I följande kapitlet presenteras studiens material och etiska övervägande i hanteringen av materialet. De variabler som genomgående användes i alla hypoteser presenteras också. Det handlar om variabler som ska konkretisera attityder till välfärdsstaten samt så kallade kontrollvariabler. Avslutningsvis ska också det valda analysverktyget presenteras. Hypoteserna testas var för sig i resultatkapitlet och den beskrivande informationen av hypotesernas specifika variabler betas av individuellt per hypotesprövning. Denna utformning motiveras av att många variabler endast kan korsas mellan variabler som ingår i samma hypotes, mer om detta nedan.
6.1 Material
Vårt valda material för att svara på frågeställningarna har varit andrahandsdata från SOM-institutet vid Göteborgs universitet. Datamaterialet kommer från enkätundersökningen Den nationella SOM-undersökningen 2017 (Göteborgs universitet 2019). Undersökningen består av sex parallella enkäter med fokus på svenska befolkningens politiska åsikter och medievanor.
Urvalet består av ett systematiskt sannolikhetsurval om 3400 personer boendes i Sverige i åldrarna 16-85 år per enkät. Vår studies material kommer från två av dessa enkätstudier. Dels Riks 1 där svarsandelen ligger på 54%, N=1755. Samt Riks 6 med svarsandel på 56%, N= 1828.
Vad gäller materialets representativitet kan vi säga följande. En viss övervikt för äldre respondenter finns i materialet. Vad gäller just demografisk fördelning kan materialet ändå ses som representativt (Tipple 2018, s. 416). Eftersom arbetet undersökt värderingar och åsikter finns dock ingen referenspunkt som kan säkerställa just den representativiteten. Dock är detta omöjligt att göra, om vi istället identifierar de mått som kan verifiera representativiteten har vi goda grunder att se datamaterialet som representativt (Jansson, Tipple & Weissenbilder 2018, s. 22-26; Tipple 2017, s. 415-417). Valet av SOM-data bygger på flertalet grunder. Materialet är större och av bättre kvalité än vad en egenkonstruerad enkätstudie kunnat producera.
Nackdelen är att variablerna inte är helt optimala för vår undersökning. Detta är dock vardag inom kvantitativa undersökningar (Svallfors 2004, s. 46). En egenkonstruerad studie om N=100 kan inte generaliseras ändå vilket vi bör kunna göra för att svara på frågeställningarna. SOM-datan låter oss också att delvis replikera Svallfors studier från 2002 0ch 2010. Detta genom att SOM-institutet tillhandahåller samma yrkeskodning som Svallfors använde för att koda sin klassvariabel. Dock med notisen att de beroende variablerna kommer skilja sig åt. Det kan också
19 vara värt att påpeka att arbetets tidsbegränsning legat på cirka två månader vilket även det talat för användningen av andrahandsdata.
6.2 Etiska riktlinjer
Genom arbetets gång har hänsyn tagits till de etiska riktlinjer Vetenskapsrådet satt för samhällsvetenskaplig forskning (Vetenskapsrådet u.å). Valet av anonymiserad andrahandsdata förenklade arbetet ur den hänsynen. Informationskravet har fyllts då SOM-institutet själva delade ut enkäterna. Samtyckeskravet likaså. Konfidentialitetskravet har följts då den hämtade SOM-datan endast har nyttjats av mig som uppsatsskrivare för uppsatsen explicit vilket även uppfyller nyttjandekravet. I praktiken skulle det gå att få fram känsliga uppgifter ur materialet, detta har inte varit fallet i denna uppsats eftersom alla variabler som använts har en svarsfrekvens på över 1500 respondenter utan möjlighet till identifiering.
6.3 Beroende variabler
Nu när datamaterialet presenterats är nästa steg att binda samman detta med vårt teoretiska ramverk. Operationaliseringen av attityder till välfärdsstaten skapar tre beroende variabler.
