koeficient u proměnné Starší_sourozenec_student je také velmi nízký.
41
Model 2: Vliv vzdělání rodičů, místa narození a staršího sourozence na vzdělání dítěte (473 pozorování)
Koeficienty
Chyba střední hodnoty
t-statistika p-hodnota
Konstanta 0,827*** 0,084 9,851 0,000
Pohlaví 0,012 0,023 0,531 0,596
Matka_SŠ_bez_maturity -0,017 0,063 -0,275 0,783
Matka_SŠ_s_maturitou -0,014 0,063 -0,223 0,823
Matka_VŠ 0,004 0,066 0,061 0,951
Otec_SŠ_bez_maturity 0,049 0,073 0,666 0,506
Otec_SŠ_s_maturitou 0,077 0,073 1,050 0,294
Otec_VŠ 0,062 0,075 0,834 0,405
obyv_1001_až_5000 0,008 0,031 0,266 0,790
obyv_5001_až_10000 0,044 0,033 1,349 0,178
obyv_10001_až_50000 0,056* 0,030 1,874 0,062
obyv_50001_až_100000 0,013 0,048 0,265 0,791
obyv_100001_a_více 0,011 0,048 0,227 0,821
VŠ_v_obci 0,016 0,037 0,450 0,653
Starší_sourozenec_student 0,059*** 0,022 2,724 0,007
N 473
R2 0,046
Pozn.: *p<0,1; **p<0,05; ***p<0,01
Zdroj: Vlastní zpracování
42
2.6.1.3 Model 3
Protože se Model 1 nejeví jako statisticky významný z důvodu malého vzorku nestudujících respondentů, využiji toho, že z dotazníkového šetření mám data, která vypovídají, zda studuje, nebo nestuduje starší sourozenec dotazovaného. Vliv rodičů v tomto případě by mohl být silnější, protože se sourozenec narodil dříve. V Modelu 3 vyměním proměnnou Student za proměnnou Starší_sourozenec_student a vysvětlujícími proměnnými budou Pohlaví_sourozence, Vzdělání_matky, Vzdělání_otce, Velikost_obce a VŠ_v_obci. Abych se částečně vyvarovala šance, že sourozenci nemají oba rodiče stejné, tak vyberu pouze pozorování u těch respondentů, kteří uvedli, že jejich rodiče žijí spolu. Celkem máme tedy 324 pozorování (164 mužů a 160 žen; 108 nestuduje a 216 studuje)
Po provedení F-testu (p=0,000) zamítám H0 o nevýznamnosti modelu jako celku.
Model vysvětluje 18,1 % variability vysvětlované proměnné (R2=0,181). Na základě p-hodnot v modelu můžeme stanovit, které proměnné jsou statisticky významné.
Provedeme jednotlivé t-testy pro každou proměnnou a vidíme, že Pohlaví je významná proměnná na hladině významnosti 5 %, Matka_SŠ_bez_maturity je významná na hladině významnosti 10 %, Matka_SŠ_s_maturitou je významná na hladině významnosti 1 %, Matka_VŠ na hladině významnosti také 1 %, Otec_SŠ_bez_maturity na hladině významnosti 10 % a proměnné obyv_50001_až_100000 a obyv_100001_a_více jsou také významné na hladině významnosti 10 %. Koeficienty jsou různé od 0.
Můžeme říci, že jedná-li se o ženu, tak spíše půjde studovat vysokou školu. Dále vidíme, že matka má na vzdělání větší vliv než otec. Pokud má matka jakékoli vyšší vzdělání než základní, pak její potomek půjde pravděpodobněji studovat vysokou školu.
U velikosti obcí se mi nepodařilo nalézt žádný velký vliv. Všechny koeficienty jsou záporné a referenční kategorií je obyv_1_až_1000, což by znamenalo, že pokud jedinec pochází z obce, která má více než 50 000 obyvatel, pak půjde na vysokou školu méně pravděpodobněji než jedinec pocházející z obce do 1 000 obyvatel. A zároveň fakt, že se v obci nachází vysoká škola, se nejeví jako významný při rozhodování jedince, zda půjde studovat.
