Het effect van opleidingsniveau op drugsgebruik

Universiteit van Amsterdam Faculteit Economie en Bedrijfskunde

Econometrie, Operationele Research en Actuariële Wetenschappen Bachelorscriptie Econometrie

Het effect van opleidingsniveau op drugsgebruik

Auteur A. E. Schilstra 11030755 Begeleider Dr. J. C. M. van Ophem 26 juni 2018

Samenvatting - In deze scriptie wordt het effect van opleidingsniveau op drugsgebruik van de Amerikaanse bevolking onderzocht. Het opleidingsniveau wordt opgedeeld in vier categorieën: high school drop-outs, high school graduates, studenten met een associates degree en college graduates. Met behulp van een logitanalyse wordt het effect van opleidingsniveau op drugsgebruik geschat. Uit dit onderzoek blijkt dat studenten met een hoger opleidingsniveau een kleinere kans hebben om tabak en illegale drugs te gebruiken. Daarentegen neemt de kans op alcoholgebruik toe, naarmate het opleidingsniveau hoger wordt.

Verklaring eigen werk

Hierbij verklaar ik, Anne Eleonora Schilstra, dat ik deze scriptie zelf geschreven heb en dat ik de volledige verantwoordelijkheid op me neem voor de inhoud ervan. Ik bevestig dat de tekst en het werk dat in deze scriptie gepresenteerd wordt origineel is en dat ik geen gebruik heb gemaakt van andere bronnen dan die welke in de tekst en in de referenties worden genoemd. De Faculteit Economie en Bedrijfskunde is alleen verantwoordelijk voor de begeleiding tot het inleveren van de scriptie, niet voor de inhoud.

Inhoudsopgave

1 Inleiding 4

2 Theoretisch kader 6

2.1 De verschillende soorten drugsgebruik . . . 6

2.2 De relatie tussen opleidingsniveau en drugsgebruik . . . 7

2.3 Andere factoren die drugsgebruik beïnvloeden . . . 8

3 Methodologie 10 3.1 Data . . . 10 3.2 Definities . . . 10 3.2.1 Opleidingsniveau . . . 11 3.2.2 Drugsgebruik . . . 11 3.3 Model . . . 13 3.4 Beschrijvende statistiek . . . 14 4 Resultaten en analyse 17 4.1 Legale drugs . . . 17 4.1.1 Tabak . . . 17 4.1.2 Alcohol . . . 18 4.2 Illegale drugs . . . 18 4.2.1 Marihuana . . . 18

4.2.2 Overige illegale drugs . . . 19

4.3 Controlevariabelen . . . 19

4.4 Verschil tussen etniciteiten . . . 21

5 Conclusie en discussie 23

1

Inleiding

Van 1999 tot 2015 is in Amerika het aantal sterfgevallen door een overdosis drugs per 100.000 personen meer dan verdubbeld (Siemaszko, 2017). Het sterftecijfer voor personen van 15 tot 19 jaar oud in 2015 is 3,7 per 100.000 in tegenstelling tot een sterftecijfer van 1,6 per 100.000 in 1999. Bij welk opleidingsniveau is drugsgebruik het grootste probleem? Gebruiken personen op een high school vaak drugs of gebruiken personen die naar college gaan vaker drugs? Oftewel, wat is het effect van opleidingsniveau op drugsgebruik? Deze scriptie probeert het antwoord te vinden op deze vragen.

Eerder onderzoek betreft vooral het verschil in drugsgebruik tussen high school drop-outs en high school graduates. Zo wordt volgens Mensch en Kandel (1988) uitval gedurende de middelbare school geassocieerd met een verhoogd risico op drugsgebruik. Ook uit het onderzoek van Chavez, Edwards en Oetting (1989) blijkt dat drop-outs een grotere kans hebben dan studenten om marihuana en sigaretten te gebruiken. Bovendien blijkt dat drop-outs in vergelijking met studenten twee tot drie keer vaker een drug gebruikt hebben. Maynard, Salas-Wright en Vaughn (2015) vinden ook een significant verschil met betrekking tot sigarettengebruik tussen drop-outs en studenten die een diploma hebben. High school drop-outs roken namelijk vaker dagelijks dan personen die een diploma behaald hebben. Swaim, Beauvais, Chavez en Oetting (1997) concluderen dat drop-outs hogere percentages van drugsgebruik in afgelopen maand rapporteren dan studenten. Het drugsgebruik onder drop-outs is ongeveer twee à drie keer zo groot als onder studenten. Uit het onderzoek van Obot, Hubbard en Anthony (1999) blijkt dat high school drop-outs van Afro-Amerikaanse origine naar schatting twee keer zo veel kans hebben om een drug te injecteren in vergelijking met Afro-Amerikaanse high school graduates.

In deze scriptie wordt het effect van opleidingsniveau op drugsgebruik onderzocht. In tegenstel-ling tot de zojuist genoemde onderzoeken, wordt opleidingsniveau ingedeeld in vier categorieën: high school drop-outs, high school graduates, personen met een associates degree en college graduates. Bovendien wordt zowel het gebruik van legale drugs, alcohol en tabak, als het gebruik van illegale drugs, marihuana en overige illegale drugs, onderzocht. Hiervoor wordt gebruik gemaakt van de database National Survey on Drug Use and Health (NSDUH) uit 2015. Voor elk soort drugsgebruik wordt een logitanalyse uitgevoerd om zodoende het effect van opleidingsniveau op drugsgebruik te

schatten.

Om een antwoord te vinden op de vraag wat het effect is van opleidingsniveau op drugsgebruik, wordt als eerste in hoofdstuk 2 wetenschappelijke theorie met betrekking tot opleidingsniveau en drugsgebruik geëvalueerd. Daarna is in hoofdstuk 3 te lezen welke dataset gebruikt wordt, welke definities gehanteerd worden en welk model toegepast wordt. Bovendien wordt de beschrijvende sta-tistiek uiteengezet. Aansluitend volgen in hoofdstuk 4 de resultaten en een analyse van de resultaten. Tot slot bevat hoofdstuk 5 de conclusie en discussie. Hierin wordt op basis van de gevonden resul-taten antwoord gegeven op de onderzoeksvraag en worden eventuele beperkingen van het onderzoek vermeld.

2

Theoretisch kader

Om te bepalen wat het effect van opleidingsniveau op drugsgebruik is, wordt onderzocht hoe het begrip ‘drugsgebruik’ door andere onderzoekers gedefinieerd wordt. Vervolgens wordt eerder onder-zoek besproken om het effect van opleidingsniveau op drugsgebruik te analyseren. Tot slot wordt bestudeerd welke factoren van invloed zijn op drugsgebruik.

2.1 De verschillende soorten drugsgebruik

Drugsgebruik is het (regelmatig) gebruiken van drugs. Drugs zijn verslavende en verdovende mid-delen (Den Boon & Geeraerts, 2005, p. 868). Er bestaan zowel legale als illegale drugs: tabak en alcohol zijn legale drugs, de overige drugs zijn illegaal (Conroy, 2007). Illegale drugs zijn bijvoorbeeld cocaïne, crack, ecstasy, hallucinogenen, heroïne, inhalanten, lsd en pijnstillers1. Om tot een definitie van drugsgebruik te komen, worden eerdere onderzoeken geanalyseerd. Welke soorten drugs hebben andere onderzoekers bestudeerd en hoe hebben zij drugsgebruik als meetbare grootheid gedefinieerd? Drapela (2006) maakt in haar onderzoek gebruik van verschillende responscategorieën. Ten eerste wordt onderzocht of de respondent dagelijks rookt en wordt de frequentie van het gebruik van alcohol, marihuana en cocaïne gedurende het afgelopen jaar bestudeerd. Ten tweede bestudeert zij of de respondent in de afgelopen twee weken vijf of meer alcoholische dranken geconsumeerd heeft. Ten derde analyseert zij de frequentie van het gebruik van alcohol, marihuana en cocaïne gedurende afgelopen maand (Drapela, 2006, p. 325). Net als Drapela doen Maynard et al. (2015) onderzoek naar het dagelijks gebruik van sigaretten, meer dan vijf alcoholische dranken bij dezelfde gelegenheid en het gebruik van cocaïne en marihuana. Bovendien wordt het gebruik van crack, opiaten en metafetamine onderzocht (Maynard et al., 2015, p. 291).

Anders dan Drapela (2006) en Maynard et al. (2015), wordt in het onderzoek van Chavez et al. (1989) niet de frequentie en intensiteit geanalyseerd, maar staat het gebruik van zowel legale als illegale drugs centraal. Aan de geënquêteerden wordt gevraagd of zij ooit drugs hebben geprobeerd of gebruikt (Chavez, Edwards, & Oetting, 1989, p. 598). Ook Swaim et al. (1997) doen onderzoek

1

Een pijnstiller is op zich geen illegale drug. Echter, in de gebruikte enquête (zie paragraaf 3.1) worden in het onderdeel over drugsgebruik vragen gesteld met betrekking tot het misbruik van pijnstillers. In dit onderzoek worden pijnstillers ook als illegaal drugsgebruik gezien.

naar de eenmalige levenslange prevalentie. Bovendien wordt in het onderzoek van Swaim et al. (1997) het huidig gebruik van legale en illegale drugs van de respondenten geanalyseerd.

In tegenstelling tot Drapela (2006), Maynard et al. (2015), Chavez et al. (1989) en Swaim et al. (1997) concentreren Johnson en Hoffmann (2000) zich uitsluitend op gebruik van tabak. Er wordt een dummyvariabele aangemaakt om sigarettengebruik te bestuderen. De dummyvariabele is gebaseerd op het antwoord op de vraag hoeveel sigaretten de respondent gewoonlijk op een dag rookt. Als het antwoord nul is, wordt de respondent ingedeeld in de groep niet-rokers, als het antwoord één of meer is, wordt de respondent ingedeeld in de groep dagelijkse rokers.

2.2 De relatie tussen opleidingsniveau en drugsgebruik

In deze paragraaf worden studies aangehaald die aantonen dat er bepaalde relaties zijn tussen op-leidingsniveau en drugsgebruik.

