vignettes/runda_1-dokumentacja.md

In tzoltak/MLASZdane: Pakiet do zlaczania danych na potrzeby projektu MLEZAiMD

title: "Przetwarzanie zbiorów z 1. rundy monitoringu" author: "Tomasz Żółtak" date: "17 maja 2019" lang: pl

1. Wprowadzenie

1.1. Funkcja wczytaj_wyniki_1rm()

Na podstawie zbioru z badania absolwentów (MLEZAiMD_I_runda_CAPI_absolwent_n7713_20180924_z_wagami_z_kodowaniem.sav) funkcja wczytaj_wyniki_1rm() zwraca listę ramek danych (zbiorów) zawierającą następujące elementy:

• dane - zawiera odpowiedzi na pytania niedotyczące epizodów (por. niżej);
• epizody - zawiera informacje dotyczące wymienionych przez respondentów epizodów:
  • nauki w szkole, jako uczeń której badany został zrekrutowany do badania (ważny ze względu na informację o momencie zakończenia tej nauki);
  • nauki w LO dla dorosłych,
  • zdawania do szkół policealnych i nauki w szkołach policealnych,
  • zdawania na studia i studiowania,
  • odbywania szkoleń i zdobywania certyfikatów (niezwiązanych bezpośrednio z nauką w ww. formach),
  • pracy,
  • bezrobocia;
• gospDom - zawiera informacje o członkach gospodarstw domowych respondentów.

1.2. Funkcja imputuj_miesiac_pk_1rm()

Funkcja imputuj_miesiac_pk_1rm() przetwarza listę zbiorów danych, zwróconą przez wczytaj_wyniki_1rm() i zwraca listę zbiorów danych o dokładnie takiej samej strukturze (p. wyżej).

Metody imputacji wartości zmiennych opisujących moment rozpoczęcia i moment zakończenia epizodów opisane zostały szczegółowo w sekcji 3. tego dokumentu.

1.3. Funkcja przygotuj_zbior_osobo_miesiecy_1rm()

Funkcja przygotuj_zbior_osobo_miesiecy_1rm() przetwarza listę zbiorów danych, zwróconą przez imputuj_miesiac_pk_1rm() i zwraca ramkę danych (zbiór) zawierający dane o epizodach nauki, pracy i bezrobocia przekształcone do postaci osobo-miesięcy (obserwacją jest osoba w danym miesiącu).

Struktura zbioru i sposób jego tworzenia zostały szczegółowo opisane w sekcji 6. tego dokumentu.

1.4. Identyfikator respondenta

Identyfikatorem respondenta w zbiorach jest zmienna ID_RESP.

2. Struktura zbioru danych epizodów

2.1. Zmienne specjalne w zbiorze epizodów

Aby możliwe było łatwiejsze identyfikowanie epizodów, w zbiorze utworzone zostały specjalne zmienne (znajdują się na początku zbioru):

• ID_RESP - identyfikator respondenta, umożliwia łączenie z innymi zbiorami danych z badania;

• typ_epizodu - typ epizodu, przyjmuje jedną z dziesięciu wartości:

  1. ‘szkoła objęta badaniem’;
  2. ‘LO dla dorosłych’;
  3. ‘zdawanie do SPolic.’;
  4. ‘SPolic.’;
  5. ‘zdawanie na studia’;
  6. ‘studia’;
  7. ‘szkolenia u2’;
  8. ‘szkolenia u4’;
  9. ‘praca’;

  10. ‘bezrobocie’.

  11. Uwaga! Epizody ‘studia’ i ‘SPolic.’ są specyficzne, gdyż zawierają również informacje dotyczące zdawania na te kierunki studiów/do tych szkół policealnych, na/w których respondent podjął naukę. W związku z tym, jeśli przedmiotem analizy mają być kierunki/szkoły na/do których respondent zdawał, należy w niej uwzględnić odpowiednio zarówno epizody typu ‘zdawanie na studia’, jak i epizody typu ‘studia’ albo zarówno epizody typu ‘zdawanie do SPolic.’, jak i epizody typu ‘SPolic.’.

• nr - wartość zmiennej wskazuje, jako który z kolei epizod (inaczej mówiąc, w którym obiegu pętli skryptu, czy też, w którym wierszu tabeli reprezentującej odpowiedzi na blok pytań o „epizody” danego typu w „papierowej” wersji kwestionariusza) określonego typu respondent wymienił dany epizod;

