(Aiheeseen liittyvät julkaisut:5 asiaa, jotka tulee pitää mielessä, kun kuulet sukupolvesta Z, Millennialeista, boomereista ja muista sukupolvistajaKuinka Pew Research Center raportoi sukupolvien etenemisestä eteenpäin)
Mielipiteet vaihtelevat usein sukupolveittain Yhdysvalloissa. Esimerkiksi sukupolvet Zers ja Millennials ovat todennäköisempiä kuin vanhemmat sukupolvethaluta hallituksen tekevän enemmän ongelmien ratkaisemiseksitammikuussa 2020 Pew Research Centerin tekemän tutkimuksen mukaan. Mutta tuntevatko Zers-sukupolvet ja Millenniaalit aina niin, vai voivatko heidän näkemyksensä hallituksesta muuttua konservatiivisemmiksi heidän ikääntyessään? Toisin sanoen, ovatko heidän asenteensa heidän sukupolvelleen ominaista pysyvää ominaisuutta vai heijastavatko ne vain elämänvaihetta?
Tähän kysymykseen ei voi vastata yhdellä kyselyllä. Sen sijaan tutkijat tarvitsevat kaksi asiaa: 1) monien vuosien aikana kerättyä tutkimustietoa –mieluiten vähintään 50 vuotta, tai tarpeeksi pitkä, jotta useat sukupolvet voivat edetä samojen elämänvaiheiden läpi; ja 2) tilastollinen työkalu, jota kutsutaan ikäjakso-kohorttianalyysiksi (APC).
Tässä artikkelissa näytämme, kuinka tehdä ikäjakso-kohorttianalyysi sukupolven vaikutusten määrittämiseksi käyttämällä lähes 60 vuoden tietoja Yhdysvaltain väestönlaskentatoimiston nykyisestä väestötutkimuksesta. Tarkemmin sanottuna palaamme kahteen aiempaan keskuksen analyysiin, joissa tarkasteltiinsukupolvien väliset erot avioliittomäärissäjatodennäköisyys, että hän on muuttanut asuntoa viimeisen vuoden aikananähdäksemme, kuinka ne kestävät, kun käytämme APC-analyysiä.
Mikä on ikä-jakso-kohorttianalyysi?
Tyypillisessä kyselyaalossa vastaajien sukupolvi ja ikä korreloivat täydellisesti keskenään. Näitä kahta ei voi erottaa toisistaan. Sukupolven ja elinkaaren vaikutuksen erottaminen vaatii meiltä monen vuoden dataa.
Jos meillä on tietoa paitsi vuodelta 2020, myös vuosilta 2000, 1980 ja sitä aikaisemmilta vuosikymmeniltä, voimme vertailla eri sukupolvien asenteita heidän eläessään samojen elinkaaren vaiheiden kautta. Voimme esimerkiksi verrata 25-vuotiasta vastaajaa vuonna 2020 (joka olisi Millennial) 25-vuotiaan vuonna 2000 (sukupolvi Xer) ja 25-vuotiaan vuonna 1980 (suurten ikäluokkien) kanssa. .
Monien vuosien ajalta kootun tietojoukon avulla ikää ja sukupolvea voidaan tarkastella erikseen ikä-jakso-kohorttianalyysin avulla. Tässä yhteydessä "ikä" tarkoittaa henkilön elämänvaihetta, "jakso" tarkoittaa sitä, milloin tiedot on kerätty, ja "kohortti" tarkoittaa ryhmää ihmisiä, jotka ovat syntyneet samalla ajanjaksolla. Tässä analyysissä meitä kiinnostavat kohortit ovat sukupolvia –Z-sukupolvi, Millennials, Generation X ja niin edelleen.
