Macht Geld glücklich? Überprüfung der Variable "Jobzufriedenheit" mit dem linearen Regressionsmodell

Inhaltsverzeichnis

1. Einleitung

2. Die unabhängige, die abhängige Variable und die Kontrollvariable

3. Korrelation und Regression

4. Fazit

5. Literatur

6. Abbildungsverzeichnis

1. Einleitung

Geld macht nicht glücklich. Oder doch? Dieser Fragestellung widmet sich diese Arbeit, welche im Rahmen des Master Seminars 'Verfahren zur Auswertung von internationalen Befragungen' anhand des European Value Study¹ von 2008 mittels der Surveydaten von Deutschland und Dänemark folgende Hypothese prüfen will: Ein höheres monatliches Haushaltseinkommen führt in Deutschland zu einem stärkeren Anwachsen der allgemeinen Lebenszufriedenheit als in Dänemark. Als Analyseinstrument wird auf das lineare Regressionsmodell zurückgegriffen. Wobei die unabhängigen und abhängigen Variablen jeweils länderspezifisch getrennt voneinander beobachtet werden um einen Vergleich möglich zu machen. Das verwendete Analyseprogramm ist Stata 13. Um die Resultate des Stata Outputs im Nachhinein richtig interpretieren zu können müssen zuerst die Skalenniveaus der abhängigen bzw. unabhängigen und der Kontrollvariablen interpretiert werden. Im Anschluss wird die Korrelation der Variablen getestet um einen möglichen Zusammenhang darzustellen. Nachdem die Variablen bzgl. den Daten von Deutschland und Dänemark separat voneinander und unter Einbezug der Kontrollvariable 'Jobzufriedenheit' in das lineare Regressionsmodell eingefügt werden, wird im darauffolgendem Schritt zur Interpretation folgender Werte übergegangen:

Coef., _cons, T-Wert, P-Wert,, Number of obs., Adj R-squared.

Schlussendlich wird auf Basis der Interpretation des Stata Outputs o. g. Hypothese (H1) anhand der gegenteiligen Hypothese (H0) überprüft.

2. Die unabhängige, die abhängige Variable und die Kontrollvariable

Im EVS+2008+D+und+DK.dta Datensatz findet sich die Variable v8 (taking all things together how happy are you), welche hier als abhängige Variable genutzt wird, da sie ein adäquates Bild der allgemeine Lebenszufriedenheit gibt. Dabei handelt es sich um eine nummerische² Variable des Types byte. Der range³ geht vom Wert 1 bis zum Wert 4, wobei 1 'very happy' und 4 'not at all happy' bedeutet. Für die spätere Interpretation der Steigung im Regressionsmodell ist es wichtig zu sehen, dass es sich hier um die Messung der Unglücklichkeit der Befragten handelt. Je höher der Wert der v8 desto unglücklicher der Befragte. Zu insgesamt 3582 Befragten stehen 3521 Werte zur Verfügung. Die Differenz von 61 Befragten sind Missings⁴. Bei der Skalierung handelt es sich um Ordinalskalenniveau⁵. Für die spätere lineare Regression benötigt die abhängige Variable zwar mindestens metrisches Skalennivieau⁶ (Vgl. Baltes-Götz und Bernhard 2014 S.70). Jedoch ist es in der Forschung gängige Praxis in solchen Fällen quasi-metrisches Skalenniveau anzunehmen. So sind Schulnoten ebenfalls ordinal Skaliert, werden aber bis auf zwei Stellen hinter dem Komma für die Zugangsberechtigung an deutschen Universitäten herangezogen. Die totale Mehrheit (2076 aller Befragten) gehört zur zweiten Kategorie 'quite happy'.

