3.3 Модели и проверка гипотез

3.3.1 Корреляционный анализ

Построение гипотез состояло из нескольких этапов, изначально была собрана база данных, включающая в себя 50 переменных по 51 случаю, после, несмотря на подробную теоретическую рамку, было проверено наличие связи между переменными при помощи корреляционного анализа. Анализ позволил отмести сразу несколько теорий, выведенных ранее, и, вместе с этим, позволил продвинуться дальше.

Статистически значимые результаты корреляционного анализа для всех переменных анализа

	time_4	lib	med	dv
Spearman's rho	time_4	Correlation Coefficient	1,000	-,504(**)	-,505(**)	-,793(**)
		Sig. (2-tailed)	.	0,000	0,000	0,000
	lib	Correlation Coefficient	-,504(**)	1,000	0,261	,711(**)
		Sig. (2-tailed)	0,000	.	0,064	0,000
	med	Correlation Coefficient	-,505(**)	0,261	1,000	,735(**)
		Sig. (2-tailed)	0,000	0,064	.	0,000
	lib_act	Correlation Coefficient	-,755(**)	,504(**)	,396(**)	,846(**)
		Sig. (2-tailed)	0,000	0,000	0,004	0,000
	dv	Correlation Coefficient	-,793(**)	,711(**)	,735(**)	1,000
		Sig. (2-tailed)	0,000	0,000	0,000	.
	values	Correlation Coefficient	-,568(**)	,512(**)	,546(**)	,713(**)
		Sig. (2-tailed)	0,000	0,000	0,000	0,000
	inc_per_cap	Correlation Coefficient	-,294(*)	,356(*)	,318(*)	,453(**)
		Sig. (2-tailed)	0,036	0,010	0,023	0,001
	ur_pop	Correlation Coefficient	-0,208	0,081	,454(**)	,377(**)
		Sig. (2-tailed)	0,144	0,574	0,001	0,006
	rur_pop	Correlation Coefficient	0,208	-0,081	-,454(**)	-,377(**)
		Sig. (2-tailed)	0,144	0,574	0,001	0,006
	GSP_per_cap	Correlation Coefficient	-0,180	0,225	0,215	,311(*)
		Sig. (2-tailed)	0,207	0,113	0,130	0,026
	Median Annual Household Income	Correlation Coefficient	-,316(*)	,356(*)	,315(*)	,442(**)
		Sig. (2-tailed)	0,024	0,010	0,024	0,001
	State Collections per Capita	Correlation Coefficient	-,327(*)	0,272	,334(*)	,398(**)
		Sig. (2-tailed)	0,019	0,054	0,016	0,004
	leg_comp_sum	Correlation Coefficient	,354(*)	-0,166	-0,232	-,349(*)
		Sig. (2-tailed)	0,011	0,244	0,102	0,012
	exp_JS_pc	Correlation Coefficient	-,420(**)	,336(*)	,440(**)	,496(**)
		Sig. (2-tailed)	0,002	0,016	0,001	0,000
	educ_pc	Correlation Coefficient	-,415(**)	,349(*)	,329(*)	,483(**)
		Sig. (2-tailed)	0,002	0,012	0,018	0,000
Табл. 1. Поскольку в данных присутствуют порядковые переменные, был использован текст Спирмана. **. Корреляция значима на уровне 0,01 (двухсторонняя). *. Корреляция значима на уровне 0,05 (двухсторонняя).

Переменные в таблице:

dv - зависимая переменная, объединяющая легализацию и проявления либерализации;

lib - бинарная переменная легализации;

med - бинарная переменная медицинского использования марихуаны;

lib_act - бинарная переменная декриминализации;

values - значение прогрессивности законодательства;

inc_per_cap - доход на душу населения;

ur_pop / rur_pop - доля урбанизированного населения;

GSP_per_cap - ВРВП на душу населения;

MedianAnnualHouseholdIncome - медианный доход хозяйства;

StateCollectionsperCapita - доход государства от фискальной политики;

leg_comp_sum - состав легислатуры;

exp_JS_pc - расхода на «войну против наркотиков»;

educ_pc - доля населения с высшим образованием (бакалавриат и/ или магистратура)

