Kanazawa (2004) avait démontré qu’avoir des enfants ne rendait pas les parents plus heureux. La parentalité diminue en fait le bonheur. En utilisant les données du General Social Survey, il montre que la parentalité a un effet négatif sur le bonheur (variable dépendante) mais que le fait d’être marié était associé à un bonheur plus élevé. Je vais ici tenter de répliquer ce résultat. Ensuite, je commenterais l’étude de Myrskylä & Margolis (2012) dont la conclusion des auteurs diffère de la mienne. Enfin, j’expliquerai que ces mesures du “bonheur général” ne sont pas des évaluations adéquates du bonheur.
Les variables utilisées pour le GSS sont :
Variable dépendante :
Happy_Dichotomy. 0 = Not too happy, 1 = Happy.
Variables indépendantes (prédicteurs) :
SEX. 1 = MALE, 2 = FEMALE.
WORDSUM. Vocabulary test (un proxy for IQ, corrélation = 0.71; 0.83 pour g). Ce n’est pas une mesure de l’intelligence générale cependant, et le test ne contient que 10 item/questions, ce qui explique son faible coefficient de stabilité (0.73). Voir “Reliability and Stability Estimates for the GSS Core Items from the Three-wave Panels, 2006–2010” (Michael Hout & Orestes P. Hastings, 2012).
SEI. Respondent socioeconomic index. (range : from ~17 to ~97)
good_health. 1 = Poor, 2 = Fair, 3 = Good, 4 = Excellent.
MARITAL_STATUS. 1 = Never married, 2 = Married.
POLVIEWS. 1 = Extremely liberal, 4 = Moderate, 7 = Extremely conservative. We hear a lot of talk these days about liberals and conservatives. I’m going to show you a seven-point scale on which the political views that people might hold are arranged from extremely liberal – point 1 – to extremely conservative – point 7. Where would you place yourself on this scale?
ATTEND. 0 = Never, 2 = Once a year, 4 = Once a month, 7 = Every week, 8 = More than once week. How often do you attend religious services?
AGE. Respondent’s age.
COHORT. Birth cohort of respondent. (Note : les valeurs plus élevées de cette variable indiquent les cohortes plus récentes.)
BW. 1 = White, 2 = Black.
Un rappel concernant les analyses de régression. Si un coefficient de régression Beta ou B est positif (ou négatif) cela signifie que lorsque les valeurs de la variable indépendante augmente, les valeurs de la variable dépendante augmente (ou diminue), i.e., relation positive. Par exemple, si Health est positif, cela signifie que le fait de passer de Poor Health (valeur=1) à Fair Health (valeur=2) est associé positivement à une hausse des valeurs (0=Not too happy, 1=Happy) de la variable Happy.
Maintenant, le tableau de Kanazawa était le suivant :
Mon tableau peut être comparé :
Malgré le fait que Kanazawa utilise la régression ordinale tandis que j’utilise la régression logistique, les chiffres se ressemblent. L’échantillon des blancs présenté ici(N=5050) est large, et les chiffres semblables à ceux obtenus pour l’échantillon des noirs (N=719) excepté que Wordsum n’a aucun impact. Exp(B) se réfère aux changements de l’Odds Ratio attribué à la variable indépendante. Un Odds ratio supérieur à 1 dénote un impact positif, un Odds ratio inférieur à 1 dénote un impact négatif, et un Odds ratio égal à 1 dénote un effet nul (zéro). Le Wald est une sorte de statistique du Chi-Square.