43
Model 3a: Vliv vzdělání rodičů a místa narození na vzdělání staršího sourozence (324 pozorování)
Matka_SŠ_bez_maturity 0,309* 0,182 1,696 0,091
Matka_SŠ_s_maturitou 0,475*** 0,181 2,622 0,009 kategorii pro kategorické proměnné. Tedy matčino vzdělání je nyní vztažené k proměnné Matka_VŠ, otcovo vzdělání k Otec_VŠ a velikost obce k obyv_100001_a_více. Model 3b je jinak úplně stejný jako Model 3a. U matčina vzdělání vidíme, že opravdu silně ovlivňuje rozhodnutí, zda jít studovat vysokou školu. Má-li matka ukončenou pouze základní školu, její potomek půjde studovat vysokou školu méně pravděpodobněji, než pokud by měla ukončené vysokoškolské vzdělání. To samé platí i pro střední školu bez maturity a střední školu s maturitou, ovšem koeficient se postupně zvyšuje s vyšší úrovní vzdělání. V modelu 3b už můžeme vidět smysluplnější výsledky také u otcova vzdělání.
44
Proměnná Otec_SŠ_bez_maturity je významná na hladině významnosti 1 % a její koeficient je záporný. Pokud má tedy otec ukončenou pouze střední školu bez maturity, pak jeho potomek půjde studovat méně pravděpodobněji, než pokud by měl ukončenou vysokou školu. To stejné vidíme i u proměnné Otec_SŠ_s_maturitou, která je významná na hladině významnosti 10 %.
Model 3b: Vliv vzdělání rodičů a místa narození na vzdělání staršího sourozence (324 pozorování)
Matka_SŠ_bez_maturity -0,281*** 0,078 -3,626 0,000
Matka_SŠ_s_maturitou -0,115* 0,063 -1,829 0,068
45
2.6.1.4 Model 4
Protože mě zajímá konkrétní vliv matky a otce na dcery a syny, v Modelu 4 a 5 oddělím dcery a syny od sebe. V Modelu 4 použiji tedy stejné proměnné a zvolené referenční kategorie jako u Modelu 3b, ale budu sledovat pouze vliv na dcery. Stále tedy využívám data starších sourozenců, a pokud vyberu pouze ženy, pak mi zůstane 160 pozorování, ve kterých 115 žen studuje a 45 nestuduje.
Po provedení F-testu (p=0,004) zamítám H0 o nevýznamnosti modelu jako celku.
Zároveň model vysvětluje 17,5 % variability vysvětlované proměnné (R2=0,175). Na základě jednotlivých t-testů nezamítám H0 o nevýznamnosti proměnných Matka_ZŠ, Matka_SŠ_bez_maturity a Matka_SŠ_s_maturitou. Tyto proměnné přestaly být statisticky významné. Naopak proměnné týkající se vzdělání otce zůstaly statisticky významné. Proměnná Otec_SŠ_bez_maturity zůstává významná na hladině významnosti 1 % a proměnná Otec_SŠ_s_maturitou se posunula na hladinu významnosti 5 % z 10 %.
Koeficienty u otcova vzdělání naznačují, že pokud otec dokončil pouze střední školu, pak jeho dcera pravděpodobněji nepůjde studovat vysokou školu, než kdyby otec dokončil vysokou školu. Zároveň je dcera více ovlivněna svým otcem než svou matkou.
