Muuttuja Odotettavissa oleva yhteys ja yhteyden suunta
Ikä Elämänlaatu heikkenee korkeassa iässä. Parempaa elämänlaatua selittää läheisiltä saatu tuki ja terveys. Elämänlaadun vaihtelua selittävät tekijät eroavat ikäryhmien välillä. (Vaarama ym. 2010a, 135–143; Vaarama ym. 2010b, 151.)
Sukupuoli Ei odotettavissa olevaa yhteyttä.
Asiakasryhmä Yhteydestä tai yhteyden suunnasta ei ole tietoa.
Asumisaika Saadun palvelun merkitys (vaikuttavuus) asiakkaan elämänlaatuun lisääntyy ajan ku-luessa (Towers ym. 2016, 2–4). Toisaalta, ajan kuku-luessa ja toimintakyvyn laskiessa elämänlaatu tavallisesti huononee (Netten ym. 2012a, 6).
Toimintakyky Toimintakyvyn aleneminen ajan kuluessa vaatii kasvavaa panostusta palvelulta, tämä voi vaikuttaa elämänlaatuun sekä vaikuttavuuteen (Malley & Fernández 2010, 9–10).
Heikompi toimintakyky on yhteydessä palvelun korkeampaan vaikuttavuuteen (gain) (Netten ym. 2012b, 513). Heikko toimintakyky laskee elämänlaatua. Se vähentää myös sosiaalisia suhteita ja sitäkin kautta alentaa elämänlaatua (Vaarama ym. 2010b, 159;
Uotila 2011, 28–29). Heikko toimintakyky ei kuitenkaan aina tarkoita huonompaa elä-mänlaatua (Aalto ym. 2013, 4).
Laatukokemus 2
(kiire) Hoitajien kiire voi heikentää asiakkaan tyytyväisyyttä ja elämänlaatua (Tepponen 2009, 37; Räsänen 2017; HE 4/2020). Kiireen taustalla usein oleva matala hoitaja-mitoitus selitti tilastollisesti merkitsevästi hoidon laatua ja asiakkaiden tyytyväi-syyttä esimerkiksi Kajoniuksen & Kazemin (2016, 699–705) ja Malleyn & Fernán-dezin (2010, 562–564) tutkimuksissa. Matala mitoitus laski tyytyväisyyttä.
Laatukokemus 3
(kohtelu) Malleyn ja Fernándezin (2010, 560–562) mukaan henkilökunnan käytös ja asenteet vaikuttavat hoidon koettuun laatuun. Kajoniuksen ja Kazemin (2016, 699–701) tut-kimuksessa kunnioittava kohtelu selitti 40 % hoitoon tyytyväisyyden vaihtelusta hoi-vakodeissa. Vaaraman tutkimusryhmien (2010a, 135–143; 2010b, 151) tutkimusten tulokset tukevat tätä havaintoa. Tyytyväisyys hoidon laatuun parantaa elämänlaatua ja sen kautta palvelun vaikuttavuutta.
Läheissuhteet Yhteydessä elämänlaatuun ja palvelun vaikuttavuuteen sekä yksinäisyyden koke-mukseen. Asiakkaat, jotka kokevat läheisten olevan riittävästi läsnä elämässään, ovat vähemmän yksinäisiä (Dahlgren 2010, 195).
Yksinäisyys Yksinäisyyden ja iän suhde noudattaa U-käyrää (Pinquart & Sörensen 2001, 245).
Yksinäisyys ja sosiaalisten suhteiden puute heikentävät elämänlaatua (Hughes ym.
2004, 655–669). Tutkimusten mukaan elämänlaatua paransi yksinäisyyden tunteen puute (Vaarama 2006, 4; Vaarama, Pieper & Sixsmith 2008; Vaarama ym. 2010a, 128; Vaarama ym. 2010b, 159).
Regressioanalyysin etu on, että sillä voidaan analysoida samanaikaisesti useamman selit-tävän muuttujan yhteyksiä selitettävään muuttujaan, ottaen myös mallin muut muuttujat huomioon (ts. kun muut muuttujat on vakioitu) (KvantiMOTV 2008b). Menetelmänä reg-ressioanalyysi soveltuu erilaisille aineistoille hyvin, tietyt rajoitukset huomioon ottaen.
Tärkein aineistoon kohdistuva oletus regressiomallia sovellettaessa on, että muuttujien välillä on oltava lineaarinen yhteys. Selittävien muuttujien liiallista kolineaarisuutta tulisi kuitenkin välttää. Regressioanalyysissä aineiston koon tulisi olla vähintään 50 havaintoa.
Se soveltuu pienemmillekin aineistoille, mutta vain jos muut oletukset ovat voimassa.
Esimerkiksi normaalijakaumaoletuksesta voidaan tinkiä aineiston koon kasvaessa. Jos regressioanalyysin oletukset eivät ole voimassa, voi mallin muodostaminen olla vaikeaa.
