Seminář 5: Opakování

1. Seminář 5:Opakování

2. Pro začátek • Účel úkolů • Kooperativní práce • Aktivita • Komentář k deskriptivním statistikám a koncentraci • Opakování regrese a tvorby map

3. tento text se zabývá výsledky kandidátů a souvisejícími statistikami z prvního kola voleb • Analyzovány byly absolutní hodnoty hlasů v jednotlivých obvodech. • Z jeho výsledků je patrné, že měl výraznější úspěch ve velkých městech • v našem případě je zajímavé, že i když Sekaninová má více než dvojnásobnou podporu než Šlambor, tak Modus mají shodný – 25,00 • rozptyl ich ziskov sa rovná najvyššiemu dosiahnutému

4. Volební účast ve druhém kole voleb dosáhla průměrné hodnoty 37,26%, nejvyšší volební účast byla 71,05% a nejnižší 18,10%. Nejčastěji se vyskytovala volební účast v hodnotě 33,33%. Střední hodnota volební účasti odpovídá 35,67%. Rozptyl je 108,84 a směrodatná odchylka 10,43.

5. Směrodatné odchylky jsou celkově poměrně vysoké. Znamená to, že zisky kandidátů v jednotlivých obcích byly značně proměnlivé. Nejvýraznější je tento fakt u kandidátů Doležala a Strnada. Nejstálejší volební zisk naopak zaznamenala kandidátka Zubová.

6. Směrodatná odchylka nám pak potvrzuje, že Doležalovy zisky byly značně nerovnoměrně rozloženy. Pro lepší interpretaci rozložení využijeme hodnoty variačního koeficientu, které jsou uvedeny v tabulce 3. Opět dokazují nejméně rovnoměrné rozložení u Doležala. Ukazuje se však, že směrodatná odchylka nám předkládala značné zkreslení u rozložení Jaromíra Strnada, kde určovala vysokou nerovnoměrnost, přičemž ve skutečnosti se jedná o kandidáta s nejrovnoměrnějším rozložením.

7. Následující histogramy kandidátů názorně ukazují rozdělení volebního zisku v obcích volebního obvodu. Můžeme vidět v jakém rozmezí hodnot se volební zisk objevoval s jakou četností. Můžeme porovnat odlišnosti u obou kandidátů. • Kandidát měl standardně rozloženou voličskou podporu • rozložení podpory bylo u kandidáta konstantní • jednotlivé grafy zobrazují, jak se případy odchylují od průměru • Ze sociodemografických  proměnných měla nejzajímavější rozložení nezaměstnanost

8. Rozložení volební podpory Illéseneodpovídá rovnoměrnému rozložení kolem průměru. Jedná se o doprava sešikmený histogram, v němž je nejčastější hodnotou (téměř 50 obcí) 2,5%. Zajímavá je také odlehlá hodnota 25% v jediném případě. • Volební podpora Oberfalzeraje téměř dokonale symetricky rozmístěna kolem průměru. Neexistují zde žádné odlehlé hodnoty. Lehce výrazněji je zastoupena skupina obcí s 35% podporou.

9. Klepsa je typickým kandidátem, jehož podpora byla nadprůměrná v některých konkrétních oblastech, v jeho případě ve městě Jaroměř a okolních obcích, ovšem mnohem četněji se pohybovala pod průměrnou hodnotou.

11. Koncentrace • Pro měření koncentrace jsem si vybral podporu kandidáta XY. Jeho podporu hlasů jsem dával do souvislosti s celkovým počtem odevzdaných hlasů. Grafy ukazují, že jeho podpora je rovnoměrně rozdělena v obcích.

12. V prvním kole voleb roku 2008 na území senátního obvodu Žďár nad Sázavou měl nejrovnoměrněji rozloženou voličskou podporu kandidát za ODS (0,2), KDU-ČSL(0,24) a SNK-ED (0,24). Za těmito kandidáty se ještě s rovnoměrnou voličskou podporou dostal kandidát za stranu 21 (0,26) a SN (0,26). Již méně rovnoměrnou voličskou základnu měla ČSSD (0,31). Nejméně rovnoměrnou voličskou podporu měl kandidát za KSČM (0,44). • Druhé kolo voleb odpovídá v ohledu na koncentraci voličské podpory kolu prvnímu, více rovnoměrněji rozloženou voličskou podporu měl kandidát za SNK-ED (0,34) než kandidát za ČSSD (0,4). Lze vidět ovšem posun, protože SNK-ED i ČSSD mělo v prvním kole voleb rovnoměrněji rozloženou voličskou podporu. • V případě Dubského Giniho koeficient vychází 0,296, což je více dvojnásobek hodnoty koeficientu v případě Kubery. Rozložení volební podpory je tak – i jak zjevné z Lorentzovy křivky – relativně významně nerovnoměrnější.

15. Mezi voličskou podporou kandidátky za ČSSD Doupovcovou v prvním a druhém kole můžeme pozorovat relativně významný vztah. Znamená to, že se ji víceméně podařilo ve většině jednotlivých obcí udržet voličskou podporu. To znamená, že pokud jí voliči přišli odevzdat svůj hlas v konkrétní obci v prvním kole, většinou přišli i v kole druhém.

17. Regresivní analýza

18. Všechny případy zisku hlasů jsou normálně rozložené, téměř u každé strany se objevují případy, které se odchylují od normály. (rozdělení hodnot proměnné se odchyluje od normálního rozdělení)

19. Linearita • U všech kandidátů je hodnota R v mezích, to znamená, že je menší než 0,8. (kritérium 0,8 se týká multikolinearity)

21. Multikolinearita

22. Hetroskedascita

23. Hodnota R square nám vysvětluje, kolik případů v procentech daná analýza vysvětluje. V této analýze to je tedy 14,5% případů. • (nevysvětlují se případy, ale rozptyl závisle proměnné)

24. Podle tabulky se Standardizovaným koeficientem Beta lze vyčíst, že vztah mezi nezaměstnaností a podporou ČSSD je velmi slabý

26. U katolíků vidíme, že koeficient beta dosahuje kladných hodnot. Pokud se tedy zvýší podpora pro Herbrycha o jednu jednotku, 35% z ní bude katolíků. Naopak u nezaměstnanosti se koeficient beta nachází v záporných hodnotách. Zvýší-li se v tomto případě podpora pro kandidáta o jednu jednotku, určitě se vní nenacházelo 18% nezaměstatných.

27. Regrese - podpora KSČM • index determinace odpovídá hodnotě 0,073 • pokud by se hodnoty všech proměnných rovnaly hodnotě nula, pak by měla být podpora KSČM rovna 11,41 p.b. • pokud by byla míra nezaměstnanosti o 1 p.b. větší, pak by se podpora KSČM zvýšila o 0,44 p.b. • pokud by se podíl základního vzdělání zvýšil o 1 p.b., pak se podpora KSČM zvýšila o 0,02 p.b. • pokud by se podíl katolíků zvýšil o 1 p.b., pak by se podpora KSČM zmenšila o 0,1 p.b. • největší význam má proměnná míra nezaměstnanosti • míra nezaměstnanosti má také význam statistický, protože její vztah platí v celé populaci (Sig. 0,003)