Folien
Folien
Folien
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
mit 1. Kind<br />
ohne 1. Kind<br />
1. Ehe<br />
Ereignisanalyse: Lokale Interdependenz<br />
Bsp. Frau Nr. 432:<br />
Alter 16 Heirat mit 25 Alter 27: Geburt 1. Kind<br />
t= - 132 Monate<br />
Y(t)<br />
t=0-24 t= 0<br />
Di= if ge(Thei,Tint) then Tint - Tkid else Thei – Tkid,<br />
ledig Zeitachse<br />
t<br />
t
Ereignisanalyse: Lokale Interdependenz<br />
Problem: edef(); - Befehl verlangt positive Werte für<br />
Verweildauer bzw. tf.<br />
Lösung: Addition, des Betrags des kleinsten Wertes im Datensatz<br />
als Konstante.<br />
1.) bmin ohne dblock bezieht sich sich auf die ganze Datei.<br />
Schreibt in jede Zeile (Person) den kleinsten Wert.<br />
2.) Konstante wird auf die häufig negative Prozesszeit addiert. +1<br />
und alle Werte für die Prozesszeit sind nun positiv.<br />
3.) Bei Erstellung der Grafiken wird Konstante wieder abgezogen.<br />
Konst=bmin(Di)*(-1),<br />
T=Di+Konst+1,<br />
Des_h=if lt(Thei,Tint) then 1 else 0,
Ereignisanalyse: Exponentialmodell<br />
Modellvarianten, nicht nur für Exponentialmodell: exp1.cf<br />
1.) Ein Zielzustand, eine Episode pro Person<br />
2.) Ein Zielzustand, mehrere Episoden pro Person<br />
3.) Ein Zielzustand, mehrere Episoden pro Person, Effekte für jeden<br />
Übergang separat geschätzt<br />
4.) Mehrere Zielzustände: competing risk models (17.6.)<br />
dblock=ID,<br />
Lfx=cum(Dur)-Dur,<br />
# Vorgeschichte<br />
Ep_1=SN - 1,<br />
1. Aufgabenblatt, auch mit pre<br />
Anzahl der vorangegangenen Episoden<br />
# Kovariate: Effekt von Lfx fuer beide Geschlechter<br />
# Interaktionsterm<br />
Lfx_fr=Frau[1]*Lfx,<br />
Interaktionsterm
Ereignisanalyse: Exponentialmodell<br />
edef(<br />
org=0,<br />
des=DES,<br />
Definition der Episodendaten → bekannt!<br />
ts=0,<br />
tf=Dur,<br />
);<br />
# Regressionsmodell: Rate von Geschlecht abhängig<br />
rate(<br />
xa(0,1)=Frau, # x-Vektor auf den a-Term<br />
rrisk, # relative Risiken, exp(b)<br />
)=2; # 2=exponential model<br />
# Regressionsmodell: Rate von Geschlecht abhängig,<br />
# unter Kontrolle des Ausbildungsniveaus ("highest")<br />
rate(<br />
xa(0,1)=Frau,EDU,<br />
rrisk,<br />
)=2;
Ereignisanalyse: Exponentialmodell<br />
Mehrere Episoden pro Person:<br />
• Problem: Episoden sind nicht unabhängig voneinander.<br />
• Lösungsansatz 1.) : Kontrolle der Vorgeschichte, hier:<br />
Berufserfahrung und Zahl der vorangegangenen Episoden.<br />
• Lösungsansatz 2.) : separate Modellierung der Übergänge<br />
rate(<br />
xa(0,1)=Frau,EDU,Lfx,<br />
rrisk,<br />
)=2;<br />
rate(<br />
xa(0,1)=Frau,EDU,Lfx,Ep_1,<br />
rrisk,<br />
)=2;<br />
1.) Kontrolle der Vorgeschichte<br />
Berufserfahrung<br />
Anzahl der vorangegangenen Episoden. Problem:<br />
was misst diese Variable genau? Zumindest Kontrolle<br />
„unbeobachteter Heterogenität“, die mit häufigem<br />
Wechseln korreliert.
Ereignisanalyse: Exponentialmodell<br />
2.) separate Modellierung der einzelnen Übergänge<br />
edef(<br />
org=0,<br />
des=DES,<br />
ts=0,<br />
tf=Dur,<br />
id=ID,<br />
sn=SN, # Mehrepisodenfall,<br />
);<br />
• wenn SN nicht vorhanden, Variable bilden mit:<br />
dblock=ID,<br />
SN=brec,<br />
• Problem des Ansatzes: schwindende Fallzahlen mit steigender<br />
Episodennummer. Begrenzung auf „die ersten Episoden“ wiederum<br />
problematisch, da „Mover“ zu gering vertreten sind.
