Metodika

Modely kvality života

Kvalita života je obtížně uchopitelný koncept, což potvrzuje i skutečnost, že ani v dnešní době neexistuje jeho jednoznačná nebo přesněji řečeno všeobecně akceptovaná významová interpretace. Mezi základní charakteristiky konceptu kvality života patří:

• komplikovanost, aneb co vše a jak ovlivňuje náš život a jeho kvalitu?

• dualita, aneb souvisí spolu to, jak žijeme (objektivní), s tím, jak to vnímáme (subjektivní)?

• multidimenzionalita, aneb v různých ohledech jsme na tom různě

• interdisciplinarita, aneb vidí to lékař, sociolog, ekonom či geograf stejně?

• časová a prostorová variabilita, aneb jak se kvalita života mění v čase a prostoru?

Kvalita života je determinována jak vnitřním, tak ale i vnějším prostředím (Pukeliene, a další, 2011; Veenhoven, 2000) a je tedy ovlivňována jak rozvojem země, v níž jedinec žije, jejím politickým a ekonomicko-sociálním prostředím, tak ale i psychickým a osobním rozvojem či materiálním a sociálním blahobytem.

První skupina faktorů, faktory vnějšího prostředí, zahrnuje jak faktory, které nelze žádným způsobem ovlivnit (např. klimatické a zeměpisné podmínky země), tak ale i faktory, které jsou ovlivnitelné státní mocí (např. politická stabilita, korupce, hospodářský růst, sociální zabezpečení atd.). Druhá skupina faktorů obsahuje faktory, které mohou být ve významné míře ovlivnitelné samotným jedincem (např. zdravotní stav, úspěchy ve vzdělání, rodina, volný čas atd.) (Pukeliene a kol., 2011). Na rozdělení na stránku subjektivní a objektivní a zároveň individuální a společenskou úroveň faktorů je založen maticový model Delheye a Bohnka (Delhey a kol., 2002).

Tento přístup kombinuje výše zmíněné způsoby dělení faktorů ovlivňujících kvalitu života. Modelů tohoto typu lze najít v literatuře velké množství a je možné pomocí nich utřídit i modely a soubory indikátorů původně z této koncepce nevycházející. Velmi známým maticovým modelem, ze kterého v projektu vycházíme, je maticový model čtyř kvalit života (Veenhoven, 2000).

Podle tohoto modelu je možné faktory dělit nejen na vnitřní a vnější faktory kvality života, ale též na životní šance neboli předpoklady a životní výsledky. Jedná se na jedné straně o rozdíl mezi příležitostmi na kvalitní život a kvalitním životem jako takovým. Na druhé straně lze rozlišovat mezi vnějším a vnitřním prostředím. V prvním případě se jedná o kvalitu prostředí kolem nás, zatímco ve druhém případě o kvalitu danou jedincem samotným, jeho vnímáním života.

Životní šance jsou faktory, které jedinec sám nedokáže ovlivnit, a jsou tedy buď zcela neovlivnitelné, nebo se týkají celé společnosti, ve které se jedinec nachází a pokud je lze ovlivnit (především vnější kvality), pak pouze prostřednictvím státní moci. Životní výsledky jsou dány především subjektivním hodnocením samotného jedince. Životní šance a životní výsledky tak lze také chápat jako vstupy a výstupy života jedince.

Návrh měření kvality života na regionální úrovni vychází právě z Veenhovenona (2000) modelu čtyř kvalit života, kdy kvalitu života v určitém regionu chápeme ve smyslu vnější kvality dané životní úrovní prostředí (viz tabulka výše).

Systém hodnocení kvality života na regionální úrovni SO ORP navazuje na národní strategii Česká republika 2030, resp. na výsledky aktivit Úřadu vlády směřujících k vytvoření indikátorových rámců pro měření kvality života v České republice (Úřad vlády České republiky 2015, 2018a,b). Sada indikátorů kvality života na národní úrovni, která byla zveřejněna v dubnu 2018 na webové stránce věnované strategickému rámci Česká republika 2030 v gesci Úřadu vlády ČR (www.cr2030.cz), zahrnuje celkem 143 indikátorů rozdělených do 11 dimenzí. Národní strategie podrobně popisuje jednotlivé dimenze i důvody, proč je daná oblast klíčovou v rámci hodnocení kvality života. Uchopení jednotlivých dimenzí kvality života částečně odráží národní strategii Česká republika 2030 (Úřad vlády České republiky 2015), ale vzhledem k odlišnosti sledované regionální úrovně bylo nutné pojetí dimenzí a tím i volbu vhodných indikátorů k jejich měření modifikovat.

