Två logistiska regressionsanalyser har gjorts på vårt material då vi använder oss av två beroende variabler. Först har kontrollvariablerna studerats och därefter har den oberoende variabeln inkluderats i respektive analys.
Den här statistiska analysmetoden är att föredra då intresset ligger i att undersöka hur olika faktorer påverkar individuella val mellan olika handlingsalternativ (Edling & Hedström, 2003, s.173). Eftersom studien vill undersöka faktorer som påverkar individens oro och utsatthet lämpar sig modellen. Resultat från logistiska regressionsanalyser redovisas i oddskvoter och anger den procentuella förändringen i oddset som sker när den oberoende
variabeln förändras ett steg och de övriga variablerna hålls konstanta (Edling & Hedström, 2003, s.185). Här redovisas även Nagelkerkes R2 och signifikansvärden. Signifikansnivån betecknas med stjärnor bredvid oddskvoten. Varje variabels referenskategori är även med i tabellerna, betecknad Ref. kategori och samtliga utgår från värdet, ett, i oddskvot.
Tabell 4. Logistisk regressionsanalys av oro för brott, oberoende- och kontrollvariabler.
I modell 1 ingår kontrollvariablerna för analysen. I de fall där ß- värdet är negativt innebär det en minskning i ß i förhållande till referenskategorin, ett positivt ß- värde innebär istället en ökning (Barmark & Djurfeldt, 2009, s.138). Den procentuella ökningen eller minskningen kan tolkas utifrån oddskvoten. För kategorierna förgymnasial, arbetssökande, studerande, föräldraledig, pensionärer och hemmafru/hemmaman är ß-värdet negativt i tabell 4, vilket innebär att risken för oro minskar inom dessa kategorier jämfört med respektive
referensgrupp. För övriga variabler var ß-värdet positivt. När variabeln om närståendes utsatthet inkluderas blir även ß-värdet för gruppen pensionärer negativt men ß-värdet för de med gymnasial utbildning blir positivt.
I modell 1 är kategorin för ålder 45-64, egenföretagare, föräldraledig, sjukskriven, sjuk-/
aktivitetsersättning och pensionär inte statistiskt signifikanta. I modell 2 blir variabeln som mäter ifall individen bor ensam eller inte och gymnasial utbildning inte längre statistiskt signifikant. Däremot blir sjuk-/aktivitetsersättning signifikant på en fem procentig nivå. Vi utgår från modell 2 för de signifikanta värdena eftersom den innehåller samtliga variabler och antar därför att alla variabler är signifikanta förutom 45-64 år, bo ensam, gymnasial
utbildning, egen företagare, föräldraledig, sjukskriven och pensionär.
För oddskvoter som överstiger värdet ett antas ett positivt samband och en oddskvot under ett innebär ett negativt samband (Barmark & Djurfeldt, 2009, s.131). Här används begreppet risk men det handlar egentligen om en procentuell förändring i oddset.
Nagelkerkes R2 för modell 1 anses vara låg (0,090), vilket innebär att variablerna endast fångar upp nio procent av variationen i oro. Det antyder att vissa variabler som är viktiga för utfallet inte har inkluderats i modellen och därför bör tolkningen av denna modell göras med försiktighet (Barmark & Djurfeldt, 2009, s.132). Däremot ökar Nagelkerkes R2 när vår oberoende variabel inkluderas i modell 2 till 0,111, vilket tyder på att variablerna nu fångar upp elva procent av variationen i oro. Trots att värdet inte är speciellt högt sker ändå en ökning vilket innebär att när vi lagt till vår oberoende variabel kan förklara en större andel oro än i modell 1. Oddskvoten för variabeln utsatthet för brott ligger på 7,323 men minskar
till 5,888 när den oberoende variabeln inkluderas. Däremot kan vi ändå utläsa en markant ökning för att oroa sig om man tidigare blivit utsatt för brott.