Inställningen till. Friskolor, privat sjukvård och A-kassan. Respondenterna har fått kryssa i sin inställning till dessa tre områden enligt följande. Vilken är din åsikt om följande förslag.
Bedriva mer av sjukvården i privat regi, Satsa mer på friskolor och Höja arbetslöshetsersättningen (a-kassan). Svarsalternativen och kodningen är 1 Mycket bra förslag, 2 ganska bra förslag, 3 varken bra eller dåligt förslag, 4 ganska dåligt förslag och 5 mycket dåligt förslag. För att lättare tolka resultaten vänder vi på resultatet från A-kassa frågan för att få tre förslag där svarsalternativ ett är mycket bra förslag på att privatisera eller sänka utgifter.
Nu är alla tre variabler satta så att nyliberalism eller minska den kollektiva välfärden är positiva förslag som första svarsalternativ (Nilsson 2018, s. 1-2). Vi har nu tre variabler som anger inställning till påståenden om att minska offentliga utgifter på välfärdsarrangemang. Satsa mer på friskolor, bedriva mer av sjukvården i privat regi och sänka A-kassan. Svarsalternativen går från 1 mycket bra förslag till och med 5 mycket dåligt förslag. En nackdel med vårt material är att det krävdes två enkätundersökningar för att få fram tillräckligt med material för att kunna mäta välfärdsattityder. Satsa mer på friskolor och bedriva mer av sjukvården i privat regi är från riks 1 och vår omkodade variabel sänka A-kassan är från Riks 6. Vid test av vår värderingshypotes kommer därför de oberoende variablerna att behöva skilja sig något mellan sänka A-kassan och övriga två beroende variabler. Eftersom vi dock vill mäta bakomliggande
20 värderingdimensioner vid denna hypotes och inte frågorna explicit kan detta fungera ändå.
Validiteten hänger på hur väl de valda frågorna speglar värderingshypotesen. Ett ytterligare problem med användningen av två enkätstudier är att det inte går göra index likt Svallfors eller testa den interna konsistensen mellan våra beroende variabler (Svallfors 2004, s. 248-252).
Validiteten av våra beroende variabler skulle därför kunna ifrågasättas. Mäter vi välfärdsattityder korrekt med dessa beroende variabler? För att avgöra detta vänder vi blicken mot de tre beroende variablerna.
Tabell 1. Deskriptiv statistik för beroende variabler
Siffrorna är angivna i procent. Mycket bra
Ganska bra
varken bra eller dåligt
Ganska dåligt
Mycket
dåligt N=
Satsa mer på friskolor 4,9 11,6 31,5 26,1 25,9 1706 bedriva mer av sjukvården i privat regi 6,2 15,8 25,1 25 27,9 1705
Sänka A-kassan 8,9 20,3 35,5 22,2 13,2 1715
Variablernas frekvenser kommer skilja sig något beroende på vilken OLS regression som utförs. Mot bakgrund av att skillnaderna är marginella visas endast ovanstående frekvensfördelning. Siffrorna är de totala i datamaterialet.
Källa: Göteborgs universitet 2019 (Egenkonstruerad).
Först och främst innebär inte ett sambandstest att variablerna har en hög validitet. Vi kan ha ett högt hypotetiskt samband utan att för den delen ha variabler eller index som mäter det vi vill.
Vi måste istället vara teoridrivna (Swedberg 2014, s. 169-187; Djurfeldt, Larsson &
Stjärnhagen, s. 19-34). Att våra tre beroende variabler mäter aspekter av välfärdsstaten är odiskutabelt. Variablernas svarsfrekvenser är samtliga viktade negativt till förslagen som vi anser vara nyliberala. Detta stödjer tesen att variablerna hör samman och följer mönster som exempelvis Nilsson (2018, s. 12-13) identifierat. Kritiken som skulle kunna ställas är snarare om vi i denna undersökning lyckas frambringa tillräckligt med information för att fånga in allmänna välfärdsattityder. Innan vi går vidare noterar vi att variablerna är något snedfördelade.