Kvalita života na regionální úrovni SO ORP je hodnocena v rámci deseti dimenzí vycházejících z národního strategického rámce Česká republika 2030. Dimenze Osobní pohoda není do hodnocení zahrnuta, neboť na tuto dimenzi lze v souladu Veenhovenovým (2000) pojetím kvality života nahlížet jako na tzv. subjektivní (také hédonickou) pohodu (Blatný 2016). Subjektivní pohoda (subjective well-being) zahrnuje hodnocení celkové životní spokojenosti, spokojenosti s jednotlivými oblastmi kvality života (zdraví, vzdělávání aj.) a také hodnocení prožívaných nálad a emocí (Blatný 2016, Diener 1984, Veenhoven 2000). Takto chápaná osobní pohoda představuje celý čtvrtý kvadrant Veenhovenova modelu a není ze své podstaty objektivní kvalitou života.

Tvorba systému indikátorů

Pro účely tvorby uceleného a významově vyváženého systému indikátorů pro měření objektivní kvality života na regionální úrovni došlo nejprve k rozdělení každé z deseti dimenzí na dvě až tři subdimenze, které přesněji vymezují obsahovou náplň jednotlivých dimenzí.  Rozdělení na subdimenze vedlo k neopomenutí různých aspektů často širokého pojetí jednotlivých dimenzí a také pomohlo při následném výběru vhodných indikátorů a jejich systematizaci.

Při tvorbě systému indikátorů se vychází z koncepčního pojetí celé dimenze a jejího rozdělení na subdimenze. Snahou bylo nalézt co nejvhodnější dostupné indikátory pro sledovanou regionální úroveň SO ORP. Při výběru jsme vycházeli zejména z odborných prací a strategií, které sledují a hodnotí sledované dimenze a subdimenze kvality života na regionální úrovni Česka. Při tvorbě systému indikátorů bylo zároveň využito odborných konzultací s experty, kteří se tématy spojenými s kvalitou života v jednotlivých dimenzích dlouhodobě vědecky či analyticky zabývají.

Tabulka : Deset dimenzí pro hodnocení objektivní kvality života na regionální úrovni

Zdroj: vlastní zpracování

Systém indikátorů pro měření kvality života na regionální úrovni byl tvořen tak, aby výsledné indikátory splňovaly následující požadavky:

• relevance z hlediska podchycení regionální diferenciace kvality života na úrovni SO ORP;
• vyváženost z pohledu naplnění jednotlivých dimenzí, resp. subdimenzí kvality života na regionální úrovni;
• dostupnost na regionální úrovni SO ORP;
• možnost aktualizace.

Celkem bylo k měření kvality života na regionální úrovni využito 63 indikátorů rozdělených do 10 dimenzí. Největší počet indikátorů naplňuje dimenze Zdraví a Vzdělávání (9 indikátorů), nejmenší počet dimenze Příjem a bohatství, Slaďování soukromého a pracovního života, Životní prostředí a Bezpečnost (5 indikátorů).

Snahou bylo získat data ve dvou časových horizontech, což by umožnilo hodnocení změn v objektivní kvalitě života na regionální úrovni. U 39 indikátorů z celkových 63 se toto povedlo, přičemž jsou data dostupná nejčastěji k roku 2011 (vazba na Sčítání lidu, domů a bytů jako důležitý zdroj informací) a k roku 2019 (nejaktuálnější dostupná data). V případě nízkého výskytu jevu v jednom roce na úrovni SO ORP nebo vysoké meziroční fluktuaci hodnot bylo přistoupeno k využívání víceletých průměrů (dle dostupnosti dat a vhodnosti dvou-, tří-, čtyř- či pětileté průměry).

