Дипломная работа: Интернет-пиратство видео-контента в России

Перед тем, как делать выводы о значимости тех или иных переменных и тестировать конкретные гипотезы, мы должны проверить нашу модель на наличие проблем мультиколлинеарности, на правильную спецификацию и проблему гетероскедастичности.

3 шаг - Проверим нашу модель на мультиколлинеарность, рассчитав показатель vif у переменных.

Таблица 6

Тестирование мультиколлинеарности

Источник: Расчеты автора

Как видно, практически все показатели находится в пределах допустимых значений. Единственным исключением является показатель inc (доход). С учетом его незначимости и возможной проблемы связи как с возрастом, так и образованием, что мы отметили ранее, мы исключим данную переменную из модели и заново посмотрим на показатели.

Таблица 6

Тестирование мультиколлинеарности

Источник: Расчеты автора

Сейчас все показатели находятся на низком уровне, что говорит об отсутствии проблемы мультколлинеарности.

4 шаг - Проверка адекватности модели тестом Рамсея. Это позволит изучить, нет ли в нашей модели пропущенных или лишних переменных.

Проверка модели на значимость всех коэффициентов

Рис. 6. Источник: Расчеты автора

Как видно из (Рис.6) , нулевая гипотеза не отвергается и модель является адекватной на 1, 5 и 10% уровнях значимости.

5 шаг - проверка гетероскедастичности. Для того, чтобы оценить, имеется ли в модели проблема гетероскдастичности, мы проведем тест Уайта.

Как видно, нулевая гипотеза о гомоскедастичности не отвергается, соответственно данной проблемы в нашей модели не наблюдается.

В дополнение к первому тесту мы также проведем тест Бройша-Пагана:

Таблица 7

Тестирование гетероскедастичности - тест Уайта

Источник: Расчеты автора

Таблица 8

Тестирование гетероскедастичности - тест Бройша-Пагана

Источник: Расчеты автора

6 шаг - изучим модель на наличие выбросов

В связи с тем, что потребление интернет пиратства и контента в целом имеет явных фанатов среди пользователей, вероятность попадания в выборку значений таких респондентов крайне высока.

Гистограмма остатков модели

Рис. 7. Источник: Расчеты автора

Как видно на графике, распределение остатков близко к нормальному, хотя и имеет отклонение. Их наличие может искажать результаты, поэтому нужно проверить нормальность остатков.

Таблица 9

Тест Колмогорова-Смирнова

Результаты данного теста показывают, что остатки распределены нормально.

Таблица 10

Тест Харке-Бера

Также указывает на нормальность остатков

2.5 Итоговая модель и результаты

Относительно первой модели была исключена единственная переменная - inc. Она была незначимой и вызывала проблему мультиколлинеарности.

Итоговая модель лишена проблем гетероскедастичности, мультиколлинеарности. Она адекватна, а остатки отвечают нормальному распределению. Итоговый результат выглядит следующим образом.

Таблица 11

Регрессионная статистика итоговой модели

Источник: Расчеты автора

Большое количество исследуемых переменных оказалось незначимым. Несмотря на это, было принято решение оставить их в модели, чтобы сравнить с результатами уже проведенных исследований. И их сходство/расхождение с ранее проведенными исследованиями даст возможность сделать выводы о том, что российское общество отличается от европейских в области восприятия интеллектуального права, о чем говорили многие авторы в своих исследованиях. Нам же удастся доказать/опровергнуть данную гипотезу.

AvP - параметр оказался незначимым. Несмотря на то, что люди испытывают негатив от того, что не находят нужный контент на нелегальных ресурсах, они не готовы пересматривать свой подход к потреблению видео контента в интернете. Также, возможно, имеет место и обратная сила - чем больше таких ситуация, тем больше контента потребляет пользователь на нелегальных сайтах.

Scr - параметр оказался незначимым в финальной модели. Один из вариантов такого следствия - малое число респондентов в выборке. Несмотря на то, что их 233, что достаточно много, только 12 из них пользуется ТВ (приложением). Такое соотношение отвечает реальной картине, но по 12 респондентам нельзя сделать достоверные выводы о поведении все группы пользователей, предпочитающих смотреть сериалы и фильмы через интернет по ТВ приложению. Если выборка будет состоять и 1000 респондентов, и пользователей ТВ приложения окажется 60, такие результаты будут точнее.

T - ожидаемое время оказалось значимым на 10% уровне значимости, что говорит о слабой взаимосвязи между этой переменной и зависимой. Скорее всего, люди подсознательно рационализируют свою полезность с учетом затрат времени на поиск контента. Чем относительно меньше времени потребуется на поиск нелегального видео контента в интернете против легального, тем больше его объемы. Слабая значимость может быть объяснена двумя факторами. Первый - отсутствие у ряда респондентов достаточного опыта, чтобы правильно оценить время на поиск контента на ресурсах, где они практически не потребляют контент. Второй - определённую роль играет отсутствие как такового выбора между легальным и нелегальным контентом. Часть пользователей может выстраивать свой выбор иначе - просмотр нелегального контента видео или отказ от просмотра в целом.

Ethic - Этот параметр повторил результаты европейских исследований. Чем лучше пользователь относится к пиратству, тем больше он потребляет нелегального контента. Значимым на 10, 5 и 1% уровне относительно базовой переменной (ярый антипират) оказался явный пират и благородный. При этом коэффициент ярого пирата оказался выше, чем у благородного. Это говорит о том, что отношение к пиратству напрямую влияет на объемы потребления нелегального видео-контента в интернете и подтверждает уже проведённые исследования.

Ed - сразу несколько групп оказались значимыми относительно базового уровня - школьников. Это три группы: те, кто получил только среднее образование (на 5% уровне значимости), те, кто закончил специалитет (на 10% уровне значимости), и те, кто закончил магистратуру и выше (на 5% уровне значимости). И если первые две группы похожи между собой, то те, кто закончил магистратуру сильно отличаются от них. Единственным возможным объяснением является свободное время каждого пользователя - если те, кто учатся, потребляют меньше пиратского контента, а те, кто уже нет, больше, можно сделать вывод, что учеба оставляет меньше временных возможностей на данное занятие. Или же, причиной является предпочтение по досугу. Те, кто учатся, более активные и продолжают общаться, тем самым сокращая время и объемы потребления контента в целом, и в том числе нелегального.

А вот критику предыдущих исследований, что их результаты неточны из-за большого акцента на студентах, мы отчасти опровергаем. Так как студенты не потребляют больше нелегального контента.

Age - опровергаем критику лишь отчасти, потому что переменная возраст в нашем исследовании оказывается незначимой в целом, когда в предыдущих исследованиях она была значимой. Возможная причина - различия в общественном укладе и привычках в российском обществе.

Gender - тоже в отличии от предыдущих исследованиях оказалась незначимой. Возможная причина все та же - отличия общества России от развитых стран.

Legal - тоже оказалось незначимой. Несмотря на то, что часть респондентов считает, что есть вероятность получить санкции, сами эти санкции оцениваются не так значимо, что позволяет не сокращать потребление нелегального контента.

Fam - относительно категории людей, проживающих одиноко, все остальные группы (за исключением ответивших - «другое») потребляют большее количество нелегального видео-контента в интернете. При этом, показатель тех, кто проживают с партнером, оказался значимым только на уровне 10%, у группы, проживающих с родителями - на 5%, а у тех, кто живет с детьми - на 1%. Все это говорит о том, что потребление фильмов и сериалов - является формой семейного досуга.

Таблица 12

Тестирование гипотез