1  INHALTSVERZEICHNIS  

2  AUSWAHL DER VARIABLEN  4

2.1  EINLEITUNG  4

2.2  HYPOTHESEN:  4

3  „OPERATIONALISIERUNG UND DISKUSSION DER DATEN  5

3.1  SKALIERUNG DER DATEN  5

3.2  DISKUSSION DER DATEN  5

4  BESCHREIBUNG DER METHODE UND BERECHNEN DER REGRESSION  8

4.1  IDEE DER MULTIPLEN REGRESSION:  8

4.2  RECHNEN DER MULTIPLEN REGRESSION MIT SPSS  8

5  RESULTATE UND DEREN INTERPRETATION  9

5.1  INTERPRETATION DES OUTPUTS  9

5.2  SCHLUSSFOLGERUNG  9

6  BIBLIOGRAPHIE  10

3

2 AUSWAHL DER VARIABLEN

2.1 Einleitung

Die vorliegende Arbeit will Hypothesen finden, welche die Unterschiede in der Qualität medizinischer Versorgung verschiedenen Ländern erklären. Untersucht werden 128 Länder, wobei nicht über jedes Land vollständige Daten zur Verfügung stehen ^1. Es wird davon ausgegangen, dass die Qualität medizinischer Versorgung einerseits mit der wirtschaftlichen Entwicklung eines Landes einher geht (je mehr Mittel vorhanden sind und je höher der technische Standard, desto besser die medizinische Versorgung), andererseits durch die Freiheitsrechte der Einwohner beeinflusst wird (je diktatorischer das Regime, desto unwichtiger ist der Führung die Versorgung. Die Erhaltung der Macht ist zentraler)

2.2 Hypothesen:

Die Qualität medizinischer Versorgung wird bei allen Hypothesen mit dem Indikator „Infant Mortality Rate” gemessen.

Hypothese 1: „Je höher die Verbreitung technischer Geräte in einem Land ist, desto höher die Qualität medizinischer Versorgung.” Operationalisiert wird die unabhängige Variable der Hypothese mit dem Indikator „ Telephones per Thousand Inhabitants”. Erwartet wird eine ausgeprägte negative Korrelation und ein sehr hohen Erklärungsanteil an der Varianz der abhängigen Variable.

Hypothese 2: „Je weiter ein Land in der industriellen Entwicklung fortgeschritten ist, desto höher d ie Qualität medizinischer Versorgung.” Indikator für die „industrielle Entwicklung” ist „ GDP Share of Manufacturing”. Auch hier soll eine negative Beziehung nachgewiesen werden, wobei der Erklärungsanteil vermutlich tiefer liegt als bei Hypothese 1. Hypothese 3: „Je diktatorischer ein Lande organisiert ist, desto tiefer ist die Qualität medizinischer Versorgung.” Dabei soll „Lack of Civil Liberties” als Indikator gelten für die Stärke der Diktatur. Erwartet wird eine positive Beziehung und ein hoher Erklärungsgrad an der abhängigen Variable.

Graphisch dargestellt sehen die Hypothesen wie folgt aus: X 1 (Telephones per Thousand Inhabitants) —

X 2 ^{(GDP Share of Manufacturing)} X 3 (Lack of Civil Liberties)

¹ Die in dieser Arbeit verwendeten Daten stammen allesamt aus: MÜLLER, Georg P., and Volker

BORNSCHIER (1988). Comparative World Data. A Statistical Handbook for Social Science. Baltimore (MD):

John Hopkins University Press: PW 4, 114

4

3 „OPERATIONALISIERUNG” UND DISKUSSION DER DATEN

3.1 Skalierung der Daten

Alle vier Variablen sind auf einer Ratioskala gemessen, wobei der GDP Share of Manufacturing in Prozenten, die Kindersterberate in „Tote pro Tausend Einwohner” und die Telefondichte in „Telefone pro tausend Einwohner” gemessen wurden. Für die Lack of Civil Liberties kam ein Massstab zur Anwendung, der von 1 (volle Freiheit) bis 7 (keine Freiheit) reicht. Man kann argumentieren, diese Variable sei ordinalskaliert. Ich werde sie trotzdem als ratioskaliert ansehen, da zum Beispiel 3.5 klar zwischen 3 und 4 liegt und man sagen kann, dass 3.5 genau in der Hälfte der Skala liegt, d.h. "mittlerer Freiheitsgrad" bedeutet. Die für eine Ratioskala elementaren Rechenoperationen lassen sich also applizieren. Die „missing cases” werden listenweise ausgeschlossen: Wenn ein Fall in einer Variablen fehlt, wird er auch bei den anderen dreien ausgeschlossen. Die Stichprobengrösse beträgt nach Bereinigung der fehlenden Daten noch 59 Fälle - laut Bortz ² ist diese Anzahl genügend hoch um eine aussagekräftige Statistik zu erstellen.

3.2 Diskussion der Daten

3.2.1 Normalverteilung der Variablen

Telephones per Thousand Inhabitants: Man sieht von blossem Auge, dass die Variable nicht normalverteilt ist (siehe unterstehendes linkes Histogramm). Das lässt sich mit Zahlen belegen: Die Skewness (Schiefe) ist mit 1,57 (linkssteil) mehr als doppelt so gross wie bei den anderen Variablen. Zudem ist auch der Kurtosiswert sehr h och (1.477), die Variable also leptokurtisch verteilt. Weiter fällt auf, dass der Mode (4) ins erste Intervall fällt und sehr weit vom arithmetischen Mittel (151.9) entfernt ist. Um diese extrem schiefe Verteilung auszugleichen, nehme ich eine Normalisierung durch logarithmieren vor. So wird die Skewness auf -0.204 und der Kurtosiswert auf -1 gesenkt. Es ist noch immer keine perfekte Normalverteilung (siehe unterstehendes rechtes Histogramm), aber man kann damit leben.

² BORTZ, Jürgen (1999). Lehrbuch der Statistik für Sozialwissenschaftler. Berlin, Heidelberg, New

York: Springer. PW 314 (5): 435

5