46
Model 4: Vliv vzdělání rodičů a místa narození na vzdělání dcer (160 pozorování)
Koeficienty
Chyba střední hodnoty
t-statistika p-hodnota
Konstanta 0,653*** 0,184 3,540 0,001
Matka_ZŠ -0,412 0,271 -1,518 0,131
Matka_SŠ_bez_maturity -0,129 0,107 -1,210 0,228
Matka_SŠ_s_maturitou -0,034 0,090 -0,384 0,702
Otec_ZŠ -0,082 0,413 -0,200 0,842
Otec_SŠ_bez_maturity -0,286*** 0,106 -2,684 0,008
Otec_SŠ_s_maturitou -0,201** 0,094 -2,124 0,035
obyv_1_až_1000 0,315* 0,190 1,662 0,099
obyv_1001_až_5000 0,216 0,199 1,087 0,279
obyv_5001_až_10000 0,368* 0,194 1,893 0,060
obyv_10001_až_50000 0,410** 0,171 2,401 0,018
obyv_50001_až_100000 -0,006 0,148 -0,039 0,969
VŠ_v_obci 0,157 0,156 1,004 0,317
N 160
R2 0,175
Pozn.: *p<0,1; **p<0,05; ***p<0,01
Zdroj: Vlastní zpracování
47
2.6.1.5 Model 5
Jak jsem již zmínila, v Modelu 5 sleduji vliv pouze na muže. Stále využívám data starších sourozenců a stále se jedná pouze o rodiny, ve kterých rodiče žijí spolu. Po vybrání synů mi zůstává 164 pozorování, ve kterých 101 synů studuje a 63 nestuduje.
Po provedení F-testu (p=0,000) zamítám H0 o statistické nevýznamnosti modelu jako celku. Model vysvětluje 23,8 % variability vysvětlované proměnné (R2=0,238). Na základě jednotlivých t-testů mohu zamítnout H0 o statistické nevýznamnosti proměnných Matka_ZŠ, Matka_SŠ_bez_maturity, Matka_SŠ_s_maturitou a Otec_SŠ_bez_maturity.
Velmi silný negativní vliv vidíme u proměnné Matka_ZŠ, která je statisticky významná na hladině významnosti 1 %. Koeficient je různý od 0 a velmi nízký. Syn, jehož matka má ukončené základní vzdělání pravděpodobně nepůjde studovat vysokou školu, než pokud by měla ukončené vysokoškolské vzdělání. Matka_SŠ_bez_maturity už ukazuje nižší vliv, ovšem stále dost silný a negativní. Tato proměnná je významná na hladině významnosti také 1 %. Dále Matka_SŠ_s_maturitou, která je významná na hladině významnosti 10 % vykazuje negativní vliv, ovšem opět vidíme, že s vyšší úrovní vzdělání roste koeficient. Proměnná Otec_SŠ_bez_maturity je významná na hladině významnosti 5 %, u dcer byla významná na hladině nižší, a to 1 %. Poprvé také vidíme, že všechny kategorie proměnné Velikost_obce jsou statisticky nevýznamné.
48
Model 5: Vliv vzdělání rodičů a místa narození na vzdělání synů (164 pozorování)
Koeficienty
Chyba střední hodnoty
t-statistika p-hodnota
Konstanta 0,912*** 0,093 9,794 0,000
Matka_ZŠ -0,868*** 0,289 -3,005 0,003
Matka_SŠ_bez_maturity -0,406*** 0,116 -3,518 0,001
Matka_SŠ_s_maturitou -0,164* 0,091 -1,806 0,073
Otec_ZŠ 0,330 0,288 1,148 0,253
Otec_SŠ_bez_maturity -0,249** 0,100 -2,485 0,014
Otec_SŠ_s_maturitou -0,057 0,092 -0,616 0,539
obyv_1_až_1000 0,037 0,118 0,314 0,754
obyv_5001_až_10000 -0,023 0,113 -0,202 0,840
obyv_10001_až_50000 -0,154 0,110 -1,401 0,163
obyv_50001_až_100000 -0,182 0,155 -1,175 0,242
obyv_100001_a_více -0,159 0,160 -0,998 0,320
VŠ_v_obci 0,180 0,126 1,429 0,155
N 164
R2 0,238
Pozn.: *p<0,1; **p<0,05; ***p<0,01
Zdroj: Vlastní zpracování
49
2.6.2 Vliv na výběr studijního oboru
Následující modely jsou sestaveny za účelem testování Hypotézy 3, 4 a 5. Pomocí těchto modelů testuji vliv rodičů a staršího sourozence, místa narození a míry důležitosti mít v budoucnu vysoce placenou práci na volbu studijního oboru. Jsou zde použita pouze ta pozorování, ve kterých respondent uvedl, že je studentem vysoké školy a vysvětlovanou proměnnou je vždy Studijní_obor. Protože se jedná o kategorickou vysvětlovanou proměnnou, pro testování je použit multinomial logit.