  • Uwaga! Respondenci niekoniecznie wymieniali epizody w zgodzie z ich chronologiczną kolejnością. Jeśli chce się mieć pewność, że epizody uszeregowane są w kolejności chronologicznej, należy posłużyć się w pierwszej kolejności zmiennymi czas_rozp lub czas_zakon, a dopiero w dalszej zmienną nr (przy czym należy mieć na uwadze, że w zmiennych czas_rozp i czas_zakon występują braki danych, a w przypadku zmiennej czas_zakon należy też obsłużyć sytuacje, gdy epizod się nie zakończył).
  • Zmienna nr odnosi się łącznie do epizodów typu ‘zdawanie do SPolic.’ i ‘SPolic.’ (tj. epizody obu tych typów w ramach tej samej osoby posiadają jedną, ciągłą numerację) oraz łącznie do epizodów typu ‘zdawanie na studia’ i ‘studia’, co wiąże się z opisaną wyżej specyfiką epizodów typów ‘studia’ i ‘SPolic.’.
  • Dla epizodów typu ‘LO dla dorosłych’ jako wartość zmiennej nr występuje tylko 1, gdyż kwestionariusz nie dopuszczał wymienienia kilku epizodów tego typu.
  • W przypadku epizodów typu ‘praca’ wartość zmiennej nr równa 99 oznacza, że dany epizod pracy został dopowiedziany w wyniku udzielenia przez respondenta odpowiedzi na pytania PG5.
• czas_rozp - czas rozpoczęcia trwania danego epizodu, wyrażony jako liczba miesięcy od czerwca 2017 r.;
  • zmienna może przyjmować wartości ujemne (typowo zdarza się to w odniesieniu do epizodów pracy);
  • nie ma zastosowania dla epizodów typu ‘szkolenia u2’ ani ‘szkolenia u4’;
  • jeśli respondent nie podał miesiąca, w jakim rozpoczął się dany epizod, dla epizodów typu ‘praca’ i ‘bezrobocie’ dokonano imputacji wartości zmiennej czas_rozp (p. odpowiednia sekcja); dla epizodów pozostałych typów zawsze arbitralnie przyjmowano, że był to czerwiec;
  • należy mieć na uwadze, że mimo to zdarzają się epizody (do których ma zastosowanie data rozpoczęcia) z brakami danych w tej zmiennej (respondenci czasem nie byli w stanie podać nawet roku);
• czas_zakon - czas zakończenia trwania danego epizodu, wyrażony jako liczba miesięcy od czerwca 2017 r.;
  • zmienna może przyjmować wartości ujemne (typowo zdarza się to w odniesieniu do epizodów pracy);
  • nie ma zastosowania dla epizodów typu ‘zdawanie na studia’ i ‘zdawanie do SPolic.’;
  • jeśli respondent nie podał miesiąca, w jakim zakończył się dany epizod, dla epizodów typu ‘praca’ i ‘bezrobocie’ dokonano imputacji wartości zmiennej czas_zakon (p. odpowiednia sekcja); dla epizodów pozostałych typów zawsze arbitralnie przyjmowano, że był to lipiec;
  • należy mieć na uwadze, że mimo to zdarzało się, że respondenci nie byli w stanie podać nawet roku i jako wartość zmiennej występuje brak danych;
  • brak danych w zmiennej czas_zakon może też wskazywać na to, że dany epizod wciąż trwa - aby sprawdzić, czy mamy z tym do czynienia, należy posłużyć się zmienną czy_zakonczony.
• czy_zakonczony - dychotomiczna zmienna wskazująca, czy dany epizod się zakończył, czy w momencie realizacji wywiadu z respondentem wciąż trwał:
  • dla epizodów typu ‘LO dla dorosłych’, ‘studia’, ‘SPolic.’, ‘szkolenia u2’ i ‘szkolenia u4’ wartość zmiennej została przekodowana ze zmiennych odpowiednio: zp2c, sp6d, pp6d (jako wskazujące na zakończenie epizodu traktowano odpowiedzi mówiące o uzyskaniu dyplomu, jak i o przerwaniu nauki) oraz u2d;
  • dla epizodów typu ‘praca’ i ‘bezrobocie’ wartość zmiennej została zakodowana na podstawie zmiennych odpowiednio: pg2f, i pb1e;
  • przy kodowaniu wartości dla epizodów wszystkich ww. typów, jeśli respondent nie udzielił odpowiedzi na odpowiednie pytanie, przyjmowano, że epizod się zakończył;
  • dla epizodów typu ‘zdawanie na studia’ i ‘zdawanie do SPolic.’ wartością zmiennej jest brak danych.
• swiadectwo - dychotomiczna zmienna, w przypadku epizodów typu ‘LO dla dorosłych’, ‘studia’, ‘SPolic.’, ‘szkolenia u2’ i ‘szkolenia u4’ wskazująca, czy dany epizod zakończył się uzyskaniem świadectwa (w odniesieniu do trzech pierwszych typów można to utożsamiać z zakończeniem się sukcesem, przypadku szkoleń respondent mógł wymienić kursy, które nie dawały możliwości uzyskania formalnego potwierdzenia ich ukończenia); dla epizodów typu zdawanie na studia i zdawanie do SPolic. zawsze przyjmuje wartość 2 (‘nie’), dla epizodów ‘pracy’ i ‘bezrobocia’ wartością jest brak danych;
• czas_rozp_imput - dychotomiczna zmienna opisująca, czy wartość zmiennej czas_rozp została zaimputowana (p. sekcja nt. imputacji); jeśli czas_rozp jest brakiem danych, również czas_rozp_imput jest brakiem danych;
• czas_zakon_imput - dychotomiczna zmienna opisująca, czy wartość zmiennej czas_zakon została zaimputowana (p. sekcja nt. imputacji); jeśli czas_zakon jest brakiem danych, również czas_zakon_imput jest brakiem danych;
• czas_zakon_sz - zmienna opisująca czas zakończenia przez respondenta nauki w szkole, jako uczeń której trafił on do badania - wyrażona na tej samej skali co zmienne czas_rozp i czas_zakon;
  • zmienna ta pozwala w łatwy sposób przejść od skali czasu zaczepionej w miesiącu kalendarzowym, w jakiej wyrażone są domyślnie zmienne czas_rozp i czas_zakon do skali zaczepionej w momencie zakończenia nauki w szkole zawodowej (jako absolwent której respondent ma być badany).

2.2. Różnice w nazwach i etykietach względem oryginalnego zbioru SPSS

• Nazwy wszystkich zmiennych w zbiorach przekształconych do postaci długiej, z jedynym wyjątkiem zmiennej ID_RESP, przekształcone zostały na pisane małymi literami.
• Nazwy zmiennych w tworzonych zbiorach zasadniczo odpowiadają nazwom zmiennych z oryginalnego pliku w formacie SPSS, z tym że pozbawione zostały elementów wskazujących na nr pętli (w zależności od zmiennej przyrostek tego rodzaju mógł występować albo na końcu nazwy zmiennej, albo nieco wcześniej).
  • Wyjątkiem są zmienne związane z pytaniami o pierwszą i ostatnią pracę oraz zmienne opisujące odpowiedzi na pytania z tabeli U4 (p. niżej).
• Ze względu na ograniczenia techniczne (biblioteki służącej do zapisu z R plików w formacie Staty) wartości zmiennych, które mają mieć przypisane etykiety wartości, muszą stanowić (nieprzerwany) ciąg kolejnych liczb całkowitych, począwszy od 1. W związku z tym wartości powiązane z niektórymi etykietami w tworzonych zbiorach mogą różnić się od tych, jakie są im przypisane w oryginalnym pliku w formacie SPSS.
  • Typowo dotyczy to kodów specjalnych opisujących tzw. braki danych użytkownika.
  • W praktyce ma to jednak niewielkie znaczenie, gdyż wartości braków danych użytkownika przy przekształcaniu do postaci długiej były przekodowywane na systemowe braki danych.
  • Wszystkie zmienne, które mają etykiety wartości “tak”-“nie” zakodowane są w zbiorach w postaci długiej wg schematu: 1-tak, 2-nie (w zmiennych sp6h_1 - sp6h_3 i pp6i_1 - pp6i_3 w oryginalnym zbiorze SPSS wartości kodowane były wg schematu 0-nie, 1-tak).
• Braki danych w zmiennych tekstowych oznaczone są ciągiem znaków składającym się z pojedynczej kropki: ‘.’ (Stata nie akceptuje pustych ciągów znaków).