Samalla tyypin 2 virheen todennäköisyys kasvaa. (Nummenmaa 2009, 315–319.) Regressioanalyysin kohdalla on arvioitava ennen kaikkea sitä, kuinka hyvin muodostettu malli pystyy toistamaan alkuperäiset havaintoarvot. Yleisesti tarkastellaan mallin sopi-vuutta, mallin selitysastetta, selittäjien sopivuutta sekä jäännöstermejä. Mallin sopivuutta voidaan tarkastella käyttämällä yksisuuntaista varianssianalyysiä (ANOVA). Fisherin F-suhteesta muodostuu suuri, jos malli selittää suuren osan selitettävän muuttujan vaihte-lusta. Jos tämän varianssianalyysin tulos on tilastollisesti merkitsevä (p < .05) mallin kat-sotaan sopivan aineistoon. Monimuuttujamallissa mallin selitysastetta tarkastellaan las-kemalla neliösummien avulla selitettävän muuttujan ja selittävien muuttujien multippeli-korrelaation neliö R2. Selitysaste vaihtelee aina välillä 0–1, jossa 1 tarkoittaa, että selitet-tävän muuttujan vaihtelu pystytään kuvaamaan kokonaan ja 0, ettei vaihtelua pystytä ku-vaamaan lainkaan. Selitysaste R2 antaa selitysasteen sille aineistolle, johon malli on so-vitettu. Se on oikea estimaatti, kun malli on tehty koko populaation perusteella. Jos ra-portoidaan korjattu selitysaste (adjusted R2), saadaan todenmukaisempi kuva otoksen pe-rusteella laaditun mallin sopivuudesta populaatioon. Korjattu selitysaste ottaa huomioon myös muuttujien lukumäärän, jottei se automaattisesti korota selitysastetta. (Nummen-maa 2009, 319–321.)
Regressiokerroin β ilmaisee, kuinka paljon yksittäinen selittävä muuttuja selittää selitet-tävän muuttujan vaihtelusta. Regressiokertoimet ilmaistaan samalla mittayksiköllä kuin selittävä muuttuja ja ne voivat olla negatiivisia tai positiivisia. Positiivinen arvo osoittaa,
että selittävän muuttujan arvon kasvaessa myös selitettävän muuttujan arvo kasvaa. Se-littävän muuttujan regressiokertoimen suuri itseisarvo tarkoittaa, että sillä voidaan selittää suuri osa selitettävän muuttujan vaihtelusta. Lähellä nollaa oleva β on yleensä merkityk-setön, mutta pienikin vaihtelu voi olla suurta suhteutettuna selitettävän muuttujan vaihte-luun. Regressiokerroin siis osoittaa, kuinka paljon selitettävän muuttujan arvo muuttuu, kun selittävä muuttuja muuttuu yhden yksikön, kun muut mallissa mukana olevat selittä-vät muuttujat pidetään vakiona. Standardoitu regressiokerroin ilmoittaa, kuinka monta keskihajontaa selitettävän muuttujan arvo muuttuu, kun selittävä muuttuja muuttuu yhden keskihajonnan verran, muiden muuttujien ollessa vakioitu. Standardoitu kerroin ei tar-vitse vakiotermiä: regressiosuora leikkaa y-akselin aina origossa. Standardoitu regressio-kerroin mahdollistaa mallin sisällä olevien selittävien muuttujien eri regressioregressio-kerrointen keskinäisen vertailun. Standardoidut regressiokertoimet eivät kuitenkaan ole vertailukel-poisia eri mallien välillä. (Nummenmaa 2009, 321–322.)
8.4.2 Elämänlaadun ja elämän- ja palvelun laatutekijöiden yhteys
Taulukossa 15, regressiomallissa 1, testaan kolmea yhteensä kuudesta tutkimushypotee-sista. Olen perustellut käyttämäni tutkimushypoteesit kappaleessa 6.2. Sosiaalipalveluun liittyvää elämänlaatua selittävät hypoteesit ovat: (H11) asiakkaan kokemalla yksinäisyy-dellä on negatiivinen yhteys hänen ASCOT-INT4-mittarilla mitattuun sosiaalipalveluun liittyvään elämänlaatuun. (H31) asiakkaan kokemuksella työntekijöiden kiireestä on ne-gatiivinen yhteys hänen ASCOT-INT4-mittarilla mitattuun sosiaalipalveluun liittyvään elämänlaatuun. (H51) asiakkaan kokemuksella työntekijöiltä saadusta kohtelusta on posi-tiivinen yhteys hänen ASCOT-INT4-mittarilla mitattuun sosiaalipalveluun liittyvään elä-mänlaatuun.
Regressiomallista 1 (Taulukko 15) havaitaan, että asiakkaiden kokemus työntekijöiden kiireestä (Laatukokemus 2), tyytyväisyys työntekijöiltä saatuun kohteluun (Laatukoke-mus 3) sekä yksinäisyys ovat kaikki tilastollisesti merkitseviä sosiaalipalveluihin liittyvän elämänlaadun selittäjiä. Asiakkaan ikä, sukupuoli, asiakasryhmä, toimintakyky tai perhe- ja läheissuhteiden määrä ja laatu eivät osoittautuneet tilastollisesti merkitseviksi.
TAULUKKO 15. Regressiomalli 1: elämän- sekä palvelun laatutekijöiden yhteys