Kvalita života

Kvalitu života hodnotíme pomocí ukazatelů zařazených do 11 oblastí, jejichž definice je nedílnou součástí národního strategického rámce Česká republika 2030. V národní strategii byly definovány následující oblasti kvality života:

  1. Příjem a bohatství
  2. Zaměstnanost
  3. Bydlení
  4. Zdraví
  5. Slaďování soukromého a pracovního života (Work-Life Balance)
  6. Vzdělání
  7. Mezilidské vztahy
  8. Dobré vládnutí a občanská angažovanost
  9. Životní prostředí
  10. Bezpečnost
  11. Osobní pohoda

Národní strategie podrobně popisuje jednotlivé oblasti i důvody, proč je daná oblast sledována v rámci hodnocení kvality života.

V každé oblasti bylo na národní úrovni určeno přibližně 10 ukazatelů, které o této oblasti vypovídají. Pozornost byla věnována jak objektivním ukazatelům, tak ukazatelům popisujícím názory a pocity jednotlivců (subjektivní ukazatele).

Národní strategie je primárně zacílena na hodnocení souhrnné kvality života v celé České republice, tzn. jejím cílem není kvantifikovat kvalitu života v nižších regionálních celcích (např. krajích či obcích). Z tohoto důvodu bylo nutné základní sadu národních ukazatelů modifikovat tak, aby bylo možné naplnit cíle našeho projektu – tj. hodnotit kvalitu života v obcích s rozšířenou působností pomocí jednotné metodiky, která bude založena na rigorózních matematicko-statistických metodách v oblasti identifikace vazeb mezi jednotlivými ukazateli, konstrukce kompozitních indikátorů i prostorového modelování. Vypovídací schopnost všech ukazatelů z národní strategie byla dále posuzována pomocí maticových modelů kvality života (více viz dále v části týkající se kompozitních indikátorů).

Kompozitní indikátory

Konstrukce kompozitních indikátorů

Kompozitní indikátory nabízejí zjednodušení někdy značného množství ukazatelů a usnadňují tak srovnání jevů, které je možné hodnotit jen pomocí vysokého počtu ukazatelů. K přednostem agregace velkého množství indikátorů patří schopnost sumarizovat vícerozměrné pohledy či usnadnit interpretaci trendu, kterou je obtížné vymezit z více oddělených indikátorů. Konstrukci kompozitních indikátorů provádíme na základě doporučení OECD a Joint Research Centre při Evropské komisi (OECD, JRC, 2008). Celý postup je rozdělen do deseti kroků.

Krok konstrukcePopis
1. Teoretický rámecTeoretický rámec by měl být vytvořen tak, aby poskytl věcný základ pro výběr indikátorů do smysluplného kompozitního indikátoru a definoval jeho cíle a účel.
2. Výběr ukazatelůIndikátory by měly být vybrány na základě jejich vztahu k sledovanému jevu, správnosti dat, měřitelnosti a dostupnosti. V případě, že nelze získat potřebné údaje, je vhodné též zvážit použití zástupných údajů.
3. Imputace chybějících hodnotMálokdy je získaná datová matice zcela kompletní bez chybějících dat. Vzhledem k závažnosti tohoto kroku je nutné věnovat se výběru vhodné metody doplnění dat. Zároveň je nutné zaměřit pozornost i na odlehlá pozorování, která by mohla negativně ovlivnit výsledky dalších kroků.
4. Vícerozměrná průzkumová analýza datPrůzkumová analýza by měla zkoumat celkovou strukturu ukazatele, posoudit vhodnost souboru dat a vysvětlit metodické možnosti, například vážení či agregace.
5. Normalizace datUkazatele by v případě rozdílných jednotek a směru působení měly být normalizovány, aby byla zajištěna jejich srovnatelnost.
6. Systém vah a agregaceNa základě teoretického rámce, tedy věcné podstaty problému a výsledků předešlých kroků by měly být určeny metody získání vah a agregace. Při tom je nutné zvážit i korelační strukturu a otázku kompenzace ukazatelů.
7. Testování robustnosti a citlivostní analýzaVzhledem k nejistotám obsaženým v jednotlivých krocích konstrukce, například doplnění chybějících dat, normalizace, výběr vah a metody agregace, by měla být posouzena robustnost kompozitního ukazatele.
8. Návrat zpět k indikátorůmVýsledky dané kompozitním indikátorem by měly být transparentní a je vhodné, ale zároveň i pro kontrolu celého procesu nutné, rozložit jej zpět na jednotlivé indikátory a zkoumat jejich vliv na výsledek.
9. Vztah s jinými ukazateliV tomto kroku by měla být zkoumána korelovanost s jinými ukazateli postihujícími obdobou problematiku, i když případně z jiného úhlu, především pak v rámci subindikátorů.
10. VýsledkyKompozitní indikátory mohou být zobrazeny různými způsoby, které mohou ovlivnit jejich interpretaci, je tedy nutné pečlivě zvážit i způsob prezentace výsledků.