2.3. Epizody dotyczące zdawania do szkół policealnych lub na studia

• Specyfika podziału na epizody typu ‘studia’ i ‘SPolic.’ oraz epizody typu ‘zdawanie na studia’ i ‘zdawanie do SPolic.’ została omówiona w sekcji Zmienne specjalne w zbiorach w postaci „długiej”.
• Na podstawie zmiennych odpowiednio pp3a i sp3a utworzona została zmienna czy_preferowany opisująca to, czy szkoła lub kierunek był preferowany przez respondenta (spośród potencjalnie kilku, do których/na które zdawał) przy pomocy wartości: 1-tak, 2-nie.
  • Jeśli respondent zdawał tylko do jednej szkoły czy na jedne studia, w zmiennej czy_preferowany przypisana została do danej szkoły/kierunku wartość 1 (tak).
  • Jeśli respondent nie wskazał preferowanego kierunku/szkoły, wartością zmiennej jest brak danych.

2.4. Informacje o odbytych szkoleniach i zdobytych uprawnieniach

Pytania o zdobyte uprawnienia i odbyte szkolenia zadawane były w kwestionariuszu w dwóch blokach: U2 i U4, z których pierwszy w założeniach odnosił się do szkoleń kończących się uzyskaniem oficjalnych certyfikatów (względnie uzyskania takich certyfikatów bez dedykowanego szkolenia), a drugi do pozostałych szkoleń. Trudno jednak powiedzieć, w jakim stopniu respondenci odpowiadając trzymali się tego podziału.

Pytania w obu blokach były analogiczne, poza tym, że w bloku U2 wystąpiły dwa pytania (o sam egzamin), których nie było w bloku U4. W związku z tym nazwy zmiennych opisujących odpowiedzi na pytania z bloku U4 zostały zmienione na zaczynające się od u2 (zamiast u4), tak aby epizody obu tych typów (tj. szkolenia u2 i szkolenia u4) można było analizować łącznie. Dodatkowo nazwę zmiennej u4g zmieniono na u2h, gdyż w przypadku tych dwóch zmiennych w kwestionariuszu przypisano inne sufiksy literowych do analogicznych pytań.

Blok pytań, w którym opisany został dany epizod, można zidentyfikować na podstawie zmiennej typ_epizodu.

2.5. Epizody pracy

• Zmienna pg1b podaje kod pracodawcy, który w sytuacji, gdy respondent miał wiele epizodów pracy, pozwala stwierdzić, czy była to praca u różnych, czy u tego samego pracodawcy. Kody (numery) pracodawców pozwalają ich identyfikować tylko w ramach rekordów opisujących tego samego respondenta.
  • W zbiorze utworzonym na podstawie wyników 1. fali badania (uczniowie_CAPI-prace.dta) występuje tu pewne ograniczenie: dla epizodów pracy, które zostały dopowiedziane (w odpowiedzi na pytanie, czy respondent nie przypomniał sobie żadnych dodatkowych epizodów pracy), nazwa pracodawcy nie została przez PBS zakodowana w sposób analogiczny do tego, jak postąpiono w zasadniczej pętli pytań o pracę. W związku z tym konieczne było przyjęcie arbitralnego założenia, że epizod ten dotyczy innego pracodawcy, niż wcześniej wymienieni. W takim przypadku jako kod pracodawcy wpisana została wartość 99.
• Zakres informacji o epizodach pracy różni się w zależności od tego, czy był to pierwszy, ostatni, czy któryś inny epizod pracy. W przypadku pierwszych i ostatnich epizodów dołączono bowiem do zbioru informacje o odpowiedziach na pytania odpowiednio PI0-PI5 oraz PO1-PO11.
  • W przypadku pytań P1-P5 i PO1-PO5, które zadawane były w tej samej formie, utworzone zostały w zbiorze wspólne zmienne opisujące udzielone na nie odpowiedzi, zastępując w& nazwach oryginalnych zmiennych przedrostki “pi” i “po” wspólnym przedrostkiem “pio”.
• Chociaż pytania PO7-PO11 były zadawane wszystkim respondentom, którzy wymienili choć jeden epizod pracy, to jednak nie miały one sensu dla tych, którzy w momencie realizacji wywiadu nie pracowali (przez pomyłkę nie dodano filtru w ankiecie). Dla tych osób odpowiedzi udzielone na te pytania zostały zastąpione brakami danych.
• Dokonane zostało domknięcie odpowiedzi na pytanie o formę zatrudnienia, podanych przez respondentów w formie opisowej (oryginalne odpowiedzi znajdują się  zmiennej ABS_pg2h_in):
  • odpowiedzi dające się zidentyfikować jako pasujące wprost do podanej w pytaniu kafeterii przekodowano odpowiednio;
  • “kontrakt” został potraktowany jako samozatrudnienie (zmiennej ABS_pg2h przypisano wartość 5);
  • różne typy staży zostały dołączone do stażu z UP (zmiennej ABS_pg2h przypisano wartość 7);
  • pracę u rodziców na polu potraktowano jako pracę u siebie w gospodarstwie (zmiennej ABS_pg2g przypisano wartość 7, zmiennej ABS_pg2h brak danych);

2.6. Epizody bezrobocia

• W odpowiedziach na pytanie o przyczynę niepodejmowania pracy ciążę wymienianą w części “inne” przekodowano na “opiekę nad dzieckiem” (zmiennej pb1g przypisano wartość 2).

