Subjective well-being and individual material situation in four countries of central Europe

Cílem výzkumu je analyzovat a popsat vztahy mezi subjektivním pocitem osobní pohody (subjektivním well-beingem) a proměnnými, které popisují materiální situaci individua subjektivně a objektivně. Tyto proměnné zahrnují příjem, příjem ve srovnání s ostatními lidmi, příjem ve srovnání s vlastním příjmem v minulosti, vnímaný ekonomický tlak, finanční problémy, materiální deprivaci a problémy s bydlením. Analýza je provedena s použitím empirických dat European Quality of Life Study pro čtyři země střední Evropy (Českou republiku, Maďarsko Polsko a Slovensko). Vztah mezi subjektivním well-beingem a proměnnými materiální situace je zkoumán pomocí Welchova t-testu a analýzou rozptylu v prvním kroku. Výsledky této analýzy ukazují, že vyšší subjektivní osobní pohoda obecně souvisí s lepší materiální situací (na úrovni jednotlivce), avšak s určitými výjimkami. V případě Maďarska nebyla potvrzena hypotéza o vztahu mezi subjektivním well-beingem a příjmem resp. vnímaným ekonomickým tlakem. Podobně na Slovensku nebyla potvrzena hypotéza o vztahu mezi subjektivním well-beingem a příjmem v porovnání s ostatními lidmi. V případě Slovenska nebyl potvrzen ani vztah mezi životní spokojeností a příjmem. Vnímaný ekonomický tlak a relativní příjem v porovnání s ostatními jsou však z hlediska subjektivního pocitu pohody zvláště významné faktory. V druhém kroku byl vztah mezi subjektivním well-beingem a individuální materiální situací analyzován pomocí Bayesovských sítí. Bylo zkonstruováno celkem pět modelů, které byly porovnány s modelem ordinální logistické regrese (OLR) a testovány a porovnávány s použitím Bayesovského informačního kritéria (BIC) a přesnosti predikce subjektivního well-beingu. Expertní znalost a tři různé algoritmy strojového učení (hladový algoritmus a algoritmy Gobnilp a Tree Augmented Naïve Bayes) byly použity pro vytvoření struktury modelů. Parametry čtyř modelů byly naučeny s použitím EM algoritmu, parametry jedné verze expertního modelu byly naučeny pomocí ordinální regrese. Nejlepší přesnosti predikce subjektivního well-beingu (41%) dosáhl expertní model s parametry naučenými pomocí OLR. Model naučený pomocí algoritmu Gobnilp je optimální z hlediska BIC. Tento model je ekvivalentní s modelem naučeným hladovým algoritmem. Rozdíly mezi tímto modelem a expertní verzí Bayesovské sítě jsou diskutovány. Na základě těchto analýz lze učinit závěr, že z hlediska subjektivního pocity celkové osobní pohody hraje roli především subjektivní vnímání vlastní materiální situace spíše než její objektivní stav.