I modell 1 indikerar variabeln att bo ensam en ökning på en procent (1,012) för att oroa sig för brott. För kategorin förgymnasial låg oddskvoten på 0,843 och innebär en procentuell minskning på 16 procent. De med gymnasial utbildning hade en oddskvot på 0,991 vilket resulterar i en minskning med en procent, det jämfört med eftergymnasial utbildning.
Däremot är denna variabel inte signifikant. Överlag indikerar resultatet att de med högst utbildning oroar sig mest. Vidare ser vi i modell 1 att studerande, arbetssökande och hemmafru/hemmaman har en minskad oro för brott. Dessa tre grupper fortsätter att vara signifikanta i modell två, däremot närmar sig studerande och arbetssökande det kritiska värdet i förhållande till statistisk signifikans.
I modell 2 ser vi att variabeln som mäter närståendes utsatthet för brott har en oddskvot på 2,755. Det indikerar att oron för utsatthet när individen har en närstående som blivit utsatt ökar med 175 procent i förhållande till referenskategorin. Vidare kan vi konstatera att om man har blivit utsatt ökar oddsen för oron med 488 procent. För kön kan vi se en oddskvot på 2,303 vilket indikerar att oro för utsatthet ökar när man är kvinna, jämfört med att vara man.
Utöver det kan vi konstatera att oddskvoten minskar ju äldre man blir och utifrån
referenskategorin (65-84) kan vi konstatera att man är som mest orolig när man är ung och att oron successivt avtar i takt med att man blir äldre.
Tabell 5. Logistisk regressionsanalys av utsatthet för brott, oberoende- och kontrollvariabler.
De ß-värden som var negativa i tabell 5 och därmed innebär en minskad risk för utsatthet var värden för grupperna hemmafru/hemmaman, pensionär och föräldraledig.
Nagelkerkes R2 ligger på 0,174 i modell 1 men ökar sedan till 0,227 när oberoende variabeln lagts till. Värdet på nagelkerkes R2 kan som mest vara ett och då har alla faktorer som är viktiga för ufallet inkludrats (Barmark & Djurfeldt, 2009, s.132). Trots att ökningen är liten och värdet i sig inte är speciellt högt kan det ändå ses som acceptabelt utifrån storleken på vårt material och de valda variablerna. I modell 1 är studerande, arbetssökande, sjuk-/
aktivitetsersättning och hemmafru/hemmaman inte signifikanta. För modell 2 är alla variabler signifikanta förutom egen företagare. Vad gäller signifikanta värden utgår vi från modell 2 eftersom den regressionsanalys som är av störst intresse är den som innehåller samtliga variabler.
I modell 1 ligger oddskvoten för ungdomar mellan 16-24 år på 14,578 och är signifikant på 0,1 procentsnivån. När den oberoende variabeln inkluderas minskar oddskvoten något (12,841) men är ändå hög. I modell två är variabeln fortfarande signifikant på 0,1 procentsnivå.
I modell 2 är oddskvoten för kön 2,169 och visar att vara kvinna ökar utsatthet för brott med 117 procent jämfört med i modell 1 där oddskvoten var något högre och utgjorde en ökning med 121 procent. För alla åldrar kan vi se en ökning i att utsättas i förhållande till
referenskategorin, däremot är ökningen särskilt påtaglig för ungdomar mellan 16–24 år. För grupperna hemmafru/hemmaman, pensionär och föräldraledig ser vi en minskning i
oddskvoten vilket indikerar en minskning i utsatthet för brott för dessa grupper. Oddskvoten för att utsättas för brott var högre för de med förgymnasial (1,122) och gymnasial utbildning (1,151) än för referensgruppen. I modell 2 kan vi utläsa en oddskvot på 4,560 vad gäller närståendes utsatthet för brott. Det innebär att oddsen för att utsattas för brott ökar med 356 procent när man har en närstående som utsatts för brott.