Sur la question de savoir pourquoi il y a de multiples variables pour Health et Children, j’ai configuré SPSS pour définir ces deux variables comme étant variables catégoriques. La procédure ci-dessous :
Avoir configuré l’indicateur comme étant “first” signifie que la valeur la plus faible de la (ou les) variable(s) sélectionnée(s) sert de catégorie de référence, point de comparison pour les autres valeurs de la variable. Par exemple, Good_health (3) possède un Exp(B) de 10.694, ce qui représente l’effet (sur le bonheur) d’être classifié comme étant en “excellent health” (health=4) versus “poor health” (health=1). Good_health (2) possède un Exp(B) de 4.783, ce qui représente l’effet (sur le bonheur) d’être classifié comme étant en “good health” (health=3) versus “poor health” (health=1). Et ainsi de suite.
Toutes les variables, exceptées sex et marital status, ont été standardisées (exprimées en z-score ou standard deviation) afin de rendre la comparaison plus aisée. Car sans cette transformation, le coefficient B ou Exp(B) aurait été fonction d’une augmentation de 1 point dans la valeur des variables insérées. Par exemple, si les valeurs de la variable “revenu familial” vont de 1000 à 200 000 dollars (constant), les coefficients expriment l’effet d’augmentation de 1 dollar sur la variable dépendante (ici, Happiness). La variable Degree (non insérée ici) par exemple qui contient 5 valeurs pour les catégories Less than High School, High School, Junior College, Bachelor et Graduate, aurait un effet infiniment supérieur par rapport au revenu familial pour le simple fait que cette variable contient moins de valeurs (ou catégories). La hausse de 1 point équivaut de passer de Less than High School à High School, ce qui est par définition évidemment plus sensible que l’effet d’avoir 1 dollar supplémentaire.
C’est pour cela que les coefficients pour la variable “income” chez Kanazawa est proche de zéro, peut-être parce que sa variable est configurée comme ayant 12 catégories (ou valeurs). Quoi qu’il en soit, la variable Zsei possède un coefficient positif, exactement ce que j’ai trouvé en analysant le NLSY97 précédemment, où j’avais démontré que l’effet d’être en bonne santé est plus important néanmoins que le revenu. Ici encore, il semble que le fait d’être en bonne santé est d’une importance cruciale dans le fait d’être heureux. Le coefficient positif pour ATTEND signifie qu’être religieux est associé à un bonheur plus élevé. Le coefficient B négatif pour age et cohort signifie que les gens âgés et les cohortes récentes se disent être moins heureux.
Lorsque je limite l’échantillon pour les individus au niveau économique élevé (N=1978), le coefficient pour cohort devient positif alors même que ce coefficient reste négatif si je limite l’échantillon pour les individus à niveau économique bas, ce qui veut dire que les individus des cohortes récentes deviennent plus heureux chez les riches tandis que c’est l’inverse chez les pauvres. Ma meilleure interprétation est que la hausse des inégalités soit derrière tout ça. Le résultat pour l’échantillon des noirs est tellement anormal qu’il m’est impossible de commenter.
Concernant l’impact du statut économique (SES, ou SSE), la théorie de Kanazawa était que l’argent avait un impact positif plus faible chez les femmes que chez les hommes. ce qui est vrai puisque chez les blancs, le coefficient Zsei est plus élevé pour les hommes. Pour les noirs, le contraste est saisissant puisque l’effet positif du SES chez les hommes noirs (N=281) est très élevé mais se rapproche de zéro chez les femmes noires (N=438).
Nous voyons également que le fait d’avoir des enfants (et plus d’enfants) par rapport à la situation de ne pas en avoir est négativement associé au fait de se considérer heureux. Pour Marital Status, le coefficient est positif ce qui veut dire que le fait d’être marié accroît le sentiment de bonheur. Maintenant, j’ai aussi inclus une variable d’interaction, obtenu en multipliant Marital par Children. Comment interpréter cette interaction ? L’interaction exprime ce qui se passe lorsque :
children=0 marital=0
devient :
children=1 marital=1
En d’autres termes, lorsque les valeurs des deux variables augmentent simultanément. Puisque la variable d’interaction possède un signe positif, le fait “d’être marié et d’avoir des enfants” (simultanément) augmente le bonheur comparé au fait “de ne pas être marié et de ne pas avoir d’enfant” (simultanément). Cela signifie que le statut marital augmente le bonheur même en dépit d’avoir des enfants, puisque l’effet indépendant de celui-ci est négatif sur le bonheur. Si les deux variables avaient des signes positifs, alors le coefficient positif de leur interaction signifie qu’il existe un effet multiplicateur, ou effet de rendement croissant. Par exemple, si children et marital ajoutent respectivement +3 et +6 points de bonheur, le fait “d’avoir des enfants et d’être marié” ne produira pas +9 points de bonheur, mais plus.
