Tabby II Eredmények
===================================================================
REGRESSZIÓK===================================================================
Az online és offline kirekesztő és áldozati szerepek kialakulására ható tényezők vizsgálatára négy regressziós modellt hoztunk létre 3-3 lépésben.
A négy függő változó eredetileg az online és offline áldozattá és elkövetővé válás gyakoriságát tartalmazta, de ezek eloszlása annyira ferde volt (a megfigyelések túlnyomó többsége 0 értéket vett fel, lásd: a “plot_…” ábrákat), hogy a változók bináris kódolása és ezzel együtt bináris logisztikus regressziós modellek futtatása mellett döntöttünk. A becsült értékek (Estimates) tehát az éppen vizsgált szerep elmúlt négy hónapban történő betöltéséhez tartozó esély természetes alapú logaritmusát mutatják. Az utolsó oszlopban (Pr(>|z|)) pedig a becsült értékekhez tartozó szignifikancia látható.
Az adatbázis megtisztítása után egy 796 elemű mintát kaptunk, amelyen mind a 4 függő változó vizsgálatára 3, ugyan olyan logika mentén felépített modellt alkottunk meg. (Az adatbázisban csak azok a tanulók maradtak (1) értelmezhető választ adtak marra a kérdésre, hogy részt vesznek-e a Tabby kutatásban, akik azt vallották, hogy Magyarországon élnek és akiknek legalább egy online közösségben van felhasználói profiljuk.
Az első lépésben az életkor, a nem, az iskolai osztály, a szubjektív tanulói teljesítmény, a szubjektív iskolai népszerűség, a szubjektív online népszerűség, az online barátok száma, és az került be a modellbe, hogy a tanuló szülei és / vagy tanárai milyen gyakran beszélgetnek a diákkal az internet-használat veszélyeiről. A második modellben bekerült az épp vizsgált online / offline szerepnek az offline / online ellentét párja, mint magyarázó változó. Ezzel azt vizsgáljuk, hogy az online és az offline bántalmazás / áldozattá válás mennyire függ össze egymással. A harmadik modellben pedig a vizsgált szerepnek az online és offline ellentétes szerep párja kerül be a modellbe. Tehát pl.: az első esetben a az offline bullying áldozatává válás mértéke mellé bekerül az online és offline kirekesztő szerep vizsgálata magyarázó változóként, ezzel azt vizsgálva, hogy a bántalmazó és bántalmazott szerepek mennyire függenek össze egymással. Ezen összefüggések vizsgálatának létjogosultságát előre vetíti, hogy a négy vizsgált szerep típus mindegyike (ha nem is túl erősen, de) szignifikánsan összefügg egymással (lásd: “plot_cor”).
1.1 - 1.3 Az első három modell függő változója az offline bullying áldozatává válás mértéke. Az első (1.1) modell futtatás egyetlen említésre méltó eredménye, hogy az iskolai önbevallás alapján mért népszerűség növekedésével nő az offline áldozattá válás esélye. A második (1.2) modell esetében, mikor kontrollálunk az online áldozati szerep betöltésére is, a fenti hatás eltűnik, ez utóbbi viszont kiemelkedően növeli az offline és bántalmazás esélyét; a két térben történő áldozati szerep tehát összefügg egymással. A harmadik, legteljesebb (1.3) modell tanúsága szerint pedig az iskolai népszerűség, az online áldozati szerep betöltése és az offline bullying magatartás növeli szignifikánsan az offline áldozati szerep betöltésének esélyét. Ebből tehát az következik, hogy azok akiket online bátalmazás ér, nagyobb eséllyel lesznek offline is bántalmazva és ugyanakkor ők maguk is nagyobb eséllyel követnek el offline bántalmazást.
2.1 - 2.3 Az online áldozati szerep kialakulását vizsgáló modellek az előzőekhez modellekhez képest többet elárulnak a szerep kialakulásának lehetséges okairól. Az első (2.1) modell szerint az online térben észlelt népszerűség és az online térben eltöltött idő szignifikánsan csökkenti a szerep kialakulásának esélyét, míg az online barátok számnak növekedésével szignifikánsan nő az online áldozati szerep kialakulásának esélye. Ennek kialakulásának esélyét az offline áldozati szerep tovább növeli (szignifikáns mértékben), miközben a fent említett hatások lényegében változatlanok maradnak (2.2) A harmadik modell esetében (2.3) pedig azt láthatjuk, hogy a 2.1-es és 2.2-es modellekben tapasztalt hatások bár valamelyest gyengébben, de továbbra is szignifikánsak maradnak, és hozzájuk csatlakozik az online térben történő bántalmazás rendkívül erős pozitív hatása, amely ez esetben is arra utal (mintegy az (1.1-1.3)-as modellek megerősítéseként), hogy az online bántalmazó és bántalmazott szerepek is erősen összefüggenek egymással.