APC-analyysi pyrkii jäsentämään iän, ajanjakson ja kohortin vaikutuksia ilmiöön. Tarkkaan matemaattisessa mielessä tämä on ongelma, koska mikä tahansa näistä asioista voidaan laskea tarkasti kahdesta muusta (esim. jos joku oli 50-vuotias vuonna 2016, tiedämme myös hänen syntyneen noin vuonna 1966, koska 2016 – 50 = 1966). Jos tietoja on kerätty vain yhteen ajankohtaan, ei voida lopullisesti tunnistaa, eivätkö sukupolvien väliset ilmeiset erot johdu pelkästään siitä, kuinka vanhoja vastaajat olivat tiedonkeruun aikana. Emme esimerkiksi tiedä, onkoMilleniaalien avioliittojen alempi määrä vuonna 2016on sukupolvien välinen ero tai yksinkertaisesti seurausta siitä, että 23–38-vuotiaat ihmiset ovat vähemmän todennäköisesti naimisissa, riippumatta siitä, milloin he ovat syntyneet. Vaikka meillä olisikin tietoja useilta vuosilta, ilmeiset trendit voivat johtua myös muista tekijöistä, jotka koskevat yhtäläisesti kaikkia sukupolvia ja ikäryhmiä. Saatamme virheellisesti liittää havainnon iän tai kohortin ansioksi, vaikka se todella pitäisi liittää jaksoon. Tätä kutsutaan "tunnistusongelmaksi". APC-analyysin lähestymistavat ovat kyse tunnistamisongelman kiertämisestä jollakin tavalla.
Monitasoisen mallinnuksen käyttö ikä-jakso-kohorttianalyysiin
Yleinen lähestymistapa APC-analyysiin on monitasoinen mallinnus. Monitasoinen malli on eräänlainen regressiomalli, joka voidaan sovittaa dataan, joka on jäsennelty "ryhmiin", jotka itse voivat olla analyysiyksiköitä.
Klassinen esimerkki monitasoisesta mallintamisesta on koulutustutkimuksessa, jossa tutkijalla saattaa olla tietoa useiden koulujen opiskelijoista. Tässä esimerkissä datan kaksi tasoa ovat opiskelijat ja koulut, joissa he käyvät. Sekä oppilastason ominaisuudet (esim. arvosanapisteiden keskiarvo, kokeen tulokset) että koulutason (esim. rahoitus, luokkakoko) voivat olla tärkeitä tulosten ymmärtämisen kannalta.
APC-analyysissä asiat ovat hieman erilaisia. Monien vuosien aikana kerätyssä aineistossa jokainen vastaaja voi ajatella kuuluvan kahteen eri, mutta päällekkäiseen ryhmään. Ensimmäinen on heidän sukupolvensa syntymävuoden mukaan. Toinen on vuosi, jolloin tiedot kerättiin.
Monitasoisen mallin sovittaminen sukupolven ja vuoden ryhmiin antaa meille mahdollisuuden eristää erot kohorttien (sukupolvien) ja ajanjaksojen (vuosien) välillä samalla, kun yksilölliset ominaisuudet, kuten ikä, sukupuoli ja rotu, pysyvät vakioina. Jakson ja kohortin sijoittaminen eri tasolle iästä riippuen ratkaisee tunnistusongelman mahdollistamalla kaikkien näiden muuttujien mallintamisen samanaikaisesti.
Ikä-kausi-kohorttianalyysin tekeminen nykyisen väestötutkimuksen avulla
Eräs erinomainen resurssi, joka voi tukea APC-analyysiä, on Current Population Survey's Annual Social and Economic Supplement (ASEC), joka tehtiin lähes joka vuosi vuosina 1962–2021. Käytämme ASEC:n tietoja vastataksemme kahteen kysymykseen:
- Kuvastaako nykyisten nuorten aikuisten alhaisempi avioliittoluku sukupolvivaikutusta vai selittyykö se muilla tekijöillä?
- Kuvastaako nykypäivän nuorten aikuisten suhteellisen alhainen muuttoliike sukupolvivaikutusta vai selittyykö se muilla tekijöillä?
Aiemmissa Centerin analyyseissä pidimme vain ikää vakiona. Tällä kertaa haluamme erottaa sukupolven paitsi iän, myös ajanjakson, rodun, sukupuolen ja koulutuksen perusteella.
Päästä alkuun
Tässä analyysissä käyttämämme tiedot ovat saatavilla osoitteessaIntegrated Public Use Microdata Series (IPUMS). Kun olet valinnut tarvitsemasi tietojoukot ja muuttujat, lataa tiedot (dat.gz-tiedostona) ja tiedot kuvaava XML-tiedosto ja laita ne samaan kansioon. Käytä sitten pakettiaipumsrlukea tiedot seuraavasti:
kirjasto(tidyverse)kirjasto(ipumsr)asec_ddi <- read_ipums_ddi(ddi_file = "polku/data/here.xml")asec_micro <- read_ipums_micro(asec_ddi)Seuraavaksi käsittele ja puhdista tiedot. Suodata ensin tiedot niin, että ne sisältävät vain aikuiset (vähintään 18-vuotiaat) ja luo sitten puhtaat versiot mallissa olevista muuttujista.