L’analyse de régression logistique produit aussi d’autres chiffres, comme Hosmer and Lemeshow goodness of fit. Sa valeur est de 0.907. Largement plus élevé que le cut-off habituel de 0.05 de signifiance (dont le cut-off est purement arbitraire rappelons-le). Au delà de cette valeur, on considère que l’ajustement du model est bon, approprié. C’est visiblement le cas. Ceci dit, H&L test est extrêmement sensible à la taille de l’échantillon. Plus grand sera le nombre de sujets, et plus la valeur de H&L descendra. Je ne pense pas qu’il faille prêter beaucoup d’attention à ce test, par conséquent.
Ceci de côté, il y a aussi le Cox & Snell R Square et Nagelkerke R Square. Dans la mesure où le premier n’atteint jamais 1.0, il est sous-estimé, et il vaut mieux se fier au Nagelkerke. Leurs valeurs sont de 0.048 et 0.124 respectivement. Ce pseudo R² exprime la proportion de la variance non expliquée qui est réduite par l’ajout ou inclusion des variables insérées dans le modèle. Plus il est élevé, mieux c’est. Une autre information concernant la qualité du modèle est la “classification table” dont le total de pourcentage correct est de 93.4%. Ce tableau exprime la classification des valeurs observées par rapport aux valeurs prédites (par le modèle). La précision des prédictions du modèle est donc très élevée, et le graphique accompagné se présente comme suit :
Les valeurs de 0 et 1 sur l’axe x (horizontal) représentent les valeurs de la variable dépendante (Happy) dichotomisée. Les sujets qui ont une valeur de zéro apparaîtront du côté gauche et ceux ayant une valeur de 1 apparaîtront du côté droit. Lorsque les “points” ont tendance à se rassembler au centre, cela veut dire que ces sujets ont 50/50 pour cent de chance que les données sont prédites correctement par le modèle. Plus un modèle est précis dans ses prédictions sur les données actuelles, plus les valeurs 0 et 1 se rassembleront vers leurs extrémités respectives. C’est le cas. Les mauvaises classifications sont rares, ce qui explique le taux élevé (93.4%) de % correct.
Concernant l’explication de tous ces résultats, généralement, Kanazawa avance son interprétation :
Parents today must raise their children in a radically different environment from the EEA [Environment of Evolutionary Adaptadness]. They must drive them to and from daycare centres and soccer practices, they must put them through compulsory school and pay for their higher education, they must feed, clothe and shelter them in their adolescence and early adulthood (when they would have been economically independent in the EEA soon after puberty), they must purchase computers, cars and other expensive gadgets for them, etc. The list is endless. I suspect that having to raise children in an evolutionarily novel environment might suspend the operation of evolved psychological mechanisms (and the preferences, desires and emotions they engender) and allow other mechanisms to kick in and influence their happiness. Economic and sociological theories are indispensable in explaining these other mechanisms that might overtake and supersede evolved psychological mechanisms in the current environment.
Je suis généralement d’accord sur l’idée qu’il est plus difficile d’élever les enfants de nos jours. Une raison évidente est l’allocation du temps consacré au travail qui s’accroît au détriment du temps libre (càd, loisirs). Cela néanmoins n’explique pas l’impact négatif d’avoir des enfants.