3.1-3.3 Ami az offline bántalmazó szerepek kialakulásának lehetséges okait illet, azt fontos kiemelni, hogy az iskolai népszerűség és az online töltött idő negatív hatásán túl a legerősebb hatása a nemnek van. Mégpedig azt mondhatjuk, hogy az offline bántalmazást elkövető személyek nagyrészt fiúk. Egészen pontosan azt mutatják az eredmények, hogy ha az illető lány, akkor annak az esélye, hogy offline bántalmazást kövessen el, 0,38-szor kissebb, mint ha az illető fiú (3.1). A második (3.2) modell alapján mindezt annyival egészíthetjük ki, hogy az offline bántalmazás elkövetésének esélye nagy mártákben és szignifikánsan növekszik akkor, ha az illető online is bántalmazó szerepet tölt be. A harmadik (3.3) modell szerint pedig mindezeken túl, mindennél erősebb hatása annak van az online bántalmazó szerep kialakulására, ha az illetőt offline bántalmazzák.
4.1-4.3 Az első modell szerint (4.1) azt láthatjuk, hogy online bántalmazó szerep kialakulását ugyan azon tényezők befolyásolják, mint amit a fenti offline esetben tapasztaltunk (3.1). Tehát az iskolai népszerűség és az online töltött idő negatív hatásán túl a legerősebb hatása a nemnek van. Ugyan úgy erősen hat a szerep kialakulására, ha az illető offline is bántalmazó (4.2). A harmadik (4.3) modell esetében viszont itt azt láthatjuk, hogy az offline áldozati szerep nem, az online áldozati szerep viszont erősen és szignifikánsan növeli az online bántalmazó szerep kialakulását.
Ezt összevetve a (3.3)-as modellel azt mondhatjuk, hogy az áldozati és elkövető szerepek bár nagyon erősen összefüggnek egymással de a két online szerep egymással és a két offline szerep is egymással van kölcsönösen erős kapcsolatban, míg az online és offline szerepek kevésbé hatnak egymásra.
# <code R>
# ===================================================================
#
# TABBY II.
#
# Descriptives
# Regressions
# Factors
# Aug / 19 /2014
#
# ===================================================================
# Description comes here
# ===================================================================
# (0) LIBRARY AND WD
# ===================================================================
# (0.1) libraries
library(foreign)
library(PerformanceAnalytics)## Loading required package: zoo
##
## Attaching package: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
##
## Loading required package: xts
##
## Attaching package: 'PerformanceAnalytics'
##
## The following object is masked from 'package:graphics':
##
## legend library(ggplot2)
# (0.2) working directory
# rm(list=ls())
# whoareyou <- "NB"
# path <- paste0("c:\\Users\\",whoareyou,"\\Dropbox\\My_Cx_Ray\\spar\\spar_orgchart_dashboard_analysis\\")
# setwd(path)
rm(list=ls())
whoareyou <- "nb"
path <- paste0("/home/",whoareyou,"/Dropbox/TABBY/TABBY II/elemzese_2014_08/") # !!! Spar library !!!
setwd(path)
# ===================================================================
# (1) DATA PREPARATION
# ===================================================================
# global setting
options(stringsAsFactors = F)
options(warn=-1)
d <- read.spss("data_140803.sav", to.data.frame = T, use.value.labels = F)## re-encoding from CP1250# ===================================================================
# (2) DESCaRIPTIVES
# ===================================================================
# (2.1) controls
table(d$q1)##
## 0 1
## 69 834 table(d$country)##
## 2 3 4 9
## 1 1 893 6 table(d$profile)##
## 0 1 2
## 48 439 417 # restrict the data -> df
df <- d[d$q1 == 1, ] # ...