Tässä on katsaus käyttämäämme puhdistus- ja suodatuskoodiin. Koodasimme kaikki yli 80-vuotiaat 80-vuotiaiksi, koska ASEC koodasi heidät tällä tavalla jo muutaman vuoden. Sovimme tätä sääntöä joka vuosi varmistaaksemme johdonmukaisuuden. Loimme vain valkoiset, mustat ja muut kategoriat rodulle, koska luokat, kuten latinalaisamerikkalainen ja aasialainen, mitattiin vasta myöhemmin. Lopuksi, oli useita vuosia, jolloin ASEC ei mitannut, muuttivatko ihmiset asuntoja viimeisen vuoden aikana, joten jätimme ne vuodet pois analyysistämme.
asec_rec <- asec_micro %>% # Suodatin 18-vuotiaille ja sitä vanhemmille aikuisille (IKÄ >= 18) %>% # EDUC puuttuu kokonaan vuodelta 1963, joten jätä se vuosisuodatin pois (YEAR != 1963) %>% # Pudota ylimääräinen 8 tapausta, joissa koulutus on koodattu tuntemattomaksi suodattimeksi(EDUC != 999) %>% # Poista muutama sata tapausta, joiden painot ovat pienempiä tai yhtä suuria kuin 0 suodatin(ASECWT > 0) %>% # Koodaa muuttujat uudelleen analyysiä varten mutate(SEX = as_factor(SEX) %>% fct_drop(), EDUCCAT = case_when(EDUC < 80 ~ "HS tai vähemmän", EDUC >= 80 & EDUC <= 110 ~ "Jotkut coll", EDUC > 110 & EDUC < 999 ~ " Coll grad", EDUC == 999 ~ NA_character_) %>% as_factor(), # Ikä oli huippukoodilla 90 vuosina 1988-2001, sitten 80 vuonna 2002 # ja 2003 ja sitten 85 vuodesta 2004 tähän päivään asti. Koska olemme yritettäessä # käyttää koko tietojoukkoa, ikä on yläkoodattu 80 #. AGE_TOPCODED = case_when(IKÄ >= 80 ~ 80, TOSI ~ as.numeerinen(IKÄ)), # valkoinen ja musta ovat läsnä joka vuosi , kun taas # luokkaa, kuten latinalaisamerikkalainen ja aasialainen, lisättiin vasta # myöhemmin. RACE_COLLAPSED = case_when(RACE == 100 ~ "Valkoinen", RACE == 200 ~ "Musta", TRUE ~ "Muu") %>% as_factor() , # Laske syntymävuosi iästä ja tutkimusvuosi YEAR_BORN = YEAR - AGE_TOPCODED, # Laske sukupolvi syntymävuodesta GENERATION = case_when(YEAR_BORN <= 1945 ~ "Hiljainen ja vanhempi", YEAR_BORN %in% 1946:1964 ~E "Boomer", %in% 1965:1980 ~ "Xer", YEAR_BORN %in% 1981:1996 ~ "Millennial", YEAR_BORN >= 1997 ~ "Gen Z") %>% as_factor(), # Luo binaariset indikaattorit tulosmuuttujille MARRIED = case_when (MARST %in% 1:2 ~ 1, TOSI ~ 0), # Huomaa, että MIGRATE1 puuttuu vuosilta 1962, # 1972-1975, 1977-1980 ja 1985. Myös dokumentaatio # osoittaa, että vuoden 1995 tiedot vaikuttavat epätavallisilta . MOVED1YR = case_when(SIIRTO1 %in% 3:5 ~ 1, is.na(MIGRATE1) ~ NA_real_, TOSI ~ 0)) %>% # Ryhmittele VUODEN ja kotitalouden tunnuksen mukaan laskeaksesi # aikuisen lukumäärän kunkin vastaajan taloudessa group_by(YEAR, SERIAL) %>% mutate(ADULTS = n()) %>% ungroup() %>% # Säilytä vain tähän analyysiin tarvitsemamme muuttujat select(YEAR, SERIAL, PERNUM, ASECWT, AGE, AGE_TOPCODED, YEAR_BORN, GENERATION, SEX, EDUCCAT, RACE_COLLAPSED, MARRID, MOVED1YR, ADULTS)Täysi ASEC-tietojoukossa on yli 6,7 miljoonaa havaintoa, noin 60 000 - 100 000 tapausta joka vuosi. Ilman laskentatehoa mallin sovittamiseksi koko tietojoukkoon kohtuullisessa ajassa, yksi vaihtoehto on ottaa näyte pienemmästä määrästä tapauksia vuodessa, esimerkiksi 2 000. Varmistaaksesi, että otokseen valitut tapaukset ovat edelleen edustavia, ota niistä otos suhteessa niiden tutkimuksen painoon.