Zdroj: (OECD, JRC, 2008)

 

Popis vybraných kroků

1. Teoretický rámec

Při konstrukci kompozitního indikátoru je prvním a klíčovým úkolem 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. Na začátku celé práce je tedy nutné znát odpovědi na to proč, pro koho a za jakým účelem má být indikátor konstruován. V této části práce přicházíme k první fázi adekvačního problému, kdy se snažíme přesně definovat zkoumanou problematiku a najít všechny dostupné informace důležité v dalších fázích, především výběru okruhu uvažovaných indikátorů. Tuto část konstrukce lze rozdělit do tří částí (OECD, JRC, 2008):

  1. První částí je definování konceptu, vymezení podskupin (budoucích subindexů) a identifikace kritérií pro výběr indikátorů. Vymezení sledovaného jevu by mělo jasně definovat, co má kompozitní indikátor měřit, což je někdy vzhledem k jeho abstraktnosti obtížné. V této části by se měl autor snažit co nejlépe postihnout cíl a důvod konstrukce kompozitního indikátoru.
  2. Vícedimenzionální koncepce je možné rozdělit do několika podskupin, které nemusejí být (statisticky) nezávislé. Tyto podskupiny by měly být teoreticky detailně popsány a vytvářeny s ohledem na to, aby vnořená struktura uživateli zlepšovala porozumění celého indikátoru.
  3. Posledním krokem je 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 další, 2005; Singh, a další, 2012). Cílové hodnoty mohou být zároveň kritickými hodnotami či body zvratu. Překročení bodu zvratu znamená takové zhoršení jiné oblasti hodnocené v kompozitním indikátoru, které je neúměrné výhodám plynoucím z dalšího kladného vývoje sledovaného ukazatele. Určení cílů či bodů zvratu je však velmi nesnadné a vnáší do hodnocení další subjektivní pohled.

2. Výběr ukazatelů a imputace chybějících hodnot

Po vymezení teoretického rámce a po odpovědích na všechny položené otázky musí výzkumník určit vhodné proměnné. Při hledání datových zdrojů pro tyto proměnné je samozřejmě důležité zohlednit kvalitu a reprezentativnost dat.

 V našem případ zde vycházíme z konceptu Úřadu vládu. Ten však bylo nutné vhodně upravit, aby odpovídal požadavkům tvorby kompozitních indikátorů a také sledování kvality života na jednotlivých úrovních.

Výběr ukazatelů je velmi citlivý právě na závěry z předcházející teoretické části a je dán do jisté míry i subjektivními rozhodnutími výzkumníka. Především je pak nutno zohlednit záměr prostorového a časového srovnávání. Výběr ukazatelů a celou strukturu kompozitních indikátorů dále zpřesňujeme po získání dat na základě zjištěných statistických charakteristik a vlastností dat.

3. Vícerozměrná průzkumová analýza dat

Průzkumová analýza dat poskytuje informace o vztazích mezi daty, o jejich struktuře, rozdělení či o přítomnosti odlehlých pozorování. V návaznosti na výsledky vícerozměrných metod by měly být znovu zrevidovány teoretický rámec indikátoru a výběr jednotlivých indikátorů či jejich zařazení do skupin. Výstupem by pak měla být matice dat připravená pro normalizace, hledání vah a agregaci. Výběr metod pro tyto kroky vychází prvotně z teoretického rámce, zároveň však musí být podpořen výsledky průzkumových technik.

Průzkumová analýza dat zahrnuje jak jednorozměrnou analýzu a posouzení přítomnosti odlehlých pozorování, tak i analýzu korelační struktury indikátorů a dále vícerozměrné metody, které by měly potvrdit správnost výběru indikátorů a jejich celkový soulad s teoretickým rámcem popsaným na začátku konstrukce. Jedná se o důležitou fázi kontroly dat, jejich výběru, ale zároveň i o přípravu pro rozhodování v dalších krocích samotné agregace a nastavování případných vah.

Základní pohled na jednotlivé ukazatele a proces přípravy dat obsahuje i jednorozměrné analýzy zahrnutých indikátorů, hledání odlehlých pozorování a případné transformace upravující rozdělení dat. Jednorozměrná analýza umožňuje kontrolu získaných dat z hlediska jejich nechybovosti a hledání odlehlých pozorování, která by mohla značit jak chybu, tak ale i správné údaje mající neblahý vliv na další metody v průběhu konstrukce indikátoru.

