Statistiska analyser

Resultaten av den deskriptiva statistiken vill jag titta vidare på med statistisk analys. En fråga som väcks är varför respondenterna har valt att svara som de gör. Vilka faktorer spelar roll för de olika identifikationerna? Något annat jag tycker är påfallande är skillnaden i svarsfrekvens mellan de variabler som rör sexuella attraktioner och

relationer samt fantasier och preferenser. Är denna skillnad statistiskt signifikant? Vilka fler eventuella samband finns i materialet? För att ta reda på detta kommer jag att genomföra en logistisk regression och medelvärdesanalyser. Dessa statistiska analyser bidrar bland annat med att undersöka om det finns statistiskt signifikanta faktorer som har bidragit till svarsfördelningen på enkäten. Finns det sådana blir det mindre rimligt att tro att enkätens resultat till stor del beror på dess utformning.

65

En förvånansvärt stor andel har angett andra sexualiteter än enbart heterosexuella. I

Sex i Sverige, som formulerar frågorna som både praktik och preferens hade 87%

sexuella fantasier om en bart ”det motsatta” könet, 92,5 blev förälskade eller kände attraktion till ”enbart det motsatta” och 95,1% hade enbart varit tillsammans med ”motsatt” kön. I ungKAB09 uppger 83% av kvinnorna och 91% av männen att de betraktar sig som enbart heterosexuella. Av de som inte angett man eller kvinna som könsidentitet är det dock endast 6% som identifierar sig som enbart heterosexuella, men dessa är en liten del av urvalet, endast 45 personer av 15.278. I sex och kärlek på

internet uppger 91% av männen och 86% av kvinnorna. att de är enbart heterosexuella.

En logistisk regression undersöker hur olika faktorer bidrar till sannolikheten för att någonting inträffar. Denna typ av analys utgår från en beroende variabel som bara har två möjliga utfall. För denna analys skapar jag en variabel med två värden, det ena står för ”enbart heterosexuell” och det andra står för ”inte enbart heterosexuell” då får jag möjlighet att undersöka om och vilka faktorer som möjligen kan påverka sannolikgeten att respondenten väljer att identifiera sig som det ena eller andra. Även här bär det mig lite emot att koda om materialet. En uppdelning av sexualiteter i form av enbart

heterosexuell/inte enbart heterosexuell kan uppfattas som att den reproducerar en heterosexuell hegemoni.

Men jag tror ändå att den här typen av analys är relevant för uppsatsens syfte. Jag vill dock påpeka att denna kategorisering främst är teknisk och endast till för att genomföra en logistisk regressionsanalys. Här bör påpekas att en logistisk regression producerar många tabeller och resultat, och alla kommer inte presenteras i detta avsnitt. Dock återfinns samtliga resultat som bilaga.

De faktorer, eller oberoende variabler, som jag vill undersöka är ålder,

institutionstillhörighet och könsidentifikation. Mitt resultat skulle kunna bero på att min population är annorlunda än de andra undersökningarna. Att mina respondenter är studenter kan spela roll för resultatet. Ålder och institutionstillhörighet är

66

bakomliggande faktorer som skulle kunna påverka svarsfrekvensen. Könsvariabeln lägger jag till för att, med stöd i mitt teoretiska ramverk, undersöka om den

könsmässiga identifikationen spelar roll för den sexuella identifikationen.

Att könsidentifikation som skalvariabel är med istället för könsidentifikation som kategorisk variabel beror på att så få respondenter kategoriserade sig utanför

grupperna kvinna och man, men desto fler valde värden mot mitten då identifikationen skedde på en skala. Men, eftersom kön uppenbarligen har spelat roll i de tidigare enkätundersökningarna kommer jag också längre fram att undersöka eventuella korrelationer mellan könsidentifikation kategoriskt och den sexuella identifikationen.

För att genomföra en logistisk regression måste alltså en binär responsvariabel, en som bara har två möjliga utfall, skapas. Det bör också påpekas att jag delar upp mitt urval i två lika stora delar för att göra den logistiska regressionen. Den ena delen används till att köra den logistiska regression, den andra för att validera resultatet och fastslå generaliserbarhet.

När jag kodar om den kategoriska responsvariabeln får jag följande resultat.