df <- df[df$profile != 0, ] # does have a Tabby profile
df <- df[df$country == 4, ] # Hungarian
# (2.2) dependents
# offline
table(df$victim_b)##
## 0 1 2 3 4
## 659 75 30 9 20 x <- df$victim_b
h<-hist(x, breaks=10, col="red", xlab="offline victim",
main="Histogram: offline victim")
xfit<-seq(min(x, na.rm=T),max(x, na.rm=T),length=40)
yfit<-dnorm(xfit,mean=mean(x, na.rm=T),sd=sd(x, na.rm=T))
yfit <- yfit*diff(h$mids[1:2])*length(x)
lines(xfit, yfit, col="blue", lwd=2)
table(df$bully_b)##
## 0 1 2 3 4
## 691 62 14 14 12 x <- df$bully_b
h<-hist(x, breaks=10, col="red", xlab="offline bully",
main="Histogram: offline bully")
xfit<-seq(min(x, na.rm=T),max(x, na.rm=T),length=40)
yfit<-dnorm(xfit,mean=mean(x, na.rm=T),sd=sd(x, na.rm=T))
yfit <- yfit*diff(h$mids[1:2])*length(x)
lines(xfit, yfit, col="blue", lwd=2)
# online
table(df$victim_cb_score)##
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13 17
## 524 150 62 18 16 8 7 1 1 1 1 1 1 1 1 x <- df$victim_cb_score
h<-hist(x, breaks=10, col="red", xlab="online victim",
main="Histogram: online victim")
xfit<-seq(min(x, na.rm=T),max(x, na.rm=T),length=40)
yfit<-dnorm(xfit,mean=mean(x, na.rm=T),sd=sd(x, na.rm=T))
yfit <- yfit*diff(h$mids[1:2])*length(x)
lines(xfit, yfit, col="blue", lwd=2)
table(df$bully_cb_score)##
## 0 1 2 3 4 5 6 7 8 9 10 11 12 14 15 20
## 501 141 51 19 46 14 9 1 1 2 1 2 1 1 1 1 x <- df$bully_cb_score
h<-hist(x, breaks=10, col="red", xlab="online bully",
main="Histogram: online bully")
xfit<-seq(min(x, na.rm=T),max(x, na.rm=T),length=40)
yfit<-dnorm(xfit,mean=mean(x, na.rm=T),sd=sd(x, na.rm=T))
yfit <- yfit*diff(h$mids[1:2])*length(x)
lines(xfit, yfit, col="blue", lwd=2)
# recoding tue to the skewed destribution
df$victim_b[df$victim_b != 0] <- 1
df$bully_b[df$bully_b != 0] <- 1
df$victim_cb_score[df$victim_cb_score != 0] <- 1
df$bully_cb_score[df$bully_cb_score != 0] <- 1
# pairwise correlations:
cor(df$victim_b, df$bully_b, use = "na.or.complete", method = "spearman")## [1] 0.269 cor(df$victim_cb_score, df$bully_cb_score, use = "na.or.complete", method = "spearman")## [1] 0.2608 cor(df$victim_b, df$victim_cb_score, use = "na.or.complete", method = "spearman")## [1] 0.3024 cor(df$bully_b, df$bully_cb_score, use = "na.or.complete", method = "spearman")## [1] 0.2347 # group correlation
# Correlation matrix with p-values. See http://goo.gl/nahmV for documentation of this function
cor.prob <- function (X, dfr = nrow(X) - 2) {
R <- cor(X, use="pairwise.complete.obs", method = "spearman")
above <- row(R) < col(R)
r2 <- R[above]^2
Fstat <- r2 * dfr/(1 - r2)
R[above] <- 1 - pf(Fstat, 1, dfr)
R[row(R) == col(R)] <- NA
R
}
# Use this to dump the cor.prob output to a 4 column matrix
# with row/column indices, correlation, and p-value.
# See StackOverflow question: http://goo.gl/fCUcQ
flattenSquareMatrix <- function(m) {
if( (class(m) != "matrix") | (nrow(m) != ncol(m))) stop("Must be a square matrix.")
if(!identical(rownames(m), colnames(m))) stop("Row and column names must be equal.")
ut <- upper.tri(m)
data.frame(i = rownames(m)[row(m)[ut]],
j = rownames(m)[col(m)[ut]],
cor=t(m)[ut],
p=m[ut])
}
cor_data <- cbind(df$victim_b, df$bully_b, df$victim_cb_score, df$bully_cb_score)
colnames(cor_data) <- c("victim_b", "bully_b", "victim_cb_score", "bully_cb_score")
cor_data[,1] <- as.numeric(cor_data[,1])
cor_data[,2] <- as.numeric(cor_data[,2])
cor_data[,3] <- as.numeric(cor_data[,3])
cor_data[,4] <- as.numeric(cor_data[,4])
# correlation matrix
cor(cor_data)## victim_b bully_b victim_cb_score bully_cb_score
## victim_b 1 NA NA NA
## bully_b NA 1 NA NA
## victim_cb_score NA NA 1 NA
## bully_cb_score NA NA NA 1 # correlation matrix with p-values
cor.prob(cor_data)## victim_b bully_b victim_cb_score bully_cb_score
## victim_b NA 1.155e-14 0.0000000 2.777e-02
## bully_b 0.2690 NA 0.0000122 2.017e-11
## victim_cb_score 0.3024 1.543e-01 NA 7.616e-14
## bully_cb_score 0.0780 2.347e-01 0.2608153 NA # "flatten" that table
flattenSquareMatrix(cor.prob(cor_data))## i j cor p