Vícerozměrná analýza dat by měla přispět ke kontrole dat, k zjištění jejich vztahů, odhalení podezřelých a odlehlých hodnot a v případě konstrukce kompozitních indikátorů především k rozhodnutí o metodách normalizace, konstrukce vah a agregace.

4. Normalizace dat

Normalizace slouží především k převedení ukazatelů do stejných jednotek a směru působení. Zároveň je však nutné brát na zřetel měrné jednotky a vlastnosti rozdělení indikátorů. Tento krok by měl být následně zahrnut i do testů robustnosti výsledků, neboť jednotlivé metody normalizace mohou podávat různé výsledky.

5. Systém vah a výběr agregačního mechanismu

Volba metody konstrukce vah i agregačního mechanismu vždy vychází z teoretického rámce, který by měl popsat cíle analýzy a celkovou povahu dané úlohy. 

Metod určení vah je velké množství a lze je jednoduše rozdělit na metody vycházející ze subjektivního hodnocení indikátorů a na metody založené na matematicko-statistických metodách. Právě způsob přiřazení vah a časté využívání subjektivních metod je jedním z nejčastějších důvodů kritiky kompozitních indikátorů (Saisana, a další, 2002). O vhodnosti jednotlivých metod, ať již založených na subjektivních hodnoceních či na matematických základech, by vždy měl rozhodovat teoretický rámec a nelze proto jednoznačně říci, která ze skupin je vhodnější.

Výběr metod určení vah i agregace předně musí vycházet z teoretického rámce, zároveň by ale měl reflektovat všechny další kroky, které byly provedeny, a samozřejmě také strukturu a vlastnosti dat. S tím souvisí i korelace mezi indikátory a otázka možnosti kompenzace indikátorů. V případě vysoké korelace mezi ukazateli je možné použít nižší váhy a zamezit tak dvojímu zohlednění stejného jevu. Může se ale také stát, že indikátory jsou zahrnuty z rozdílných důvodů a měří odlišné skutečnosti. V případě kompenzace je nutné zvážit, zda je přípustné pro výsledné pořadí upřednostnit jednotky, které vykazují výborné výsledky v některých indikátorech, ale v jiných oblastech jsou silně podprůměrné, před průměrnými jednotkami nedosahujícími velmi špatných výsledků, ale na druhé straně ani výsledků výjimečně dobrých.

Pokud to podmínky dovolují, je samozřejmě nejvhodnější určit váhy na základě metod z obou skupin a výsledky posléze porovnat.

6. Testování robustnosti a citlivostní analýza

Testování robustnosti a citlivostní analýza jsou důležitou součástí konstrukce kompozitního indikátoru, která umožňuje kontrolu použitých dat a metod, a tedy i získaných výsledků. Analýza citlivosti nám poskytuje odpovědi především na to, které jednotky jsou nejcitlivější na zvolené metody ve výsledném pořadí či které faktory ovlivňují pořadí jednotlivých jednotek (Saltelli, a další, 2005).

Indikátor by měl být zkonstruován pomocí více zvolených technik v krocích, kterými jsou normalizace, určení vah a způsob agregace, při nichž dochází k subjektivnímu rozhodnutí autora indikátoru o použité metodě. Jednotlivé takto zkonstruované kompozitní indikátory by měly být porovnány, zjištěny rozdíly v jejich výsledcích a tyto rozdíly, pokud možno vysvětleny. Zároveň je vhodné uvažovat nejistoty dat a případně i zvolených vah a výsledky analyzovat.

Pro tyto účely je doporučeno zvolit více metod v krocích jakými jsou imputace chybějících hodnot, ale především normalizace, určení vah a agregace. Dále je také možné vypočítat kompozitní ukazatel upravený vždy pomocí upravení jednoho dílčího ukazatele.

7. Návrat zpět k indikátorům, vztah s jinými ukazateli a prezentace výsledků

Pro interpretaci výsledků kompozitního ukazatele, odhalení případných problémů v podobě velkého vlivu několika málo ukazatelů, ale i pro hodnocení příspěvků dílčích subindikátorů v případě vícestupňové agregace je nutné provést návrat zpět k jednotlivým dílčím indikátorům. Zajímavé výsledky nám podá i konfrontace výsledků konstruovaného indikátoru a jiných ukazatelů či obdobně zaměřených kompozitních indikátorů.

Prezentace výsledků by měla umožnit transparentní pohled na kompozitní indikátor. 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.

Tvorba modelů kompozitních indikátorů kvality života

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.

Skupiny faktorů kvality života

Skupiny faktorů kvality života

Zdroj: Pukeliene a kol. (2011)

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, volná 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).