Корреляционный анализ наглядно демонстрирует, что часть предположений, основанных в теоретической части работы, имеет право на жизнь, поскольку между ними и переменной, измеряющей либерализацию, существует статистически значимая связь. Формально, уже на данном этапе можно утверждать, что между переменной, измеряющей либерализацию (dv), и переменными, которые упоминаются в гипотезах, есть статистически значимая связь. Связь с декриминализацией и медицинским использованием очевидна, поскольку эти аспекты являются составными элементами зависимой переменной. На основании таблицы можно сделать вывод, что одна из наиболее сильных связей наблюдается между зависимой переменной и параметром прогрессивности законодательства (values) - 0,713. Следующая значимая связь между либерализацией и временем её начала (первого действия) (time4), изначально, в анализе присутствовало три переменные времени, но поскольку они имели одинаковые значения в матрице, потому что измеряют один и тот же процесс, было принято решение оставить одну - -0,793. Третья статистически значимая связь - доля населения с высшим образованием (educ_pc) - 0,483. В дополнении, корреляционная выдача демонстрирует наличие связи между зависимой переменной и сразу пятью переменными, относящиеся к измерению экономического благосостояния штата, но здесь сила связи уже варьируется от 0,496 (exp_JS_pc) до 0,311 (GSP_per_cap).

Резюмируя, наиболее сильная связь наблюдается с политическим фактором, измеряющим градус либеральности законодательства штата, но при этом сразу несколько переменных, характеризирующих экономическое измерение штата, также имеют статистически значимую связь с либерализацией. Направление и сила связи вышеупомянутых и иных переменных будет рассмотрена в последующих блоках данной главы.

3.3.2 Линейная регрессия

После проведения корреляционного анализа, который позволил выявить потенциально значимые переменные, связанные с зависимой, был проведён регрессионный анализ для двух разных зависимых переменных: lib - исключительно параметр легализации марихуаны; dv - комплексная переменная либерализации наркотической политики. Модели создавались исходя из категорий в уравнении адаптации, то есть, в ней должны были присутствовать хотя бы одна переменная из каждого блока.



Табл. 2

Регрессионная выдача МНК метода для модели 1. Зависимая переменная: lib

	Коэффициент	Ст. ошибка	t-статистика	P-значение
const	1,61378	0,193522	8,339	<0,0001	***
values	0,0257691	0,00575157	4,480	<0,0001	***
ur_pop	?0,0127928	0,00340482	?3,757	0,0005	***
GSP_per_cap	1,05569e-05	3,53360e-06	2,988	0,0045	***
subregion_text	?0,0950619	0,0405276	?2,346	0,0235	**
StateCollectionsperCapita	?0,000117866	6,20314e-05	?1,900	0,0638	*
R-квадрат	0,558972
Испр. R-квадрат	0,509969

В модели, где зависимой переменной является легализация марихуаны (Табл. 2), статистически значимыми на разных уровнях оказались все переменные. На основании данной выдачи можно сделать вывод, что легализация зависит от прогрессивного законодательства, населения, которое проживает вне урбанизированных районов и от высокого дохода штата. Кроме того, принадлежность к Западному или Северо-Восточному суб-региону продвигает либерализацию, но, несмотря на высокий ВРВП, у штата должна быть экономически неуспешная фискальная политика. Комбинация из пяти переменных позволяет объяснить половину случаев легализации марихуаны в США - 56% (51%). Содержательно результаты Таблицы 2 можно трактовать как подтверждение нескольких гипотез: подтвердилась гипотеза (Н3) о связи между прогрессивным законодательством и легализацией и гипотеза (Н8), объясняющая связь между высоким экономическим развитием штата и легализацией; и последняя гипотеза (Н7) про суб-регинональную принадлежность была подтверждена - есть регионы, которые более предрасположены к легализации. Одновременно с этим были опровергнута одна гипотеза: если изначально гипотез Н5.2 предполагала, что чем выше доля урбанизированного населения, тем вероятнее либерализация, но Таблица 2 утверждает, что связь обратная, следовательно, сельское население способствует легализации.