## 1 victim_b bully_b 0.2690 1.155e-14
## 2 victim_b victim_cb_score 0.3024 0.000e+00
## 3 bully_b victim_cb_score 0.1543 1.220e-05
## 4 victim_b bully_cb_score 0.0780 2.777e-02
## 5 bully_b bully_cb_score 0.2347 2.017e-11
## 6 victim_cb_score bully_cb_score 0.2608 7.616e-14 # plot the data
chart.Correlation(cor_data)
# (2.3) explanatories
table(df$grade) # everything was excluded beyond 1-6 range##
## 1 2 3 4 5 6
## 217 168 136 64 24 184 table(df$age) # everything was excluded beyond 10-19 range##
## 10 11 12 13 14 15 16 16.5 17 18 19
## 5 25 40 14 57 222 213 1 135 63 8 table(df$female) # regular dummy##
## 0 1
## 321 472 table(df$online_friends) # everything was excluded beyond 0-1500 range##
## 0 1 2 5 10 15 20 22 23 24 25 27 29 30 34
## 3 1 1 1 2 2 1 1 1 2 1 1 1 4 2
## 35 40 45 47 50 60 64 70 72 73 78 80 87 90 92
## 1 6 1 1 11 1 1 3 1 1 2 6 1 4 1
## 93 96 97 100 110 118 120 125 126 128 129 130 132 142 145
## 2 1 1 27 3 1 8 2 1 1 1 7 2 1 1
## 147 150 152 159 160 165 170 180 183 185 186 190 192 193 200
## 2 16 1 1 2 3 3 2 2 1 1 1 1 1 28
## 210 215 216 220 221 230 238 240 245 250 251 255 256 258 260
## 1 1 2 1 1 3 1 1 1 19 2 1 1 1 2
## 265 266 268 270 272 275 280 288 290 291 293 298 300 310 312
## 2 1 1 4 1 1 1 1 1 1 1 2 47 1 1
## 318 320 323 327 330 333 335 343 344 348 350 353 356 358 362
## 1 3 1 1 2 1 1 1 1 2 19 1 1 1 1
## 364 365 366 370 371 380 381 388 393 400 412 415 418 420 423
## 1 3 2 3 2 3 1 1 1 44 1 1 1 4 1
## 425 429 430 435 444 448 450 464 469 471 479 487 490 491 493
## 1 1 3 1 1 1 8 1 1 1 1 1 3 1 1
## 500 503 505 510 513 519 520 521 526 529 530 534 536 539 540
## 53 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 550 555 560 561 565 567 575 578 580 600 601 615 620 625 628
## 4 2 2 1 1 1 1 1 2 42 1 1 2 1 1
## 630 640 641 642 650 658 660 666 668 670 680 685 689 690 700
## 2 1 1 1 6 1 1 3 1 1 1 1 1 1 29
## 705 707 709 725 736 750 760 778 780 788 800 820 830 840 847
## 1 1 1 1 1 6 2 1 1 2 34 2 1 1 1
## 850 853 882 892 898 899 900 906 920 932 943 946 956 967 978
## 3 1 1 3 1 1 8 1 1 1 1 1 1 2 1
## 990 993 1000 1002 1010 1014 1018 1030 1034 1100 1109 1118 1131 1200 1228
## 1 1 31 1 1 1 2 1 1 4 1 1 1 9 1
## 1234 1245 1260 1261 1300 1353 1400 1431 1434 1450 1469 1500
## 1 1 1 1 3 1 3 1 1 1 1 11 table(df$q20)##
## 0 1 2 3 4
## 25 200 263 174 131 df$pop_sch <- df$q20 # popularity at school
df$pop_sch[df$q20 == 0] <- 5
df$pop_sch[df$q20 == 1] <- 4
df$pop_sch[df$q20 == 2] <- 3
df$pop_sch[df$q20 == 3] <- 2
df$pop_sch[df$q20 == 4] <- 1
table(df$pop_sch)##
## 1 2 3 4 5
## 131 174 263 200 25 table(df$q21)##
## 0 1 2 3 4
## 55 273 289 119 57 df$pop_cb <- df$q21 # popularity online
df$pop_cb[df$q21 == 0] <- 5
df$pop_cb[df$q21 == 1] <- 4
df$pop_cb[df$q21 == 2] <- 3
df$pop_cb[df$q21 == 3] <- 2
df$pop_cb[df$q21 == 4] <- 1
table(df$pop_cb)##
## 1 2 3 4 5
## 57 119 289 273 55 table(df$q23)##
## 1 2 3 4 5
## 223 368 110 66 26 df$parent_netsec <- df$q23 # talking about net security with parents
df$parent_netsec[df$q23 == 1] <- 5
df$parent_netsec[df$q23 == 2] <- 4
df$parent_netsec[df$q23 == 3] <- 3
df$parent_netsec[df$q23 == 4] <- 2
df$parent_netsec[df$q23 == 5] <- 1
table(df$parent_netsec)##
## 1 2 3 4 5
## 26 66 110 368 223 table(df$q24)##
## 1 2 3 4 5
## 238 377 108 48 22 df$teacher_netsec <- df$q24 # talking about net security with teachers
df$teacher_netsec[df$q24 == 1] <- 5
df$teacher_netsec[df$q24 == 2] <- 4
df$teacher_netsec[df$q24 == 3] <- 3
df$teacher_netsec[df$q24 == 4] <- 2
df$teacher_netsec[df$q24 == 5] <- 1
table(df$teacher_netsec)##
## 1 2 3 4 5
## 22 48 108 377 238 table(df$q22)##
## 0 1 2 3 4
## 196 419 132 30 16 df$time_online <- df$q22 # how many hours online (categorical)
df$time_online[df$q22 == 0] <- 5
df$time_online[df$q22 == 1] <- 4