Tabell 12. Sexualitet som dikotom variabel

_{Frekvens Procent Giltig procent Kumulativ procent} enbart heterosexuell 41 73,2 73,2 73,2 inte enbart heterosexuell 15 26,8 26,8 100,0 Total 56 100,0 100,0

67

Diagram 9. Sexualitet som dikotom variabel

Observera att urvalet redan är delat och att detta alltså enbart rör den ena delen, varför n=56. Som synes återfinns 41 respondenter, eller 73,21% i gruppen ”enbart

heterosexuell.” I gruppen ”inte enbart heterosexuell” återfinns 15 respondenter, vilket innebär 26,79%. Den variabel som visas ovan är den variabel som i den logistiska regressionen blir den beroende variabeln, alltså den variabeln som påverkas av de övriga. Det som ska testas är alltså om oddsen för identifikation av viss sexualitet varierar utifrån ålder, institutionstillhörighet och könsidentifikation. Detta mäts i en såkallad oddskvot, vilket är sannolikheten för att viss händelse inträffar jämfört med oddsen att det inte skulle inträffa. I detta fall skulle det till exempel kunna innebära hur stora oddsen är att identifiera sig som enbart heterosexuell om respondenten tillhör studerar på statsvetenskapliga institutionen jämfört med den medicinska institutionen.

Den logistiska regressionen utgår från en så kallad nollmodell, alltså en modell utan de oberoende variablerna. Sedan testas huruvida gruppen av oberoende variabler har en större förklaringskraft än nollmodellen. I detta fall är p=.000 vilket innebär att de oberoende variablerna har en signifikant förklaringskraft. En annan tabell visar på hur

68

stor del av variationen i den beroende variabeln som förklaras av de oberoende

variablerna. Här visas en determinationskoefficient som är ,700. Detta innebär att 70% av förändringarna i den beroende variabeln förklaras av de oberoende variablerna. Den logistiska regressionen producerar också en klassifikationstabell som visar hur många fall som blir korrekt klassificerade av modellen

Tabellen nedan visar modellen med de oberoende variablerna inkluderade:

Tabell 13. Regressionsmodellen

B S.E. Wald df Sig. Exp(B).

Step 1a Stark identifikation med kvinnlig el. manligt -3,104 1,413 4,826 1 ,028 ,045 Jagär__årgammal -,079 ,178 ,197 1 ,657 ,924 Jagläservidföljandeinst itution 7,380 4 ,117 Jagläservidföljandeinst itution(1). 21,492 11633,556 ,000 1 ,999 2,157E9 Jagläservidföljandeinst itution(2). 19,116 11633,556 ,000 1 ,999 2,004E8 Jagläservidföljandeinst itution(3). -,760 17714,694 ,000 1 1,000 ,468 Jagläservidföljandeinst itution(4). 17,063 11633,556 ,000 1 ,999 2,573E7 Constant -16,492 11633,557 ,000 1 ,999 ,000

69

P-värdena listas under ”sig.” I detta fall visar p-värdena om oddsration är signifikant större än 1. Med en signifikansnivå på 0.05 visar bara en av variablerna på en

signifikant skillnad, huruvida respondenterna identifierar sig starkt eller svag som kvinnlig eller manlig. Under kolumnen Exp(B) syns oddsen. Dessa är under 1 vilket innebär att det finns ett negativt samband mellan könsidentifikation och sexualitet. Här bör det dock påminnas att könsvariabeln är kodad så att 1=stark identifikation med manligt eller kvinnligt och 0=svag identifikation med manligt eller kvinnligt, och sexualitet är kodad som 1= inte enbart heterosexuell och 0= enbart heterosexuell. Sambandet kan alltså översättas till hur oddsen för att identifiera sig som inte enbart heterosexuell minskar ju starkare könstillhörighet. Övriga variabler bidrar alltså inte med en signifikant ändring i oddsen för sexuell identifikation. Slutligen har modellen validerats genom att undersöka klassifikationsvärdena för en logistisk regression på den andra delen av urvalet. Även då var klassifikationsexaktheten större än 25% från slumpen, vilket gör att modellen får anses som validerad och därmed generaliserbar. Sammanfattningsvis har alltså modellen en ganska hög förklaringskraft, 70% av

förändring i den beroende variabeln förklaras av modellen, men den enda variabel som visade sig vara signifikant var huruvida respondenten identifierar sig starkt som

kvinnlig eller manlig. Längre fram kommer jag att undersöka om könsvariablerna har något samband med de variabler som är typiska för mitt urval, nämligen

institutionstillhörighet och ålder.

