Tässä tutkimuksessa tullaan käyttämään sekä kuvailevia että monimuuttujamenetelmiä.
Kuvailevien menetelmien tarkoituksena on kartoittaa äidin stressitekijöiden esiintymisen sekä ammattiavun tarpeen ja saamisen kontekstia. Siinä tarkastellaan, miten stressitekijät sekä ammattiavun tarve ja saaminen jakautuvat tutkimukseen valittujen taustamuuttujien, äidin iän, perhemuodon ja koulutuksen, mukaan. Sopivimmaksi analyysimenetelmäksi valikoitui ristiintaulukointi, koska suurin osa selittävistä muuttujista oli jo valmiiksi luo-kitteluasteikollisia muuttujia ja osa muutettiin sellaisiksi myöhempiä analyysejä varten.
Ristiintaulukoinnin avulla voidaan tutkia sekä muuttujien jakautumista erilaisiin luokkiin että niiden välisiä riippuvuuksia (KvantiMOTV 2017a).
Varsinainen analyysi suoritetaan monimuuttujamenetelmien avulla. Siinä käytetään pää-asiassa lineaarista ja logistista regressioanalyysiä, sillä niiden avulla pystytään parhaiten vastaamaan tutkimuskysymyksiin. Pääperiaate on näissä molemmissa regressioanalyysin muodoissa sama, eli niissä tarkastellaan usean eri tekijän yhteyttä kiinnostuksen kohteena olevaan asiaan (Metsämuuronen 2001, 59). Tässä tutkimuksessa keskeisenä huomion kohteena on stressitekijöiden ja sosiaalisen tuen vaikutukset äidin lapseensa kohdista-maan väkivallan käyttöön. Näiden yhteykisen tutkimiseen regressioanalyysi soveltuu hy-vin. Se käy hyvin myös ensisijaisten stressitekijöiden ja sosiaalisen tuen tarpeen välittä-vien vaikutuksien tutkimiseen. Kyseessä on niin sanottu pakotettu, eli konfirmatorinen,
regressioanalyysin käyttötapa, jossa selittävät muuttujat on valittu valmiiksi malliin teo-rian pohjalta eikä niitä pyritä enää poistamaan tai lisäämään niiden selitysvoiman vuoksi (ks. Metsämuuronen 2001, 65).
Äidin käyttämän henkisen ja lievän väkivallan analysointiin käytettiin perinteistä, lineaa-rista regressioanalyysiä. Lineaarisessa regressioanalyysissä selittävän muuttujan olisi hyvä olla jatkuva muuttuja, joka on jakautunut normaalisti (Metsämuuronen 2001, 59, 61). Henkisen ja lievän väkivallan summamuuttujat olivat muodoltaan jatkuvia ja niiden katsottiin olevan myös riittävän normaalijakautuneita, vaikka ne eivät täysin noudatta-neetkaan normaalijakaumaa.
Lineaarisessa regressioanalyysissä, nimensä mukaisesti, tutkitaan tilannetta, jossa selitet-tävän muuttujan Y ja selittävien muuttujien X välillä vallitsee lineaarinen yhteys: toisen arvon muuttuessa myös toisen arvo muuttuu (Jokivuori & Hietala 2007, 40). Analyysin tulkinnan kannalta olennaista on tietää, kuinka paljon vaikutusta erilaisilla stressitekijöillä ja muilla selittävillä tekijöillä on kuhunkin äidin käyttämään väkivallan muotoon. Tästä kertoo painokerroin β (beeta) (Metsämuuronen 2001, 62). Tämän lisäksi tärkeää on mal-lin hyvyys, eli miten kaikki selittävät muuttujat pystyvät yhdessä selittämään äidin käyt-tämää väkivaltaa. Tämän saa selville mallin selitysasteen R2 avulla. (emt., 66.) Nämä mo-lemmat asiat on raportoitu analyysitaulukoiden yhteydessä.
Vakavan väkivallan summamuuttujan jakauma oli sen verran kaukana normaalija-kaumasta (vinous 6,7 ja huipukkuus 61,5), joten sen analyysiin päätettiin käyttää logis-tista regressioanalyysiä. Siinä ei selittävän muuttujan tarvitse olla normaalijakautunut ja muutenkin perusoletukset eivät ole niin tarkkoja kuin lineaarisessa regressioanalyysissä (Metsämuuronen 2001, 78-79). Selittävä muuttuja on siinä kaksiluokkainen, 0-1 arvoja saava muuttuja (Jokivuori & Hietala 2007, 58). Vakavan väkivallan -summamuuttuja oli aika lailla dikotominen jo luonnostaan, joten logistinen regressio oli myös siinä mielessä luonteva vaihtoehto. Lisäksi logistista regressiota käytettiin ensisijaisten ja toissijaisten stressitekijöiden sekä stressitekijöiden ja ammattiavun tarpeen yhteyksien tarkasteluun, sillä selittävät tekijät olivat molemmissa niihin liittyvissä analyyseissä dikotomisia.
Toisin kuin lineaarinen regressioanalyysi, logistinen regressioanalyysi ei kerro selittävien ja selitettävien muuttujien riippuvuuden määrää vaan riippuvuuden todennäköisyyden ja
tämän suuruuden. Riskin (odds) käsite on tässä keskeinen. Siinä tutkittavan asian esiinty-misen todennäköisyys suhteutetaan esiintymättömyyden todennäköisyyteen. (Kvanti-MOTV 2017b.) SPSS:ssä riskistä kertovat Exp(B) sarakkeessa olevat riskiluvut. Ne ker-tovat riskitason muutoksen silloin, kun selittävä muuttuja muuttuu yhden yksikön verran.
