Ved omkodningen af alder til aldersintervaller af 5 år er aldersintervalvariablen ikke signifikant, men den "gamle" kontinuerte alder er højsignifikant. Er der nogen, der kan forklare, hvad der sker??

Mht til aldersvariablen, er det nok en god idé at tage et kig på smh ml indkomst og alder - respondenterne har en meget kraftig stigning i indkomst ml 20-30 år - derefter sker der knapt så meget.. Derfor er en lineær smh ikke særligt beskrivende for hele gruppen og der skal snarere modelleres med dummier.. Men man må gerne lave sine egne intervaller ikke? Forstået på den måde at man kan gruppere efter hvor på grafen "der sker noget" - selvom grupperne ikke bliver lige store antalsmæssigt eller dækker lige brede aldersintervaller??
Et andet spørgsmål; Alle vores interaktioner er signifikante i f-testet - men når vi ser på de enkelte interaktioner i t-testet, er rigtig mange af dem insignifikante. Skal man søge at få dem signifikante ved at omkode så der bliver færre grupper og dermed større forskelle? Kan man bruge "type 3 sum of squares" som rettesnor - jeg mener at Kristine sagde at hvis den str. for to kategorier lå tæt på hinanden, tydede det på at man ligeså godt kunne slå dem sammen.. Men jeg er ikke sikker på hvad "type 3 sum of squares" beskriver?
En sidste ting; Når man frasortere dem der er uden for arb.markedet, har været ledige eller ikke er fuldtidsansatte, får man en respondent gruppe med en ret skæv kønsfordeling - 1/3 flere mænd. Vi kunne ikke helt gennemskue om det betød noget for resultaterne ( nogen der kan? ), så vi fik ( vist nok! ) lavet en vægtning - og det ser ud til at være helt uden betydning.. Er der andre der er kommet frem til det samme?
Det var noget af en smøre - håber nogle har et bud på en eller flere af spørgsmålene!
God efterårsferie - og god arbejdslyst!
Sia

Vær opmærksom på, at kodningen af en aldersvariabel enten som kontinuert eller kategoriel afspejler forskellige fortolkninger af dens betydning ikke kun en et spørgsmål om "bekvemmelighed". Med en kontinuert variabel tester man for en alderseffekt; dvs. at folk fx bliver mere højreorienterede desto ældre de bliver. Med en inddeling af alder i kategorier (5/10-årsintervaller eller whatever) tester man snarere en kohorteeffekt; dvs. om jævnalderende mennesker har samme svarfordelinger sammenlignet med andre grupper af jævnalderende (fx at personer der var unge under krigen er særlig nøjsomme eller sparsommelige som en konsekvens heraf i sammenligning med dem som er lidt ældre eller lidt yngre).

Mht. de forskellige beregningsmetoder af "sums of squares" (type I-III) i generelle lineære modeller så refererer de til forskellige udregningsmetoder af den totale kvadratsumsafvigelse og dermed den f/t-teststørrelse som benyttes i modellen. Jeg tror ikke I skal bekymre jer for meget om de mere tekniske aspekter heraf, men bare bruge type III (som er den mest logiske at benytte i de analyser som I typisk laver).

Mvh.

Mads

Til Nils

Jeg vover pelsen og kommer med et bud på dit spørgsmål:
Nej, de vil ikke være ens selvom man undersøger et år. Det drejer sig i høj grad om det teoretiske udgangspunkt for din model:
Hvis du mener, at fx sammenhængen ml. alder og indkomst skyldes en type forhold, der er generationsspecifikke (fx uddannelseseksplotionen) bør du kode og modellere i dummies, thi så forklarer du effekten for hver aldersgruppe ell. generation!
Mener du derimod, at sammen hæng mellem indkomst og alder drejer sig om processer på arbejdsmarkedet, der knytter sig til fx ancienittet eller lifelong learning eller noget helt fjerde, som er mere processuelt (sikke et fint ord, selvom det lyder lidt som en pervation) er en kontinuert modelling (evt. m 2., 3., 4. , etc polynomier) bedre.

HÃ¥ber det blev mere klart (og at jeg har ret)!
Christoph