Die unabhängige Variable v353MM (monthly household income) gibt Auskunft über das angegebene monatliche Haushaltseinkommen. Auch hier handelt es sich um eine nummerische Variable. Der range geht von 1 bis 12 und bildet dabei Einkommensgruppen von 1 'Less than €150' bis 12 '€10000 or more'. Je höher der vom Befragten angegebene Wert desto höher das monatliche Haushaltseinkommen. Die totale Mehrheit der befragten liegt mit einer Frequenz von 630 Fällen bei einem monatlichen Haushaltseinkommen von 3000€ bis unter 5000€. V353MM weist 674 Missings bei 3582 Werten insgesamt auf. Die höhere Missingrate lässt sich mitunter durch die höhere Intimität der Fragestellung erklären. Durch die Zusammenfassung der monatlichen Haushaltseinkommen in Gruppen ist hier aus einem möglichen Ratioskalenniveau Intervallskalenniveau⁷ geworden. Was aber beim späteren Regressionsmodell keine Rolle spielt, da es sich hier um metrisches Skalenniveau und somit um ein solches handelt das sogar noch informativer als das benötigte kategoriale⁸ ist. Mit dem Codebook-Befehl lassen sich die Eigenschaften von v8 und v353MM in Stata ablesen. Siehe auch Abb. 1.

Die Kontrollvariable v90 (how satisfied are you with yourjob) ist ebenfalls eine numerische Variable und gibt Auskunft über die Zufriedenheit der Befragten mit ihrem Beruf. Als Kontrollvariable wird v90 aus dem Grund herangezogen, da angenommen wird, dass sich die Zufriedenheit mit der beruflichen Situation eines Befragten auf den Effekt auswirkt den v355MM auf v8 hat. Mit einem range von 1 unzufrieden bis 10 zufrieden gibt sie die ist sie ordinal skaliert. Von 3582 Befragungen sind 1564 Missings. Aufgrund des Aufbaus der Variable bietet sich hier neben dem Codebook-Befehl der Tab-Befehl an um sich ein genaueres Bild der Verteilung machen zu können. Siehe Abb.2 und Abb. 3.

Bei der Betrachtung von v8, v353MM und v90 ist wichtig zu beachten, dass es sich bei den Werten hier um die Ergebnisse der Befragten aus Deutschland und Dänemark zusammen handelt.

3. Korrelation und Regression

Im nächsten Schritt wird das monatliche Haushaltseinkommen mit der Lebenszufriedenheit korreliert. Das heißt es wird gezeigt ob und wenn ja wie stark der lineare Zusammenhang zwischen x(v353MM) und y(v8) ist. Dabei kann die Korrelation Werte von -1 (einem perfekten negativen Zusammenhang) bis 1 (einem perfekten positiven Zusammenhang annehmen.

[...]

¹ The European Values Study is a large-scale, cross-national, and longitudinal survey research program on basic human values. It provides insights into the ideas, beliefs, preferences, attitudes, values and opinions of citizens all over Europe. It is a unique research project on how Europeans think about life, family, work, religion, politics and society (Pinheiro (2004)

² Stata unterscheidet zwei Typen von Variablen. Alphanumerische 'Strings' und numerische 'Reals'. Numerische Variablen sind Zahlen, Strings sind Zeichenkombinationen oder Zahlen-Zeichenkombinationen mit denen nur nach Transformation gerechnet werden kann (Vgl. Stata user's guide (2013) S. 112-113 ff.)

³ Spanne der Variablenskala von min. bis max. (Vgl. Stata user's guide (2013) S. 78)

⁴ 'Missings' sind fehlende Werte (Vgl. Stata user's guide (2013) S.109 109)

⁵ „das Nominalskalenniveau enthält nur Informationen darüber, ob es sich um gleiche oder ungleiche Ausprägungen handelt; das Ordinalskalenniveau gibt zusätzlich Auskunft über ein Mehr oder Weniger des Ausmaßes der Eigenschaft Kühnel und Krebs (2014) S. 29)“.

⁶ „Intervall und Ratioskala werden zusammenfassend als metrische Skalen bezeichnet Kühnel und Krebs (2014) S. 29)“

⁷ „das Intervallskalenniveau erlaubt zusätzlich, den Abstand zwischen einzelnen Werten inhaltlich zu interpretieren; das Ratiooder Proportionsskalenniveau (auch: Verhältnisskalenniveau) ermöglicht zusätzlich, das Verhältnis zweier Werte von Eigenschaftsmessungen zu interpretieren Kühnel und Krebs (2014) S. 29“. Außerdem verfügen Ratioskalen über einen absoluten Nullpunkt der die interpretation des verhältnisses zwischen zwei Messwerten erst ermöglicht (Vgl. Kühnel und Krebs (2014) S.31)

⁸ Als kathegorial Skalierte daten versteht man nominal- und ordinalskalierte Variablen (Vgl. Hain und Johannes S. 1 17)