ÚKOL 3 Pro provedení analýzy byla vybrána data EU Kids Online II, zabývající se praktikami a zkušenostmi s používáním internetu a nových online technologií u dětí (9-16 let) a rodičů. Pomocí interview byla sesbírána data od 18709 respondentů z 25 zemí Evropy. Pro naši analýzu byla použita data od 13874 respondentů. Z důsledku chybějících dat tedy z analýzy vypadlo 4835 respondentů. Byla provedena analýza logistické regrese mezi proměnnými [SJ1] sexuální styk v posledních 12 měsících, jak často je dítě vystaveno obrázkům se sexuálním podtextem (online i offline), jak často dítě dostává nebo vidí sexuální zprávy a mírou sensation seeking (osobnostní rys charakteristický vyhledáváním mimořádných prožitků). Analýzu jsme provedly pomocí programu SPSS (viz. Tabulka 1). Tabulka 1[SJ2] N M SD min max Sex. styk za posledních 12 měs. 17914 0,06[SJ3] 0,24 0 1 Jak často je dítě vystaveno obrázkům se sexuálním podtextem (online i offline) 16064 0,23[SJ4] 0,65 0 3 Jak často dítě dostává nebo vidí sexuální zprávy 18506 0,77 1,06 0 4 Sensation Seeking 16477 3,49 0,89 1 4 Předpokladem byla existence souvislosti mezi uvedenými proměnnými. Nezjistili jsme multikolinearitu (viz. Tabulka 2). Regresní analýza odhalila, že model signifikantně predikoval sexuální styk [SJ5] v posledních 12 měsících, X^2 (3, 13874) = 848,05, p<0,01. R^2[SJ6] ^ pro model je 0,16. Výsledky podpořily náš předpoklad o existenci souvislosti mezi proměnnými. Konkrétně, když se zvýší proměnná „jak často je dítě vystaveno obrázkům se sexuálním podtextem“ o jednotku[SJ7] , sníží se šance, že mělo za posledních 12 měsíců sexuální styk o 0,67.[SJ8] Když se zvýší o jednotku proměnná „jak často dítě dostává nebo vidí sexuální zprávy o jednotku“, vzroste šance, že mělo pohlavní styk o 1,56, při zvyšujícím se sensation seeking indexu o 1,55 (viz Tabulka 2). Původní šance, že mělo dítě pohlavní styk za posledních 12 měsíců byla 0,06.[SJ9] Tabulka 2 95% CI pro Exp(B) Proměnná B SE Exp(B) Wald p Spodní Horní Tolerance[SJ10] VIF Konstanta -2,16 0,14 0,12 230,98 0,00 Jak často je dítě vystaveno obrázkům se sexuálním podtextem (online i offline) -0,4 0,04 0,67 110,19 0,00 0,63 0,73 0,76 1,32 Jak často dítě dostává nebo vidí sexuální zprávy 0,45 0,04 1,56 113,13 0,00 1,44 1,7 0,77 1,3 Sensation Seeking 0,44 0,03 1,55 211,33 0,00 1,46 1,65 0,91 1,1 Při všech prediktorech byla 94-procentní [SJ11] úspěšnost modelu. S každým přidaným prediktorem se zlepšovala predikce[SJ12] . ________________________________ [SJ1]Regrese není “mezi“. Pište, co chcete predikovat, pomocí jakých proměnných, a pak jakou analýzu pro tento účel užíváte. Jaká proměnná je predikovaná, si musím domýšlet. [SJ2]Tabulky mají mít smysluplný nadpis - popisek [SJ3]Průměr čeho? [SJ4]Jak často? 0,23 ? Je třeba popsat kódování proměnných, aby tomu čtenář mohl rozumět. [SJ5]Až tady se dozvídám účel. [SJ6]Jaké R2? [SJ7]Ta jednotka by tady nemusela být tak vágní, ale mohla by mít zcela konkrétní význam. [SJ8]Ne „o“, ale „krát“. Zde tedy šance klesne na dvě třetiny původní hodnoty. [SJ9]Šance a pravděpodobnost se zde numericky liší až na 3. desetinném místě. Rozlišujete? [SJ10]Vzato z lineární regrese? OK. [SJ11]Bez prediktorů byla taky 94% úspěšnost ;-) Vždy je třeba uvádět úspěšnost na začátku a na konci. [SJ12]A co ukázat pomocí vypočítaných pravděpodobností, jak velký je efekt některého z prediktorů?