gemiddeld
-0,99** -0,04
-0,97** -0,04
hoog
-1,54** -0,07
-1,50** -0,06
5.2.6 Relevantie
Dat bewust proberen om het waterverbruik te verminderen tot een wezenlijk lager energieverbruik leidt, in contract met vergelijkbare maatregelen als afval scheiden en het terugdringen van elektriciteitsverbruik, is een opvallende uitkomst. Ik herinner mij dat mijn moeder een sticker naast de badkamerspiegel had geplakt waar op stond ‘Wees wijs met water!’. En hoewel nooit te bewijzen is dat die sticker de reden is dat ik altijd keurig de kraan dichtdraai tijdens het tandenpoetsen, kan ik me voorstellen dat een jarenlang confrontatie met dit groen verzoek haar positieve sporen heeft achtergelaten. In elk geval lijkt het op basis van deze analyse verstandig om meer aandacht te genereren voor waterverbruik, aangezien bewustwording op dit vlak resultaten levert.
Interessant genoeg blijkt uit de lineaire regressieanalyse dat het verhogen van de buurtbetrokkenheid tot groener woongedrag leidt. Deze notie is in lijn met de visie van Ostrom op het onderhouden van gemeenschappelijke hulpbronnen en ondersteunt in mijn optiek de keuze om energie in Nederland als een
common pool resource te beschouwen.
De bevindingen aangaande huishoudensgrootte, inkomen en woonoppervlak zijn allen in lijn met de hypothesen en de uitkomsten van de bivariate analyse.
Opvallend is dat het verband tussen bouwjaar en energieverbruik, anders dan in de bivariate analyse, wel significant blijkt zodra er wordt gecontroleerd voor de andere onafhankelijke variabelen. In model 3 komt naar voren dat woningen die na 2000 zijn gebouwd naar verwachting bijna 3 punten lager scoren op de energiemeter dan woningen die vóór 1945 zijn opgeleverd. Woningen die tussen 1945 en 2000 zijn gebouwd verbruiken bijna 1 punt minder energie. De notie van Kadaster dat nieuwbouwwoningen energiezuiniger zijn lijkt op basis van deze analyse aangetoond.
Het verband tussen gemiddeld opleidingsniveau en energieverbruik is naar mijn mening een vervolgonderzoek waard. Doet dit effect zich ook in andere populaties voor? En welke verklaringen zou dit verschijnsel kunnen hebben? Misschien dat een gemiddeld opleidingsniveau wel voor een hoger milieubewustzijn zorgt, maar niet voor dat hogere inkomen dat aan energieverbruikende apparatuur wordt besteed? In feit lijkt deze uitkomst te wijzen op de inzichten van Maarten Wolsink, aangezien met name een hoger besteedbaar inkomen volgens hem een hoog energieverbruik garandeert (ongeacht een eventueel milieubewustzijn).
5.3 Multinomiale logistische regressieanalyse
5.3.1 Inleiding
De uitkomsten van de lineaire regressie verklaren de samenhang van de onafhankelijke variabelen met de afhankelijke variabele “Energieverbruik”. Er is onderzocht hoeveel groter de kans is dat een huishouden een laag energieverbruik heeft, als een onafhankelijke variabele “X” toeneemt. Dit scriptieonderzoek richt zich echter op voorspellers van groen woongedrag. Groen woongedrag betekent een lager energieverbruik dan op basis van individuele kenmerken verwacht mag worden.
Bij de lineaire regressie wordt er vanuit gegaan dat het verband tussen de onafhankelijke variabelen en de afhankelijke variabele lineair is. Het is echter goed mogelijk dat de factoren die groen woongedrag (laag energieverbruik) voorspellen verschillen van de factoren die leiden tot grijs woongedrag (hoog energieverbruik). Uit de lineaire regressie blijkt bijvoorbeeld dat milieubewustzijn geen significant effect heeft op energieverbruik, terwijl de mate van stedelijkheid dit wel heeft. Het zou kunnen zijn dat milieubewustzijn geen bepalende factor is voor het antwoord op de vraag of mensen relatief veel energie verbruiken, maar dat het wel invloed op mensen die juist energiezuinig zijn en minder energie verbruiken dan gemiddeld. En mogelijk heeft de mate van stedelijkheid wel effect op de vraag of mensen meer dan gemiddeld energie verbruiken, (omdat de omgevingstemperatuur in niet-stedelijke gebieden lager is) maar maakt het voor de respondenten die groen woongedrag vertonen (laag energieverbruik) niet uit of zij in een stedelijk of niet-stedelijk gebied wonen.