3. Imputacja wartości zmiennych czas_rozp i czas_zakon

3.1. Arbitralne przypisanie wartości

W przypadku wszystkich epizodów innych typów niż ‘praca’ i ‘bezrobocie’, jeśli respondent podał rok, ale nie podał miesiąca rozpoczęcia/zakończenia epizodu, arbitralnie przyjmowano, że rozpoczął się on w lipcu lub skończył w czerwcu.

• W przypadku epizodów nauki sprawdzano, czy tak przypisana wartość zmiennej czas_zakon nie okazuje się mniejsza, niż wartość zmiennej czas_rozp (może do tego dojść, jeśli respondent wypadł ze szkoły jeszcze w tym samym roku, w którym rozpoczął w niej naukę). Jeśli tak było jako wartość czas_zakon arbitralnie przypisywano liczbę o 1 większą od wartości czas_rozp.

Tak samo postąpiono z datami rozpoczęcia/zakończenia epizodów pracy i bezrobocia, co do których respondenci zadeklarowali, że były one w innych latach niż 2017 lub 2018 (ze względu na niewielką ogólną liczbę epizodów obejmujących taki wcześniejszy okres nie ma możliwości sensownie zaimputować tych czasów na podstawie modelu regresji).

• Nie zdarzyło się, aby epizod o przypisanej w ten sposób wartości zmiennej czas_rozp miał niepełną informację dotyczącą czasu zakończenia epizodu (tzn. tak przypisane wartości zmiennej czas_rozp nie zostały ani razu wykorzystane w procedurze opisanej w następnej sekcji).

Tak przypisane wartości oznaczone są w zmiennych czas_rozp_imput i czas_zakon_imput jako zaimputowane.

3.2. Uzupełnianie wartości zmiennych czas_rozp i czas_zakon w epizodach pracy i bezrobocia nieoznaczane jako imputacja

Jeśli respondent dla danego epizodu:

• nie podał informacji koniecznych do obliczenia wartości zmiennej czas_rozp, ale dało się ustalić wartość zmiennej czas_zakon lub
• nie podał informacji koniecznych do obliczenia wartości zmiennej czas_zakon, ale dało się ustalić wartość zmiennej czas_rozp,

a także udzielił odpowiedzi na pytanie o szacunkową długość trwania epizodu (zmienne pg2x, pb1x), to wartość brakującej zmiennej zmiennej obliczano, odpowiednio dodając lub odejmując długość trwania epizodu do/od znanego momentu rozpoczęcia, lub zakończenia.

Obliczone w ten sposób wartości nie są w zmiennych ’czas_rozp_imputiczas_zakon_imput` oznaczane jako zaimputowane.

3.3. Imputacja na podstawie modeli regresji

Imputacji brakujących wartości zmiennych czas_rozp i czas_zakon dla epizodów typu ‘praca’ i ‘bezrobocie’ dokonano przy użyciu modeli regresji liniowej.

• Imputację przeprowadzono tylko w sytuacji, gdy brakowało informacji o miesiącu, ale była podana informacja o roku rozpoczęcia/zakończenia epizodu.
• Modele estymowane były oddzielnie dla każdego z tych dwóch typów epizodów.
• W procedurze imputacji (zarówno przy estymacji modeli, jak i przy samym imputowaniu braków danych) brano pod uwagę wyłącznie epizody, które rozpoczęły się w 2017 r. lub później.

3.3.1. Zmienna czas_rozp

• Zmienną zależną w modelu była czas_rozp.
• Jako predyktory wykorzystano:
  1. typ szkoły (dwie zmienne dummy zakodowane na podstawie zmiennej typ_szkoly);
  2. płeć respondenta (zmienna m1);
  3. formę pracy lub rozróżnienie na bezrobotnych (poszukujących pracy) i biernych zawodowo - p. opis zmiennych praca i bezrobocie w sekcji Zbiór z danymi w postaci osobo-miesięcy (przekodowane na zestaw zmiennych dummy, przy czym brak danych uwzględniono przy przekodowaniu jako legalną wartość);
  4. rok, w którym rozpoczął się epizod (traktowany jako zmienna kategorialna - zakodowany przy pomocy zmiennej dummy);
  5. liczbę wszystkich epizodów pracy danego respondenta;
  6. liczbę wszystkich epizodów bezrobocia (lub nieaktywności zawodowej) danego respondenta;
  7. informację o tym, czy w (dowolnym momencie) 2017 roku respondent brał udział w edukacji formalnej, a jeśli tak, to w jakiej formie (4 zmienne dummy);
  8. informację o tym, czy w (dowolnym momencie) 2018 roku respondent brał udział w edukacji formalnej, a jeśli tak, to w jakiej formie (4 zmienne dummy);
  9. informację o tym, w którym miesiącu został przeprowadzony wywiad z respondentem (zmienna r5s2 traktowana jako zmienna ciągła);
  10. interakcje pomiędzy 1) a 2), 4), 5), 6) i 9);
  11. interakcje pomiędzy 2) a 3), 4), 5), i 6).
• Model osiągał następujące statystyki dopasowania (na zbiorze epizodów, dla których znane były wartości zmiennej czas_rozp):
  • Dla epizodów typu ‘praca’: R2 = 0,68; odsetek poprawnych klasyfikacji = 16,6%.
  • Dla epizodów typu ‘bezrobocie’: R2 = 0,74; odsetek poprawnych klasyfikacji = 38,7%.
• Przy dokonywaniu imputacji przewidywania wynikające z modelu zaokrąglano do najbliższych liczb całkowitych (tak aby zmienna czas_rozp również po imputacji przyjmowała tylko wartości całkowite).
  • Ww. odsetki poprawnych klasyfikacji zostały obliczone na podstawie tak zaokrąglonych wartości (ale wartość R2 podano dla niezaokrąglonych przewidywań).
• Po dokonaniu imputacji dokonano sprawdzenia:
  • Czy zaimputowana wartość zmiennej zgadza się ze znanym rokiem rozpoczęcia epizodu.
  • Czy zaimputowana wartość zmiennej nie wskazuje, że epizod rozpoczął się później, niż się zakończył (dla epizodów, dla których znana była wartość zmiennej czas_zakon, ale wartość zmiennej czas_rozp była imputowana).
  • Nie stwierdzono jednak wystąpienia żadnego z ww. problemów.

