33. Kuziemko I., Buell R.W., Reich T., Norton M.I. 2014. Last-place aversion: Evidence and redistributive implications. The Quarterly Journal of Economics 129:105-149

34. Lupu N. and Pontusson J. 2011. The Structure of Inequality and the Politics of Redistribution. American Political Science Review 105: 316-336

35. McCarty N. and Pontusson J. 2009. The Political Economy of Inequality and Redistribution. In The Oxford Handbook of Economic Inequality. Oxford: Oxford University Press: 665-692

36. Meier-Jaeger M. 2009. United But Divided: Welfare Regimes and the Level and Variance in Public Support for Redistribution. European Sociological Review, 25: 723-737

37. Meltzer A.H. and Richard S.F. 1981. A Rational Theory of the Size of Government. Journal of Political Economy 89 (5): 914-927

38. Moene K. O. and Wallerstein M. 2001. Inequality, Social Insurance and Redistribution. American Political Science Review 95(4): 859-74

39. Perotti R. 1996. Growth, Income Distribution, and Democracy: What the Data Say. Journal of Economic Growth 1 (2): 149-187

40. Rehm P. 2009. Risks and Redistribution: An Individual-Level Analysis. Comparative Political Studies 42 (7): 855-881

41. Romer P. 1990. Endogenous Technological Change. Journal of Political Economy 98 (5)

42. Romer T. 1975. Individual Welfare, Majority Voting and the Properties of a Linear Income Tax. Journal of Public Economics, 7: 163-188

43. Rueda D. and Stegmueller D. 2016. The Externalities of Inequality: Fear of Crime and Preferences for Redistribution in Western Europe. American Journal of Political Science, 60(2)

44. Shayo M. 2009. A Model of Social Identity with an Application to Political Economy: Nation, Class, and Redistribution. American Political Science Review 103:147-174

45. Stegmueller D., Rossteutscher S., Scheepers P., E. de Jong. 2012. Religion and Preferences for Redistribution in Western Europe. Assessing the role of religion. European Sociological Review 28 (4)

46. Svallfors S. 2004. Class, Attitudes and the Welfare State: Sweden in Comparative Perspective. Social Policy and Administration, 38: 119-138

47. GESIS. Variable Reports 2018. ISSP 2016. Role of Government V

48. ILO. International Standard Classification of Occupations: ISCO-08. 2012. Volume 1. Structure, Group Definitions and Correspondence Tables

49. UNDP. Human Development Report 2018. Human Development Indices and Indicators

Приложение 1.

В Таблице 5 приведены описательные статистики выбранных переменных. Можно увидеть, что в большинстве своем люди склонны поддерживать политику перераспределения.

Таблица 5 - описательные статистики переменных

Приложение 2

Таблица 6 - Показатели социально-экономического неравенства по странам

Рисунок 3 - матрица корреляции

Чтобы не потерять количество показателей воспользуемся не методом главных компонент, а ортогонализацией признакового пространства. Таким образом, получатся новые значения переменных. И что важно, эти значения будут иметь нулевую корреляцию и распределение близкое к нормальному.

Как известно, кластерный анализ производит классификацию различных многомерных векторов. Метод Уорда в отличие от других использует методы дисперсионного анализа. В качестве меры расстояния используется метрика Евклидова расстояния в квадрате. При использовании метода Уорда достигается наибольшая схожесть объектов внутри одного кластера (минимальный уровень дисперсии внутри группы), а также наибольшее различие между кластерами (максимальная дисперсия между группами). Таким образом, при применении данного метода получаются наиболее однородные кластеры.

В качестве альтернативного метода для проверки на устойчивость будет выбран метод дальнего соседа. Однако для сравнения будут также приведены результаты кластеризации методом ближайшего соседа.

Метрика Чебышева производит кластерный анализ исходя из наиболее отличных характеристик. Если точнее, расстояние Чебышева берет наибольшую из координат по модулю и кластеризует по ней. Данная метрика очень специфична и, как правило, применяется тогда, когда нам необходимо обнаружить максимально отличные друг от друга кластеры.

Евклидово расстояние сильно зависит от коррелированности элементов, при использовании данной метрики сильно волатильны результаты, полученные до и после изменения признакового пространства (в нашем случае, ортогонализации). Данная метрика не предполагает наличие коррелированных характеристик.

Метрика Манхэттена одна из самых реалистичных, она считает расстояние как сумму разностей между координатами (характеристиками). Данная метрика также достаточно устойчива. В качестве проверки на устойчивость анализа методом Уорда было бы логично взять именно эту метрику.

Выбранный метод: метод Уорда.

Основной метод проверки на устойчивость: метод дальнего соседа.

Дополнительный метод проверки на устойчивость: метод ближайшего соседа.

Выбранная метрика проверки на устойчивость: расстояние Манхэттена.

Дополнительная метрика проверки на устойчивость: расстояние Чебышева.

В результате кластерного анализа методом дальнего соседа и метрикой Манхэттена получаем следующую дендрограмму (Рисунок 4):

Рисунок 4 - дендрограмма метода дальнего соседа, с метрикой Манхэттена

В результате кластерного анализа методом дальнего соседа и метрикой Чебышева получаем следующую дендрограмму (Рисунок 5):

Рисунок 5 - дендрограмма метода дальнего соседа и метрикой Чебышева

В результате кластерного анализа методом ближайшего соседа и метрикой Манхэттена получаем следующую дендрограмму (Рисунок 6):

Рисунок 6 - дендрограмма методом ближайшего соседа и метрикой Манхэттена

Приложение 4.

Ниже представлена Таблица 7 - распределения зависимой переменной (поддержки перераспределения) с разбиением по выделенным кластерам.

Таблица 7 - статистика зависимой переменной

Поддержка перераспределения не является безусловной. Количество людей, абсолютно согласных с данной политикой) колеблется от 16% в Швейцарии до 70% в Хорватии. По кластерному разбиению можно увидеть сходство в ответах респондентов в странах одной группы. Однако, например, в восьмом кластере поддержка перераспределения колеблется от 65% в Чехии до 91% в Хорватии. Процент людей поддерживающих данную политику (абсолютно и скорее согласных) варьируется от 54% в США до 93% в Чили, а эти страны попали в один - четвертый кластер.

Приложение 5.

Оценки одноуровневой логит модели приведены в Таблице 8.

Таблица 8 - оценки логит модели

Для анализа логит-модели была рассмотрена нормальность остатков. Для этого был проведен LM-тест, согласно которому значение тестовой статистики оказалось 1805,947, а p-value было 0. Таким образом, подтверждается гипотеза о нормальности остатков.

В добавление, критерий показал значение 0, что говорит о применимости данной модели.

Для анализа самой модели была построена ROC-кривая (см. Рисунок 6) и вычислен AUC = 0,6272, что говорит о неплохом качестве модели.

Рисунок 6 - Roc-кривая

Приложение 6.

На Рисунке 7 представлен график ненаблюдаемых эффектов стран по модели, включающей кластеры в качестве дамми-переменных.

Рисунок 7 - график ненаблюдаемых эффектов по модели 2

Размещено на Allbest.ru