Maticový model Delheye a Bohnka

 ObjektivníSubjektivní
INDIVIDUÁLNÍ ÚROVEŇObjektivní životní podmínky (např. příjem)Subjektivní blahobyt (např. spokojenost s příjmem)
SPOLEČENSKÁ ÚROVEŇKvality společnosti (např. příjmové disparity)Vnímání života ve společnosti (např. vnímání důležitosti disparit)

Zdroj: 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).

Model čtyř kvalit života

 VNĚJŠÍ KVALITYVNITŘNÍ KVALITY
ŽIVOTNÍ ŠANCEŽivotní úroveň daná prostředímSchopnosti jedince
ŽIVOTNÍ VÝSLEDKYUžitečnost životaHodnocení života

Zdroj: 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.

Model čtyř kvalit života podle Veenhoven

 

VNĚJŠÍ KVALITY
Charakteristiky prostředí společnosti

VNITŘNÍ KVALITY
Charakteristiky jedince

PŘEDPOKLADY
Životní šance

VHODNOST PROSTŘEDÍ

Environmentální podmínky (klima, čisté ovzduší atd.)
Sociální podmínky (svoboda, rovnost atd.)
Ekonomické podmínky (sociální jistoty, hospodářský rozvoj)
Kulturní podmínky (rozkvět umění a vědy, vzdělávání)

ŽIVOTASCHOPNOST JEDINCE

Fyzické zdraví (nemoci atd.)
Duševní zdraví (psychické poruchy, kreativnost atd.)
Znalosti (vzdělanost atd.)
Schopnosti (inteligence atd.)
Umění života (životní styl atd.)

VÝSLEDKY
Životní výsledky

UŽITEČNOST ŽIVOTA

Vnější užitečnost člověka (pro jeho blízké okolí, pro společnost a lidstvo)
Vnitřní cena v termínech morálního vývoje a morální dokonalosti (autentičnost, originalita atd.)

VLASTNÍ HODNOCENÍ ŽIVOTA

Hodnocení spokojenosti s jednotlivými životními oblastmi (např. spokojenost s prací)
Hodnocení převažující nálady (např. deprese, nuda atp.)
Celková spokojenost se životem

Zdroj: Veenhoven (2000)

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.

Pravděpodobnostní panel

Naším cílem je vytvořit online pravděpodobnostní panel pro Česko, který bude reprezentativní jak na úrovni celého Česka, tak jednotlivých krajů a vybraných SO ORP. Do panelu budou zapojeny pouze dospělé osoby mající v Česku obvyklý pobyt.

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.

V rámci výběrového šetření bude osloveno minimálně 100 000 domácností. Při uvažování jedné dospělé osoby v domácnosti činí výběrový podíl z populace Česka více než 1 %.

Design výběru

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

1. krokRozdělení Česka na kraje a výpočet počtu vybíraných SO ORP v rámci každého kraje dle populační velikosti kraje. Celkový počet vybraných SO ORP odpovídá přibližně jedné třetině všech SO ORP (Praha je dělena na 22 městských obvodů, tedy z 227 SO ORP je vybráno 76). Stratifikace, kdy dojde k rozdělení cílové populace do krajů a výběr je proveden v každém zvlášť, je využívána k zajištění základní geografické distribuce a reprezentativnosti výběru na úrovni Česka. Design výběru je tedy založen na náhodném třístupňovém výběru pro každý kraj nezávisle tak, aby celkový počet oslovených domácností byl úměrný velikosti kraje.
2. krokPravděpodobnostní výběr SO ORP v rámci každého kraje s uvažováním pravděpodobností dle populačních velikostí SO ORP (pro zachování reprezentativnosti na úrovni krajů). Počet vybraných SO ORP v každém kraji vychází z populační velikosti kraje. Při oslovení 1 350 respondentů v každém vybraném SO ORP (100 000 respondentů / 76 SO ORP = 1 315 respondentů) se relativní zastoupení počtu respondentů v krajích id reálného počtu obyvatel v krajích liší jen nepatrně do 1 %. Výjimkou je nejmenší Karlovarský kraj, v němž bude z relativního hlediska osloveno více respondentů (rozdíl 1,2 %).
3. krokPravděpodobnostní výběr částí obcí s uvažováním pravděpodobností dle populační velikosti částí obcí (na základě počtu poštovních schránek) v rámci vybraných SO ORP. Vybráno bylo desetkrát méně částí obcí, než je počet oslovených respondentů, neboť doručovatelé České pošty doručí do vybrané části obce vždy deset obálek (omezení České pošty).
4. krokVýběr poštovní schránky/domácnosti pomocí metody náhodné procházky poštovním doručovatelem.

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

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

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.

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

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.

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

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.

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.