Jak widać, skuteczność modelu imputacji, zwłaszcza w odniesieniu do epizodów pracy, pozostawia nieco do życzenia. W praktyce mamy do czynienia z pewnym zbijaniem imputowanych czasów rozpoczęcia w okolicach wartości 2-3 oraz 8-9 (w zależności od roku, w którym zaczął się epizod). Jednakże biorąc pod uwagę, że możemy w ten sposób odratować blisko 100 epizodów pracy, niedokładność ta wydaje się możliwa do zaakceptowania.

3.3.2. Zmienna czas_zakon

• Zmienną zależną w modelu była długość trwania epizodu (tj. różnica pomiędzy czas_zakon a czas_rozp).
  • Przy imputacji wartość zmiennej czas_zakon określano, dodając do wartości zmiennej czas_rozp wartość przewidywania wynikającą z modelu (zaokrągloną do najbliższej liczby całkowitej).
• Jako predyktory wykorzystano:
  1. typ szkoły (dwie zmienne dummy zakodowane na podstawie zmiennej typ_szkoly);
  2. płeć respondenta (zmienna m1);
  3. formę pracy lub rozróżnienie na bezrobotnych (poszukujących pracy) i biernych zawodowo - p. opis zmiennych praca i bezrobocie w sekcji Zbiór z danymi w postaci osobo-miesięcy (przekodowane na zestaw zmiennych dummy, przy czym brak danych uwzględniono przy przekodowaniu jako legalną wartość);
  4. rok, w którym rozpoczął się epizod (traktowany jako zmienna kategorialna - zakodowany przy pomocy zmiennej dummy);
  5. rok, w którym zakończył się epizod (traktowany jako zmienna kategorialna - zakodowany przy pomocy zmiennej dummy);
  6. interakcję 4) i 5);
  7. liczbę wszystkich epizodów pracy danego respondenta;
  8. liczbę wszystkich epizodów bezrobocia (lub nieaktywności zawodowej) danego respondenta;
  9. informację o tym, w którym miesiącu został przeprowadzony wywiad z respondentem (zmienna r5s2 traktowana jako zmienna ciągła);
  10. interakcje pomiędzy 1) a 2), 4), 7, i 8);
  11. interakcje pomiędzy 2) a 3)-8);
  12. interakcje pomiędzy 3) a 5);
  13. interakcje pomiędzy 4) a 7) i 8);
  14. interakcje pomiędzy 5) a 7), 8) i 9).
• Model osiągał następujące statystyki dopasowania (na zbiorze epizodów, dla których znane były wartości zmiennej czas_zakon):
  • Dla epizodów typu ‘praca’: R2 = 0,66; odsetek poprawnych klasyfikacji = 27,4%.
  • Dla epizodów typu ‘bezrobocie’: R2 = 0,71; odsetek poprawnych klasyfikacji = 27,5%.
• Przy dokonywaniu imputacji przewidywania wynikające z modelu zaokrąglano do najbliższych liczb całkowitych (tak aby zmienna czas_zakon również po imputacji przyjmowała tylko wartości całkowite).
  • Ww. odsetki poprawnych klasyfikacji zostały obliczone na podstawie tak zaokrąglonych wartości (ale wartość R2 podano dla niezaokrąglonych przewidywań).
• Po dokonaniu imputacji dokonano sprawdzenia:
  • Czy zaimputowana wartość zmiennej zgadza się ze znanym rokiem zakończenia epizodu.
  • Czy zaimputowana wartość zmiennej nie wskazuje, że epizod zakończył się wcześniej, niż się rozpoczął.
  • Nie stwierdzono jednak wystąpienia żadnego z ww. problemów.

Także tutaj skuteczność modelu imputacji pozostawia nieco do życzenia. W praktyce model imputacji nie jest w stanie skutecznie przewidywać bardzo długich (można by powiedzieć nietypowo długich) epizodów. W odniesieniu do tych trwających od 0 do 9 miesięcy (a więc typowych, które mogą się pojawić w zbiorze) jest co prawda nie bardzo dokładny, ale jednak dający sensowne przewidywania.

3.4. Podsumowanie liczby braków danych dot. czasu rozpoczęcia i zakończenia epizodów w danych z badania absolwentów

Bez dokonania opisanych powyżej przypisań i imputacji

| typ_epizodu | ogółem epizodów| b.d. czas_rozp| %| b.d. czas_zakon| %| |:-----------------|----------------:|----------------:|----:|-----------------:|-----:| | bezrobocie | 2490| 105| 4,2| 48| 1,9| | LO dla dorosłych | 978| 15| 1,5| 8| 0,8| | praca | 6987| 328| 4,7| 125| 1,8| | SPolic. | 386| 9| 2,3| 1| 0,3| | studia | 1564| 15| 1,0| 13| 0,8| | szkolenia u2 | 3222| | | 956| 29,7| | szkolenia u4 | 267| | | 67| 25,1|

Po dokonaniu opisanych powyżej przypisań i imputacji

| typ_epizodu | ogółem epizodów| b.d. czas_rozp| %| b.d. czas_zakon| %| |:-----------------|----------------:|----------------:|----:|-----------------:|----:| | bezrobocie | 2490| 83| 3,3| 39| 1,6| | LO dla dorosłych | 978| 6| 0,6| 5| 0,5| | praca | 6987| 147| 2,1| 78| 1,1| | SPolic. | 386| 2| 0,5| 1| 0,3| | studia | 1564| 12| 0,8| 11| 0,7| | szkolenia u2 | 3222| | | 192| 6,0| | szkolenia u4 | 267| | | 18| 6,7|

Jak widać, przeprowadzone działania nie doprowadziły do dużych zmian w zbiorze, z wyjątkiem epizodów typu ‘szkolenia u2’ i ‘szkolenia u4’, w odniesieniu do których respondenci mieli bardzo duże problemy z precyzyjnym podaniem daty ich zakończenia. Warto jednak odnotować, że o ponad połowę udało się zmniejszyć liczbę braków danych czasu rozpoczęcia w przypadku epizodów pracy.