Zo concluderen Chavez et al. (1989) dat drop-outs een grotere kans hebben dan studenten om hogere doses van drugs te gebruiken. De verschillen zijn met name groot bij marihuana en sigaretten. Bovendien is gevonden dat drop-outs in vergelijking met studenten twee tot drie keer vaker een drug gebruikt hebben (Chavez et al., 1989, p. 602). Ook Crum, Helzer en Anthony (1993) hebben een verschil gevonden tussen drop-outs en studenten met een diploma. De kans op overmatig alcoholgebruik en alcoholafhankelijkheid van high school drop-outs is ruim zes keer zo groot als voor studenten met een collegediploma. Studenten die wel een highschooldiploma, maar geen collegediploma hebben behaald, hebben drie keer zo veel kans om overmatig alcoholgebruik en alcoholafhankelijkheid te ontwikkelen in vergelijking met studenten met een collegediploma (Crum, Helzer, & Anthony, 1993, p. 832). De resultaten van Swaim et al. (1997) zijn voor de drie on-derzochte etnische groepen (Native American, Mexican American en White non-Hispanic) ongeveer hetzelfde. Voor alle onderzochte drugs (met uitzondering van stimulanten, cocaïne en LSD voor Na-tive Americans) rapporteren drop-outs in de drie groepen beduidend hogere percentages van gebruik in de voorgaande maand dan studenten. Voor alle groepen is de mate van drugsgebruik onder drop-outs ongeveer twee à drie keer zo veel als onder studenten (Swaim, Beauvais, Chavez, & Oetting, 1997, p. 53). Uit specifiek onderzoek naar het gebruik van injectiedrugs bij Afro-Amerikanen van Obot et al. (1999) blijkt dat high school drop-outs naar schatting twee keer zo veel kans hebben

om een drug te injecteren dan high school graduates. Ook na correctie voor leeftijd, geslacht en Hispanic achtergrond wordt dit resultaat behouden (Obot, Hubbard, & Anthony, 1999, p. 179-180). Johnson en Hoffmann (2000, p. 400) merken dat sigarettengebruik negatief geassocieerd is met prestaties op school. Zij concluderen dat drop-outs ongeveer twee keer zo veel kans hebben om sigarettengebruik te rapporteren in vergelijking met studenten die niet zijn uitgevallen op school. Maynard et al. (2015) vinden tevens een significant verschil met betrekking tot sigaretten tussen drop-outs en studenten die een diploma hebben. High school drop-outs maken namelijk vaker da-gelijks gebruik van sigaretten. Echter, drop-outs rapporteren significant minder vaak overmatig alcoholgebruik. Er worden geen significante verschillen gevonden met betrekking tot het gebruik van marihuana, cocaïne of crack, opiaten en metafetamine (Maynard et al., 2015, p. 294).

2.3 Andere factoren die drugsgebruik beïnvloeden

In dit onderzoek is drugsgebruik de afhankelijke variabele. De belangrijkste onafhankelijke variabele is opleidingsniveau. Echter, andere factoren die van invloed zijn op drugsgebruik, moeten ook worden meegenomen in dit onderzoek. Met behulp van eerdere onderzoeken wordt bepaald welke variabelen opgenomen moeten worden.

De controlevariabelen leeftijd, geslacht en etniciteit worden in verscheidene onderzoeken naar drugsgebruik meegenomen. Zo voegt Drapela (2006, pp. 331–332) deze variabelen toe aan haar model. Ook Obot et al. (1999, p. 179) houden rekening met leeftijd, geslacht en etniciteit in hun onderzoek. Evenzeer houdt het gebruikte model van Crum et al. (1993, p. 832) rekening met invloeden van leeftijd, geslacht en etniciteit. Met dit model schatten zij de relatie tussen opleidingsniveau en overmatig alcoholgebruik en alcoholafhankelijkheid. Ook Maynard et al. (2015) voegen de controlevariabelen leeftijd, geslacht en etniciteit toe. Daarnaast doen zij ook de variabelen gezinsinkomen, bijstandsuitkering, arbeidspositie en stedelijke bevolkingsdichtheid erbij (Maynard et al., 2015, p. 292).

Uit het onderzoek van Sunder, Grady en Wu (2007) blijkt dat vrouwen met een hogere leef-tijd, vrouwen met Hispanic achtergrond (tegenover non-Hispanic White) en vrouwen die momenteel getrouwd zijn (tegenover gescheiden/uit elkaar), minder snel in aanraking komen drugs (Sunder, Grady, & Wu, 2007, pp. 173–175). De steekproef uit het onderzoek van Sunder et al. (2007)

bestaat enkel uit vrouwen. Ook Brown en Riley (2005) hebben onderzoek gedaan naar het drugs-gebruik bij vrouwen. Uit hun onderzoek blijkt dat er ongelijkheden zijn tussen drugsdrugs-gebruikers en gebruikers wat betreft arbeidspositie. Zo ontdekken Brown en Riley (2005, p. 211) dat niet-gebruikers significant meer werkuren rapporteren dan drugsniet-gebruikers. Daarnaast merken zij op dat drugsgebruikers een lager inkomen hebben (Brown & Riley, 2005, p. 217). Daarentegen bestaat de steekproef uit het onderzoek van Obot et al. (1999) zowel uit mannen als vrouwen. Uit dit onderzoek blijkt dat mannen ruim twee keer waarschijnlijker zijn om drugs te injecteren dan vrouwen (Obot et al., 1999, p. 180).

Mack, Jones en Ballesteros (2017) bestuderen drugsgebruik, stoornissen door drugsgebruik en sterfgevallen door drugsgebruik met betrekking tot de stedelijke bevolkingsdichtheid in de Verenigde Staten. Zij vinden dat drugsgebruik meer wordt gerapporteerd in steden met een hoge bevolkings-dichtheid (metropolen) dan in steden met een lage bevolkingsbevolkings-dichtheid. Bovendien blijkt dat het aantal sterfgevallen door drugsgebruik in metropolen hoger is dan in niet-metropolen (Mack, Jones, & Ballesteros, 2017, p. 4). Ook DeSimone (2002, p. 967) heeft dat resultaat in zijn onderzoek ge-vonden. Bovendien heeft DeSimone (2002) gevonden dat drugsgebruik lager is voor hogere leeftijden en een hogere opleiding.

Uit bovengenoemde onderzoeken blijkt dat naast opleidingsniveau ook leeftijd, geslacht, etni-citeit, inkomen, huwelijkse staat, arbeidspositie en stedelijke bevolkingsdichtheid toegevoegd moeten worden aan het model.

3

Methodologie

In dit hoofdstuk wordt de onderzoeksopzet besproken. Hierin worden de gebruikte dataset en de gehanteerde definities omschreven. Vervolgens wordt beschreven welk model geschat wordt en tot slot wordt de beschrijvende statistiek van de variabelen gerapporteerd.

3.1 Data

De dataset die in dit onderzoek wordt gebruikt, is de National Survey on Drug Use and Health (NSDUH). De dataset is een belangrijke bron van statistische informatie met betrekking tot drugs-gebruik, criminaliteit en gezondheid. De enquête betreft de bevolking van 12 jaar en ouder in de Verenigde Staten (VS). De NSDUH doet cross-sectioneel onderzoek naar de inwoners van de VS. De respondenten worden niet het gehele jaar gevolgd, maar vullen de enquête in op één moment in het jaar. In 2015 worden ruim 55.000 willekeurige inwoners van de VS geïnterviewd over het gebruik van alcohol, tabak en illegale drugs, over de gezondheid en over de criminaliteit van inwoners van de VS ([National Survey on Drugs Use and Health; Background and Details], z.d.).

De enquête bestaat uit verschillende onderdelen. Het eerste deel bestaat uit algemene gegevens over de enquête. Vervolgens worden vragen gesteld over de volgende drugs: alcohol, marihuana, cocaïne, crack, hallucinogenen, heroïne, inhalatiemiddelen, tabak, pijnstillers, kalmeringsmiddelen, stimulerende middelen en slaapmiddelen. De vragen gaan over de leeftijd bij het eerste gebruik, het gebruik in het afgelopen jaar en het gebruik in de afgelopen maand. Aansluitend komen vragen over de gezondheid en criminaliteit van de respondent aan bod. Tot slot zijn er vragen met betrekking tot de demografie. Met behulp van de demografische variabelen kunnen kenmerken (bijvoorbeeld leeftijd, geslacht, etniciteit) van de respondent bestudeerd worden.

In dit onderzoek wordt de data uit 2015 gebruikt om het effect van opleidingsniveau op drugs-gebruik te analyseren.

3.2 Definities

Omdat er onderzocht wordt wat het effect is van opleidingsniveau op drugsgebruik, is het van belang om te beschikken over duidelijke definities van de begrippen opleidingsniveau en drugsgebruik.

3.2.1 Opleidingsniveau

In dit onderzoek wordt onderscheid gemaakt tussen high school drop-outs, high school graduates, personen met een associates degree en tot slot college graduates.

De definities van de laatste drie groepen zijn vanzelfsprekend. Echter, het begrip high school drop-out is niet eenduidig. Onderzoekers hebben verschillende definities voor een drop-out. Zo worden in het onderzoek van Swaim et al. (1997, p. 52) drop-outs gedefinieerd als studenten die tijdens hun zevende tot en met twaalfde leerjaar een absentieperiode van minstens één maand hebben, zonder contact met het schooldistrict of zonder een goede rechtvaardiging. Bovendien zijn de studenten die tot drop-outs gerekend worden, op het moment van enquêteren niet ingeschreven bij een high school. Net als Swaim et al. maakt ook Drapela (2006, p. 325) voor haar definitie van een high school drop-out gebruik van afwezigheid van school. In het onderzoek van Drapela wordt een student tot drop-out gerekend, als de student tijdens het negende, tiende, elfde of twaalfde leerjaar gedurende vier opeenvolgende weken niet op school is geweest vanwege een andere reden dan ongeval of ziekte. In tegenstelling tot Swaim et al. (1997) en Drapela (2006) wordt in het onderzoek van Maynard et al. (2015) geen afwezigheidsperiode gehanteerd. In hun onderzoek worden ondervraagden die high school niet afgerond hebben en momenteel niet op school zitten, tot drop-outs gerekend (Maynard, Salas-Wright, & Vaughn, 2015, p. 291).

In deze scriptie wordt een high school drop-out als volgt gedefinieerd: de respondent heeft geen highschooldiploma behaald en staat momenteel niet bij een school ingeschreven. Een high school graduate is iemand die een highschooldiploma heeft behaald, maar geen vervolgstudie is gaan doen. De respondenten die enkele studiepunten of een associates degree (maar geen college degree) hebben, behoren tot de derde groep. De college graduates zijn respondenten met een collegediploma. In Bijlage I is een toelichting op de gebruikte variabelen te vinden.

3.2.2 Drugsgebruik

In dit onderzoek wordt onderscheid gemaakt tussen verschillende drugs: legale drugs en illegale drugs. Als eerst wordt tabak, een van de twee legale drugs, onderzocht. Aangezien roken verslavend is, wordt bestudeerd in hoeverre opleidingsniveau de kans op het al dan niet dagelijks roken beïnvloedt. Uit Tabel 1 blijkt dat bijna 10.000 respondenten dagelijks roken. Na tabakgebruik wordt vervolgens het

alcoholgebruik geanalyseerd. Alcohol is minder verslavend dan roken, maar wordt desalniettemin veel geconsumeerd. Het gebruik van alcohol wordt gemeten naar aanleiding van het gebruik in afgelopen maand: wel of geen alcohol geconsumeerd. Aansluitend wordt het gebruik van illegale drugs bestudeerd. Uit de enquête van Marist en Yahoo News (2017) blijkt dat ruim de helft van de respondenten vindt dat het gebruik van marihuana maatschappelijk geaccepteerd is. Bovendien blijkt dat meer dan de helft van de respondenten ooit marihuana gebruikt heeft en ongeveer één op de zeven personen regelmatig marihuana gebruikt. Om deze reden worden de illegale drugs ingedeeld in twee groepen: marihuana en overige illegale drugs. Om het gebruik van marihuana te analyseren, wordt, net als bij alcohol, het gebruik in afgelopen maand bestudeerd. Bijna 5.000 respondenten hebben in afgelopen maand marihuana gebruikt (zie Tabel 1). Daarentegen hebben 1.409 respondenten in afgelopen maand een illegale drug, anders dan marihuana, gebruikt. Aangezien deze groep redelijk klein is, wordt voor de overige illegale drugs bestudeerd of de respondent ooit illegale drugs heeft gebruikt. Zie Bijlage II voor een beschrijving van alle drugs.