Z pohledu dostupnosti a přípravy dat lze indikátory rozdělit do tří typů:

• standardní veřejně dostupné indikátory zpracovávané veřejnými institucemi, které poskytují data volně či na žádost (například v rámci dimenze Zdraví indikátory Naděje dožití mužů a žen);
• převzaté speciální indikátory, které byly konstruované pro účely jiných výzkumů a nejčastěji tvořily výstupy výzkumných projektů (například v rámci dimenze Zdraví indikátory Dostupnost praktického lékaře, dětského lékaře a zubaře);
• nově zkonstruované indikátory v rámci projektu (například v rámci dimenze Zdraví indikátory Nadměrná konzumace alkoholu a Kouření u mužů a žen).

Souhrnné indexy kvality života

Složitost kvality života a snaha o její kvantitativní zachycení, které by umožňovalo prostorové i časové srovnání, vyžaduje hledání indikátorů, jež by co nejlépe danou problematiku vystihovaly a plnily zadané cíle. Mnohorozměrný koncept kvality života vybízí k poptávce po souhrnu informací, které podávají rozsáhlé sady indikátorů, a tedy k získání přehlednějších a lépe prezentovatelných výsledků pro široké spektrum uživatelů. Snaha o hodnocení kvality života vede často právě k potřebě agregace velkého množství ukazatelů z různých oblastí. Z tohoto důvodu zaujímá kvalita života, která dnes prostupuje vědeckými disciplínami a politickými a právními dokumenty nejen v Evropě, ale po celém světě, v tvorbě kompozitních indikátorů (souhrnných indexů) důležité místo.  

Z těchto důvodů je pro každou z oblastí kvality života konstruován souhrnný index, který je matematickou kombinací (či agregací) skupiny indikátorů (Saisana 2004). Konstrukci souhrnných indexů provádíme na základě doporučení OECD a Joint Research Centre při Evropské komisi (OECD, JRC, 2008). Celý postup je rozdělen do deseti kroků.

Zdroj: (OECD, JRC, 2008)

Teoretický rámec

Prvním a klíčovým úkolem konstrukce souhrnných indikátorů je rozvinutí a vymezení teoretického rámce celé problematiky. Bez tohoto kroku nepřináší, a to ani při využití vhodných statistických metod, výsledný indikátor žádnou přidanou hodnotu v podobě očekávaných informací. Nutností je proto identifikace kritérií pro výběr jednotlivých indikátorů. Tato kritéria by měla být nápomocná pro rozhodnutí, zda by indikátor měl být zahrnut či nikoliv. Zároveň je důležité vymezit měrné jednotky, tedy zda budou ukazatele sledovány v absolutní či relativní výši, případné použití cílových hodnot atd. (Moldan a kol. 2005; Singh a kol. 2012).

Teoretický rámec všech souhrnných indexů kvality života vychází z národního strategického rámce Česká republika 2030 a byl detailně rozpracován při přípravě systémů indikátorů (viz výše). V návaznosti na něj se jedná o dvoustupňovou agregaci. Systém indikátorů (ukazatelů) byl dále upraven především z následujících důvodů:

Jednoznačný směr indikátoru – Vyjma relevantnosti a spolehlivosti dat je v případě souhrnných indexů nutné zabezpečit, že zvolené indikátory mají jednoznačný směr. To znamená, že lze jednoznačně hodnotit přínosnost zvýšení či naopak snížení hodnoty indikátoru v celém prostoru.

Rozdíl popisného účelu a účelu vystihnutí jevu – Subdimenze jsou tvořeny za účel přehledného popisu dané dimenze. Oproti tomu souhrnný index a subindexy by měli co nejkomplexněji vystihovat určitý jev. Jedná se tedy o jiný pohled na danou dimenzi, který vyžaduje v některých případech změnu struktury členění subindexů a zapojených indikátorů.

Propojení sledování národní a regionální úrovně – Pokud to bylo možné, vychází stavba souhrnných indexů z členění dané dimenze v národním strategickým rámci Česká republika 2030 (Úřad vlády České republiky 2018a,b) pro celorepublikovou úroveň sledování kvality života obyvatel a propojuje tak úroveň národní a regionální.

Výstižné a návodné pojmenování subindexů pro široké spektrum uživatelů – V případě subdimenzí existuje definice jednotlivých indikátorů. V případě subindexů vidí uživatel v prvé řadě název subindexu a až posléze si může nalézt využité indikátory. Název subindexu by proto měl být jednoduchý a návodný vzhledem k těmto indikátorům, aby se tak v maximální možné míře předcházelo možnosti dezinterpretace výsledků. Na druhou stranu je potřeba zároveň snažit se o celistvost systému a jednoduchost jeho pochopení.  