df$time_online[df$q22 == 2] <- 3
df$time_online[df$q22 == 3] <- 2
df$time_online[df$q22 == 4] <- 1
table(df$time_online)##
## 1 2 3 4 5
## 16 30 132 419 196 table(df$q25)##
## 1 2 3 4 5
## 10 29 411 268 75 df$performance <- df$q25 # self-declared school performance
df$performance[df$q25 == 1] <- 5
df$performance[df$q25 == 2] <- 4
df$performance[df$q25 == 3] <- 3
df$performance[df$q25 == 4] <- 2
df$performance[df$q25 == 5] <- 1
table(df$performance)##
## 1 2 3 4 5
## 75 268 411 29 10# ===================================================================
# (3) REGRESSIONS
# ===================================================================
# (3.1) victim off-line
# (1.1)
fit11 <- glm(df$victim_b ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec,
family = binomial)
summary(fit11)##
## Call:
## glm(formula = df$victim_b ~ df$age + df$female + df$grade + df$performance +
## df$pop_sch + df$pop_cb + df$online_friends + df$time_online +
## df$parent_netsec + df$teacher_netsec, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -0.996 -0.622 -0.560 -0.498 2.231
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.066995 1.227684 0.05 0.956
## df$age -0.095659 0.060918 -1.57 0.116
## df$female1 0.127714 0.213114 0.60 0.549
## df$grade 0.048507 0.052960 0.92 0.360
## df$performance -0.013142 0.136097 -0.10 0.923
## df$pop_sch 0.228572 0.113273 2.02 0.044 *
## df$pop_cb -0.201768 0.120464 -1.67 0.094 .
## df$online_friends 0.000149 0.000341 0.44 0.662
## df$time_online -0.113274 0.122146 -0.93 0.354
## df$parent_netsec -0.008418 0.103742 -0.08 0.935
## df$teacher_netsec -0.007325 0.108488 -0.07 0.946
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 676.91 on 761 degrees of freedom
## Residual deviance: 666.83 on 751 degrees of freedom
## (34 observations deleted due to missingness)
## AIC: 688.8
##
## Number of Fisher Scoring iterations: 4 # (1.2)
fit12 <- glm(df$victim_b ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$victim_cb_score,
family = binomial)
summary(fit12)##
## Call:
## glm(formula = df$victim_b ~ df$age + df$female + df$grade + df$performance +
## df$pop_sch + df$pop_cb + df$online_friends + df$time_online +
## df$parent_netsec + df$teacher_netsec + df$victim_cb_score,
## family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.200 -0.546 -0.427 -0.363 2.519
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.027674 1.285038 -0.80 0.42
## df$age -0.094713 0.063903 -1.48 0.14
## df$female1 0.169889 0.223532 0.76 0.45
## df$grade 0.049161 0.055680 0.88 0.38
## df$performance -0.016133 0.142311 -0.11 0.91
## df$pop_sch 0.183038 0.118349 1.55 0.12
## df$pop_cb -0.107207 0.125724 -0.85 0.39
## df$online_friends -0.000201 0.000363 -0.55 0.58
## df$time_online -0.014656 0.129896 -0.11 0.91
## df$parent_netsec 0.042438 0.107210 0.40 0.69
## df$teacher_netsec -0.066606 0.114664 -0.58 0.56
## df$victim_cb_score 1.599441 0.216093 7.40 1.3e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 676.91 on 761 degrees of freedom
## Residual deviance: 609.08 on 750 degrees of freedom
## (34 observations deleted due to missingness)
## AIC: 633.1
##
## Number of Fisher Scoring iterations: 5 # (1.3)
fit13 <- glm(df$victim_b ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$victim_cb_score
+ df$bully_b + df$bully_cb_score,
family = binomial)
summary(fit13)##
## Call:
## glm(formula = df$victim_b ~ df$age + df$female + df$grade + df$performance +
## df$pop_sch + df$pop_cb + df$online_friends + df$time_online +
## df$parent_netsec + df$teacher_netsec + df$victim_cb_score +
## df$bully_b + df$bully_cb_score, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.734 -0.592 -0.400 -0.317 2.724
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.089363 1.359915 -1.54 0.124