Ooit Jaar Maand Dag

Tabak 26471 12693 10491 9511 Alcohol 36895 31287 24633 -Marihuana 21572 8012 4999 -Illegale drugs 13104 2632 1409 -Cocaïne 6552 1135 386 -Crack 1548 141 61 -Ecstasy 4303 726 169 -Hallucinogenen 7892 1276 348 -Heroïne 901 201 90 -Inhalanten 4551 293 99 -LSD 4286 452 103 -Pijnstillers 5425 2586 785

-Tabel 1: Aantal observaties bij verschillende frequenties van drugsgebruik

Omdat voor de verschillende soorten drugsgebruik verschillende frequenties worden onderzocht, moet als kanttekening geplaatst worden dat de uitkomsten niet geheel vergelijkbaar zijn.

3.3 Model

In dit onderzoek wordt gebruik gemaakt van logitanalyse. Drugsgebruik is de afhankelijke varia-bele en de belangrijkste verklarende variavaria-bele is het opleidingsniveau. Er wordt exogeniteit van opleidingsniveau verondersteld. Naast opleidingsniveau worden ook andere relevante variabelen, zie paragraaf 2.4, opgenomen in het model.

drug_i∗= β1+ β2HS_dropouti+ β3HS_graduatei+ β4ASS_degreei + β5age_21_25i+ β6age_26_34i+ β7age_35_olderi+ β8malei + β9Black_Af rAmi+ β10Hispanici+ β11other_ethnicityi

+ β12inc_20000_49999i+ β13inc_50000_74999i+ β14inc_75000_morei + β15widowedi+ β16divorced_separatedi+ β17never_marriedi

+ β18part_timei+ β19unemployedi+ β20other_employmenti+ β21non_metroi+ i Aan de linkerkant van de vergelijking wordt voor drug∗_i vier verschillende soorten drugsgebruik ingevuld: daily_smoke∗_i, pastmonth_alcohol_i∗, pastmonth_marijuana∗_i en ever_illicitdrugs∗_i in-gevuld. De rechterkant van de vergelijking bevat de verklarende variabelen. Zie Bijlage III voor een toelichting op de demografische variabelen.

Als de geschatte waarde van drug∗_i groter is dan 0, wordt het individu ingedeeld als drugsge-bruiker. Als de kans op drugsgebruik gelijk is aan 0 of kleiner is dan 0, wordt het individu beoordeeld als iemand die geen drugs gebruikt. De uitkomsten 0 (geen drugsgebruiker) en 1 (wel drugsgebruiker) worden samengevat in de binaire variabele drug_i:

drugi=    1 als drug_i∗> 0 0 als drug_i∗≤ 0

Voor drugi wordt het gebruik van tabak, alcohol, marihuana en overige illegale drugs apart bestu-deerd. Met behulp van marginale effecten wordt geanalyseerd in hoeverre opleidingsniveau de kans op het gebruik van een bepaald soort drug beïnvloedt.

3.4 Beschrijvende statistiek

De steekproef in dit onderzoek bestaat uit 42.386 personen. Deze personen zijn geselecteerd op basis van opleidingsniveau. Als de respondent tot een van de vier groepen opleidingsniveau (high school drop-outs, high school graduates, respondenten met enkele studiepunten of een associates degree en college graduates) behoort, maakt de respondent deel uit van de steekproef. In Tabel 2 is te zien hoeveel respondenten onder een bepaald opleidingsniveau vallen.

# Observaties HS_dropout 5257 HS_graduate 11703 ASS_degree 14458 COL_graduate 10968 Totaal 42386

Tabel 2: Totaal aantal observaties, ingedeeld naar opleidingsniveau

Omdat het effect van opleidingsniveau op drugsgebruik wordt onderzocht, is in Tabel 3 het aantal observaties per drugssoort weergegeven. Zowel het totaal aantal observaties als het aantal observaties per opleidingsniveau is weergegeven.

Totaal HS_dropout HS_graduate ASS_degree COL_graduate

# % # % # % # % # % Tabak daily_smoke 9511 22,4 1744 33,2 3356 28,7 3319 23,0 1092 10,0 Alcohol pastmonth_alcohol 24633 58,1 2066 39,3 5822 49,7 8938 61,8 7807 71,2 Marihuana pastmonth_marijuana 4999 11,8 647 12,3 1514 12,9 2026 14,0 812 7,4 Illegale drugs ever_illicit_drug 13104 30,9 1476 28,1 3436 29,4 4859 33,6 3333 30,4 Tabel 3: Aantal observaties met betrekking tot drugsgebruik (per opleidingsniveau)

Uit Tabel 3 blijkt dat bijna een kwart (22,4%) van de respondenten dagelijks rookt. Naarmate het opleidingsniveau hoger wordt, wordt het percentage lager: van de high school drop-outs rookt 33,2% dagelijks en van de college graduates rookt 10,0% dagelijks. Bij het gebruik van alcohol in afgelopen maand is het juist omgekeerd. Naarmate het opleidingsniveau hoger wordt, stijgt het percentage. Bovendien valt op dat ruim de helft van de respondenten in afgelopen maand alcohol heeft gebruikt (58,1%). Daarentegen komt gebruik van marihuana in afgelopen maand

minder voor (11,8%). College graduates hebben duidelijk het laagste percentage met betrekking tot marihuanagebruik in afgelopen maand (7,4%). Tot slot valt op dat de percentages met betrekking tot het gebruik van illegale drugs (anders dan marihuana) voor de vier groepen opleidingsniveau allemaal rond de 30% liggen.

Tot slot is in Tabel 4 het aantal observaties met betrekking tot de demografische variabe-len weergegeven. Wederom zijn zowel het totaal aantal observaties als het aantal observaties per opleidingsniveau weergegeven.

Totaal HS_dropout HS_graduate ASS_degree COL_graduate

# % # % # % # % # % Leeftijd age_18_20 4466 10,5 469 8,9 2120 18,1 1866 12,9 11 0,1 age_21_25 9116 21,5 904 17,2 2586 22,1 3907 27,0 1719 15,7 age_26_34 9015 21,3 1064 20,2 1976 16,9 2935 20,3 3040 27,7 age_35_older 19789 46,7 2820 53,6 5021 42,9 5750 39,8 6198 56,5 Geslacht male 19178 45,2 2613 49,7 5744 49,1 6072 42,0 4749 43,3 female 23208 54,8 2644 50,3 5959 50,9 8386 58,0 6219 56,7 Etniciteit White 25533 60,2 2058 39,1 6648 56,8 8934 61,8 7893 72,0 Black_AfrAm 5306 12,5 830 15,8 1741 14,9 1889 13,1 846 7,7 Hispanic 7307 17,2 1999 38,0 2269 19,4 2196 15,2 843 7,7 other_ethnicity 4240 10,0 370 7,0 1045 8,9 1439 10,0 1386 12,6 Inkomen inc_20000_less 9340 22,0 2245 42,7 3136 26,8 3083 21,3 876 8,0 inc_20000_49999 13617 32,1 2081 39,6 4649 39,7 4776 33,0 2111 19,2 inc_50000_74999 6630 15,6 471 9,0 1784 15,2 2458 17,0 1917 17,5 inc_75000_more 12799 30,2 460 8,8 2134 18,2 4141 28,6 6064 55,3 Huwelijkse staat married 17897 42,2 2100 39,9 4116 35,2 5325 36,8 6356 58,0 widowed 1601 3,8 418 8,0 550 4,7 382 2,6 251 2,3 divorced_separated 4818 11,4 679 12,9 1426 12,2 1735 12,0 978 8,9 never_married 18070 42,6 2060 39,2 5611 47,9 7016 48,5 3383 30,8 Arbeidspositie full_time 21974 51,8 1882 35,8 5339 45,6 7318 50,6 7435 67,8 part_time 6674 15,7 519 9,9 1821 15,6 2983 20,6 1351 12,3 unemployed 2693 6,4 570 10,8 1104 9,4 729 5,0 290 2,6 other_employment 11045 26,1 2286 43,5 3439 29,4 3428 23,7 1892 17,3 Bevolkingsdichtheid metro 33648 79,4 4039 76,8 8731 74,6 11445 79,2 9433 86,0 non_metro 8738 20,6 1218 23,2 2972 25,4 3013 20,8 1535 14,0 Tabel 4: Aantal observaties met betrekking tot demografische variabelen (per opleidingsniveau)

In Tabel 4 valt op dat het aantal waarnemingen tussen mannen en vrouwen ongeveer evenredig is verdeeld. Daarentegen liggen de aantallen bij de leeftijdscategorieën ver uit elkaar, doordat de groe-pen (age_18_20, age_21_25, age_26_34 en age_35_older) niet gelijkgesteld zijn onderverdeeld. Bij etniciteit valt op dat ruim de helft van de respondenten van blanke afkomst is. Daarentegen zijn

bij het inkomen het totaal aantal waarnemingen gelijkmatiger verdeeld. Het aantal waarnemingen per opleidingsniveau is echter niet gelijkmatig. Zoals voor de hand ligt, wordt het inkomen hoger naarmate het opleidingsniveau hoger is. Uit de tabel blijkt dat 42,7% van de high school drop-outs een inkomen van $20.000 of lager heeft, en 8,0% van de college graduates heeft een inkomen van $20.000 of lager. Van de college graduates heeft 55,3% een inkomen van $75.000 of meer, maar 8,8% van de high school drop-outs heeft een inkomen van $75.000 of meer. Het aantal waarnemingen bij de categorieën van huwelijkse staat zijn uiteenlopend. Er zijn 17.897 respondenten getrouwd, 18.070 respondenten zijn nog nooit getrouwd en 4.818 personen zijn gescheiden of uit elkaar. Van de 42.386 respondenten zijn 1.601 weduwnaar/weduwe. Van de voltijdwerkers zijn de meeste personen college graduates en de minste personen high school drop-outs. Tot slot valt op dat de meerderheid van de personen in de steekproef in een stad met hoge bevolkingsdichtheid woont.

4

Resultaten en analyse

Het model beschreven in hoofdstuk 3 is voor de verschillende soorten drugsgebruik geschat. Met behulp van een logitregressie zijn de coëfficiënten van de verklarende variabelen geschat. Na de logitregressie zijn de gemiddelde marginale effecten met betrekking tot de verschillende opleidings-niveaus bepaald (zie Bijlagen IV tot en met VII voor de uitkomsten). In dit hoofdstuk worden de schattingen getoond en geanalyseerd. Als eerste de legale drugs, aansluitend de illegale drugs. Bovendien wordt een likelihood-ratio test uitgevoerd om te onderzoeken of het logitmodel voor de verschillende groepen etniciteit apart van elkaar geschat moet worden.

4.1 Legale drugs

De legale drugs bestaan uit tabak en alcohol. Als eerste is het effect van opleidingsniveau op tabak geschat en vervolgens het effect van opleidingsniveau op alcohol.