Z důvodů zde popsaných (ale i dále) je struktura některých souhrnných indexů odlišná od struktury systému indikátorů, který je konstruován pro co nejpřesnější popisný účel. Zároveň se v některých případech liší název subdimenze a subindikátoru.

Výběr indikátorů

Vyjma relevantnosti a spolehlivosti dat je v případě souhrnných indexů nutné zabezpečit, že zvolené indikátory mají jednoznačný směr. To znamená, že lze jednoznačně hodnotit přínosnost zvýšení či naopak snížení hodnoty indikátoru v celém prostoru. Důležitou otázkou při stanovování kritérií pro zahrnutí indikátorů je korelovanost dat. Pro účely konstrukce souhrnného indexu je vhodné vyjít jak z Pearsonova korelačního koeficientu, tak ze Spearmanova pořadového korelačního koeficientu. Oba koeficienty jsou často využívanými technikami a lze je proto nalézt v mnoha publikacích (např. Howitt, a kol. 2007; Meloun a kol. 2006; Blaikie, 2003). Názory na výskyt korelovanosti se různí, jak podotýká například Saltelli (2012). Silná korelace mezi indikátory může svědčit o komplexním vystihnutí jevu. Vysoké korelace jsou vhodné z důvodu robustnosti výsledků, a tedy citlivostí hodnot agregovaného indikátoru na použitý typ transformace veličin, změnu metody určení vah či použitý agregační mechanismus (Saltelli a kol. 2005). Na druhou stranu může tato korelace vyvolávat obavy dvojího zahrnutí (Salzman, 2003).Z důvodů zde popsaných je struktura některých souhrnných indexů odlišná od struktury systému indikátorů, který je konstruován pro co nejpřesnější popisný účel. Pro výběr výsledných zapojených indikátorů kvality života, stavbě samotných indexů, metod i testování robustnosti kompozitních indikátorů, bylo zvoleno vícero uvažovaných metod pro normalizaci, určení vah i agregaci v prvním i druhém stupni agregace. Dále jsou popsány výsledné metody použité při konstrukci indexů kvality života na regionální úrovni.

Úprava indikátorů

Vzhledem k tomu, že při přípravě systému indikátorů objektivních dat došlo k pečlivé přípravě vstupních dat, není nutné data doplňovat. Většina indikátorů se ale setkává s existencí odlehlých hodnot. Indikátory je tedy nutné nejdříve testovat na jejich přítomnost. Pro zjištění přítomnosti odlehlých pozorování bylo využito neparametrické detekce pomocí MAD (medián absolutních odchylek), která se řadí do robustních metod odhalování odlehlých hodnot (Leys a kol. 2013). Metoda vychází na rozdíl od běžných přístupů předpokládajících normální rozdělení dat. Při identifikaci odlehlých pozorování je využita windsorizace (Meloun & Militký 1994). Oproti běžně využívané metodě nahrazení odlehlých hodnot nejbližší hodnotou je zde ale pro winsorizaci použita Huberova iterativní metoda s robustními odhady počátečních parametrů (AMC 1989). Po dokončení algoritmu jsou transformovaná data testována pomocí koeficientů šikmosti a špičatosti. Jakožto hraniční meze jsou využity 1 v případě koeficientu šikmosti a 3,5 koeficientu špičatosti OECD (OECD & JRC 2008). Pokud jsou oba tyto koeficienty vyšší než stanovená mez, je v ojedinělých případech výrazného zešikmení doprava využita logaritmická transformace (Meloun & Militký 2006).

Normalizace indikátorů

Dalším krokem při konstrukci souhrnných indexů je normalizace indikátorů. Normalizační metody mají za cíl zajistit srovnatelnost jednotlivých indikátorů. Zároveň je však nutné brát na zřetel měrné jednotky a vlastnosti rozdělení indikátorů. Jedná se o krok, který ve výsledku může vést při použití různých technik k rozdílným výledkům kompozitního skóre. I z tohoto to důvodu je nutné věnovat pozornost kroku předešlému, odlehlým hodnotám. Pro účely normalizace dat byla vybrána metoda z-score (Ulijaszek a kol. 1998; Johnson a kol. 2007), která se v podobných úlohách běžně vyskytuje a její předností je sjednocení variability jednotlivých indikátorů. Jedná se o způsob, jak porovnat výsledky s „normální“ populací. Výhodou této metody je, že zajišťuje nezkreslení od průměru a sjednotí různé škály a rozptyl. Tato metoda velmi omezeně upravuje extrémní hodnoty. V případě porovnání výsledků v čase je vhodné při výpočtu použít charakteristiky základního období. Pomocí z-skore jsou indikátory normalizovány například v European Lifelong Learning Indicator (ELLI) (Saisana 2010).