Riskiluvun ollessa suurempi kuin 1 todennäköisyys asian tapahtumiselle lisääntyy, ja sen ollessa pienempi kuin 1 todennäköisyys asian tapahtumiselle vähenee. Riskilukua verra-taan asetettuun referenssiryhmään eli vertailuryhmään, joka saa arvon 1. (Jokivuori &
Hietala 2010, 71-72.)
Riskiluvun yhteydessä on tarpeellista ilmoittaa myöskin luottamusväli, joka kertoo riski-luvun vaihtelun perusjoukossa. Mitä suurempi vaihteluväli, sitä huonommin riskiriski-luvun suuruutta pystytään ennustamaan. Etenkin arvo 1 kertoo huonosta selittävän muuttujan ennustusvoimasta. (emt., 61-62.) Logistisessa regressioanalyysissä ei pystytä saamaan tarkkaa selitysastetta. Selitysastetta mitataan erilaisilla indikaattoreilla, joista Nagelkerke R Square on helpoiten tulkittavissa oleva vaihtoehto. Se vaihtelee 0 ja 1 välillä. Mitä lähempänä yhtä se on, sitä paremmin se pystyy mallia selittämään. (emt., 67-68.)
Stressitekijöiden vaikutusta sosiaaliseen tuen tarpeeseen tarkastellaan multinominaalisen regressioanalyysin avulla, sillä selitettävä muuttuja on siinä kolmeluokkainen, luokittelu-asteikollinen muuttuja. Multinominaalinen regressionalyysi on periaatteiltaan sama kuin logistinen regressioanalyysi, erona on vain se, että selitettävä muuttuja voi saada useam-man kuin kaksi arvoa. Yksi luokka asetetaan vertailutasoksi, joihin muita luokkia verra-taan. Siinä siis selvitetään selittävien tekijöiden riskiä kuulua tiettyyn luokkaan verrattuna vertailutason luokkaan. (emt., 78.)
Sekä lineaarisessa että logistisessa regressiossa edellytetään, että havaintoja on riittävästi malliin mukaan otettavien muuttujien nähden (Metsämuuronen 2001, 61, 79). Tässä tut-kimuksessa ei ole havaintojen määrän suhteen ongelmia: lähemmäs 2800 äidin otos on jo aika suuri. Regressioanalyysissä on myös yleisesti tärkeää tarkistaa, ettei selittävien muuttujien kesken ilmene liian vahvaa korrelaatiota (emt., 59-60). Liian voimakas yhteys saa aikaan multikollineaarisuudeksi kutsutun ilmiön, jossa jokin muuttuja voi näyttää se-litysvoimaiselta vain sen vuoksi, että se korreloi selitysvoimaisen muuttujan kanssa (emt., 61, 79).
Multikollineaarisuus voidaan tarkistaa lineaarisessa regressiossa mittojen Tolerance ja VIF avulla (emt., 68). Tolerance vaihtelee 1 ja 0 välillä, kun puolestaan VIF 1 ja äärettö-män välillä. Multikollineaarisuus on sitä pienempää, mitä suurempi Tolerance on ja mitä pienempi VIF on. Viitteellisenä rajana pidetään usein Tolerancin kohdalla arvoa 0,2 ja VIF:in kohdalla arvoa neljä. (Jokivuori & Hietala 2010, 50.) Tämänkään suhteen ei ana-lyyseissä ilmennyt ongelmia: selitettävien muuttujien VIF- ja Tolerance arvot olivat suu-rimmaksi osaksi lähellä yhtä. Ainoastaan lievän väkivallan kohdalla koulutus -muuttujien VIF-arvot olivat 6-7, eli hieman koholla.
Lineaarisessa regressioanalyysissä oletetaan myöskin, että residuaalit ovat jakautuneet normaalisti (Metsämuuronen 2001, 61). Tätä voidaan tarkastella normal probability plot -kuvan avulla, jossa residuaalit on asetettu janalle suuruusjärjestykseen. Suurin piirtein suora linja tarkoittaa, että residuaalit ovat jakautuneet normaalisti. (emt., 68.) Henkisen väkivallan kohdalla residuaalien muodostama linja oli suhteellisen suora ja lievän väki-vallan kohdalla hieman kaartelevampi. Seuraavaksi siirrytään tutkimuksen tulososioon.
5 TULOKSET
Tämä luku jakautuu kahteen eri osa-alueeseen: luvuissa 5.1-5.5 käsitellään aineistoa ku-vaavia tuloksia ja 5.6-5-9 luvuissa keskitytään monimuuttujamenetelmillä tehtyihin ana-lyyseihin. Kuvaavassa tarkastelussa kartoitetaan tutkimuksen taustoja. Ensimmäiseksi esitellään keskeisiä tietoja otokseen valikoituneista äideistä. Sitten tarkastellaan äitien vä-kivallan käytön yleisyyttä eri vävä-kivallan muotojen ja niistä koostuvien yksittäisten väki-valtaisten tekojen osalta. Sen jälkeen kuvaillaan stressitekijöiden ja sosiaalista tukea ku-vaavien muuttujien jakaumia sekä erikseen että valittujen taustamuuttujien luokkien mu-kaan.