4.1.1 Tabak

De gemiddelde marginale effecten van opleidingsniveau op sigarettengebruik zijn in Tabel 5 te vinden. Hieruit blijkt dat de marginale effecten van de drie categorieën opleidingsniveau significant verschillen van 0. De coëfficiënten uit de eerste kolom kunnen als volgt geïnterpreteerd worden: een high school drop-out heeft 26,6% meer kans om dagelijks te roken in vergelijking tot college graduates. Iemand die een high school diploma heeft behaald, heeft 21,2% meer kans om te roken dan een college graduate en een student met een associates degree heeft tot slot 15,9% meer kans ten opzichte van college graduates. Het blijkt dus dat iemand met een hoger opleidingsniveau een kleinere kans heeft om dagelijks te roken dan iemand met een lager opleidingsniveau.

daily_smoke dy/dx Std. Err. HS_dropout 0,266*** 0,00740 HS_graduate 0,212*** 0,00626 ASS_degree 0,159*** 0,00608 * p<0,05; ** p<0,01; *** p<0,001

4.1.2 Alcohol

Uit Tabel 6 blijkt dat, net als bij tabak, alle marginale effecten significant verschillen van 0. In tegenstelling tot de coëfficiënten bij tabak, zijn de coëfficiënten bij alcohol negatief. Dit betekent dat een high school drop-out 18,1% minder kans heeft om in afgelopen maand alcohol te hebben gebruikt dan een college graduate. Voor een high school graduate is de kans op alcoholgebruik 13,2% minder ten opzichte van een college graduate en voor een persoon met een associates degree is de kans 5,3% minder ten opzichte van een college graduate. Uit deze waarden blijkt dus dat de kans op alcoholgebruik toeneemt, naarmate het opleidingsniveau hoger wordt.

pastmonth_alcohol dy/dx Std. Err. HS_dropout -0,181*** 0,00849 HS_graduate -0,132*** 0,00673 ASS_degree -0,053*** 0,00638 * p<0,05; ** p<0,01; *** p<0,001

Tabel 6: Gemiddelde marginale effecten met betrekking tot alcoholgebruik in afgelopen maand

4.2 Illegale drugs

Ten eerste wordt het effect van opleidingsniveau op marihuanagebruik in de afgelopen maand onder-zocht. Daarna wordt onderzocht wat het effect is van opleidingsniveau op ooit illegaal drugsgebruik (anders dan marihuana).

4.2.1 Marihuana

De gemiddelde marginale effecten van opleidingsniveau op marihuanagebruik in afgelopen maand zijn in Tabel 7 weergegeven.

pastmonth_marijuana dy/dx Std. Err.

HS_dropout 0,046*** 0,00607

HS_graduate 0,029*** 0,00496

ASS_degree 0,040*** 0,00459

* p<0,05; ** p<0,01; *** p<0,001

Tabel 7: Gemiddelde marginale effecten met betrekking tot marihuanagebruik in afgelopen maand

drop-outs hebben 4,6% meer kans dan college graduates om afgelopen maand marihuana te hebben gebruikt. High school graduates hebben 2,9% meer kans op marihuanagebruik in afgelopen maand ten opzichte van college graduates. Tot slot hebben de personen met een associates degree 4,0% meer kans dan college graduates op marihuanagebruik. Het is bij marihuanagebruik dus niet het geval dat personen met een hoger opleidingsniveau minder kans hebben op marihuanagebruik in afgelopen maand, aangezien de waarde voor associates degree hoger is dan de waarde van high school graduates. Er is geen direct verband tussen marihuanagebruik en opleidingsniveau.

4.2.2 Overige illegale drugs

Uit Tabel 8 blijkt dat de marginale effecten van de drie opleidingsniveaus significant verschillen van 0. Er is in dit geval wederom geen sprake van een direct verband tussen opleidingsniveau en drugsgebruik. Personen met een associates degree hebben ten opzichte van college graduates 4,8% meer kans om ooit illegale drugs (anders dan marihuana) gebruikt te hebben, high school drop-outs hebben 2,6% meer kans dan college graduates en high school graduates hebben 1,6% meer kans.

ever_illicitdrugs dy/dx Std. Err. HS_dropout 0,026** 0,00858 HS_graduate 0,016* 0,00663 ASS_degree 0,048*** 0,00598 * p<0,05; ** p<0,01; *** p<0,001

Tabel 8: Gemiddelde marginale effecten met betrekking tot het ooit gebruik van illegale drugs

4.3 Controlevariabelen

In Tabel 9 zijn behalve de marginale effecten van opleidingsniveau, ook de marginale effecten van de controlevariabelen met betrekking tot de soorten drugsgebruik opgenomen.

Tabak Alcohol Marihuana Illegale drugs HS_dropout 0,266 *** -0,181 *** 0,046 *** 0,026 ** HS_graduate 0,212 *** -0,132 *** 0,029 *** 0,016 * ASS_degree 0,159 *** -0,053 *** 0,040 *** 0,048 *** age_21_25 0,103 *** 0,195 *** -0,008 0,076 *** age_26_34 0,161 *** 0,149 *** -0,026 *** 0,124 *** age_35_older 0,086 *** 0,088 *** -0,091 *** 0,087 *** male 0,030 *** 0,055 *** 0,048 *** 0,079 *** Black_AfrAm -0,099 *** -0,079 *** -0,007 -0,169 *** Hispanic -0,174 *** -0,089 *** -0,047 *** -0,100 *** other_ethnicity -0,032 *** -0,134 *** -0,017 *** -0,071 *** inc_20000_49999 -0,036 *** 0,019 ** -0,005 -0,008 inc_50000_74999 -0,059 *** 0,053 *** -0,013 * -0,015 inc_75000_more -0,077 *** 0,112 *** -0,020 *** 0,000 widowed 0,027 * -0,010 0,048 *** -0,016 divorced_separated 0,132 *** 0,065 *** 0,070 *** 0,120 *** never_married 0,088 *** 0,083 *** 0,082 *** 0,098 *** part_time -0,043 *** -0,054 *** 0,001 -0,013 * unemployed 0,068 *** -0,079 *** 0,015 ** 0,031 *** other_employment -0,039 *** -0,154 *** -0,022 *** -0,072 *** non_metro 0,014 ** -0,038 *** -0,017 *** -0,033 *** * p<0,05; ** p<0,01; *** p<0,001

Tabel 9: Gemiddelde marginale effecten van controlevariabelen met betrekking tot verschillende soorten drugsgebruik

Ten eerste valt op dat de marginale effecten van leeftijd bij alle soorten drugsgebruik positief zijn, behalve bij marihuana. Dit betekent dus dat personen tussen de 18 en 20 jaar oud minder kans hebben om tabak, alcohol en ooit illegale drugs te hebben gebruikt, maar meer kans hebben om marihuana te gebruiken. Een mogelijke reden hiervoor is dat marihuana voor de meeste jonge mensen gemakkelijker te verkrijgen is dan andere drugs (Substance Abuse and Mental Health Services Administration 2004, aangehaald in Sunder, Grady, & Wu, 2007, p. 176).

Er valt bovendien op te merken dat de marginale effecten van etniciteit op alle soorten drugs-gebruik negatief zijn. Zwarten, Afro-Amerikanen, hispanics of personen met een etniciteit uit de categorie other_ethnicity, hebben minder kans om dagelijks te roken dan respondenten van blanke afkomst. Dit komt overeen met eerdere onderzoeken. Chavez et al. (1989, p. 599) concluderen dat zowel mannen als vrouwen van blanke afkomst vaker tabak gebruiken in een maand dan mannen of vrouwen van hispanische afkomst. Ook uit het onderzoek van Johnson en Hoffmann (2000, p. 392)

blijkt dat blanke personen vaker beginnen met roken dan Aziaten en hispanics en bovendien ruim twee keer vaker beginnen met roken dan zwarte personen. Sunder et al. (2007, pp. 173–174) stellen dat personen met een blanke achtergrond vaker illegale drugs, waaronder marihuana, gebruiken.

De coëfficiënten van de huwelijkse staat zijn positief. Hieruit is af te leiden dat getrouwde mensen, de referentiegroep, minder kans hebben om dagelijks te roken. U.S. Census Bureau (2007, aangehaald in Menasco & Blair, 2014, p. 218) veronderstelt dat gehuwde partners meestal hogere inkomens hebben en meer vermogen hebben in vergelijking tot ongehuwde personen. Daarnaast is gebleken dat getrouwde partners gelukkiger zijn en een betere gezondheid hebben (Horwitz & White, 1998, aangehaald in Menasco & Blair, 2014, p. 219). Hierdoor is drugsgebruik minder groot bij getrouwde mensen.

Bovendien is een zekere trend zichtbaar in het inkomen. De referentiegroep bestaat uit respon-denten met een inkomen van $20.000 of minder en uit de marginale effecten van het inkomen blijkt dat des te hoger het inkomen, des te minder kans op drugsgebruik. Echter, bij alcohol is het effect omgekeerd. Des te hoger het inkomen, des te meer kans op alcoholgebruik in afgelopen maand.

Verder valt op dat mannen 3,0% meer kans hebben dan vrouwen om dagelijks te roken. Jo-hnston, O’Malley en Bachman (2003, aangehaald in Drapela, 2006, p. 329) menen dat mannen een grotere kans hebben om tabak, alcohol en illegale drugs te gebruiken. Tot slot blijkt dat er in steden met een hoge bevolkingsdichtheid een grotere kans is op gebruik van alcohol, marihuana en overige illegale drugs. Daarentegen is de kans op dagelijks roken in een stad met lage bevolkingsdichtheid groter.

4.4 Verschil tussen etniciteiten

De steekproef bestaat uit vier groepen etniciteiten: blanken, zwarten/Afro-Amerikanen, hispanics en personen van andere afkomst dan zojuist genoemd. In Tabel 10 is te zien hoeveel respondenten van bepaalde afkomst zijn.

# Observaties White 25533 Black_AfrAm 5306 Hispanic 7307 other_ethnicity 4240 Totaal 42386

Tabel 10: Totaal aantal observaties, ingedeeld naar opleidingsniveau

In plaats van de etniciteiten als dummyvariabelen op te nemen in het model, wordt voor elke groep etniciteit apart een logitregressie uitgevoerd (zie Bijlagen VIII tot en met XI). Het aantal vrijheids-graden van de logitregressie op de gehele steekproef is gelijk aan 21, aangezien er 21 restricties opgelegd worden. Voor de logitregressies op de verschillende etniciteiten (White, Black/African-American, Hispanic, other) geldt dat het aantal vrijheidsgraden gelijk is aan 18, omdat de varia-belen Black_Af rAm, Hispanic en other_ethnicity niet meer worden meegenomen in het model. De uitkomsten van de regressies op de aparte etniciteiten worden vergeleken met de uitkomsten van de regressie op de gehele steekproef met behulp van een likelihood-ratio test (LR test). Het aantal vrijheidsgraden voor de LR test is gelijk aan 18 + 18 + 18 + 18 - 21 = 51. Zie Tabel 11 voor de uitkomsten van de LR test.