První stupeň agregace

Váhy pro první stupeň jsou uvažovány rovné. V tomto stupni agregace je snaha o vytvoření jiného typu vah v rozporu s různorodými potřebami jednotlivých regionů, a navíc nelze zaručit jednotnou metodiku určení těchto vah. Na druhou stranu je nutné vybrat indikátory s tímto vědomím. V prvém stupni agregace je uvažována lineární agregace. Lineární agregace umožňuje kompenzovatelnost indikátorů, která je v prvém stupni potřebná jak z důvodu subjektivního (či nutného z důvodu dostupnosti) výběru indikátorů, tak i z důvodu jejich možné nahraditelnosti. Metoda je využívána vzhledem ke své jednoduchosti velmi často. Příkladem mohou být Environmental Performance Index (Hsu a kol. 2013) či Environmental Sustainability Index (Esty a kol. 2008).

Druhý stupeň agregace

V druhém stupni agregace vychází výpočet vah z dotazníkového šetření, které bylo provedeno opakovaně v letech 2020 a 2021 na panelu respondentů. V rámci těchto šetření vyjádřili respondenti důležitost jednotlivých subindexů pro jejich kvalitu života. V druhém stupni agregace je jakožto agregační mechanismus využita geometrická agregace. Z hlediska kompenzovatelnosti umožňuje geometrická agregace nižší kompenzovatelnost, ve srovnání s některými metodami odvozenými z teorie vícekriteriálního rozhodování je zde však stále kompenzovatelnost umožněna. Její stupeň ale není konstantní a je proto výhodná především pro jednotky s vysokými hodnotami ukazatelů, jejichž výsledné umístění může být při použití této metody ve srovnání s lineární agregací lepší (Lutero 2010). Geometrická agregace je využita například při výpočtu Human Development Index (United Nations Development Programme 2014).

Prezentce výsledků

Prezentace výsledků by měla umožnit transparentní pohled na souhrnný index. Výsledky je vhodné doplnit metodikou konstrukce pro pochopení a přesnou interpretaci výsledků. Mnohorozměrnost problémů zároveň umožňuje zapojení různých grafických prvků, například pomocí map, rozličných grafů atd., které umožní rychlé a lépe uchopitelné posouzení závěrů.

Souhrnné indexy jsou prezentované pomocí kvintilů. Nedochází tak k tvorbě „žebříčků“ ani problematickému rozdělení na základě rozdělení jednotek do stejně dlouhých intervalů dle kompozitního skóre, které je tvořeno na základě transformovaných dat. Tento způsob tvorby intervalů (na základě kvantilů) umožňuje navíc srovnání v čase, což je velmi důležité.

V případě podmnožin SO ORP (kraje, podmnožinu na základě počtu obyvatel), jsou intervaly rozděleny pouze na tercily. Důvodem je výrazně nižší počet jednotek v dané podmnožině.

Výběrové šetření

Kvalita života byla zjišťována i v rámci výběrového šetření.

Zásady výběrového šetření

Výběrové šetření vychází z nejlepších zkušeností v oblasti náhodných pravděpodobnostních šetření a splňuje v modifikované podobě klíčové principy správné praxe používané v rámci výběrového šetření European Social Survey (ESS):

• Výběry jsou reprezentativní pro všechny osoby ve věku 18 a více let bydlící v domácnostech na území Česka.
• Domácnosti jsou vybírány pouze pomocí náhodných pravděpodobnostních metod na každém stupni výběru. Kvótní výběr není dovolen na žádném stupni výběru.
• Rámcem pro výběr jsou poštovní schránky domácností v jednotlivých částech obcí.
• Nahrazení domácností nebo osob, které odmítly účast ve výběrovém šetření, není dovoleno.