Lorsque je limite l’échantillon aux individus de classes aisées, l’effet négatif d’avoir des enfants est légèrement plus important que lorsque je limite l’échantillon aux individus de classes non aisées. Aussi, que je limite l’échantillon aux gens mariés uniquement, ou non mariés uniquement, l’effet négatif d’avoir des enfants est largement supérieur chez les personnes non mariées.
Ces données concernant les USA ne doivent pas être généralisées aux autres pays, dans la mesure où un facteur qui rend les gens d’une région ou pays plus ou moins heureux ne rendra pas forcément heureux les gens d’un autre pays par la même ampleur. Les comparaisons de niveau de bonheur entre pays ne sont pas forcément valides puisque des facteurs confondants existent potentiellement, comme la mise en place des politiques, les cultures généralement, les facteurs génétiques éventuellement, ou les différences d’avancée technologique opérant entre les pays mais pas à l’intérieur du pays.
Ceci étant, le GSS est une étude transversale, et ne répond absolument pas à la question de la causalité. Une étude longitudinale, en revanche, aurait l’avantage de pouvoir détecter un possible effet négatif d’avoir des enfants sur le bonheur des parents, les années qui suivent la naissance de l’enfant. Myrskylä & Margolis (2012) possèdent ce genre de données pour l’Angleterre et l’Allemagne. Apparemment, les individus mariés, âgés, et plus éduqués, connaissent un bonheur plus élevé et durable. Dans leur analyse, les auteurs séparent les hommes et les femmes, les sujets fort éduqués et peu éduqués, mariés ou non mariés, et par tranche d’âge. C’est une manière classique mais efficace de détecter de possibles “modérateurs”. Un détail intéressant est le fait que le bonheur augmente sensiblement les années juste avant la naissance du 1er enfant. Les auteurs font la spéculation que les parents attendent un enfant, et/ou viennent de se trouver un partenaire, d’où la hausse du bonheur reporté. Aussi, avoir un deuxième enfant n’augmente pas sensiblement le bonheur tandis qu’avoir un troisième enfant conduit à une baisse substantielle du bonheur.
La question d’une possible causalité inversée a été adressée :
Second, we considered dynamic panel data models which take into account the possibility of reverse causation. The positive association between childbearing and happiness could be driven by the fact that happiness increases the probability of having a child, rather than the process of having a child increasing happiness. We first used a simple and intuitive check to test whether past happiness confounds the association between childbearing and current happiness by including lagged happiness (up to 3 years) as controls in the models. The results changed only marginally. Third, we used the standard Arellano-Bond dynamic panel models that add both lagged dependent variables to the model and instruments the key regression variables with their own lags to account for reverse causality (Arellano and Bond 1991). We considered various specifications of lag structures and results were nearly identical to those obtained without the dynamic structure.
Concernant leurs graphiques, je note que la Figure 1 montre des trajectoires du niveau de bonheur à tendance négative après naissance du 1er enfant, excepté pour les modèles à effets fixes qui ont la particularité de contrôler les caractéristiques fixes (e.g., facteurs confondants comme la personnalité) des sujets :
The longitudinal fixed-effects approach has several important advantages over crosssectional research. First, the approach is based on observing individual happiness trajectories over time, allowing us to analyze anticipation, short-term, and long-term changes in happiness with respect to a birth. Second, the approach allows controlling for individual-specific, timeinvariant unobserved characteristics, such as personality or genetic endowments, and eliminates the problem of selection into parenthood on happiness. Third, it allows observing the pattern of changes in life satisfaction while controlling for other changing factors, such as age, time, employment or marital status.