## df$age -0.075424 0.066259 -1.14 0.255
## df$female1 0.290419 0.239454 1.21 0.225
## df$grade 0.066716 0.057164 1.17 0.243
## df$performance -0.034594 0.145390 -0.24 0.812
## df$pop_sch 0.266396 0.124867 2.13 0.033 *
## df$pop_cb -0.142871 0.131106 -1.09 0.276
## df$online_friends -0.000142 0.000383 -0.37 0.711
## df$time_online 0.086435 0.136998 0.63 0.528
## df$parent_netsec 0.019268 0.110467 0.17 0.862
## df$teacher_netsec -0.058164 0.119773 -0.49 0.627
## df$victim_cb_score 1.597727 0.229033 6.98 3.0e-12 ***
## df$bully_b 1.502440 0.288301 5.21 1.9e-07 ***
## df$bully_cb_score -0.198204 0.244206 -0.81 0.417
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 673.27 on 760 degrees of freedom
## Residual deviance: 577.16 on 747 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 605.2
##
## Number of Fisher Scoring iterations: 5 # (3.2) victim online-line
# (2.1)
fit21 <- glm(df$victim_cb_score ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec,
family = binomial)
summary(fit21)##
## Call:
## glm(formula = df$victim_cb_score ~ df$age + df$female + df$grade +
## df$performance + df$pop_sch + df$pop_cb + df$online_friends +
## df$time_online + df$parent_netsec + df$teacher_netsec, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.550 -0.890 -0.722 1.263 2.009
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.653352 1.015623 0.64 0.5200
## df$age -0.019595 0.051062 -0.38 0.7012
## df$female1 -0.016637 0.170473 -0.10 0.9223
## df$grade 0.007262 0.043265 0.17 0.8667
## df$performance -0.029679 0.108506 -0.27 0.7845
## df$pop_sch 0.169968 0.090744 1.87 0.0611 .
## df$pop_cb -0.295505 0.097125 -3.04 0.0023 **
## df$online_friends 0.000873 0.000267 3.28 0.0011 **
## df$time_online -0.276218 0.099098 -2.79 0.0053 **
## df$parent_netsec -0.135693 0.084575 -1.60 0.1086
## df$teacher_netsec 0.153578 0.089440 1.72 0.0860 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 960.05 on 761 degrees of freedom
## Residual deviance: 916.35 on 751 degrees of freedom
## (34 observations deleted due to missingness)
## AIC: 938.4
##
## Number of Fisher Scoring iterations: 4 # (2.2)
fit22 <- glm(df$victim_cb_score ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$victim_b,
family = binomial)
summary(fit22)##
## Call:
## glm(formula = df$victim_cb_score ~ df$age + df$female + df$grade +
## df$performance + df$pop_sch + df$pop_cb + df$online_friends +
## df$time_online + df$parent_netsec + df$teacher_netsec + df$victim_b,
## family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.995 -0.822 -0.642 1.016 2.121
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.012366 1.063988 0.01 0.991
## df$age 0.004697 0.053469 0.09 0.930
## df$female1 -0.049826 0.177638 -0.28 0.779
## df$grade -0.004944 0.045234 -0.11 0.913
## df$performance -0.029988 0.113218 -0.26 0.791
## df$pop_sch 0.128371 0.093663 1.37 0.171
## df$pop_cb -0.271488 0.100738 -2.69 0.007 **
## df$online_friends 0.000914 0.000279 3.28 0.001 **
## df$time_online -0.272370 0.104245 -2.61 0.009 **
## df$parent_netsec -0.140333 0.088387 -1.59 0.112
## df$teacher_netsec 0.165785 0.092817 1.79 0.074 .
## df$victim_b 1.591562 0.215189 7.40 1.4e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 960.05 on 761 degrees of freedom
## Residual deviance: 858.72 on 750 degrees of freedom
## (34 observations deleted due to missingness)
## AIC: 882.7
##
## Number of Fisher Scoring iterations: 4 # (2.3)
fit23 <- glm(df$victim_cb_score ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$victim_b
+ df$bully_b + df$bully_cb_score,
family = binomial)
summary(fit23)##
## Call:
## glm(formula = df$victim_cb_score ~ df$age + df$female + df$grade +
## df$performance + df$pop_sch + df$pop_cb + df$online_friends +
## df$time_online + df$parent_netsec + df$teacher_netsec + df$victim_b +
## df$bully_b + df$bully_cb_score, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.919 -0.795 -0.582 0.963 2.283
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.841856 1.108759 -0.76 0.4477