Design výběru

Proveden bude stratifikovaný třístupňový pravděpodobnostní výběr na základě následujících výběrových kroků:

Vzhledem ke skutečnosti, že výběr respondentů jak na úrovni krajů, tak na úrovni SO ORP a částí obcí respektuje odlišnou populační velikost regionálních jednotek skrze rozdílné hodnoty pravděpodobností jednotlivých SO ORP a částí obcí být vybrány, splňuje výběrový soubor požadavky tzv. self-weighting sample (Simard, Franklin 2005). V rámci tohoto výzkumného designu je snaha zachovat pro každého jedince stejnou pravděpodobnost dostat se do výběru. Při vícestupňovém výběru dosáhneme tohoto designu tím, že na každém stupni vybereme jednotky s využitím pravděpodobností úměrných populační velikosti jednotek. V posledním kroku výběru můžeme využít konstantní počet vybraných jedinců, v našem případě „desetic“ poštovních schránek (Simard, Franklin 2005).

Prostorový model

Smyslem prostorového modelování indikátorů kvality života je odhadnout jejich hodnotu ve správních obvodech obcí s rozšířenou působností (SO ORP), pro něž nejsou indikátory dostupné. Odhadovány tedy budou hodnoty subjektivních i objektivních indikátorů kvality života získané pomocí terénního šetření (viz kapitola 2). Indikátor pro SO ORP bude v roli závislé proměnné odhadován nejen na základě vztahů k dalším charakteristikám daného SO ORP (populační velikost, dostupné objektivní indikátory kvality života z veřejných zdrojů), ale také na základě hodnot tohoto indikátoru v okolních SO ORP. Právě přidání prostorových vztahů do modelu umožní statisticky přesnější a věcně správnější odhady závislé proměnné. Oproti standardní regresní analýze tedy budou využity prostorové regresní modely a metoda geograficky vážené regrese.

Důvody pro využití prostorového modelování

Aplikace statistických metod na geografická data, k nimž řadíme jakákoliv data za územní celky, je spjata s množstvím více či méně závažných metodologických obtíží a problémů. Kromě skutečnosti, že prosté přenášení metod vypracovaných pro jiné vědní disciplíny vede často k velkému zjednodušení geografické reality, komplikuje použití statistických metod samotná prostorová povaha geografických dat (Spurná, 2008a). Prostorová data mají mnoho specifických vlastností, které znesnadňují jejich analýzu a vyžadují použití odlišného souboru statistických metod, modelovacích přístupů i velmi citlivou interpretaci výsledků kvantitativních analýz. Standardní statistické metody vyvinuté pro analýzu neprostorových dat jsou tak v mnoha případech pro analýzu prostorových dat nevhodné. Za nejvýznamnější problémy či specifika analýzy prostorových dat lze považovat závislost výsledků analýz na agregaci dat neboli na způsobu vymezení prostorových jednotek ve spojení s ekologickou chybou, prostorovou autokorelaci a prostorovou nestacionaritu (Spurná, 2008b). Anselin (1988) uvádí, že agregovaná prostorová data jsou charakteristická prostorovou závislostí a heterogenitou, přičemž právě tyto prostorové efekty mají za následek nemožnost aplikace standardních statistických a ekonometrických metod a vyžadují vývoj specializovaného souboru technik.

Pokud přítomnost nějakého jevu v jedné územní jednotce zvyšuje či snižuje pravděpodobnost přítomnosti tohoto jevu v blízkých územních jednotkách, data se vyznačují prostorovou závislostí a vykazují prostorovou autokorelaci. Z prostého překladu pojmu prostorová autokorelace vyplývá nejlépe jeho obsah, jímž je korelace jednoho jevu se sebou samým v prostoru, která se projevuje statisticky významným uspořádáním hodnot sledovaného jevu v prostoru. Výskyt statisticky významné pozitivní prostorové autokorelace je u prostorových dat velmi častý, přičemž je zřejmé, že porušuje základní předpoklad obecného lineárního modelu založeného na analýze kovariance mezi proměnnými a řady standardních parametrických statistických testů, že jednotlivá pozorování jsou navzájem nezávislá či nekorelovaná. Například metoda nejmenších čtverců, která se běžně užívá při budování hojně používaného lineárního regresního modelu, poskytuje postačující odhady parametrů pouze při současném splnění všech předpokladů o analyzovaných datech a regresním modelu. Jedním ze základních předpokladů této metody je, že hodnoty vstupních vysvětlujících proměnných by měly být vzájemně nezávislé. Pokud tento předpoklad není splněn, ztrácí výsledky získané metodou nejmenších čtverců své vlastnosti a použití této metody je nevhodné (Meloun a Militký, 2002).