set.seed(20220617)asec_rec_samp <- asec_rec %>% group_by(YEAR) %>% slice_sample(n = 1000, weight_by = ASECWT)Mallin sovitus
Nyt kun tiedot on käsitelty, se on valmis mallin sovittamista varten. Tässä esimerkissä käytetäänrstanarmpaketti sopimaan malliin Bayesin päättelyn avulla.
Alla sopivat amonitasoinen logistinen regressiomalliavioliitto lopputulosmuuttujana; ikä, aikuisten lukumäärä kotitaloudessa, sukupuoli, rotu ja koulutus yksilötason selittävinä muuttujina; ja jakso ja sukupolvi normaalisti jakautuneina satunnaisefekteinä, jotka muuttavat leikkauskohtaa riippuen siitä, mihin ryhmiin yksilö kuuluu.
kirjasto(rstanarm)fit_marriage <- stan_glmer(NAIMILLE ~ IKÄ_TOIPPUKODETTU + I(IKÄ_TOIPKOODETTU^2) + AIKUISTET + SEKSI + RACE_COLLAPSED + EDUCCAT + (1 | VUOSI) + (1 | SUKUPOLVI), data = asec_rec_binomial(link = binomial(link =) "logit"), ketjut = 4, iter = 1000, ytimet = 4, päivitys = 1, adapt_delta = 0,97, QR = TOSI)Regressiomallit koostuvat suurelta osin kahdesta osasta: tulosmuuttujasta ja joistakin selittävistä muuttujista. Ominaisuudet, jotka mitataan tiedoissa jokaisesta yksilöstä ja jotka voidaan liittää tulosmuuttujaan, ovat mahdollisesti hyviä selittäviä muuttujia. Jokainen malli sisältää myös jäännösvirheen, joka kaappaa kaiken, mikä vaikuttaa tulosmuuttujaan, muut kuin selittävät muuttujat; Tämän voidaan ajatella sisältävän ainutlaatuisia ominaisuuksia, jotka tekevät kaikista tiedoissa olevista yksilöistä erilaisia. Monitasoinen regressiomalli kaappaa myös ainutlaatuisia ominaisuuksia, jotka tekevät jokaisestaryhmätoisistaan poikkeavissa tiedoissa. Malli voi valinnaisesti sisältää myös ryhmätason selittäviä muuttujia.
Ryhmien ei tarvitse olla siististi sisäkkäisiä, mikä mahdollistaa joustavuuden tilanteissa, joissa monitasoinen mallinnus voi soveltua. Esimerkissämme mallinnetaan ikää jatkuvana, yksilötason ennustajana samalla, kun mallinnetaan sukupolvea (kohorttia) ja ajanjaksoa ryhminä, joilla kullakin on erilaiset, erilliset vaikutukset tulosmuuttujaan. Iän erottaminen ajanjaksosta ja kohortista asettamalla ne eri tasoille mahdollistaa niiden kaikkien mallintamisen ilman, että joudumme suoraan tunnistusongelmaan. Tämä perustuu kuitenkin useisiin tärkeisiin oletuksiin, jotka eivät välttämättä aina pidä paikkaansa käytännössä.
Mallinnellen tietoja tällä tavalla käsittelemme ajanjakson tai sukupolven ja avioliittolukujen välistä suhdetta diskreettinä, jossa jokaisella ajanjaksolla tai sukupolvella on oma selkeä suhde. Jos trendi on tasainen ajan myötä, malli ei arvioi trendiä itse, vaan tarkastelee jokaista ajanjaksoa tai sukupolvea erikseen. Mallinaamme kuitenkin ikää jatkuvana trendinä.
Sukupolven erottaminen muista tekijöistä
Yllä olevat tutkimuskysymyksemme koskevat sitä, voidaanko tiedoissa ilmenevät sukupolvekohtaiset erot iän, kohortin ja muiden selittävien muuttujien kontrollin jälkeen lukea sukupolvesta.