Tabak Alcohol Marihuana Illegale drugs

LR chi2(51) 315,53 269,49 210,08 428,54

Prob >chi2 0,0000 0,0000 0,0000 0,0000 Tabel 11: Likelihood-ratio test uitkomsten

In Tabel 11 zijn de LR-chikwadraatwaarden en bijbehorende p-waarden voor de vier soorten drugs weergegeven. Het blijkt dat voor de onderzochte drugs de LR-chikwadraatwaarden zeer significant zijn, aangezien bijbehorende p-waarden gelijk zijn aan 0,0000. Hieruit kan geconcludeerd worden dat minstens één van de coëfficiënten uit het model verschilt voor de etniciteiten en dat dus het model apart geschat moet worden voor de etniciteiten. Dit geldt voor alle onderzochte drugs: tabak, alcohol, marihuana en overige illegale drugs.

5

Conclusie en discussie

In deze scriptie is aan de hand van een logitmodel het effect van opleidingsniveau op verschillende soorten drugsgebruik geschat. Na de logitregressie zijn de gemiddelde marginale effecten van oplei-dingsniveau op drugsgebruik geschat.

De marginale effecten van opleidingsniveau op tabaksgebruik zijn positief, maar de waarden verminderen naarmate het opleidingsniveau hoger wordt. Hieruit kan geconcludeerd worden dat des te hoger het opleidingsniveau is, des te kleiner de kans is op dagelijks gebruik van sigaretten. In tegenstelling tot de coëfficiënten bij tabak, zijn de coëfficiënten bij alcohol negatief. Er geldt dus dat hoe hoger het opleidingsniveau, hoe groter de kans op alcoholgebruik in afgelopen maand. Met betrekking tot de vraag over het effect van opleidingsniveau op marihuanagebruik in afgelopen maand, blijkt uit dit onderzoek dat high school drop-outs de grootste kans hebben ten opzichte van college graduates om in afgelopen maand marihuana gebruikt te hebben. Bij het gebruik van marihuana is echter geen direct verband gevonden met opleidingsniveau. Er geldt niet hoe hoger het opleidingsniveau, hoe minder kans op gebruik van marihuana in afgelopen maand, aangezien de personen met een associates degree een grotere kans ten opzichte van college graduates hebben dan high school graduates. Bij het gebruik van illegale drugs blijkt dat personen met een associates degree de grootste kans ten opzichte van college graduates hebben om ooit een illegale drug te hebben gebruikt. High school drop-outs hebben een kleinere kans dan personen met een associates degree, maar een hogere kans dan high school graduates. Wederom geen direct verband, omdat de groep personen met een associates degree het hoogste percentage heeft. In het algemeen blijkt dat high school drop-outs de grootste kans hebben op drugsgebruik, met uitzondering van alcohol. College graduates daarentegen hebben de kleinste kans om illegale drugs en tabak te gebruiken, echter de grootste kans op alcoholgebruik.

In het algemeen lijkt het erop dat hogeropgeleiden minder kans hebben om in aanraking te komen met drugs, met uitzondering van alcohol. Deze resultaten komen overeen met resultaten van eerder onderzoek. Een belangrijke beperking in dit onderzoek is dat er exogeniteit van opleidings-niveau is verondersteld. Als de aanname van exogeniteit niet klopt met de werkelijkheid en dus de regressoren correleren met de storingsterm, zijn de schattingen niet meer valide. Bovendien is heteroskedasticiteit mogelijk een belemmering in dit onderzoek. Bij lineaire regressies is

heteros-kedasticiteit eenvoudig te toetsen. Het gebruikte logitmodel is nochtans niet lineair. Bij logistische regressies is een toets op heteroskedasticiteit gecompliceerder. Er is geen bewijs gevonden tegen heteroskedasticiteit, maar als er sprake is van heteroskedasticiteit zijn de maximumlikelihoodschat-ters inconsistent. Als laatste wordt een kanttekening geplaatst met betrekking tot de definities. Ten eerste wordt er geen onderscheid gemaakt in de frequentie en intensiteit van alcholgebruik. Er is onderzocht of de respondent wel of geen alcohol heeft gedronken in afgelopen maand, maar de mate van het alcoholgebruik wordt niet meegenomen. Daarnaast is de groep overige illegale drugs tamelijk onduidelijk. De overige illegale drugs bestaan uit acht verschillende soorten drugs, maar bijvoorbeeld ketamine en fencyclidine (PCP) zijn niet meegenomen in het onderzoek. Een andere mogelijke beperking is het gebruik van dummyvariabelen voor de verschillende etniciteiten. Uit de likelihood-ratio test blijkt dat de LR-chikwadraatwaarden zeer significant zijn en dus dat minstens één van de coëfficiënten uit het model verschilt voor de verschillende etniciteiten. In plaats van de verschillende etniciteiten als dummyvariabelen in het model op te nemen, moet het logitmodel apart geschat worden voor de verschillende etniciteiten.

Bibliografie

Boon, T. den, & Geeraerts D. (met Sijs, N. van der, Etymologie) (2008). Groot woordenboek van de Nederlandse taal (14de, herziene editie). Utrecht: Van Dale.

Brown, V. L., & Riley, M. A. (2005). Social Support, Drug Use, and Employment Among Low-Income Women. The American Journal of Drug and Alcohol Abuse, 31 (2), 203–223, doi:10.108 1/ADA-47920

Chavez, E. L., Edwards, R., & Oetting, E. R. (1989). Mexican American and White American School Dropouts’ Drug Use, Health Status, and Involvement in Violence. Public Health Re-ports, 104 (6), 594–604.

Conroy, S. (2007, 24 maart). Alcohol, Tobacco Worse Than Illegal Drugs? CBS News. Geraadpleegd van https://www.cbsnews.com/news/alcohol-tobacco-worse-than-illegal-drugs/

Crum, R. M., Helzer, J. E., & Anthony, J. C. (1993). Level of Education and Alcohol Abuse and Dependence in Adulthood: A Further Inquiry. American Jounal of Public Health, 83 (6), 830–837.

DeSimone, J. (2002). Illegal Drug Use and Employment. Journal of Labor Economics, 20 (4), 952– 977.

Drapela, L. A. (2006). Investigating the effects of family, peer, and school domains on post-dropout drug use. Youth & Society, 37 (3), 316–347, doi:10.1177/0044118X05278264

Johnson, R. A., & Hoffmann, J. P. (2000). Adolescent Cigarette Smoking in U.S. Racial/Ethnic Subgroups: Findings from the National Education Longitudinal Study. Journal of Health and Social Behavior, 41 (4), 392–407.

Mack, K. A., Jones, C. M., & Ballesteros, M. F. (2017). Illicit Drug Use, Illicit Drug Use Disor-ders, and Drug Overdose Deaths in Metropolitan and Nonmetropolitan Areas – United States. US Department of Health and Human Services/Centers for Disease Control and Prevention, 66 (19), 1–12.

Maynard, B. R., Salas-Wright, C. P., & Vaughn, M. G. (2015). High School Dropouts in Emer-ging Adulthood: Substance Use, Mental Health Problems, and Crime. Community Mental Health Journal, 51, 289–299, doi:10.1007/s10597-014-9760-5

Menasco, M. A., & Blair, S. L. (2014). Adolescent Substance Use and Marital Status in Adulthood. Journal of Divorce & Remarriage, 55, 216–238, doi:10.1080/10502556.2014.887382

Mensch, B.S., & Kandel, D.B. (1988). Dropping out of high school and drug involvement. Sociol. Educ., 61 (2), 95–113.

[National Survey on Drugs Use and Health; Background and Details]. (z.d.). Geraadpleegd van https://www.datafiles.samhsa.gov/study-series/national-survey-drug-use-and-health-nsduh-ni d13517, op 22 mei 2018.

Obot I.S., Hubbard S., & Anthony J. C. (1999). Level of education and injecting drug use among African Americans. Drug and Alcohol Dependence, 55, 177–182.

Siemaszko, C. (2017, 16 augustus). Teen Drug Overdoses Doubled From 1999 to 2015, CDC Re-veals. NBC News. Geraadpleegd van https://www.nbcnews.com/storyline/americas-heroin-epidemic/teen-drug-overdoses-doubled-1999-2015-cdc-reveals-n793006

Sunder, P. K., Grady, J. J., & Wu, Z. H. (2007). Neighborhood and Individual Factors in Mari-juana and Other Illicit Drug Use in a Sample of Low-income Women. American Journal of Community Psychology, 40, 167–180, doi:10.1007/s10464-007-9135-y

Swaim, R. C., Beauvais F., Chavez E. L., & Oetting E. R. (1997). The Effect of School Drop-out Rates on Estimates of Adolescent Substance Use among Three Racial/Ethnic Groups. American Journal of Public Health, 87, 51–55.

Yahoo News & The Marist Poll (maart 2017). Weed & the American Family. Geraadpleegd van https://www.aol.com/article/news/2017/04/17/majority-of-americans-think-marijuana-is-soc ially-acceptable/22043547/, op 22 mei 2018.

Bijlage I: Beschrijving opleidingsniveau

NSDUH Categorieën Beschrijving

eduenroll Yes Momenteel ingeschreven op school No Momenteel niet ingeschreven op school

eduhighcat

Less high school High school niet afgerond High school grad Highschooldiploma behaald

Some coll/Assoc Dg Enkele studiepunten, maar geen diploma & associates degree College graduate Collegediploma of hoger behaald

Tabel 12: NSDUH variabelen met betrekking tot opleidingsniveau

Dummyvariabele Beschrijving Kwalificaties

HS_dropout 1 High school drop-out; 0 Anders Eduenroll = No & Eduhighcat = Less high school HS_graduate 1 High school graduate; 0 Anders Eduhighcat = High school grad

ASS_degree 1 Associates degree; 0 Anders Eduhighcat = Some coll/Assoc Dg COL_graduate 1 College graduate; 0 Anders Eduhighcat = College graduate Tabel 13: Aangemaakte dummyvariabelen met betrekking tot opleidingsniveau

Bijlage II: Beschrijving drugsgebruik

NSDUH Categorieën Beschrijving

CIG30AV

1: Less than one Gemiddeld minder dan 1 sigaret per dag

2: 1 cigarette Gemiddeld 1 sigaret per dag

3: 2 to 5 cigarettes Gemiddeld 2 tot 5 sigaretten per dag 4: 6 to 15 cigarettes Gemiddeld 6 tot 15 sigaretten per dag 5: 16 to 25 cigarettes Gemiddeld 16 tot 25 sigaretten per dag 6: 26 to 35 cigarettes Gemiddeld 26 tot 35 sigaretten per dag 7: More than 35 cigs Gemiddeld meer dan 35 sigaretten per dag

bnghvymon

1: Heavy Alcohol Use Past Month 5 keer in de maand 5 of meer alcoholische drankjes 2: "Binge"But Not Heavy Use Past Month 1 keer in de maand 5 of meer alcoholische drankjes 3: Past Month But Not "Binge" Wel alcohol gedronken, maar niet binge drinking 4: Did Not Use Alcohol in Past Month Geen alcohol in afgelopen maand

mrjmon Yes Afgelopen maand marihuana gebruikt

No Afgelopen maand geen marihuana gebruikt

cocflag Yes Ooit cocaïne gebruikt

No Nooit cocaïne gebruikt

crkflag Yes Ooit crack gebruikt

No Nooit crack gebruikt

ecstmoflag Yes Ooit ecstasy gebruikt

No Nooit ecstasy gebruikt

hallucflag Yes Ooit hallucinogenen gebruikt

No Nooit hallucinogenen gebruikt

herflag Yes Ooit heroïne gebruikt

No Nooit heroïne gebruikt

inhalflag Yes Ooit inhalanten gebruikt

No Nooit inhalanten gebruikt

lsdflag Yes Ooit LSD gebruikt

No Nooit LSD gebruikt

pnrnmflag Yes Ooit misbruik gemaakt van pijnstillers

No Nooit misbruik gemaakt van pijnstillers

Tabel 14: NSDUH variabelen met betrekking tot drugsgebruik

Dummyvariabele Beschrijving Kwalificaties

daily_smoke 1 Dagelijkse roker; 0 Anders CIG30AV = 2, 3, 4, 5, 6 of 7 pastmonth_alcohol 1 Afgelopen maand alcohol; 0 Anders Bnghvymon = 1, 2 of 3 pastmonth_marijuana 1 Vorige maand marihuana; 0 Anders Mrjmon = Yes

ever_illicitdrugs 1 Ooit illegale drugs; 0 Anders Minstens een van de illegale drugs = Yes Tabel 15: Aangemaakte dummyvariabelen met betrekking tot drugsgebruik