Prostorová heterogenita, pro kterou se v geografické literatuře při studiu sociálních procesů lokalizovaných v prostoru používá také pojem prostorová nestacionarita (Fotheringham a kol., 2002), se týká nestability zkoumaných jevů a vztahů v prostoru. Zatímco při studiu fyzických procesů lze předpokládat určitý stupeň homogenity či stacionarity (například obecně platný vzorec pro výpočet velikosti gravitační síly), u sociálních procesů tomu tak není. Procesy často probíhají v několika různých geografických oblastech, které jsou charakteristické různou mírou příznivosti pro daný proces. Při použití regresní analýzy tak můžeme například získat jiný funkční vztah mezi dvěma proměnnými v závislosti na charakteru určitého regionu atd. Standardní regresní analýza existenci prostorové nestacionarity vylučuje, protože výsledkem je jedno tvrzení o vztahu zkoumaných proměnných pro celé sledované území. Z tohoto pohledu se jedná o globální analýzu, ve které není nijak sledován prostorový aspekt dat (Fotheringham a kol., 2002, Spurná, 2008a). Získané výsledky touto metodou tedy mohou být nejenom statisticky nepřesné a nespolehlivé, což lze doložit významnou prostorovou závislostí regresních reziduí, ale také věcně nesmyslné vypovídající o jakémsi „průměrném vztahu“.

Literatura

AMC (2001): Robust statistics: a method of coping with outliers. Royal Society of Chemistry 2001.

ANSELIN, L. (1988): Spatial econometrics: Methods and models. Kluwer Academic Publishers, Dordrecht, 284 s.

BLAIKIE, N. (2003). Analyzing Quantitative Data: From Description to Explanation. SAGE, 2003, s. 352. ISBN 9781848605374.

CZESANÝ, S. (2006). Indikátory udržitelného rozvoje. Statistika. 2006, č. 5, s. 431-434.

DELHEY, J., BOHNKE, P., HABICH, R., & ZAPF, W. (2002). Quality of life in a European Perspective: The EUROMODULE as a New Instrument for Comparative Welfare Research. Social Indicators Research. 2002. roč. 58, č. 1, s. 161-175.

DELMELLE, E. (2009): Spatial Sampling. In: Fotheringham, A. S., Rogerson, P. A.: The SAGE Handbook of Spatial Analysis, SAGE Publications, London, 183-206 s.

FOTHERINGHAM, A. S., BRUNSDON, C., CHARLTON, M. (2000): Quantitative geography – Perspectives on spatial data analysis. SAGE Publications, London, 270 s.

FOTHERINGHAM, A. S., BRUNSDON, C., CHARLTON, M. (2002): Geographically weighted regression – the analysis of spatially varying relationships. John Wiley & Sons, London, 269 s.

HAN, J., KAMBER, M., PEI, J. (2011): Data Mining: Concepts and Techniques. Elsevier, 2011, s. 744. ISBN 9780123814807.

HARRIS, P., FOTHERINGHAM, A.S., CRESPO, R., CHARLTON, M. (2010): The Use of Geographically Weighted Regression for Spatial Prediction: An Evaluation of Models Using Simulated Data Sets. Mathematical Geosciences, 42(6), 657-680.

HSU, A., JOHNSON, L.A., LLOYD, A. (2013). Measuring Progress: A Practical Guide From the Developers of the Environmental Performance Index (EPI). New Haven : Yale Center for Environmental Law & Policy, 2013

HUDRLÍKOVÁ, L. (2013). Composite Indicators as a Useful Tool for International Comparison: The Europe 2020 Example. Prague economic papers. 2013, roč. 22, č. 4, s. 459–473. ISSN 1210-0455.

JOHNSON, R. A, KUBY, P. (2007): Elementary Statistics, Enhanced Review Edition. Cengage Learning, 2007, s. 832. ISBN 9780495383864.

KOTNÍK, Ž., KLUN, M. (2013). Constructing composite environmental indicators. Conference proceedingd "Excellence in Services". Ljubljana: University of Ljubljana, 2013, s. 392-403, ISBN 9788830432736.