## df$age 0.006557 0.055384 0.12 0.9058
## df$female1 0.206526 0.189724 1.09 0.2764
## df$grade 0.008732 0.046424 0.19 0.8508
## df$performance -0.028949 0.115003 -0.25 0.8013
## df$pop_sch 0.156319 0.096559 1.62 0.1055
## df$pop_cb -0.262570 0.103141 -2.55 0.0109 *
## df$online_friends 0.000766 0.000288 2.66 0.0077 **
## df$time_online -0.179753 0.107846 -1.67 0.0956 .
## df$parent_netsec -0.174436 0.090648 -1.92 0.0543 .
## df$teacher_netsec 0.155052 0.094854 1.63 0.1021
## df$victim_b 1.588540 0.227076 7.00 2.6e-12 ***
## df$bully_b 0.232820 0.273712 0.85 0.3950
## df$bully_cb_score 0.964098 0.186242 5.18 2.3e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 959.27 on 760 degrees of freedom
## Residual deviance: 825.68 on 747 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 853.7
##
## Number of Fisher Scoring iterations: 4 # (3.3) bully off-line
# (3.1)
fit31 <- glm(df$bully_b ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec,
family = binomial)
summary(fit31)##
## Call:
## glm(formula = df$bully_b ~ df$age + df$female + df$grade + df$performance +
## df$pop_sch + df$pop_cb + df$online_friends + df$time_online +
## df$parent_netsec + df$teacher_netsec, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.407 -0.545 -0.394 -0.297 2.651
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.24e+00 1.48e+00 1.52 0.12944
## df$age -1.29e-01 7.57e-02 -1.70 0.08903 .
## df$female1 -9.56e-01 2.47e-01 -3.86 0.00011 ***
## df$grade -8.29e-02 6.49e-02 -1.28 0.20153
## df$performance -1.66e-02 1.55e-01 -0.11 0.91437
## df$pop_sch -3.62e-01 1.31e-01 -2.76 0.00577 **
## df$pop_cb 1.07e-01 1.38e-01 0.78 0.43708
## df$online_friends -1.56e-05 3.82e-04 -0.04 0.96738
## df$time_online -4.43e-01 1.32e-01 -3.35 0.00082 ***
## df$parent_netsec 2.06e-01 1.34e-01 1.53 0.12532
## df$teacher_netsec 6.52e-03 1.30e-01 0.05 0.95992
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 553.43 on 761 degrees of freedom
## Residual deviance: 506.57 on 751 degrees of freedom
## (34 observations deleted due to missingness)
## AIC: 528.6
##
## Number of Fisher Scoring iterations: 5 # (3.2)
fit32 <- glm(df$bully_b ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$bully_cb_score,
family = binomial)
summary(fit32)##
## Call:
## glm(formula = df$bully_b ~ df$age + df$female + df$grade + df$performance +
## df$pop_sch + df$pop_cb + df$online_friends + df$time_online +
## df$parent_netsec + df$teacher_netsec + df$bully_cb_score,
## family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.439 -0.525 -0.360 -0.268 2.714
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.055243 1.526958 1.35 0.17831
## df$age -0.147165 0.077727 -1.89 0.05831 .
## df$female1 -0.820828 0.254287 -3.23 0.00125 **
## df$grade -0.081579 0.066062 -1.23 0.21687
## df$performance -0.059329 0.157032 -0.38 0.70557
## df$pop_sch -0.338692 0.131557 -2.57 0.01004 *
## df$pop_cb 0.146648 0.141270 1.04 0.29924
## df$online_friends -0.000299 0.000398 -0.75 0.45222
## df$time_online -0.368656 0.137775 -2.68 0.00746 **
## df$parent_netsec 0.179311 0.135716 1.32 0.18643
## df$teacher_netsec -0.041301 0.132046 -0.31 0.75445
## df$bully_cb_score 0.965861 0.255633 3.78 0.00016 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 549.15 on 760 degrees of freedom
## Residual deviance: 487.23 on 749 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 511.2
##
## Number of Fisher Scoring iterations: 5 # (3.3)
fit33 <- glm(df$bully_b ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$bully_cb_score
+ df$victim_b + df$victim_cb_score,
family = binomial)
summary(fit33)##
## Call:
## glm(formula = df$bully_b ~ df$age + df$female + df$grade + df$performance +
## df$pop_sch + df$pop_cb + df$online_friends + df$time_online +
## df$parent_netsec + df$teacher_netsec + df$bully_cb_score +
## df$victim_b + df$victim_cb_score, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.613 -0.503 -0.317 -0.212 2.701
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.250529 1.571710 0.80 0.42624
## df$age -0.125147 0.080198 -1.56 0.11865
## df$female1 -0.978792 0.265911 -3.68 0.00023 ***
## df$grade -0.091608 0.068373 -1.34 0.18030
## df$performance -0.026908 0.161385 -0.17 0.86758
## df$pop_sch -0.407908 0.137132 -2.97 0.00293 **
## df$pop_cb 0.216479 0.149493 1.45 0.14759
## df$online_friends -0.000325 0.000403 -0.81 0.42047
## df$time_online -0.378066 0.141163 -2.68 0.00740 **
## df$parent_netsec 0.208122 0.139484 1.49 0.13568
## df$teacher_netsec -0.053641 0.135809 -0.39 0.69286
## df$bully_cb_score 0.889895 0.270046 3.30 0.00098 ***
## df$victim_b 1.511985 0.286354 5.28 1.3e-07 ***
## df$victim_cb_score 0.248228 0.275775 0.90 0.36806
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 549.15 on 760 degrees of freedom
## Residual deviance: 453.68 on 747 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 481.7
##
## Number of Fisher Scoring iterations: 6 # (3.4) bully on-line
# (4.1)
fit41 <- glm(df$bully_cb_score ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec,
family = binomial)
summary(fit41)##
## Call:
## glm(formula = df$bully_cb_score ~ df$age + df$female + df$grade +
## df$performance + df$pop_sch + df$pop_cb + df$online_friends +
## df$time_online + df$parent_netsec + df$teacher_netsec, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.099 -0.880 -0.627 1.081 2.131
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.418251 1.054539 0.40 0.69165