Bijlage III: Beschrijving demografie

Onderwerp NSDUH Dummyvariabele Beschrijving

Leeftijd CATAG7

age_18_20 1 18-20 jaar oud; 0 Anders age_21_25 1 21-25 jaar oud; 0 Anders age_26_34 1 26-34 jaar oud; 0 Anders age_35_older 1 35 jaar of ouder; 0 Anders

Geslacht irsex male 1 Man; 0 Anders

female 1 Vrouw; 0 Anders

Etniciteit NEWRACE2

White 1 Blank; 0 Anders

Black_AfrAm 1 Zwart of Afro-Amerikaans; 0 Anders Hispanic 1 Hispanic; 0 Anders

other_ethnicity 1 Andere etniciteiten dan hierboven; 0 Anders

Inkomen income

inc_20000_less 1 20000$ of minder; 0 Anders inc_20000_49999 1 20000-49999 $; 0 Anders inc_50000_74999 1 50000-74999$; 0 Anders inc_75000_more 1 75000$of meer; 0 Anders

Huwelijkse staat irmaritstat

married 1 Getrouwd; 0 Anders

widowed 1 Weduwe; 0 Anders

divorced_separated 1 Gescheiden of uit elkaar; 0 Anders never_married 1 Nooit getrouwd; 0 Anders

Arbeidspositie irwrkstat

full_time 1 Voltijd; 0 Anders part_time 1 Deeltijd; 0 Anders unemployed 1 Werkloos; 0 Anders

other_employment 1 Andere arbeidspositie dan hierboven4; 0 Anders Bevolkingsdichtheid COUTYP2 metro 1 Metropool; 0 Anders

non_metro 1 Geen metropool; 0 Anders 4 _{Inclusief niet in beroepsbevolking}

Bijlage IV: Resultaten tabak

daily_smoke Coef. Std. Err.

HS_dropout 1,703 *** 0,04921 HS_graduate 1,357 *** 0,04136 ASS_degree 1,018 *** 0,03960 age_21_25 0,659 *** 0,04739 age_26_34 1,030 *** 0,05035 age_35_older 0,553 *** 0,05102 male 0,192 *** 0,02524 Black_AfrAm -0,638 *** 0,03976 Hispanic -1,114 *** 0,03951 other_ethnicity -0,208 *** 0,04197 inc_20000_49999 -0,234 *** 0,03284 inc_50000_74999 -0,380 *** 0,04271 inc_75000_more -0,494 *** 0,04040 widowed 0,173 * 0,06758 divorced_separated 0,844 *** 0,03984 never_married 0,562 *** 0,03420 part_time -0,274 *** 0,03799 unemployed 0,433 *** 0,04765 other_employment -0,251 *** 0,03243 non_metro 0,091 ** 0,02970 _cons -2,764 *** 0,07337 * p<0,05; ** p<0,01; *** p<0,001 Tabel 17: Logit over dagelijks roken

daily_smoke dy/dx Std. Err. HS_dropout 0,266 *** 0,00740 HS_graduate 0,212 *** 0,00626 ASS_degree 0,159 *** 0,00608 age_21_25 0,103 *** 0,00734 age_26_34 0,161 *** 0,00774 age_35_older 0,086 *** 0,00792 male 0,030 *** 0,00393 Black_AfrAm -0,099 *** 0,00614 Hispanic -0,174 *** 0,00600 other_ethnicity -0,032 *** 0,00654 inc_20000_49999 -0,036 *** 0,00511 inc_50000_74999 -0,059 *** 0,00664 inc_75000_more -0,077 *** 0,00627 widowed 0,027 * 0,01054 divorced_separated 0,132 *** 0,00611 never_married 0,088 *** 0,00529 part_time -0,043 *** 0,00592 unemployed 0,068 *** 0,00741 other_employment -0,039 *** 0,00505 non_metro 0,014 ** 0,00463 * p<0,05; ** p<0,01; *** p<0,001

Bijlage V: Resultaten alcohol

pastmonth_alcohol Coef. Std. Err. HS_dropout -0,840 *** 0,04018 HS_graduate -0,614 *** 0,03174 ASS_degree -0,246 *** 0,02971 age_21_25 0,906 *** 0,03993 age_26_34 0,690 *** 0,04283 age_35_older 0,410 *** 0,04249 male 0,258 *** 0,02159 Black_AfrAm -0,367 *** 0,03333 Hispanic -0,415 *** 0,02991 other_ethnicity -0,621 *** 0,03549 inc_20000_49999 0,090 ** 0,02954 inc_50000_74999 0,248 *** 0,03673 inc_75000_more 0,519 *** 0,03481 widowed -0,047 0,05738 divorced_separated 0,304 *** 0,03585 never_married 0,387 *** 0,02955 part_time -0,251 *** 0,03105 unemployed -0,366 *** 0,04430 other_employment -0,715 *** 0,02656 non_metro -0,178 *** 0,02639 _cons 0,115 0,06046 * p<0,05; ** p<0,01; *** p<0,001

pastmonth_alcohol dy/dx Std. Err. HS_dropout -0,181 *** 0,00849 HS_graduate -0,132 *** 0,00673 ASS_degree -0,053 *** 0,00638 age_21_25 0,195 *** 0,00841 age_26_34 0,149 *** 0,00912 age_35_older 0,088 *** 0,00911 male 0,055 *** 0,00462 Black_AfrAm -0,079 *** 0,00714 Hispanic -0,089 *** 0,00639 other_ethnicity -0,134 *** 0,00754 inc_20000_49999 0,019 ** 0,00636 inc_50000_74999 0,053 *** 0,00789 inc_75000_more 0,112 *** 0,00743 widowed -0,010 0,01236 divorced_separated 0,065 *** 0,00770 never_married 0,083 *** 0,00632 part_time -0,054 *** 0,00667 unemployed -0,079 *** 0,00951 other_employment -0,154 *** 0,00553 non_metro -0,038 *** 0,00567 * p<0,05; ** p<0,01; *** p<0,001

Bijlage VI: Resultaten marihuana

pastmonth_marijuana Coef. Std. Err.

HS_dropout 0,469 *** 0,06226 HS_graduate 0,301 *** 0,05081 ASS_degree 0,411 *** 0,04703 age_21_25 -0,080 0,04708 age_26_34 -0,271 *** 0,05394 age_35_older -0,930 *** 0,05856 male 0,494 *** 0,03186 Black_AfrAm -0,075 0,04669 Hispanic -0,479 *** 0,04666 other_ethnicity -0,179 *** 0,05334 inc_20000_49999 -0,054 0,04106 inc_50000_74999 -0,136 * 0,05356 inc_75000_more -0,202 *** 0,04904 widowed 0,490 *** 0,10015 divorced_separated 0,716 *** 0,06016 never_married 0,840 *** 0,04610 part_time 0,014 0,04400 unemployed 0,156 ** 0,05815 other_employment -0,223 *** 0,04325 non_metro -0,176 *** 0,04068 _cons -2,421 *** 0,08561 * p<0,05; ** p<0,01; *** p<0,001

pastmonth_marijuana dy/dx Std. Err. HS_dropout 0,046 *** 0,00607 HS_graduate 0,029 *** 0,00496 ASS_degree 0,040 *** 0,00459 age_21_25 -0,008 0,00459 age_26_34 -0,026 *** 0,00526 age_35_older -0,091 *** 0,00572 male 0,048 *** 0,00310 Black_AfrAm -0,007 0,00455 Hispanic -0,047 *** 0,00455 other_ethnicity -0,017 *** 0,00520 inc_20000_49999 -0,005 0,00401 inc_50000_74999 -0,013 * 0,00522 inc_75000_more -0,020 *** 0,00478 widowed 0,048 *** 0,00977 divorced_separated 0,070 *** 0,00588 never_married 0,082 *** 0,00451 part_time 0,001 0,00429 unemployed 0,015 ** 0,00567 other_employment -0,022 *** 0,00422 non_metro -0,017 *** 0,00397 * p<0,05; ** p<0,01; *** p<0,001

Bijlage VII: Resultaten illegale drugs

ever_illicitdrugs Coef. Std. Err. HS_dropout 0,130 ** 0,04206 HS_graduate 0,080 * 0,03251 ASS_degree 0,237 *** 0,02941 age_21_25 0,371 *** 0,04232 age_26_34 0,606 *** 0,04522 age_35_older 0,426 *** 0,04562 male 0,385 *** 0,02201 Black_AfrAm -0,830 *** 0,03785 Hispanic -0,489 *** 0,03190 other_ethnicity -0,349 *** 0,03735 inc_20000_49999 -0,040 0,03117 inc_50000_74999 -0,074 0,03835 inc_75000_more -0,002 0,03570 widowed -0,080 0,06587 divorced_separated 0,588 *** 0,03608 never_married 0,480 *** 0,03011 part_time -0,064 * 0,03196 unemployed 0,152 *** 0,04559 other_employment -0,354 *** 0,02900 non_metro -0,162 *** 0,02754 _cons -1,442 *** 0,06305 * p<0,05; ** p<0,01; *** p<0,001

ever_illicitdrugs dy/dx Std. Err. HS_dropout 0,026 ** 0,00858 HS_graduate 0,016 * 0,00663 ASS_degree 0,048 *** 0,00598 age_21_25 0,076 *** 0,00861 age_26_34 0,124 *** 0,00916 age_35_older 0,087 *** 0,00928 male 0,079 *** 0,00444 Black_AfrAm -0,169 *** 0,00758 Hispanic -0,100 *** 0,00645 other_ethnicity -0,071 *** 0,00759 inc_20000_49999 -0,008 0,00636 inc_50000_74999 -0,015 0,00782 inc_75000_more 0,000 0,00728 widowed -0,016 0,01344 divorced_separated 0,120 *** 0,00728 never_married 0,098 *** 0,00608 part_time -0,013 * 0,00652 unemployed 0,031 *** 0,00930 other_employment -0,072 *** 0,00588 non_metro -0,033 *** 0,00561 * p<0,05; ** p<0,01; *** p<0,001