Les graphiques suivants utilisent les modèles à effets fixes. Néanmoins, dans la Figure 3B, chez les femmes allemandes âgés (35+), on ne détecte pas d’améliorations du bonheur comparé au niveau initial (3-5 ans avant la naissance du 1er enfant). Pour les hommes allemands, le niveau de bonheur reste élevé. Dans la Figure 5, les femmes allemandes ne montrent aucune amélioration de leur niveau de bonheur sur le long terme. Il n’y a pas de graphiques pour l’échantillon anglais, mais les auteurs avancent que les courbes sont sensiblement les mêmes. Par conséquent, les femmes britanniques et allemandes ne sont pas plus heureuses après naissance du 1er enfant tandis que les hommes le sont davantage, eux. Je soupçonne que la raison est que la femme doit se sacrifier davantage pour son enfant, par exemple, en laissant au 2ème plan son travail, sa carrière. Elle se sent donc moins libre (façons de parler).
Mais la question cruciale est de savoir quel type de variable les chercheurs ont utilisé pour évaluer le bonheur. Nous lisons :
Our key outcome is the subjective well-being of parents. In the German sample, respondents were asked annually, “How satisfied are you with your life, all things considered?” Responses range from zero (completely dissatisfied) to ten (completely satisfied). In the British sample, parental well-being is measured with two questions. The first measures general happiness and is based on the question “Have you recently been feeling reasonably happy, all things considered?” with responses ranging from one (much less happy than usual) to four (more happy than usual). The other question is “How dissatisfied or satisfied are you with your life overall,” with answers ranging from one (not satisfied at all) to seven (completely satisfied).
C’est la même question formulée dans le GSS. Et c’est là où est le problème. La façon dont nous formulons et présentons la question est importante et peut avoir un impact considérable sur l’interprétation qu’en auront les sujets. Daniel Kahneman (2006) explique ce qu’il appelle “focusing illusion” :
When people consider the impact of any single factor on their well-being — not only income — they are prone to exaggerate its importance; we refer to this tendency as the focusing illusion. Income has even less effect on people’s moment-to-moment hedonic experiences than on the judgment they make when asked to report their satisfaction with their life or overall happiness. These findings suggest that the standard survey questions by which subjective wellbeing is measured (mainly by asking respondents for a global judgment about their satisfaction or happiness with their life as a whole) may induce a form of focusing illusion, by drawing people’s attention to their relative standing in the distribution of material well-being. More importantly, the focusing illusion may be a source of error in significant decisions that people make. (4) …
Evidence for the focusing illusion comes from diverse lines of research. For example, Strack and colleagues (5) reported an experiment in which students were asked: (i) “How happy are you with your life in general?” and (ii) “How many dates did you have last month?” The correlation between the answers to these questions was -.012 (not statistically different from 0) when they were asked in the specified order, but the correlation rose to 0.66 when the order was reversed with another sample of students. The dating question evidently caused that aspect of life to become salient and its importance to be exaggerated when the respondents encountered the more general question about their happiness. Similar focusing effects were observed when attention was first called to respondents’ marriage (6) or health (7). One conclusion from this research is that people do not know how happy or satisfied they are with their life in the way they know their height or telephone number. The answers to global life satisfaction questions are constructed only when asked (8), and are therefore more susceptible to the focusing of attention on different aspects of life. …
Individuals who have recently experienced a significant life change — e.g., becoming disabled, winning a lottery, or getting married — surely think of their new circumstances many times each day, but the allocation of attention eventually changes, so that they spend most of their time attending to and drawing pleasure or displeasure from experiences such as having breakfast or watching television. (10) However, they are likely to be reminded of their status when prompted to answer a global judgment question such as, “How satisfied are you with your life these days?” …
Concernant la corrélation entre bonheur et revenu, le “bonheur quotidien” n’est pas corrélé avec le revenu alors même que les évaluations d’anxiété et de nervosité sont corrélées avec le niveau de revenu. L’explication de Kahneman est la suivante :
Finally, we would propose another explanation: as income rises, people’s time use does not appear to shift toward activities that are associated with improved affect. Subjective well-being is connected to how people spend their time. … People with greater income tend to devote relatively more of their time to work, compulsory non-work activities (such as shopping and childcare) and active leisure (such as exercise), and less of their time to passive leisure activities (such as watching TV). On balance, the activities that high-income individuals spend relatively more of their time engaged in are associated with no greater happiness, on average, but with slightly higher tension and stress.