LEYS, CH., LEY, CH., KLEIN, O., BERNARD, P. & LICATA, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolutedeviation around the median. Journal of Experimental Social Psychology. 2013, č. 49, s. 164-766.

LUTERO, G. (2010). The aggregation problem in its hystorical perspective: a summary overview. Methods development of quarterly national accounts. ISTAT, National Accounts Directorate, 2010.

MELOUN, M. A., MILITKÝ, J. (2006). Kompendium statistického zpracování dat. Praha : Academia, 2006, s. 985. ISBN 80-200-1396-2.

MELOUN, M., MILITKÝ, J. (1994). Statistické zpracování experimentálních dat. Praha : PLUS spol. s r. o. 1994, ISBN 80–85297–56–6.

MOLDAN, B., HÁK, T., KOVANDA, J., HAVRÁBNEK, V. & KUŠKOVÁ, P. (2005). Uspějí agregované indikátory při měření environmentální udržitelnosti? Statistika. 2005. č. 2, s. 125-135.

OECD, JRC. (2008). Handbook on Constructing Composite Indicators: Methodology and User Guide. OECD Publishing, 2008. s. 162. ISBN 9789264043466.

PETKOVOVÁ, L., HUDRLÍKOVÁ, L. (2013). Využití vícekriteriálních rozhodovacích metod v regionální analýze udržitelného rozvoje. FORUM STATISTICUM SLOVACUM. 2013, č. 7, s. 177-182.

PUKELIENE, V. A STARKAUSKIENE, V. (2011). Quality of Life: Factors Determining its Measurement Complexity. Inzinerine Ekonomika-Engineering Economics. 2011. roč. 22, č. 2, s.147-156.

SAISANA, M. A TARANTOLA, S. (2002). State-of-the-art report on current methodologies and practices for composite indicator development. European Commission: Joint Research Centre, Institute for the Protection and the Security of the Citizen, Technological and Economic Risk Management Unit, 2002. EUR 20408 EN Report.

SAISANA, M. (2010). ELLI-Index: a sound measure for lifelong learning in the EU. Luxemburg: Joint Research Centre, European Union, 2010. s. 47. ISBN: 978-92-79-15629-8.

SALTELLI, A. (2012). Composite Indicators: An Introduction. 2012. Paper presented at the 10th JRC Annual Seminar on Composite Indicators.

SALTELLI, A., NARDO, M., SAISANA, M., TARANTOLA, S. & LIŠKA, R. (2005). Agregované indikátory. Statistika. 2005. roč. 2 s. 93-106.

SALZMAN, J. (2003). Methodological Choices Encountered in the Construction of. Centre for the Study of Living Standards. 2003.

SIMARD, M., FRANKLIN, S. (2005). Sample design guidelines. In Generations and gender programme: Survey instruments (s. 5-15). Geneva: United Nations.

SINGH, R. K., MURTY, H. R., GUPTA, S. K., & DIKSHIT, A. K. (2012). An overview of sustainability assessment methodologies. Ecological Indicators. 2012. roč 15, s. 281-299.

SPURNÁ, P. (2008a): Geograficky vážená regrese: metoda analýzy prostorové nestacionarity geografických jevů. Geografie, 113(2), 125-139.

SPURNÁ, P. (2008b): Prostorová autokorelace – všudypřítomný jev při analýze prostorových dat? Sociologický časopis/Czech Sociological Review, 44(4), 767-787.

ULIJASZEK, A. J., JOHNSTON, F. E. & PREECE, M. A. (1998). The Cambridge Encyclopedia of Human Growth and Development. Cambridge University Press, 1998, s. 497. ISBN 9780521560467.

UNITED NATIONS DEVELOPMENT PROGRAMME. (2014). Human Development Report 2014. New York: United Nations Development Programme, 2014, s. 216. ISBN 978-92-1-126340-4

VEENHOVEN, R. (2000). The Four Qualities of Life: Ordering Concepts and Measures of the Good Life. Journal of Hasiness Studies. 2000. roč. 1, č. 1, s.1-39.

WARD, M. D., GLEDITSCH, K. S. (2007): An Introduction to Spatial Regression Models in the Social Sciences. Dotupné z: http://dces.wisc.edu/wp-content/uploads/sites/30/2013/08/W4_W7_WardGleditsch.pdf.