4. Zbiory z informacjami o członkach gospodarstw domowych

• Do zbioru dołączono zmienną m10c_wiek, zawierająca wiek przeliczony z daty urodzenia.

5. Uwagi o analizie zbioru epizodów

Typowo zbiór epizodów wykorzystywane będzie w analizie w ten sposób, że:

• najpierw dokonane zostanie zawężenie zbioru do epizodów określonego typu (epizody innych typów zostaną usunięte);
• następnie na tak zawężonym zbiorze wykonane zostaną pewne procedury agregacji w ramach respondentów (aby uzyskać interesujące wskaźniki);
• następnie, tak zagregowane wyniki będą dołączane do oryginalnego zbioru danych (elementu dane listy zwracanej przez funkcję wczytaj_wyniki_1rm(), w którym jednemu respondentowi odpowiada jeden wiersz) w celu przeprowadzenia dalszych analiz.

Należy mieć przy tym na uwadze, że znaczna część respondentów mogła nie mieć żadnego epizodu właśnie analizowanego typu. W szczególności oznacza to, że:

• Typowo przy dołączaniu wyników zagregowanych do poziomu respondentów na podstawie zbioru epizodów do oryginalnego zbioru (w którym jednostką obserwacji jest respondent) wielu osobom w oryginalnym zbiorze, obejmującym wszystkich respondentów, przypisane zostaną braki danych.
  • Istotne może być więc zakodowanie tych braków danych zaraz po dokonaniu łączenia w sposób, który pozwoli potem na wygodne (i przede wszystkim nieprowadzące do pomyłek, w szczególności związanych z przyjęciem złej podstawy procentowania) obsłużenie ich w prowadzonych dalej analizach.
  • Należy przy tym mieć na uwadze, że w zbiorze epizodów wartości braków danych użytkownika zostały już typowo zamienione na systemowe braki danych (a więc systemowy brak danych w połączonym zbiorze może dla wielu zmiennych równie dobrze wskazywać na to, że respondent nie miał żadnego epizodu danego typu, co na to, że taki epizod miał, ale nie był w stanie podać o nim interesującej nas informacji).
  • W związku z tym dobrą praktyką przy agregacji zbioru epizodów do poziomu respondentów jest utworzenie w nim takiej zmiennej (innej niż ID_RESP), co do której będziemy mieć pewność, że dla wszystkich w zagregowanym zbiorze przyjmie ona wartość niebędącą brakiem danych i będzie ją można potem wygodnie wykorzystać do stwierdzenia, którzy respondenci w oryginalnym zbiorze danych mieli choć jeden epizod interesującego nas typu.
• Jeśli zagregowany do poziomu respondentów zbiór epizodów będzie analizowany bez przyłączania do oryginalnego zbioru, w kontekście podstaw procentowania należy mieć na uwadze, że zawiera on typowo tylko podzbiór spośród wszystkich badanych.

6. Zbiór z danymi w postaci osobo-miesięcy

6.1. Struktura zbioru

W zbiorze zawarte zostały następujące zmienne opisujące cechy respondentów stałe w czasie:

• ID_RESP - identyfikator respondenta, umożliwia łączenie z innymi zbiorami danych z badania;
• typ_szkoly - typ szkoły, jako uczeń której respondent został zakwalifikowany do badania;
• r5s2 - miesiąc, w którym został przeprowadzony wywiad z respondentem;
• f6 - zmienna opisująca powód nieuzyskania świadectwa szkoły, jako uczeń której respondent został zakwalifikowany do badania;
  • jeśli respondent ukończył tę szkołę, zmiennej przypisany jest brak danych;
• f7 - rok uzyskania świadectwa szkoły, jako uczeń której respondent został zakwalifikowany do badania;
  • jeśli respondent nie uzyskał świadectwa tej szkoły, zmiennej przypisany jest brak danych;
• m1 - płeć respondenta;
• m2 - rok urodzenia respondenta;
  • w tej rundzie nie mamy tu ani braków, ani osób starszych, niż powinny się znaleźć w badaniu;
• m3 - klasa wielkości miejscowości zamieszkania w momencie przeprowadzania wywiadu z absolwentem.

W zbiorze zawarte zostały następujące zmienne opisujące statusy respondentów w poszczególnych miesiącach:

• data - identyfikator miesiąca w formie czytelnej;
• czas - identyfikator miesiąca w formie liczby - liczba miesięcy, jaka upłynęła od czerwca 2017 r. (a więc domyślnego momentu ukończenia szkoły, jako absolwent której respondent został zakwalifikowany do badania) do miesiąca, który opisuje dany rekord w zbiorze;
• status - zmienna kodująca w syntetycznej formie status respondenta: wartości zmiennych (kolejno) praca, nauka i bezrobocie sklejone ze sobą w jeden ciąg znaków (składający się z trzech cyfr: cyfra setek koduje pracę, dziesiątek naukę, a jedności bezrobocie);
  • wartość zmiennej status równa ‘999’ ma specjalne znaczenie - p. następna sekcja;
• praca - zmienna kodująca status zatrudnienia;
• nauka - zmienna kodująca status uczestnictwa w edukacji formalnej;
• bezrobocie - zmienna kodująca, czy respondent deklarował się jako pozostający bez pracy;
• praca_a_bezrobocie - zmienna opisująca ew. występowanie w danym miesiącu (dla danego respondenta) konfliktów pomiędzy statusem zatrudnienia a statusem bezrobocia, fakt skorygowania takiego konfliktu (p. sekcja Sposób kodowania statusów) lub jego przyczynę;
• korekta_ciaglosc_nauki - zmienna pozwala zidentyfikować rekordy, w których status uczestnictwa w nauce formalnej został skorygowany ze względu na stwierdzenie ciągłości nauki (p. sekcja Sposób kodowania statusów);
• imput_praca - zmienna wskazująca, że status zatrudnienia w danym miesiącu (dla danego respondenta) został zakodowany w oparciu o zaimputowaną wartość zmiennej czas_rozp lub zmiennej czas_zakon;
• imput_nauka - zmienna wskazująca, że status uczestnictwa w nauce formalnej w danym miesiącu (dla danego respondenta) został zakodowany w oparciu o zaimputowaną wartość zmiennej czas_rozp lub zmiennej czas_zakon;
• imput_bezrobocie - zmienna wskazująca, że status bezrobocia w danym miesiącu (dla danego respondenta) został zakodowany w oparciu o zaimputowaną wartość zmiennej czas_rozp lub zmiennej czas_zakon.