Табл. 3

Регрессионная выдача МНК метода для моделей 2-5. Зависимая переменная: dv

	М2	М3	М4	М5
const	2,42856*** (<0,0001)	0,669404 (0,2746)	?0,126116 (0,8443)	?0,711211 (0,2928)
natureofgovern	0,0403853 (0,1252)	0,0581652 (0,1004)	0,0730255* (0,0675)	?0,00795325 (0,8037)
ur_pop	?0,00708685* (0,0898)	?0,0128561** (0,0208)	?0,00516964 (0,3582)	?0,000947317 (0,8735)
GSP_per_cap	4,54813e-06 (0,2704)	1,72776e-06 (0,7533)	?1,42833e-06 (0,8162)	?4,44982e-06 (0,5038)
exp_JS_pc	?0,0123199 (0,9763)	0,592360 (0,2794)	0,769504 (0,2136)	1,00073 (0,1381)
educ_pc	?0,635480 (0,7834)	0,494748 (0,8736)	6,35232** (0,0391)	7,52866** (0,0249)
subregion_text	?0,173102*** (0,0058)	?0,100395 (0,2092)	?0,199664** (0,0213)	?0,148506 (0,1051)
leg_comp_sum	?0,00442416 (0,4517)	?0,0102093 (0,1952)	?0,0239440*** (0,0032)	-
values	0,0186129** (0,0365)	0,0387831*** (0,0008)	-	-
lib_act_bi	?0,773367*** (<0,0001)	-	-	-
R-квадрат	0,803565	0,632766	0,517894	0,408448
Испр. R-квадрат	0,760446	0,562817	0,439411	0,327781

Данные модели, представленные в таблице 3, уже используют другую зависимую переменную (либерализация) и включают в себя больше переменных, частично отличных от первой модели, что позволило значительно повысить R-квадрат с 56% до 80%, в первом случае. В первой модели статистически значимыми на разных уровнях стали сразу 4 фактора: наличие либерализующего действия с обратной связью, исходя из кодировки порядковых переменных, в данном случае «1» - действие было, «2» - не было, следовательно, обратная связь утверждает, что наличие действия сильно способствует осуществлению либерализации. С порядковой переменной суб-региона точно такая же ситуация, поскольку «1» - Запад, а «2» - Северо-Восток, то штатам, принадлежащим данным субнациональным единицам, свойственная либерализация. «Ценности» имеют прямую связь и значимы на уровне 0.05, эту переменную можно интерпретировать следующим образом: чем более прогрессивно законодательство штата, тем выше вероятность либерализации наркотиков. Заключительная переменная в модели 1 - доля урбанизированного населения, парадоксально, но чем ниже эта пропорция населения, тем выше вероятна либерализация марихуаны, данный вывод идёт в разрез с предположением работы, но с другой стороны, исходя из природы переменных ur_pop и rur_pop, можно сказать, что сельское население способствует легализации. Возможно, есть зависимость между потреблением марихуаны, ценообразованием и сельским населением - данный аспект требует отдельного изучения.

Вторая модель повторно подтверждает выводы относительно зависимости либерализации и типа законодательства и урбанизированного населения, но при этом, исключая одну переменную, объяснительный потенциал модели сокращается до 63% (56%) В то время как третья модель демонстрирует значимость у новых переменных: состав легислатуры, партийная принадлежность губернатора и распространение образования. Обратная связь переменной законодательного органа сигнализирует, что штаты, в легислатуре которого превалирует демократическая партия, более склонны к либерализации. Но одновременно с этим, прямая связь партийной аффилиация губернатора можно интерпретировать следующим образом: республиканские губернаторы ратуют за либерализацию в области наркотической политики. Данный конфликт может быть объяснён как ограничения исследования, так и стратегическим поведением губернатора на фоне электоральных циклов. Переменная, измеряющая образование, является значимой в моделях 4-5 и имеет прямую связь с зависимой, следовательно, чем больше показатель высшего образования в штате, тем вероятнее либерализация.

Резюмируя, МНК анализ продемонстрировал несколько значимых переменных, которые связаны с либерализацией: прогрессивность законодательства, принадлежность к региону, экономическое развитие и наличие либеральной инициативы в области наркотиков. Данные выводы частично подтверждают выведенные гипотезы, но, возможно, проблема заключена в построенных моделях, более того, метод линейной регрессии может быть не самым оптимальным для порядковой зависимой переменной.