Om die reden wordt er in dit onderzoek ook een multinomiale logistische regressieanalyse uitgevoerd. Zo kan worden gekeken of de kans om tot de categorie ‘laag energieverbruik’ te behoren door andere factoren wordt bepaald dan de kans om tot de categorie ‘hoog energieverbruik’ te behoren. Met behulp van een multinomiale logistische regressieanalyse wordt het effect van elke onafhankelijke variabele voorspeld door de kans op laag of juist hoog energieverbruik te berekenen. Dit doen we aan de hand van odds. Deze verhoudingsmaat wordt berekend door de kans dat iets zich voordoet te delen door de kans dat dit zich niet voordoet en kan dus lopen van nul tot oneindig. De odds ratio van een onafhankelijke variabele is gelijk aan de odds dat zich een evenement voordoet als de onafhankelijke variabele met 1 toeneemt, gedeeld door de odds dat de onafhankelijke variabele niet toeneemt.
5.3.2 Assumpties
Bij een multinomiale logistische regressieanalyse wordt verondersteld dat de afhankelijke variabele nominaal is en dat de verschillende categorieën onafhankelijk zijn (Zorlu 2014). Daarnaast zijn er drie assumpties van belang bij het uitvoeren van een logistische regressieanalyse (Field 2009, p.273). Deze veronderstellingen worden hieronder besproken.
Ten eerste neem ik aan dat tussen de continue onafhankelijke variabelen (in dit geval ‘Besteedbaar inkomen” en “Woonoppervlak”) en de logaritme van de afhankelijke variabele een lineaire relatie bestaat.
Een tweede assumptie is die van onafhankelijke residuen. In feite werd deze assumptie ook gedaan bij lineaire regressie. Het betekent dat het energieverbruik van elk huishouden onafhankelijk van dan van anderen moet zijn. Als dat niet het geval is, bijvoorbeeld doordat er hele groepen huishoudens uit dezelfde straat zijn opgenomen, kan dit leiden tot overdispersion (Field 2009, p.276).
Of er sprake is van overdispersie kan worden getest aan de hand van een dispersie parameter: ϕ. De dispersie parameter kan worden berekend voor Pearson’s Chi-Square en de Deviance Chi-Square (zie tabel 16), volgens de formules ϕpearson = Χ2Pearson / df en ϕDeviance = Χ2Deviance / df (Field 2009, p. 308-309). Overdispersie is
problematisch als ϕ groter is dan 2 (Field 2009, p.276).
Voor model 5 (waarin alle onafhankelijke variabelen zijn opgenomen) geldt: ϕpearson = 9603,50 / 9310 = 1,03 en
ϕDeviance = 8114,06 / 9310 = 0,87. In beide gevallen ligt de dispersie parameter dicht bij 1. De assumptie dat het
energieverbruik van alle huishouden onderling niet-afhankelijk zijn kan worden gemaakt.
Tabel 16. Goodness-of-Fit
*Waarde significant voor α=0,05 ** Waarde significant voor α=0,01
De laatste assumptie die moet worden gemaakt is die van ‘geen extreme multicollineariteit’: de onafhankelijke variabelen mogen niet te sterk met elkaar samenhangen. Bij lineaire regressie kan extreme multicollineariteit getest worden aan de hand van VIF en tolerance statistics, maar bij logistische regressie is het met het programma SPSS niet mogelijk om deze collinearity diagnostics op te vragen. Field (2009, p.267-268) raadt daarom aan om met de variabelen die in de logistische regressieanalyse worden gebruikt een lineaire regressieanalyse uit te voeren en daarbij alleen naar de tolerance en VIF-statistieken te kijken. Aangezien hieruit is gebleken dat de hoogste VIF 1.70 is en de laagste tolerance-waarde.79, kan worden aangenomen dat er geen sprake is van multicollineariteit.