Sexualitet mättes också i frågor som rörde praktik och preferens. Nedan visas ett diagram över svarsfördelningen:

70

Diagram 10. Preferens/praktik

Som synes har staplarna olika färger. Om respondenterna hade angett samma svar på respektive fråga hade staplarna haft samma färg. Som synes är det alltså lite skillnad på hur respondenterna har svarat. Frågan är dock om denna skillnad är signifikant. Detta testas med ett hypotestest som visas nedan.

Hypoteserna som testas lyder följande:

: Det finns ingen skillnad mellan grupperna

71

Tabell 14. McNemar-Bowker test

Value df Asymp. Sig. (2-sided). McNemar-Bowker Test 17,333 7 ,015 N of Giltig Cases 113

McNemar-Bowker-testet visar ett p-värde på ,015, vilket visar att det finns en skillnad på en 95% signifikansnivå. Nolhypotesen förkastas. Det finns alltså en skillnad mellan hur respondenterna har svarat på respektive fråga.

För att testa huruvida ålder och insititutionstillhörighet påverkar könsidentifikation kodar jag återigen om variabeln som mäter könstillhörighet på en skala, den här gången till tre olika värden, stark identifikation med manligt eller kvinnligt, dit räknar jag värdena 1-2 samt 9-10, mellanstark/svag identifikation med manligt eller kvinnligt, dit räknar jag värdena 3-4 samt 6-8och slutligen svag identifikation, dit räknar jag värdet 5.

Nedan visas ett test av medelvärdena på denna variabel jämfört med institutionstillhörighet.

Hypoteserna som testas lyder följande:

: Det finns ingen skillnad i medelvärden beroende på institutionstillhörighet

: Det finns en skillnad i medelvärden beroende på institutionstillhörighet

72

Tabell 15. Kön/institution

KÖN

Jag läser vid följande

institution Medel N Standardavvikelse

Genusvetenskapliga 1,9565 23 ,36659 Juridiska 1,4211 19 ,60698 Medicinska 1,5789 19 ,60698 Statsvetenskapliga 1,5789 19 ,69248 Teknikvetenskapliga 1,4400 25 ,58310 Total 1,5833 108 ,59789

Det är svårt att se någon direkt skillnad här. De som läser vid genusvetenskapliga institutionen har ett något högre medelvärde och mindre standardavvikelse, i övrigt är det ganska lika. Nedan visas ett diagram över fördelningen

Diagram 11. Kön/institution

73

Här syns tydligt skillnaderna mellan institutioner, återigen är det genusvetenskapliga institutionen som sticker ut mest. Nedan visas resultatet av hypotestestet

P-värdet är ,009 vilket innebär ett signifikant skillnad i medelvärde på en konfidensnivå av ,05. Nollhypotesen förkastas. Det finns alltså en signifikant skillnad på hur

respondenterna väljer att identifiera sig på en skala av manligt och kvinnligt beroende på institutionsnivå.

Tabellen och diagrammet nedan visar fördelningen av ålder och samma könsvariabel som i det förra testet.

Tabell 17. Kön/ålder Kön Medelålder N Standardavvikelse Stark 24,10 50 3,748 Mellan 24,45 51 4,051 Svag 26,33 6 4,033 Total 24,39 107 3,906 Tabell 16 ANOVA Sum of Squares df Mean Square F Sig.

KÖN# * Jag läser vid följande institution Between Groups 5,239 5 1,048 3,237 ,009 Within Groups 33,011 102 ,324 Total 38,250 107

74

Medelålder i respektive grupp tycks vara ungefär lika.

Diagram 12. Kön/ålder

Även stapeldiagrammet visar på att fördelningen är ungefär lika. Skillnaden ligger i att vissa åldrar saknar värdet ”svag”

Nedan visas hypotestestet. De hypoteser som testar lyder följande:

: Det finns ingen skillnad i medelvärden beroende på ålder

: Det finns en skillnad i medelvärden beroende på ålder

Tabell 18. ANOVA kön/ålder

Sum of Squares df Mean Square F Sig. Jag är __ år gammal * KÖN# Between Groups 27,053 2 13,527 ,885 ,416 Within Groups 1590,461 104 15,293 Total 1617,514 106

75

P-värdet är ,416 vilket är större än ,05, vilket innebär att på en 5% signifikanssnivå finns det inga signifikanta skillnader mellan grupperna. Nollhypotesen behålls. Det finns alltså ingen signifikant skillnad i ålder på hur respondenterna har valt att identifiera sig på en skala av manligt och kvinnligt.