La corrélation entre le “bonheur général” et le revenu est donc parfaitement illusoire. Cette variable n’est donc pas une mesure précise et adéquate du bonheur. Lorsqu’on leur pose cette question, les gens doivent probablement penser et se remémorer les événements rares et importants, ce qu’ils considèrent comme le tournant de leur vie, ces choses essentielles à accomplir dans toute vie : mariage, enfants, promotion au travail, diplôme universitaire. Lorsqu’ils le réalisent, les gens ont tendance à amplifier l’importance de ces événements. Mais si chacun de ces éléments est associé au stress quotidien, l’explication la plus probable est que chacun de ces éléments conduit à diminuer le bonheur. Les gens ont tendance à négliger tous ces détails, expériences quotidiennes quand on pose des questions qui leur rappellent leur statut social actuel.
La théorie du “focusing illusion” peut expliquer à la fois pourquoi, peu avant la naissance du 1er enfant et même les années suivantes, les individus ont le sentiment d’être plus heureux. La faiblesse de cette étude longitudinale est donc d’avoir utilisé une variable sans doute inadéquate pour évaluer le bonheur. Lorsque des analyses utilisant des mesures du bonheur “quotidien” et non “général” la parentalité diminue le bonheur (Powdthavee, 2009). Certes, il s’agit d’une étude transversale et non longitudinale. Et pourtant, ce résultat illustre parfaitement pourquoi les parents se focalisent sur les événements (positifs) rares plutôt que sur les événements (négatifs) quotidiens en pensant de façon inconsciente que cela compense assez largement le stress vécu au quotidien :
Why do we have such a rosy view about parenthood? One possible explanation for this, according to Daniel Gilbert (2006), is that the belief that ‘children bring happiness’ transmits itself much more successfully from generation to generation than the belief that ‘children bring misery’. The phenomenon, which Gilbert says is a ‘super-replicator’, can be explained further by the fact that people who believe that there is no joy in parenthood – and who thus stop having them – are unlikely to be able to pass on their belief much further beyond their own generation. It is a little bit like Darwin’s theory of the survival of the fittest. Only the belief that has the best chance of transmission – even if it is a faulty one – will be passed on.
Cette explication a du sens. Ce phénomène peut aussi expliquer pourquoi le revenu est associé positivement au bonheur général. Dans la mesure où le haut statut social accroît le succès reproductif, nous pourrions être en quelque sorte “conditionné” évolutivement à penser que le statut et le succès sont toujours des choses positives alors qu’en vérité, c’est certainement l’inverse.
SPSS syntax for GSS analysis :
RECODE happy (1 thru 2=1) (3=0) INTO Happy_Dichotomy.
EXECUTE.
RECODE race (1=2) (2=1) (ELSE=SYSMIS) INTO BW.
EXECUTE.
RECODE health (1=4) (2=3) (3=2) (4=1) INTO good_health.
EXECUTE.
RECODE childs (0=0) (1=1) (2=2) (3=3) (4 thru highest=4) INTO NUMBER_CHILDREN.
EXECUTE.
RECODE MARITAL (1=2) (5=1) (ELSE=SYSMIS) INTO MARITAL_STATUS.
EXECUTE.
COMPUTE CHILDREN_AND_MARITAL=NUMBER_CHILDREN*MARITAL_STATUS.
EXECUTE.
COMPUTE wtssall_oversamp=wtssall*oversamp.
EXECUTE.
COMPUTE SQRTrealinc=SQRT(realinc).
VARIABLE LABELS SQRTrealinc ‘square root of R income in constant dollars’.
EXECUTE.