## df$age 0.035037 0.053596 0.65 0.51329
## df$female1 -1.016731 0.173257 -5.87 4.4e-09 ***
## df$grade -0.052881 0.044701 -1.18 0.23681
## df$performance 0.072350 0.111993 0.65 0.51826
## df$pop_sch -0.053330 0.091998 -0.58 0.56212
## df$pop_cb -0.173279 0.098816 -1.75 0.07951 .
## df$online_friends 0.000966 0.000275 3.52 0.00044 ***
## df$time_online -0.456300 0.103547 -4.41 1.0e-05 ***
## df$parent_netsec 0.114383 0.090210 1.27 0.20481
## df$teacher_netsec 0.139106 0.090905 1.53 0.12596
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 989.86 on 760 degrees of freedom
## Residual deviance: 879.67 on 750 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 901.7
##
## Number of Fisher Scoring iterations: 4 # (4.2)
fit42 <- glm(df$bully_cb_score ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$bully_b,
family = binomial)
summary(fit42)##
## Call:
## glm(formula = df$bully_cb_score ~ df$age + df$female + df$grade +
## df$performance + df$pop_sch + df$pop_cb + df$online_friends +
## df$time_online + df$parent_netsec + df$teacher_netsec + df$bully_b,
## family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.369 -0.856 -0.617 1.056 2.161
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.163250 1.074985 -0.15 0.87929
## df$age 0.047474 0.054012 0.88 0.37942
## df$female1 -0.930862 0.175584 -5.30 1.1e-07 ***
## df$grade -0.045454 0.045144 -1.01 0.31400
## df$performance 0.080255 0.113583 0.71 0.47983
## df$pop_sch -0.017606 0.093608 -0.19 0.85082
## df$pop_cb -0.188892 0.099889 -1.89 0.05862 .
## df$online_friends 0.000990 0.000276 3.58 0.00034 ***
## df$time_online -0.416985 0.105061 -3.97 7.2e-05 ***
## df$parent_netsec 0.098855 0.090144 1.10 0.27280
## df$teacher_netsec 0.145113 0.092081 1.58 0.11504
## df$bully_b 0.947466 0.254572 3.72 0.00020 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 989.86 on 760 degrees of freedom
## Residual deviance: 865.55 on 749 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 889.6
##
## Number of Fisher Scoring iterations: 4 # (4.3)
fit43 <- glm(df$bully_cb_score ~
df$age + df$female + df$grade + df$performance
+ df$pop_sch + df$pop_cb + df$online_friends
+ df$time_online + df$parent_netsec + df$teacher_netsec
+ df$bully_b
+ df$victim_b + df$victim_cb_score,
family = binomial)
summary(fit43)##
## Call:
## glm(formula = df$bully_cb_score ~ df$age + df$female + df$grade +
## df$performance + df$pop_sch + df$pop_cb + df$online_friends +
## df$time_online + df$parent_netsec + df$teacher_netsec + df$bully_b +
## df$victim_b + df$victim_cb_score, family = binomial)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -2.161 -0.838 -0.560 0.995 2.247
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.660180 1.108353 -0.60 0.55142
## df$age 0.049694 0.055448 0.90 0.37013
## df$female1 -0.970712 0.180678 -5.37 7.8e-08 ***
## df$grade -0.047858 0.046305 -1.03 0.30136
## df$performance 0.089280 0.116126 0.77 0.44200
## df$pop_sch -0.053806 0.095853 -0.56 0.57457
## df$pop_cb -0.128426 0.102116 -1.26 0.20852
## df$online_friends 0.000848 0.000284 2.99 0.00283 **
## df$time_online -0.387202 0.107967 -3.59 0.00034 ***
## df$parent_netsec 0.128946 0.092019 1.40 0.16113
## df$teacher_netsec 0.123082 0.094207 1.31 0.19138
## df$bully_b 0.863906 0.265976 3.25 0.00116 **
## df$victim_b -0.175956 0.241299 -0.73 0.46588
## df$victim_cb_score 0.963475 0.185976 5.18 2.2e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 989.86 on 760 degrees of freedom
## Residual deviance: 837.90 on 747 degrees of freedom
## (35 observations deleted due to missingness)
## AIC: 865.9
##
## Number of Fisher Scoring iterations: 4