Med hänvisning till att vi ständigt är över 1500 respondenter för alla variabler i detta arbetet och att vi vill vara teoridrivna noteras snedfördelningen men ingen större vikt läggs vid fördelningsfrekvenserna.
6.4 Kontrollvariabler
För att minska risken att felaktiga slutsatser dras lägger vi även in tre kontrollvariabler som kontrollgrupp (Djurfeldt, Larsson & Stjärnhagen 2010, s. 269). Kön, ålder och stad-land boende. Först genomför vi en analys utan kontrollvariablerna och sedan görs en med dessa. På så sätt synliggörs om sambanden i sig står för det vi tror eller om exempelvis kön är den egentliga bakomliggande faktorn. Denna metod är inte heltäckande men funkar som
21 riskminimering. Valet på kön, ålder och stad-landsbygd som kontrollvariabler bygger på att dessa är empiriskt bekräftade skiktningar som skulle kunna vara egentliga bakomliggande faktorer (Svallfors 2004, s. 115; Inglehart & Flanagan 1987; Ahrne 2014, s. 89-99).
Vi noterar frekvensfördelningen ovan och finner variablerna lämpliga att använda. Siffrorna skiljer sig något beroende på vilken beroende variabel som analyseras men differensen är i så liten grad att vi nöjer oss med att här redovisa totala frekvensfördelningen i datamaterialet.
Exakta siffror finns istället tillgå i bilagorna. Rent praktiskt så kommer kontrollvariablerna påverka uppsatsen på följande sätt. De tre hypoteserna presenteras var för sig. Först presenteras frekvensfördelningarna för de oberoende variablerna. Sedan i analysmodellerna så kommer två rader per beroende variabel att presenteras. Först en rad med endast hypotesens variabler. Sedan en rad med hypotesens variabler och kontrollvariablerna tillsammans som vi i analysmodellen kallar kontrollgrupp. Det går då att se om hypotesens variabler har bäring i analysen eller om de försvinner till fördel för kontrollgruppen.
6.5 Analysverktyg
Det kanske mest centrala begreppet i uppsatsen, nämligen välfärdsattityder har konkretiserats till tre beroende variabler med en hierarkisk svarsstruktur som går från mycket bra till mycket
Tabell 2. Deskriptiv statistik för kontrollgrupp
Kön (I procent)
Kvinna 52,2
Man 47,8
N= 10 812
Ålder (I procent)
16-29 15,1
30-49 28,7
50-64 25,5
65-85 30,7
N= 10 564
Stad-landsbygd (I procent)
Ren landsbygd 14,4
Mindre tätort 18,9
Stad eller större tätort 47,9 Stockholm, Göteborg,
Malmö
16,6
N= 10 812
Variablernas frekvenser kommer skilja sig något beroende på vilken OLS regression som utförs. Mot bakgrund av att skillnaderna är marginella visas endast ovanstående frekvensfördelning. Siffrorna är de totala i datamaterialet.
Källa: Göteborgs universitet 2019 (Egenkonstruerad).
22 dåligt. Målet med studien är se hur sambandet mellan dessa tre variabler och hypotesernas oberoende variabler ser ut och hur stark sambandet är. För att därigenom se om några oberoende variabler i teorin påverkar välfärdsattityder. Med bakgrund av skalnivån på de beroende variablerna och målet att förklara variansen inom dessa variabler kommer OLS regressioner användas som analysverktyg. En diskussion om variablerna är på en ordinalskala eller på en intervallskala kan vi bortse ifrån med hänvisning till Durant och Legge (2001, s. 83-84). Att inte göra dummyvariabler av oberoende variabler som kan anses vara på ordinalskala motiveras även det utifrån Durant och Legge. Fokus ligger på om en hierarkisk dimension kan hittas i variablernas svarsalternativ.
23