Bijlage VIII: Tabakgebruik bij verschillende etniciteiten

daily_smoke All White Black/Afr-Am Hispanic Other

Number of observations 42386 25533 5306 7307 4240

LR chi2(df) 4380,97 3072,34 514,13 278,14 479,32

Prob >chi2 0,0000 0,0000 0,0000 0,0000 0,0000

Pseudo R2 0,0971 0,1074 0,0928 0,0454 0,1061

Loglikelihood -20376,18 -12764,25 -2512,76 -2921,69 -2019,72

Tabel 25: Statistiek van logitregressies met betrekking tot dagelijks roken

daily_smoke All White Black/Afr-Am Hispanic Other

Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. HS_dropout 1,703 *** 0,04921 1,952 *** 0,06288 1,759 *** 0,16492 0,615 *** 0,14480 1,685 *** 0,15526 HS_graduate 1,357 *** 0,04136 1,414 *** 0,04885 1,367 *** 0,15453 0,628 *** 0,14055 1,410 *** 0,12586 ASS_degree 1,018 *** 0,03960 1,029 *** 0,04639 1,057 *** 0,15264 0,506 *** 0,13912 1,096 *** 0,11738 age_21_25 0,659 *** 0,04739 0,605 *** 0,06063 0,938 *** 0,14405 0,627 *** 0,11979 0,776 *** 0,14212 age_26_34 1,030 *** 0,05035 1,061 *** 0,06508 1,327 *** 0,14902 0,795 *** 0,12788 0,992 *** 0,15377 age_35_older 0,553 *** 0,05102 0,460 *** 0,06561 1,156 *** 0,14745 0,511 *** 0,13395 0,708 *** 0,15958 male 0,192 *** 0,02524 0,046 0,03182 0,492 *** 0,07224 0,498 *** 0,07007 0,313 *** 0,07929 Black_AfrAm -0,638 *** 0,03976 - - - -Hispanic -1,114 *** 0,03951 - - - -other_ethnicity -0,208 *** 0,04197 - - - -inc_20000_49999 -0,234 *** 0,03284 -0,237 *** 0,04394 -0,392 *** 0,08387 -0,134 0,08356 -0,258 * 0,10299 inc_50000_74999 -0,380 *** 0,04271 -0,444 *** 0,05387 -0,535 *** 0,13146 -0,104 0,11700 -0,334 * 0,13310 inc_75000_more -0,494 *** 0,04040 -0,552 *** 0,05033 -0,652 *** 0,13642 -0,101 0,11535 -0,451 *** 0,12389 widowed 0,173 * 0,06758 0,000 *** 0,08352 0,306 0,18029 0,596 ** 0,20513 0,293 0,24755 divorced_separated 0,844 *** 0,03984 0,842 *** 0,04879 0,563 *** 0,12630 0,789 *** 0,11260 0,983 *** 0,13635 never_married 0,562 *** 0,03420 0,533 *** 0,04338 0,485 *** 0,10355 0,652 *** 0,08936 0,549 *** 0,10976 part_time -0,274 *** 0,03799 -0,295 *** 0,04666 -0,228 0,11786 -0,136 0,10617 -0,473 *** 0,12291 unemployed 0,433 *** 0,04765 0,452 *** 0,06901 0,599 *** 0,10712 0,422 *** 0,10985 0,137 0,15048 other_employment -0,251 *** 0,03243 -0,284 *** 0,04105 -0,088 0,09304 -0,225 * 0,08996 -0,364 *** 0,10248 non_metro 0,091 ** 0,02970 0,017 0,03495 -0,165 0,10916 0,499 *** 0,10226 0,405 *** 0,09134 _cons -2,764 *** 0,07337 -2,620 *** 0,09105 -3,834 *** 0,23805 -3,453 *** 0,20956 -3,174 *** 0,22191 * p<0,05; ** p<0,01; *** p<0,001

Tabel 26: Logit over dagelijks roken, opgedeeld in verschillende etniciteiten

daily_smoke All White Black/Afr-Am Hispanic Other

dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. HS_dropout 0,266 *** 0,00740 0,321 *** 0,00973 0,269 *** 0,02469 0,074 *** 0,01751 0,260 *** 0,02314 HS_graduate 0,212 *** 0,00626 0,232 *** 0,00768 0,209 *** 0,02339 0,076 *** 0,01699 0,218 *** 0,01877 ASS_degree 0,159 *** 0,00608 0,169 *** 0,00745 0,162 *** 0,02325 0,061 *** 0,01682 0,169 *** 0,01778 age_21_25 0,103 *** 0,00734 0,099 *** 0,00989 0,144 *** 0,02185 0,076 *** 0,01447 0,120 *** 0,02174 age_26_34 0,161 *** 0,00774 0,174 *** 0,01049 0,203 *** 0,02237 0,096 *** 0,01543 0,153 *** 0,02340 age_35_older 0,086 *** 0,00792 0,076 *** 0,01073 0,177 *** 0,02224 0,062 *** 0,01618 0,109 *** 0,02449 male 0,030 *** 0,00393 0,008 0,00522 0,075 *** 0,01092 0,060 *** 0,00845 0,048 *** 0,01219 Black_AfrAm -0,099 *** 0,00614 - - - -Hispanic -0,174 *** 0,00600 - - - -other_ethnicity -0,032 *** 0,00654 - - - -inc_20000_49999 -0,036 *** 0,00511 -0,039 *** 0,00720 -0,060 *** 0,01275 -0,016 0,01010 -0,040 * 0,01589 inc_50000_74999 -0,059 *** 0,00664 -0,073 *** 0,00880 -0,082 *** 0,02003 -0,013 0,01415 -0,052 * 0,02053 inc_75000_more -0,077 *** 0,00627 -0,091 *** 0,00820 -0,100 *** 0,02077 -0,012 0,01395 -0,070 *** 0,01908 widowed 0,027 * 0,01054 0,000 *** 0,01371 0,047 0,02758 0,072 ** 0,02480 0,045 0,03826 divorced_separated 0,132 *** 0,00611 0,138 *** 0,00786 0,086 *** 0,01924 0,095 *** 0,01359 0,152 *** 0,02067 never_married 0,088 *** 0,00529 0,088 *** 0,00706 0,074 *** 0,01576 0,079 *** 0,01078 0,085 *** 0,01683 part_time -0,043 *** 0,00592 -0,048 *** 0,00764 -0,035 0,01803 -0,016 0,01284 -0,073 *** 0,01891 unemployed 0,068 *** 0,00741 0,074 *** 0,01129 0,092 *** 0,01623 0,051 *** 0,01326 0,021 0,02325 other_employment -0,039 *** 0,00505 -0,047 *** 0,00672 -0,013 0,01424 -0,027 * 0,01088 -0,056 *** 0,01578 non_metro 0,014 ** 0,00463 0,003 0,00574 -0,025 0,01670 0,060 *** 0,01234 0,063 *** 0,01401 * p<0,05; ** p<0,01; *** p<0,001

Tabel 27: Gemiddelde marginale effecten met betrekking tot dagelijks roken, opgedeeld in verschillende etniciteiten

Model Obs ll(null) ll(model) df AIC BIC

t_all 42386 -22566,67 -20376,18 21 40794,36 40976,11 t_White 25533 -14300,42 -12764,25 18 25564,49 25711,15 t_Black_AfrAm 5306 -2769,83 -2512,76 18 5061,53 5179,91 t_Hispanic 7307 -3060,76 -2921,69 18 5879,37 6003,51 t_other 4240 -2259,38 -2019,72 18 4075,44 4189,78

Bijlage IX: Alcoholgebruik bij verschillende etniciteiten

pastmonth_alcohol All White Black/Afr-Am Hispanic Other

Number of observations 42386 25533 5306 7307 4240

LR chi2(df) 5059,40 2811,15 480,25 921,81 410,60

Prob >chi2 0,0000 0,0000 0,0000 0,0000 0,0000

Pseudo R2 0,0878 0,0837 0,0654 0,0910 0,0699

Loglikelihood -26289,18 -15385,56 -3432,64 -4602,64 -2733,60

Tabel 29: Statistiek van logitregressies met betrekking tot alcoholgebruik in afgelopen maand

pastmonth_alcohol All White Black/Afr-Am Hispanic Other

Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. HS_dropout -0,840 *** 0,04018 -1,002 *** 0,05664 -0,335 ** 0,11373 -0,912 *** 0,09502 -0,235 0,13349 HS_graduate -0,614 *** 0,03174 -0,755 *** 0,03986 -0,366 *** 0,09718 -0,527 *** 0,09169 -0,236 * 0,09704 ASS_degree -0,246 *** 0,02971 -0,380 *** 0,03718 -0,048 0,09252 -0,092 0,08986 0,084 0,08477 age_21_25 0,906 *** 0,03993 0,862 *** 0,05543 1,059 *** 0,10593 0,884 *** 0,08563 0,931 *** 0,11767 age_26_34 0,690 *** 0,04283 0,592 *** 0,05936 1,046 *** 0,11238 0,686 *** 0,09321 0,658 *** 0,12858 age_35_older 0,410 *** 0,04249 0,331 *** 0,05845 0,724 *** 0,10992 0,397 *** 0,09512 0,257 0,13189 male 0,258 *** 0,02159 0,212 *** 0,02841 0,264 *** 0,05974 0,436 *** 0,05211 0,227 *** 0,06573 Black_AfrAm -0,367 *** 0,03333 - - - -Hispanic -0,415 *** 0,02991 - - - -other_ethnicity -0,621 *** 0,03549 - - - -inc_20000_49999 0,090 ** 0,02954 0,125 ** 0,04192 0,094 0,07149 0,126 * 0,06379 -0,089 0,09201 inc_50000_74999 0,248 *** 0,03673 0,276 *** 0,04927 0,133 0,10214 0,351 *** 0,08631 0,120 0,11254 inc_75000_more 0,519 *** 0,03481 0,518 *** 0,04635 0,603 *** 0,10283 0,553 *** 0,08539 0,422 *** 0,10285 widowed -0,047 0,05738 -0,147 * 0,07077 0,050 0,15369 0,263 0,16249 0,033 0,22902 divorced_separated 0,304 *** 0,03585 0,213 *** 0,04588 0,440 *** 0,10293 0,370 *** 0,08720 0,681 *** 0,12283 never_married 0,387 *** 0,02955 0,278 *** 0,04039 0,540 *** 0,08156 0,372 *** 0,06520 0,665 *** 0,09068 part_time -0,251 *** 0,03105 -0,250 *** 0,04027 -0,148 0,09001 -0,337 *** 0,07487 -0,334 *** 0,09711 unemployed -0,366 *** 0,04430 -0,516 *** 0,06673 -0,296 ** 0,09615 -0,294 ** 0,09192 -0,173 0,13736 other_employment -0,715 *** 0,02656 -0,720 *** 0,03468 -0,696 *** 0,07610 -0,744 *** 0,06385 -0,761 *** 0,08405 non_metro -0,178 *** 0,02639 -0,268 *** 0,03116 -0,198 * 0,09019 0,145 0,08608 0,105 0,08405 _cons 0,115 0,06046 0,378 *** 0,08045 -0,873 *** 0,16721 -0,485 *** 0,14281 -0,799 *** 0,17890 * p<0,05; ** p<0,01; *** p<0,001

