Prostorová analýza – Seminář 2 popisné statistiky, korelace 17. 4. 2019 Výběr proměnných •Nechtěl jsem se dozvědět charakteristiky obvodu •Možné vztahy mezi vybranými proměnnými •Jaká data o volbách máte v datasetu •Konkrétní operacionalizaci Teorie •Typicky teorie konfliktních linií •Nutno zařadit strany/kandidáty na jednotlivé konce linií •Mechanismus jakým proměnná ovlivňuje podporu –Kompozitní –Kontextuální – •Sousedský efekt Popis volební podpory •Kde? •Jak? Proč? •Účelem deskriptivní statistiky je zjistit vlastnosti proměnné –(Porozumět používaným datům) •Vlastnosti proměnné mají důsledek pro další analýzy •A pro interpretaci výsledků analýz • •Zisk zjednodušené informace o volební podpoře kandidáta • • • • Jaké známe popisné statistiky? A co říkají? • Známe z loňska •Průměr – co říká? –Jaké jsou limity toho, co říká? –Čím můžeme informaci doplnit? –Co můžeme požít jiného? • Známe z loňska •Průměr - Hledáme hodnotu, která nejlépe reprezentuje proměnnou –Samotná střední hodnota poskytuje značně redukovanou (a zkreslenou, pokud jsou v datech odlehlé případy) představu o vlastnostech proměnné –Vhodné srovnat s mediánem •Míra variability doplňuje informaci, jak dobře střední hodnota reprezentuje všechny případy –Ukazuje, jak moc se mezi sebou liší hodnoty proměnné • Vážení dat Výpočet váhy •Možnost vážit populací obce (buďto počet obyvatel, nebo v našem případě lépe počet voličů) –Zkresluje hodnoty standardní chyby •Vhodný způsob: podíl obce na voličích-obyvatelstvu obvodu – suma sloupce voličů nebo obyvatelstva – vydělení počtu voličů-obyvatel obce sumou za celý obvod –Součet je 1 –Vynásobení počtem obcí v obvodu (např. 50 obcí) – v excelu: vaha = a2/$a$51*50 – v spss: transform -> compute vaha = volici08/suma volici*50 –Počet případů ve vážené analýze odpovídá reálnému počtu obcí – – Použití váhy •Data – weight cases (úplně dole) •Weight cases by – do pole Frequency variable vložte proměnnou vaha - Ok Důsledky použit vah •Spočítané charakteristiky jsou blíže „realitě“ •Situace ve městě s 10 000 obyvateli má pro výsledky stejný dopad jako situace v 10 obcích s 1000 obyvateli nebo ve 100 obcích se 100 obyvateli •Bez vah analýzy odráží spíše situaci malých obcích, kterých je sice mnoho, ale vzhledem k počtu voličů nemusí být pro podporu strany důležité zpět k otázce: Jakou podporu mají kandidáti v obvodu? Jak je volební podpora ne/koncentrovaná? •Variační koeficient •Giniho koeficient • •Moranovo I •Lisa https://i.iinfo.cz/images/512/mapa-podil-vericich-v-krajich-1.gif • https://mgimond.github.io/Spatial/img/Random_maps.png Výsledek obrázku pro mapa Ä�r okresy Variační koeficient •=směrodatná odchylka/průměr •V prostorové analýze využíván jako míra koncentrace •Neznamená ale míru územní koncentrace!!! •Nebere v potaz rozložení hodnot v prostoru •0 – velmi malé rozdíly v hodnotách proměnné •Nemá pevnou horní hranici –Není vhodné interpretovat v procentech –Vhodný referenční bod pro interpretaci jsou hodnoty var. Koef. ostatních kandidátů Giniho koeficient •Rozdíl skutečného a ideálně rovnoměrného rozložení •Stále nebere v potaz uzemní koncentraci –Ale lépe zohledňuje velikost obcí •Není obsažen v spss ani excelu –Postup v manuálu v materiálech • Popis vývoje volební podpory Jak se liší volební podpora mezi senátními a poslaneckými/krajskými volbami? •Rozdíly v popisných statistikách •korelace • •Mapa „volební úspěšnosti“ •Území stabilní volební podpory • • Území volební podpory •Přehlednost, zohlednění populační velikosti •Nevhodné pro lokální strany (např. SMK na Slovensku) •Nevhodné v nestabilních systémech • •Doplňující indikátory –Míra úspěšnosti: kolikrát je podpora strany vyšší v (jádru) území volební podpory oproti zbytku území Území stabilní volební podpory •Strany s koncentrovanou stabilní podporou X strany s nekoncentrovanou stabilní podporou •Výpočet procenta hlasů přítomných v ÚSVP v každých volbách Bazické a řetězové indexy •Řetězový index –Volby 2017/volby 2013; volby2013/volby2010 … –Ukazuje postupný vývoj •Bazický index –Volby 2017/volby2006, volby2013/volby2006 … –Ukazuje změnu stav oproti stanovenému základu – –Index volební úspěšnosti •=senát 2016/poslanecké volby 2013 * 100 –Index volební stability •senát 2016/ senát 2010* 100 • • • Korelační analýza •Co se dozvíme z výsledku korelační analýzy? •Proč může korelační analýza posloužit k analýze vývoje volební podpory? •Jaký typ souvislosti sleduje? •Co z korelační analýzy zjistíme o příčinách změny volební podpory? Korelační analýza •Pokud se korelační koeficient blíží 1 pak se rozložení podpory nezměnilo –Stále mohlo ale dojít k poklesu nebo nárůstu podpory •Je míra souvislosti stejná s výsledky v různých typech voleb? –Pokud se výsledky kandidáta a strana velmi liší, možná je jeho podpora dána jinými faktory (např. sousedský efekt) Úkol č. 3 •Popis volební podpory –Tabulka obsahující reálný zisk kandidátů v obvodu (v %), průměrný zisk v obcích (v %), průměrný vážený zisk v obcích (v %), medián volební podpory, směrodatnou odchylku, variační koeficient a giniho koeficient (pro 5 nejsilnějších kandidátů z posledních senátních voleb) –Interpretace tabulky (to neznamená jen přepis dat z tabulky do textu) •Vývoj volební podpory –Korelace mezi volebním ziskem kandidáta a ziskem strany v KV a PS a ziskem kandidáta v předchozích senátních volbách –Pro 5 nejsilnějších kandidátů –Interpretace – – Senat 1 Senat 2 PS 10 PS 13 KV 12 KV 16 Senat 1 1 Senat 2 1 PS 10 1 PS 13 1 KV 12 1 KV 16 1 Sem vložte výsledky při využití vah Sem vložte výsledky bez využití vah