Ereignisanalyse: Exponentialmodell<br />
Idx SN Org Des MT Variable Coeff Error C/Error Signif<br />
-------------------------------------------------------------------<br />
1 1 0 1 A Constant -4.7610 0.2541 -18.7397 1.0000<br />
2 1 0 1 A Frau 0.3834 0.1166 3.2884 0.9990<br />
3 1 0 1 A EDU 0.0289 0.0208 1.3869 0.8345<br />
4 1 0 1 A Lfx -0.0051 0.0011 -4.8416 1.0000<br />
5 1 0 1 A Lfx_fr 0.0034 0.0016 2.1305 0.9669<br />
Regressionsmodell, allgemeine Darstellung:<br />
y=b ^<br />
0 +b1x1 +...+bnxn Regressionsmodell mit Interaktion Berufserfahrung x Frau:<br />
r(t)=exp(-4.76+0.3834*Frau+0.0289*EDU<br />
-0.0051*Lfx+0.0034*Lfx_fr)<br />
b(Lfx) =Effekt für Männer<br />
b(Lfx)+b(Lfx_fr) =Effekt für Frauen<br />
Resultat:<br />
Effekt für Männer negativ. Effekt für Frauen auch, jedoch weniger<br />
stark. Berufserfahrung wirkt sich für Frauen also weniger<br />
stabilisierend aus, als für Männer
Ereignisanalyse: Exponentialmodell<br />
Wichtig: anschauliche Darstellung der empirischen Befunde<br />
• Ereignisanalytisches Regressionsmodell: wenig anschaulich,<br />
zumal mit Interaktionseffekt<br />
• Survivorfunktion: einfach, sehr anschaulich<br />
Anhand der geschätzten Parameter können Survivorfunktionen für<br />
spezifische Merkmalskonstellationen berechnet werden.<br />
→prate-Option im Rahmen des rate- Befehls<br />
liefert für jeden gewählten Zeitpunkt G(t), f(t) und r(t)<br />
Ergebnis wird grafisch dargestellt
Anteil noch im Job<br />
Abb. 1: Einfluss der Berufserfahrung auf die<br />
Beschäftigungsstabilität, getrennt nach Geschlecht<br />
1,0<br />
,9<br />
,8<br />
,7<br />
,6<br />
,5<br />
,4<br />
,3<br />
,2<br />
,1<br />
0,0<br />
0<br />
2<br />
Lfx Lfx=60 Lfx Lfx =60 Monate<br />
Monate<br />
Lfx Lfx=24 Lfx =24 Monate<br />
Monate<br />
4<br />
6<br />
8<br />
10<br />
12<br />
14<br />
16<br />
18<br />
20<br />
22<br />
24<br />
Prozesszeit in Monaten<br />
Quelle: MPI-Lebensverlaufsstudie, eigene Berechungen<br />
26<br />
28<br />
30<br />
32<br />
34<br />
36<br />
Männer<br />
Männer<br />
Frauen<br />
Frauen
Ereignisanalyse: Exponentialmodell<br />
rate(<br />
xa(0,1)=Frau,EDU,Lfx,Lfx_fr,<br />
rrisk,<br />
# Frauen, 2 Jahre Berufserfahrung<br />
prate(tab=0(1)36,Frau=1,EDU=12,Lfx=24,Lfx_fr=24)=Frau24.t,<br />
# Maenner, 2 Jahre Berufserfahrung<br />
prate(tab=0(1)36,Frau=0,EDU=12,Lfx=24,Lfx_fr=0)=Mann24.t,<br />
# Frauen, 5 Jahre Berufserfahrung<br />
prate(tab=0(1)36,Frau=1,EDU=12,Lfx=60,Lfx_fr=60)=Frau60.t,<br />
# Maenner, 5 Jahre Berufserfahrung<br />
prate(tab=0(1)36,Frau=0,EDU=12,Lfx=60,Lfx_fr=0)=Mann60.t,<br />
)=2;
Ereignisanalyse: Exponentialmodell<br />
„trivial“ matching: Zusammenführen der Datensätze durch<br />
einfaches nebeneinander legen. Hier ausreichend, weil die<br />
Zeitachse für jede Matrix identisch ist.<br />
Frau24.t Frau60.t Mann24.t Mann60.t<br />
0 1<br />
1 0.99<br />
2 0.96<br />
3 0.91<br />
. .<br />
. .<br />
36 0.57<br />
0 1<br />
1 0.99<br />
2 0.98<br />
3 0.97<br />
. .<br />
. .<br />
36 0.60<br />
0 1<br />
1 0.99<br />
2 0.98<br />
3 0.98<br />
. .<br />
. .<br />
36 0.74<br />
0 1<br />
1 0.99<br />
2 0.99<br />
3 0.99<br />
.<br />
.<br />
36 0.80<br />
Dann wird<br />
Datensatz in SPSS<br />
eingelesen und<br />
Grafik erstellt.<br />
4 Datensätze werden zu einem Datensatz verbunden und<br />
herausgeschrieben, weil clear; Befehl fehlt