2.6.2.1 Model 6
Model 6 testuje vliv vzdělání rodičů, místa narození a míry důležitosti mít dobře placenou práci na volbu studijního oboru. Pro zjednodušení jsou použity pouze proměnné Matka_VŠ a Otec_VŠ, které indikují, zda má rodič respondenta dokončené vysokoškolské vzdělání a proměnná Velká_obec, která udává, zda respondent pochází z obce nad 10 000 obyvatel. Proměnná, která ukazuje míru důležitosti dobře placené práce je Wellbeing, jedná se o škálu od 1 do 5, na které respondenti volili, jak je pro ně důležité mít dobře placenou práci. Vysvětlovaná proměnná je Studijní_obor. Jedná se o kategorickou proměnnou, která má 5 kategorií. Za referenční kategorii jsem zvolila obor Ekon. Veškeré koeficienty jsou tedy vztažené právě k tomuto oboru. Jsou použita všechna pozorování, ve kterých respondenti uvedli, že studují vysokou školu, tedy 961 pozorování.
Pomocí F-testu (p=0,000) zamítám H0 o nevýznamnosti modelu jako celku.
Model vysvětluje 14,9 % variability vysvětlované proměnné (R2=0,149; Nagelkerke). U multionomial logitu není úplně stejné R2 jako u klasického OLS modelu, ale program SPSS, který používám, nabízí alternativní pseudo R2. Pomocí jednotlivých t-testů mohu zamítnout H0 o nevýznamnosti proměnných Otec_VŠ pro Hum & Soc; Matka_VŠ pro Vědy, Inž & IT; Velká_obec pro Hum & Soc, Vzd & jazyky, Zdrav; Wellbeing pro všechny kategorie a Pohlaví pro všechny kategorie až na Hum & Soc.
Pohlaví je proměnná velmi významná pro tento model. Na hladině významnosti 1
% je významná pro obor Vědy, Inž & IT. Koeficient je záporný a různý od 0, což znamená, že ženy si pravděpodobně nezvolí obor z této kategorie než Ekon. Pro Vzd &
jazyky je významná na hladině významnosti 5 % a udává, že ženy si spíše zvolí obor z této kategorie než Ekon. To samé platí i pro Zdrav, kde je Pohlaví významná proměnná
50
na hladině 10 %. Dále vidíme, Matka_VŠ je významná proměnná na hladině významnosti 5 % pro obor Vědy, Inž & IT, kde má kladný koeficient různý od 0, což nám říká, že jedinec, jehož matka má vysokoškolské vzdělání si bude pravděpodobněji volit obor z kategorie Vědy, Inž & IT než Ekon. Proměnná Otec_VŠ je významná na hladině 10 % pro kategorii Hum & Soc, její koeficient je záporný a udává, že jedinec, jehož otec má vysokoškolské vzdělání, si pravděpodobněji nezvolí obor z této kategorie než Ekon.
na hladině 10 %. Dále vidíme, Matka_VŠ je významná proměnná na hladině významnosti 5 % pro obor Vědy, Inž & IT, kde má kladný koeficient různý od 0, což nám říká, že jedinec, jehož matka má vysokoškolské vzdělání si bude pravděpodobněji volit obor z kategorie Vědy, Inž & IT než Ekon. Proměnná Otec_VŠ je významná na hladině 10 % pro kategorii Hum & Soc, její koeficient je záporný a udává, že jedinec, jehož otec má vysokoškolské vzdělání, si pravděpodobněji nezvolí obor z této kategorie než Ekon.