3.3.3 Логистические регрессии

Можно было бы считать данное эмпирическое исследование законченным, но после более тщательного ознакомления с литературой Winship, C., Mare, R.D. Regression Models with Ordinal Variables // American Sociological Review. 1984. Vol. 49. № 4. P. 512; Will the results of an ordinal logit model be different from OLS regression, with discrete dependent variables? [Electronic source]. URL: https://www.researchgate.net/post/Will_the_results_of_an_ordinal_logit_model_be_different_from_OLS_regression_with_discrete_dependent_variables (Retrieved: 04.05.2019). было выявлено, что для категориальной зависимой переменной лучше использовать регрессию другого вида - логистическую. Блок с линейной регрессией был оставлен, поскольку мнения относительно оптимальности метода разнятся, и существует позиция, что МНК метод можно использовать и для категориальных переменных, более того, проведение двух регрессий позволяет сопоставить полученные результаты, тем самым внести вклад в существующую дискуссию. В данном блоке будет представлено три вида логистических моделей: первая - логистическая регрессия для дихотомической зависимой переменной; вторая - порядковая, и в заключение блока - полиноминальная, которая может быть чрезмерной, но была использована из-за непрохождения моделью теста параллельности линий.

Прежде чем перейти к результатам регрессионного анализа, необходимо провести и прокомментировать технические анализы логистического метода, которые позволяют определить достоверность выходных данных. Поскольку нулевой блок не предоставляет интереса, поскольку содержит информацию о модели без независимых переменных, будут представлены результаты тестов (Таблицы 4-7) для модели 6 (Таблица 8) из первого блока.

Табл. 4

Универсальные критерии коэффициентов модели

	Хи-квадрат	ст.св.	Знач.
Шаг 1	Шаг	42,583	7	,000
	Блок	42,583	7	,000
	Модель	42,583	7	,000

Поскольку независимые переменные использовались в модели при помощи метода одновременного «введения», то показатели в Таблице 4 у всех строк одинаковые. В целом, данная Таблица демонстрирует, насколько значимо введение независимых переменных относительно модели без предикторов. Поскольку тест Хи-квадрата статистически значимый, то можно сказать, что данная модель превосходит по значимости «пустую» модель - модель, содержащую только константу без предикторов.

Табл. 5

Сводка для модели

Шаг	-2 Log-правдоподобие	R-квадрат Кокса и Снелла	R-квадрат Нэйджелкерка
1	7,898	,566	,901

В Таблице 5 представлены значения, аналогичные R-квадрату в линейных регрессиях, в частности, максимально приближенным показателем по смыслу является R-квадрат Нэйджелкерка, который демонстрирует, что модель 6 может предсказать 90% случаев.

Табл. 6

Проверка согласия Хосмера-Лемешева

Шаг	Хи-квадрат	ст.св.	Знач.
1	1,030	8	,998

В отличие от теста Хи-квадрата, в ходе которого необходимо получить p-значение ниже порогового для отказа от нулевой гипотезы, то в случае теста Хосмера-Лемешева диаметрально противоположенная ситуация. Если значение превышает пороговое, то в таком случае, модель лучше подходит для описания кейса.

Табл. 7

Таблица классификации (Значение отсечения -,500)

	Наблюденные	Предсказанные
		lib	Процент правильных
		prohib	legal
Шаг 1	lib	prohib	40	1	97,6
		legal	1	9	90,0
	Общая процентная доля			96,1

Поскольку логистические регрессии используются для прогнозирования исходов, то в данной модели представлено количество правильно предсказанных исходов (accuracy). То есть, если рассматривать матрицу два-на-два (confusion matrix - выделена полужирным), то можно видеть, что в модели был обнаружен 41 случай запрета на марихуану, и 40 из них было правильно предсказано моделью (ячейка prohib-prohib), что выражается в 97.6% правильности. В случае легализации, изначально было 10 случаев легализации, и 9 из них было предсказано моделью - 90% (ячейка legal-legal). Общая предсказательная способность модели 6 находится на уровне 96%, то есть, наша модель может объяснить как случаи легализации, так и случаи запрета.