Tabel 30: Logit over alcoholgebruik in afgelopen maand, opgedeeld in verschillende etniciteiten

pastmonth_alcohol All White Black/Afr-Am Hispanic Other

dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. HS_dropout -0,181 *** 0,00849 -0,208 *** 0,01149 -0,076 ** 0,02581 -0,200 *** 0,02040 -0,053 0,03022 HS_graduate -0,132 *** 0,00673 -0,156 *** 0,00806 -0,083 *** 0,02201 -0,116 *** 0,01998 -0,053 * 0,02194 ASS_degree -0,053 *** 0,00638 -0,079 *** 0,00766 -0,011 0,02106 -0,020 0,01975 0,019 0,01921 age_21_25 0,195 *** 0,00841 0,179 *** 0,01130 0,241 *** 0,02325 0,194 *** 0,01831 0,211 *** 0,02592 age_26_34 0,149 *** 0,00912 0,123 *** 0,01222 0,238 *** 0,02479 0,151 *** 0,02021 0,149 *** 0,02880 age_35_older 0,088 *** 0,00911 0,069 *** 0,01209 0,165 *** 0,02464 0,087 *** 0,02082 0,058 0,02985 male 0,055 *** 0,00462 0,044 *** 0,00587 0,060 *** 0,01351 0,096 *** 0,01125 0,051 *** 0,01482 Black_AfrAm -0,079 *** 0,00714 - - - -Hispanic -0,089 *** 0,00639 - - - -other_ethnicity -0,134 *** 0,00754 - - - -inc_20000_49999 0,019 ** 0,00636 0,026 ** 0,00869 0,021 0,01627 0,028 * 0,01401 -0,020 0,02085 inc_50000_74999 0,053 *** 0,00789 0,057 *** 0,01019 0,030 0,02324 0,077 *** 0,01889 0,027 0,02550 inc_75000_more 0,112 *** 0,00743 0,107 *** 0,00953 0,137 *** 0,02313 0,122 *** 0,01857 0,096 *** 0,02314 widowed -0,010 0,01236 -0,030 * 0,01467 0,011 0,03499 0,058 0,03570 0,007 0,05191 divorced_separated 0,065 *** 0,00770 0,044 *** 0,00950 0,100 *** 0,02329 0,081 *** 0,01908 0,154 *** 0,02747 never_married 0,083 *** 0,00632 0,058 *** 0,00835 0,123 *** 0,01828 0,082 *** 0,01422 0,151 *** 0,02006 part_time -0,054 *** 0,00667 -0,052 *** 0,00833 -0,034 0,02047 -0,074 *** 0,01637 -0,076 *** 0,02190 unemployed -0,079 *** 0,00951 -0,107 *** 0,01378 -0,067 ** 0,02182 -0,065 ** 0,02015 -0,039 0,03112 other_employment -0,154 *** 0,00553 -0,149 *** 0,00696 -0,158 *** 0,01680 -0,164 *** 0,01355 -0,173 *** 0,01835 non_metro -0,038 *** 0,00567 -0,056 *** 0,00643 -0,045 * 0,02050 0,032 0,01891 0,024 0,01904 * p<0,05; ** p<0,01; *** p<0,001

Tabel 31: Gemiddelde marginale effecten met betrekking tot alcoholgebruik in afgelopen maand, ingedeeld naar etniciteiten

Model Obs ll(null) ll(model) df AIC BIC

a_all 42386 -28818,89 -26289,18 21 52620,37 52802,12

a_White 25533 -16791,14 -15385,56 18 30807,13 30953,79 a_Black_AfrAm 5306 -3672,77 -3432,64 18 6901,28 7019,66 a_Hispanic 7307 -5063,54 -4602,64 18 9241,27 9365,41 a_other 4240 -2938,90 -2733,60 18 5503,20 5617,54

Bijlage X: Marihuanagebruik bij verschillende etniciteiten

pastmonth_marijuana All White Black/Afr-Am Hispanic Other

Number of observations 42386 25533 5306 7307 4240

LR chi2(df) 2564,32 1583,71 329,40 544,30 259,36

Prob >chi2 0,0000 0,0000 0,0000 0,0000 0,0000

Pseudo R2 0,0834 0,0855 0,0754 0,1151 0,0845

Loglikelihood -14095,49 -8472,81 -2020,32 -2092,89 -1404,43

Tabel 33: Statistiek van logitregressies met betrekking tot marihuanagebruik in afgelopen maand

pastmonth_marijuana All White Black/Afr-Am Hispanic Other

Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. Coef. Std. Err. HS_dropout 0,469 *** 0,06226 0,584 *** 0,08156 0,694 *** 0,17916 -0,363 * 0,16992 1,193 *** 0,19385 HS_graduate 0,301 *** 0,05081 0,305 *** 0,06194 0,565 *** 0,15993 -0,305 0,15748 0,523 ** 0,16143 ASS_degree 0,411 *** 0,04703 0,404 *** 0,05646 0,489 ** 0,15515 0,058 0,15061 0,629 *** 0,14654 age_21_25 -0,080 0,04708 -0,076 0,06422 -0,010 0,11914 -0,142 0,10695 0,036 0,14581 age_26_34 -0,271 *** 0,05394 -0,123 0,07238 -0,474 *** 0,13727 -0,543 *** 0,13169 -0,209 0,17047 age_35_older -0,930 *** 0,05856 -0,810 *** 0,07761 -1,010 *** 0,14330 -1,332 *** 0,16070 -0,814 *** 0,19228 male 0,494 *** 0,03186 0,471 *** 0,04124 0,603 *** 0,08263 0,568 *** 0,08444 0,291 ** 0,09988 Black_AfrAm -0,075 0,04669 - - - -Hispanic -0,479 *** 0,04666 - - - -other_ethnicity -0,179 *** 0,05334 - - - -inc_20000_49999 -0,054 0,04106 -0,065 0,05626 -0,069 0,09697 0,010 0,10171 -0,197 0,12788 inc_50000_74999 -0,136 * 0,05356 -0,162 * 0,06893 -0,224 0,14892 -0,251 0,14880 0,050 0,16228 inc_75000_more -0,202 *** 0,04904 -0,294 *** 0,06291 -0,084 0,14113 0,106 0,13056 -0,250 0,15245 widowed 0,490 *** 0,10015 0,093 0,13975 0,748 *** 0,21980 1,468 *** 0,25431 0,060 0,42013 divorced_separated 0,716 *** 0,06016 0,668 *** 0,07301 0,327 0,18240 0,797 *** 0,18712 1,162 *** 0,19616 never_married 0,840 *** 0,04610 0,835 *** 0,05784 0,516 *** 0,13339 1,137 *** 0,12749 0,874 *** 0,15475 part_time 0,014 0,04400 -0,017 0,05650 0,046 0,11966 0,151 0,11142 -0,078 0,14146 unemployed 0,156 ** 0,05815 0,114 0,08537 0,094 0,12384 0,256 0,13399 0,098 0,18397 other_employment -0,223 *** 0,04325 -0,209 *** 0,05619 -0,249 * 0,11323 -0,267 * 0,11589 -0,278 * 0,13218 non_metro -0,176 *** 0,04068 -0,251 *** 0,04835 -0,576 *** 0,14712 0,140 0,13964 0,248 * 0,11868 _cons -2,421 *** 0,08561 -2,414 *** 0,10891 -2,358 *** 0,24370 -2,646 *** 0,23376 -2,887 *** 0,26775 * p<0,05; ** p<0,01; *** p<0,001

Tabel 34: Logit over marihuanagebruik in afgelopen maand, opgedeeld in verschillende etniciteiten

pastmonth_marijuana All White Black/Afr-Am Hispanic Other

dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. dy/dx Std. Err. HS_dropout 0,046 *** 0,00607 0,057 *** 0,00794 0,080 *** 0,02065 -0,030 * 0,01404 0,116 *** 0,01887 HS_graduate 0,029 *** 0,00496 0,030 *** 0,00603 0,065 *** 0,01844 -0,025 0,01301 0,051 ** 0,01575 ASS_degree 0,040 *** 0,00459 0,039 *** 0,00550 0,056 ** 0,01789 0,005 0,01244 0,061 *** 0,01430 age_21_25 -0,008 0,00459 -0,007 0,00625 -0,001 0,01374 -0,012 0,00883 0,003 0,01420 age_26_34 -0,026 *** 0,00526 -0,012 0,00704 -0,055 *** 0,01579 -0,045 *** 0,01087 -0,020 0,01660 age_35_older -0,091 *** 0,00572 -0,079 *** 0,00756 -0,116 *** 0,01645 -0,110 *** 0,01337 -0,079 *** 0,01874 male 0,048 *** 0,00310 0,046 *** 0,00401 0,070 *** 0,00947 0,047 *** 0,00697 0,028 ** 0,00972 Black_AfrAm -0,007 0,00455 - - - -Hispanic -0,047 *** 0,00455 - - - -other_ethnicity -0,017 *** 0,00520 - - - -inc_20000_49999 -0,005 0,00401 -0,006 0,00548 -0,008 0,01118 0,001 0,00840 -0,019 0,01245 inc_50000_74999 -0,013 * 0,00522 -0,016 * 0,00671 -0,026 0,01717 -0,021 0,01229 0,005 0,01580 inc_75000_more -0,020 *** 0,00478 -0,029 *** 0,00612 -0,010 0,01627 0,009 0,01078 -0,024 0,01485 widowed 0,048 *** 0,00977 0,009 0,01360 0,086 *** 0,02533 0,121 *** 0,02109 0,006 0,04092 divorced_separated 0,070 *** 0,00588 0,065 *** 0,00712 0,038 0,02103 0,066 *** 0,01551 0,113 *** 0,01921 never_married 0,082 *** 0,00451 0,081 *** 0,00564 0,060 *** 0,01538 0,094 *** 0,01065 0,085 *** 0,01514 part_time 0,001 0,00429 -0,002 0,00550 0,005 0,01380 0,012 0,00920 -0,008 0,01378 unemployed 0,015 ** 0,00567 0,011 0,00831 0,011 0,01428 0,021 0,01106 0,010 0,01791 other_employment -0,022 *** 0,00422 -0,020 *** 0,00547 -0,029 * 0,01305 -0,022 * 0,00958 -0,027 * 0,01287 non_metro -0,017 *** 0,00397 -0,024 *** 0,00471 -0,066 *** 0,01694 0,012 0,01153 0,024 * 0,01155 * p<0,05; ** p<0,01; *** p<0,001

Tabel 35: Gemiddelde marginale effecten met betrekking tot marihuanagebruik in afgelopen maand, ingedeeld naar etniciteiten

Model Obs ll(null) ll(model) df AIC BIC

m_all 42386 -15377,65 -14095,49 21 28232,98 28414,73 m_White 25533 -9264,67 -8472,81 18 16981,63 17128,29 m_Black_AfrAm 5306 -2185,02 -2020,32 18 4076,64 4195,02 m_Hispanic 7307 -2365,04 -2092,89 18 4221,77 4345,91 m_other 4240 -1534,11 -1404,43 18 2844,87 2959,21