DESCRIPTIVES VARIABLES=age year good_health COHORT WORDSUM SEI realinc SQRTrealinc POLVIEWS health ATTEND
/SAVE
/STATISTICS=MEAN STDDEV MIN MAX.
FREQUENCIES VARIABLES=Zsei Zrealinc SQRTrealinc ZSQRTrealinc Zgood_health Zcohort Zage Zyear Zwordsum Zpolviews Zattend
/FORMAT=NOTABLE
/HISTOGRAM NORMAL
/ORDER=ANALYSIS.
WEIGHT BY wtssall_oversamp.
USE ALL.
COMPUTE filter_$=(BW=1).
VARIABLE LABELS filter_$ ‘BW=1 (FILTER)’.
VALUE LABELS filter_$ 0 ‘Not Selected’ 1 ‘Selected’.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.
LOGISTIC REGRESSION VARIABLES Happy_Dichotomy
/METHOD=ENTER sex Zage Zcohort Zwordsum Zsei Zpolviews Zattend good_health NUMBER_CHILDREN MARITAL_STATUS
CHILDREN_AND_MARITAL
/CONTRAST (NUMBER_CHILDREN)=Indicator(1)
/CONTRAST (good_health)=Indicator(1)
/CLASSPLOT
/PRINT=GOODFIT CORR ITER(1) CI(95)
/CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).
WEIGHT BY wtssall.
USE ALL.
COMPUTE filter_$=(BW=2).
VARIABLE LABELS filter_$ ‘BW=2 (FILTER)’.
VALUE LABELS filter_$ 0 ‘Not Selected’ 1 ‘Selected’.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.
LOGISTIC REGRESSION VARIABLES Happy_Dichotomy
/METHOD=ENTER sex Zage Zcohort Zwordsum Zsei Zpolviews Zattend good_health NUMBER_CHILDREN MARITAL_STATUS
CHILDREN_AND_MARITAL
/CONTRAST (NUMBER_CHILDREN)=Indicator(1)
/CONTRAST (good_health)=Indicator(1)
/CLASSPLOT
/PRINT=GOODFIT CORR ITER(1) CI(95)
/CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).
USE ALL.
COMPUTE filter_$=(BW=2 and Zsei<=0.5).
VARIABLE LABELS filter_$ ‘BW=2 and Zsei<=0.5 (FILTER)’.
VALUE LABELS filter_$ 0 ‘Not Selected’ 1 ‘Selected’.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.
LOGISTIC REGRESSION VARIABLES Happy_Dichotomy
/METHOD=ENTER sex Zage Zcohort Zwordsum Zsei Zpolviews Zattend good_health NUMBER_CHILDREN MARITAL_STATUS
CHILDREN_AND_MARITAL
/CONTRAST (NUMBER_CHILDREN)=Indicator(1)
/CONTRAST (good_health)=Indicator(1)
/CLASSPLOT
/PRINT=GOODFIT CORR ITER(1) CI(95)
/CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).
USE ALL.
COMPUTE filter_$=(BW=2 and Zsei>=0.5).
VARIABLE LABELS filter_$ ‘BW=2 and Zsei>=0.5 (FILTER)’.
VALUE LABELS filter_$ 0 ‘Not Selected’ 1 ‘Selected’.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.
LOGISTIC REGRESSION VARIABLES Happy_Dichotomy
/METHOD=ENTER sex Zage Zcohort Zwordsum Zsei Zpolviews Zattend good_health NUMBER_CHILDREN MARITAL_STATUS
CHILDREN_AND_MARITAL
/CONTRAST (NUMBER_CHILDREN)=Indicator(1)
/CONTRAST (good_health)=Indicator(1)
/CLASSPLOT
/PRINT=GOODFIT CORR ITER(1) CI(95)
/CRITERIA=PIN(0.05) POUT(0.10) ITERATE(20) CUT(0.5).
WEIGHT OFF.
FILTER OFF.
USE ALL.
EXECUTE.
Analyse Economique 