Raportissa Millennialeista ja perhe-elämästä, Pew Research Center tarkasteli ASEC:n tietoja ihmisistä, jotka olivat 23–38-vuotiaita neljän vuoden aikana – 2019, 2003, 1987 ja 1968. Jokaisella näistä ryhmistä oli sukupolvimerkintä – Millennial, Gen X, Boomer ja Silent – ja raportissa todettiinnuoremmat sukupolvet olivat vähemmän todennäköisiä naimisissa kuin vanhemmat.
Nyt kun meillä on malli, voimme tarkastella tätä johtopäätöstä uudelleen ja irrottaa sukupolven iästä ja ajanjaksosta. Malli voi palauttaa ennustetut todennäköisyydet olla naimisissa mille tahansa sille välitetylle muuttujayhdistelmälle, mukaan lukien yhdistelmät, joita ei aiemmin ollut tiedoissa – ja yhdistelmät, jotka ovat määritelmän mukaan mahdottomia. Malli voi esimerkiksi ennustaa, kuinka todennäköistä on, että vuonna 1968 23–38-vuotias Millennial menisi naimisiin, vaikka sellaista henkilöä ei olisikaan olemassa. Se ei ole hyödyllinen sen vuoksi, mitä se edustaa sinänsä, vaan sen vuoksi, mitä se voi selittää sukupolven vaikutuksesta naimisiinmenoon.
Ennustettujen todennäköisyyksien luomiseksi ensimmäinen vaatimus on luoda tietojoukko, jonka perusteella malli ennustaa todennäköisyydet. Tässä tietojoukossa tulisi olla kaikki mallissa käytetyt muuttujat.
Täällä luomme funktion, joka ottaa viisi syöttöä: malli, alkuperäiset tiedot, sukupolviluokka (kohortit), vuosialue (jaksot) ja ikäalue. Tämä toiminto ottaa kaikki ASEC-datassa olevat henkilöt tiettyjen vuosien ja iän ajalta (riippumatta siitä, kuuluivatko he malliin soveltuvaan osajoukkoon) ja asettaa kaikki heidän sukupolvensa samoiksi pitäen kaiken muun ennallaan, onko tuloksena saatu syöte järkeä oikeassa elämässä vai ei. Tämä simuloitu ASEC-data välitetään sittenposterior_predict()toiminto alkaenrstanarm, joka antaa meille 2000 x n matriisin, jossa n on sille välitetyn uuden datan havaintojen määrä. Sitten laskemme havaintojen ennustettujen todennäköisyyksien painotetun keskiarvon, jolloin saadaan 2 000 painotettua keskiarvoa. Nämä 2 000 painotettua keskiarvoa edustavat ennustettua todennäköisyyttä arvioivan jakauman arvoja. Teemme tämän jakauman yhteenvedon ottamalla sen mediaanin sekä 2,5:n ja 97,5:n prosenttipisteet luodaksemme 95 %:n välin epävarmuuden ilmaisemiseksi.
Suoritamme sitten tämän toiminnon neljä kertaa, kerran kutakin sukupolvea kohden kaikille ASEC-tiedoissa oleville, jotka olivat 23–38-vuotiaita jokaisen raportissa tutkimamme neljän vuoden aikana. Ensinnäkin funktio arvioi avioliittosuhteen näiden ihmisten keskuudessa, jos he hypoteettisesti olisivat Millenniaaleja, riippumatta siitä, minä vuonna he esiintyvät ASEC-tiedoissa. Seuraavaksi se arvioi avioliittosuhteen samojen ihmisten keskuudessa, jos hypoteettisesti he kaikki olisivat sukupolven Xerejä. Sitten funktio arvioi avioliittosuhteen, jos he kaikki olisivat boomereita tai hiljaisen sukupolven jäseniä.