Табл. 8

Регрессионные выдачи для бинарных логистических моделей 6-8

	М6	М7	М8
Шаг 1a	educ_pc	-	20,815 (,449)	41,008 (,027)
	exp_JS_pc	-	5,589 (,175)	6,247 (,047)
	leg_comp_sum	-	,035 (,593)	-,058 (,190)
	ur_pop	-,316 (,049)	-,216 (,019)	-,059 (,097)
	GSP_per_cap	,000 (,117)	,000 (,953)	,000 (,482)
	values	,809 (,056)	,455 (,014)	-
	StateCollectionsperCapita	-,002 (,285)	-	-
	subregion_text	(,703)	-	-
	subregion_text(1)	-20,919 (,998)	-	-
	subregion_text(2)	-2,787 (,235)	-	-
	subregion_text(3)	-20,176 (,998)	-	-
	Константа	-1,967 (,695)	-5,578 (,293)	-9,661 (,004)
	R-квадрат Нэйджелкерка	,901	,742	,456
	-2 Log-правдоподобие	7,898	18,446	33,264

Непосредственно сами результаты регрессии представлены в Таблице 8. На основании бэта-коэффициентов можно сделать вывод о шансе попадания (речь идёт о logit/ logodds, поскольку в Таблице 8 не представлены Exp(B), на основании которых можно было бы говорить о непосредственных шансах (odds), но данный нюанс никак не сказывается на интерпретации) в группе штатов, которые легализуют марихуану. Например, переменная процента населения, проживающего в урбанизированных районах, чем она ниже, тем выше вероятность легализации марихуаны в штате. Другая же значимая переменная на уровне 0,05 - тип законодательства, иллюстрирует, что чем выше инклюзивность законодательства, тем выше шанс легализации. Остальные переменные в модели 6 статистически не значимы. Модель 7, в свою очередь, лишилась части переменных, но при этом продолжает отмечать значимость не урбанизированного населения и прогрессивного законодательства. Но при удалении «ценностей» значимость обретают распространение образования и расходы на систему правосудия. Имея прямую связь с легализацией, обе переменные означают следующее: чем выше расходы штата на полицию, суды и тюрьмы, и чем больше распространено высшее образование, тем выше вероятность легализации. Закономерным является тот факт, что при исключении переменных условный объяснительный потенциал понижается с 0,901 в шестой модели до 0,456 в восьмой. Стоит отметить, что результаты логистической регрессии не противоречат выводам линейной регрессии, несмотря на тот факт, что часть переменных, которые имели статистическую значимость в линейной регрессии, потеряли её в логистической. Говоря о гипотезах, то относительно линейной модели, выдача Таблицы 8 позволяет оценить меньшее количество предположений: в данной Таблице в очередной раз опровергается гипотеза Н5.2, что одновременно подтверждает работоспособность линейной модели, но вместе с тем заставляет задуматься, чем объясняется связь между легализацией и сельским населением. Три гипотезы повторно подтвердились: Н3 - чем прогрессивнее законодательство, тем выше шанс легализации; Н5.1 - чем больше доля населения с высшим образованием, тем вероятнее легализация; и Н9 - расходы имеют прямую связь с легализацией, чем выше издержки поддержания запрета, тем выше шанс легализации.

Дальнейшее повествование строится по тематическому принципу, прежде чем строить итоговую общую модель, определяющую значимые факторы либерализации, будут построены промежуточные экономические, политические и социальные модели. Поскольку переменная либерализации не дихотомическая, будет использована порядковая логистическая модель - в данном случае могла бы подойти полиноминальная, но из-за кодирования зависимой переменной имеется один уровень, который состоит из одного случая и регрессионную выдачу которого нельзя корректно трактовать, несмотря на это, полиноминальная логистическая регрессия будет использована в качестве заключительной, причина для этого будет описана ниже. Технические тесты для порядковой регрессии будут проведены для каждой модели без исключений (Приложение 4-5), но описание (Таблица 9-12) будет представлено только для экономической (Таблица 13).