6.2. Okres objęty obserwacjami w zbiorze

• Pierwszy miesiąc występujący w zbiorze dla danego respondenta to wrzesień 2016 r.
• Ostatnim miesiącem występującym w zbiorze jest dla danego respondenta miesiąc poprzedzający ten, w którym nastąpiła realizacja wywiadu (z absolwentem).
• Dla każdego respondenta w zbiorze zawarte są rekordy opisujące każdy kolejny miesiąc od pierwszego do ostatniego uwzględnionego dla niego w zbiorze (zgodnie z ww. regułami).
• Okres miesięcy objęty zbiorem można oczywiście łatwo zawęzić, odfiltrowując obserwacje na podstawie zmiennej czas.

6.3. Sposób kodowania statusów

6.3.1. Reguły klasyfikacji na podstawie epizodów obejmujących poszczególne miesiące

• Przy kodowaniu pominięte zostały epizody, dla których nieznany (już po imputacji) był czas rozpoczęcia epizodu lub epizod był zakończony (czy_zakonczony równe 1) i nieznany (już po imputacji) był czas zakończenia epizodu.
  • W związku z tym nie wzięto pod uwagę 278 epizodów (1,4% wszystkich odnotowanych epizodów).
  • Należy mieć na uwadze, że dla części epizodów respondenci nie byli w stanie podać miesiąca rozpoczęcia lub zakończenia epizodu i wartości zmiennych czas_rozp i czas_zakon były w takich przypadkach imputowane (p. sekcje Zmienne specjalne w zbiorach w postaci „długiej” i Imputacja wartości zmiennych czas_rozp i czas_zakon).
• praca - zmienną zakodowano na podstawie zmiennych ABS_pg2g i ABS_pg2h:
  • ABS_pg2h równe 1 (ABS_pg2g równe 1, 2 lub 3) -> 1 (zatrudniony na umowę o pracę na czas określony);
  • ABS_pg2h równe 2 (ABS_pg2g równe 1, 2 lub 3) -> 2 (zatrudniony na umowę o pracę na czas nieokreślony);
  • ABS_pg2h równe 3 (ABS_pg2g równe 1, 2 lub 3) -> 3 (zatrudniony przez agencję pracy tymczasowej);
  • ABS_pg2h równe 4 (ABS_pg2g równe 1, 2 lub 3) -> 4 (zatrudniony na umowie cywilnoprawnej);
  • ABS_pg2h równe 5 (ABS_pg2g równe 1, 2 lub 3) -> 5 (samozatrudniony (praca ‘u kogoś’));
  • ABS_pg2g równe 6 -> 6 (prowadzi własną działalność (‘praca ’u siebie’));
  • ABS_pg2g równe 7 -> 7 (prowadzi własne gosp. rolne);
  • ABS_pg2h równe 7 lub 8 (ABS_pg2g równe 1, 2 lub 3) -> 8 (odbywa staż lub praktykę absolwencką);
  • ABS_pg2h równe 6 (ABS_pg2g równe 1, 2 lub 3) -> 9 (zatrudniony bez umowy (na czarno));
  • wszystkie pozostałe przypadki, gdy wystąpił epizod pracy -> 10;
• nauka - zmienną zakodowano na podstawie zmiennej typ_epizodu:
  • typ_epizodu równe ‘studia’ -> 2;
  • typ_epizodu równe ‘SPolic.’ -> 3;
  • wszystkim miesiącom od września 2016 r. do czerwca 2017 r. (wartości zmiennej czas od -9 do 0) przypisano wartość 1, która oznacza, że respondent uczył się w tym czasie w szkole, jako uczeń której został zakwalifikowany do badania; jeśli nie ukończył jej w czerwcu 2017 r., status ten mógł występować również w następnych miesiącach;
• bezrobocie - zmienną zakodowano na podstawie zmiennej pb1f:
  • pb1f równe 1 -> 1 (bezrobotny, poszukuje pracy);
  • pb1f równe 2 -> 2 (bierny zawodowo);
  • wszystkie pozostałe przypadki, gdy wystąpił epizod bezrobocia -> 3;

6.3.2. Uwzględnienie ciągłości nauki (przez okres wakacji)

Jeśli stwierdzono, że respondent:

• studiował w październiku danego roku i jednocześnie uczył się w szkole dowolnego typu w maju tego samego roku,
• lub uczył się w szkole policealnej we wrześniu danego roku i jednocześnie uczył się w szkole dowolnego typu w maju tego samego roku,

wszystkie miesiące (włącznie) od czerwca do odpowiednio września lub sierpnia, w których respondent nie zadeklarował, że się uczył, oznaczane zostały jako okres odpowiednio studiowania (nauka równe 2) lub nauki w szkole policealnej (nauka równe 3).