# Aputoiminto saada arvioita hypoteettiselle skenaariolleestimate_hypothetical <- function(fit, df, Generation, seed) { # Aseta sukupolvi samaan arvoon kaikissa tapauksissa df$GENERATION <- factor(generation) # Hanki keskiarvot kullekin ppredille <- posterior_predict (sovitus, uudet tiedot = df, siemen = siemen) pmeans <- apply(ppreds, MARGIN = 1, painotettu.keskiarvo, w = df$ASECWT) # Hanki mediaani ja 95 %:n välit posterioriselle keskiarvoarviolle <- quantile(pmeans, probs = c(0.025, 0.5, 0.975)) %>% set_names("alempi95", "mediaani", "ylempi 95") return(estimate)}# Suodata vuosi- ja ikäalueisiin alkuperäisestä analyysianalyysista_alajoukko_avioliitto <- asec_rec %> % suodatin(YEAR %in% c(2019, 2003, 1987, 1968), IKÄ %in% 23:38)# Hanki arviot kullekin sukupolvelleestimates_marriage <- c("Millennial", "Xer", "Boomer", "Silent ja vanhemmat") %>% set_names() %>% map_dfr(~arvio_hypothetical(sopivuus = sovi_avioliitto, df = analyysi_osajoukko_avioliitto, sukupolvi = .x, siemen = 20220907), .id = "SUKUPOLVI")Tilastollisesti puhumme "posteriorisesta ennustavasta jakaumasta". Tämä antaa meille mahdollisuuden luoda arvioita hypoteettisille skenaarioille, joissa manipuloimme sukupolvea pitäen samalla iän, ajanjakson ja kaikki muut yksilölliset ominaisuudet vakioina. Vaikka tämä ei ole mitään, mitä voisi koskaan tapahtua todellisessa maailmassa, se on kätevä ja tulkittavissa oleva tapa visualisoida, kuinka yhden ennustajan muuttaminen vaikuttaisi lopputulokseen (avioliittoasteeseen).
Sukupolven roolin määrittäminen
Jotta voimme vastata ensimmäiseen tutkimuskysymykseemme, piirretään ennustetut todennäköisyydemme olla naimisissa. Jos ottaisimme kaikki nämä ihmiset kuhunkin näistä ajankohdista ja upottaisimme heihin maagisesti kaikkea, mikä on ainutlaatuista Millenniaalille, mallin mukaan 38 % heistä olisi naimisissa. Sitä vastoin, jos täytät kaikki Hiljaisen sukupolven olemuksella, tämä arvio olisi 68%. Itse luvut eivät ole tärkeitä, koska ne eivät kuvaa todellista väestöä. Sen sijaan olemme pääasiassa kiinnostuneita siitä, kuinka erilaiset numerot eroavat toisistaan. Tässä tapauksessa sukupolvien välit eivät mene päällekkäin lainkaan ja avioliittoasteessa on selkeä laskusuuntaus. Tätä odotamme näkevän, jos Millenniaalien alhaisempi avioliittoluku heijastaa sukupolvenvaihdosta, jota ei selitetä elinkaarella (ikä) tai muilla mallin muuttujilla (sukupuoli, rotu, koulutus).
Entä toinen kysymyksemme sukupolvien välisistä eroista todennäköisyydessä muuttaa asuntoa viimeisen vuoden aikana? Keskusta kertoi asiasta aiemminMilleniaalit muuttivat harvemminkuin aiemmat nuorten aikuisten sukupolvet. Tämä analyysi perustui samanlaiseen lähestymistapaan, jossa tarkasteltiin ihmisiä, jotka olivat 25–35-vuotiaita vuosina 2016, 2000, 1990, 1981 ja 1963, ja tunnistettiin heidät Millennialeiksi, Gen Xersiksi, "Late Boomers", "Early Boomers" ja Hilent.
Yllä kuvattua ASEC-tietojoukkoa käyttämällä tarkastelimme tätä mallia uudelleen käyttämällä ikä-jakso-kohorttianalyysiä. Sovimme tähän tulokseen samanlaisen monitasoisen mallin ja piirtimme ennustetut todennäköisyydet samalla tavalla. Tässä tapauksessa sukupolvien välillä ei ole selkeitä eroja tai trendejä, vaan menneen vuoden aikana muuttaneiden arvioitujen osuuden välit ovat päällekkäisiä. Tämä viittaa siihen, että ilmeiset sukupolvien väliset erot selittyvät paremmin mallin muilla tekijöillä,eisukupolvi.
Johtopäätös
Nämä kaksoisanalyysit avioliitto- ja muuttoluvuista kuvaavat useita sukupolvien tutkimuksen avainkohtia.
Joissakin tapauksissa (esim. muutto) se, mikä näyttää sukupolvivaikutukselta, selittyy itse asiassa muilla tekijöillä, kuten rodulla tai koulutuksella. Muissa tapauksissa (esim. avioliitto) on todisteita sukupolveen liittyvästä pysyvästä vaikutuksesta.
APC-analyysi vaatii laajennetun datan aikasarjan; teoria siitä, miksi sukupolvilla voi olla merkitystä; huolellinen tilastollinen lähestymistapa; ja taustalla olevien oletusten ymmärtäminen.