6.3.3. Kodowanie na podstawie niewystępowania epizodów obejmujących dany miesiąc

• praca - jeśli respondent nie wymienił żadnych epizodów pracy obejmujących dany miesiąc, zmiennej praca przypisywana była wartość 0;
• nauka - jeśli respondent nie wymienił żadnych epizodów nauki obejmujących dany miesiąc, zmiennej nauka przypisywana była wartość 0 (z wyłączeniem miesięcy, dla których status ten zmieniono w wyniku opisanej powyżej procedury uwzględniania ciągłości nauki);
• bezrobocie:
  • jeśli respondent nie wymienił żadnego epizodu bezrobocia obejmującego dany miesiąc i jednocześnie choć jedna zmienna spośród praca i nauka przyjmowała w tym miesiącu dla respondenta wartość inną niż 0, zmiennej bezrobocie przypisywano wartość 0 (nie bezrobotny);
  • jeśli respondent nie wymienił żadnego epizodu bezrobocia obejmującego dany miesiąc i jednocześnie zarówno zmienna praca, jak i zmienna nauka przyjmowały wartość 0 (tj. respondent nie pracował, ani się nie uczył), przyjmowano, że respondent był w danym miesiącu bierny zawodowo i zmiennej bezrobocie przypisywano wartość 2;
    • wystąpienie takiej sytuacji kodowane jest specjalną wartością zmiennej status: ‘999’;

6.4. Relacje pomiędzy statusami pracy i nauki a statusem bezrobocia

W ramach przyjętego schematu kodowania nie narzucano wzajemnego wykluczania się niezerowych (tj. wskazującymi na aktywność zawodową lub edukacyjną) wartości zmiennych praca i nauka z niezerowymi wartościami zmiennej bezrobocie (wskazującymi na pozostawaniu bez zatrudnienia). W związku z występowaniem w zbiorze rekordów, w których statusy wskazują jednocześnie na bezrobocie (lub nieaktywność zawodową) i aktywność zawodową lub naukę, należy rozważyć, że:

1. Po dużej części są to sytuacje, które mogły mieć miejsce:
   • Jeśli przejście od bezrobocia do pracy lub odwrotnie odbyło się w środku miesiąca, respondent istotnie był w danym miesiącu zarówno pracujący, jak i bezrobotny (wiersze w zbiorze, w których najprawdopodobniej mamy do czynienia z taką sytuacją wyróżnione są przez wartość ‘miesiąc graniczny’ zmiennej praca_a_bezrobocie).
   • Jeśli respondent pracował na czarno, mógł jednocześnie być formalnie bezrobotny (choć w zbiorze nie odnotowujemy tego typu deklaracji).
   • Postrzeganie się w kategoriach osoby bezrobotnej może być dla części respondentów oderwane od faktu kontynuowania lub nie nauki.
2. W sytuacjach, gdy zidentyfikowano konflikt statusu pracy i bezrobocia, niedający się zinterpretować w kategoriach miesiąca granicznego, starano się je jeszcze rozstrzygnąć, biorąc pod uwagę, że niektóre statusy zostały przypisane na podstawie imputowanych wartości zmiennych czas_rozp i czas_zakon i w związku z tym można je uznać za mniej wiarygodne.
   • Jeśli w danym miesiącu (dla danego respondenta) status pracy wskazujący na aktywność zawodową został zakodowany na podstawie imputowanych wartości zmiennych czas_rozp i czas_zakon, a status bezrobocia wskazujący na brak pracy został zakodowany w oparciu o deklaracje respondenta dot. miesiąca rozpoczęcia lub zakończenia epizodu (bezrobocia), status zatrudnienia był zmieniany na brak zatrudnienia. Sytuacje takie oznaczone są w zbiorze wartością ‘skorygowano pracę’ zmiennej praca_a_bezrobocie.
   • Jeśli w danym miesiącu (dla danego respondenta) status bezrobocia wskazujący na brak pracy został zakodowany na podstawie imputowanych wartości zmiennych czas_rozp i czas_zakon, a status zatrudnienia wskazujący aktywność zawodową został zakodowany w oparciu o deklaracje respondenta dot. miesiąca rozpoczęcia lub zakończenia epizodu (pracy), status bezrobocia był zmieniany na ‘nie bezrobotny’. Sytuacje takie oznaczone są w zbiorze wartością ‘skorygowano bezrobocie’ zmiennej praca_a_bezrobocie.
   • W innych przypadkach nie dało się dokonać korekt. Są one oznaczone w zbiorze wartościami ‘sprzeczne deklaracje resp.’ lub ‘sprzeczne wyniki imputacji’ zmiennej praca_a_bezrobocie, w zależności od tego, czy oba statusy zostały określone na podstawie informacji o miesiącu rozpoczęcia lub zakończenia epizodu podanych przez respondenta, czy też oba zostały przypisane na podstawie imputowanych wartości zmiennych czas_rozp i czas_zakon.
     • Przypadków takich jest na szczęście w zbiorze zaledwie 36 (na blisko 15 tys.).
3. W ogólności nie mamy niestety gwarancji, że respondenci odpowiadali w sposób spójny. W ramach wywiadu nie mieliśmy bowiem możliwości wyłapywania ew. konfliktów w deklaracjach na bieżąco i zmuszania respondentów do ich rozstrzygnięcia.

6.5. Warto przemyśleć przed przystąpieniem do analiz

• Jak przekodować trzy statusy opisane zmiennymi praca, nauka i bezrobocie na jeden status, biorąc pod uwagę, że (z powodów opisanych we wcześniejszej sekcji) respondent może w tym samym miesiącu być opisany jako pracujący, uczący się i bezrobotny.
• Do jakiego okresu ograniczyć analizę.
  • Czy powinien to być ten sam okres dla każdego respondenta, czy chcemy skorzystać z faktu, że dla tych, z którymi wywiad został przeprowadzony później, dysponujemy dłuższą historią.
  • Kiedy wyznaczyć początek analizowanego okresu. Wydaje się, że najsensowniejsze cezury plasują się pomiędzy styczniem a lipcem 2017 r.
• W danych występują (nieliczni) respondenci, którzy nie uzyskali świadectwa ukończenia szkoły, jako uczniowie której zostali zakwalifikowani do badania (można ich zidentyfikować po tym, że zmienna f6 nie jest brakiem danych) lub które w momencie realizacji wywiadu wciąż kontynuowały w niej naukę. Te drugie jeszcze nie są jej absolwentami, te pierwsze nie całkiem (przynajmniej nie w tym samym stopniu co osoby, które świadectwo otrzymały). Być może wolelibyśmy wykluczyć ich z analizy?

tzoltak/MLASZdane documentation built on Aug. 10, 2021, 11:59 a.m.