Табл. 9

Сводный отчет по наблюдениям

	N	Маргинальный процент
dv	Prohib	14	27,5%
	2	15	29,4%
	3	12	23,5%
	4	1	2,0%
	Full leg	9	17,6%
Допустимо	51	100,0%
Пропущенные	1048373
Всего	1048424

Таблица 9 содержит информация о выборке наблюдений, как упоминалось ранее, зависимая переменная находится в диапазоне [1-5], только крайние значения заменены на Prohib и Full leg соответственно. Здесь наглядно изображено, что категория 4 содержит в себе одно наблюдение. Пропущенные значения - пустые ячейки в таблице.



Табл. 10

Информация подгонки модели (Функция связи: Логит.)

Модель	-2 Log-правдоподобие	Хи-квадрат	ст.св.	Знач.
Только свободный член	146,723
Окончательная	124,137	22,586	7	,002

Таблица 10 отображает результат Хи-квадрата - значение p (0,002) позволяет утверждать, что введённые независимые переменные в модели 9 имеют лучший объяснительный потенциал, чем модель без переменных.

Табл. 11

Критерий согласия (Функция связи: Логит.)

	Хи-квадрат	ст.св.	Знач.
Пирсона	185,141	193	,645
Отклонение	124,137	193	1,000

Данные критерии согласия содержательно схожи с интерпретацией теста Хосмера-Лемешева, при p-значении больше порогового, модель лучше подходит для объяснения.

Табл. 12

Псевдо R-квадрат (Функция связи: Логит.)

Кокса и Снелла	,358
Нэйджелкерк	,379
McFadden	,154

Как и в бинарной логистической регрессии, данные значения (Таблица 12) условно можно трактовать как R-квадрат для линейной, поэтому они будут размещены в нижних строчках каждой регрессионной выдачи.



Табл. 13

Регрессионные выдачи для порядковых логистических моделей 9-10 с включёнными экономическими факторами

	М9	М10
Пороговое значение	[dv = 1]	6,448 (,185)	6,801 (,160)
	[dv = 2]	8,133 (,097)	8,423 (,084)
	[dv = 3]	9,715 (,051)	9,959 (,044)
	[dv = 4]	9,883 (,047)	10,124 (,041)
Положение	GSP_per_cap	-5,115E-5 (,121)	-2,150E-5 (,400)
	exp_JS_pc	5,502 (,011)	4,956 (,027)
	pov_total	3,246 (,798)	4,651 (,713)
	MedianAnnualHouseholdIncome	2,741E-5 (,676)	2,867E-5 (,660)
	StateCollectionsperCapita	,001 (,088)	-
	prison_med	-1,651E-6 (,426)	-2,330E-6 (,242)
	inc_per_cap	5,564E-5 (,459)	6,919E-5 (,356)
	Кокса и Снелла	,358	,324
	Нэйджелкерк	,379	,343
	McFadden	,154	,136

Особенность порядковой регрессии (Таблица 13) заключается в сопоставлении нескольких групп с одной, то есть, разделив штаты по уровню либерализации, в результате получилось пять категорий, в Таблице 9 групп 1-4 сопоставляются с группой 5, получается, что «оценки» позволяют судить, с какой вероятностью штат попадёт в пятую группе штатов - группа с либерализацией наркотической политики. Обратив внимание на показатель Нэйджелкерка можно заключить, что модели объясняют треть всех случаев, что также можно наблюдать и в количестве значимых переменных. Если в модели 9 есть две значимые переменные на уровнях 0,05 и 0,1 - расходы на правоохранительную систему и доход штата с фискальной политики. Если первая переменная уже встречалась в анализе и повторно подтверждает, что штаты с высокими расходами на «войну против наркотиков» скорее смягчат законодательство в области наркотиков, то вторая переменная противоречит предшествующим выводам. В модели 1 связь была обратной, то в модели 9 связь прямая, что можно трактовать как: богатые штаты более предрасположены к либерализации. Во второй экономической модели (модель 10) статистически значимыми остаются только расходы.

Экономическая модель подтверждает лишь одну гипотезу (Н9), чем дороже обходится поддержание консервативной наркотической политики, тем выше вероятность либерализации.

Табл. 14

Критерий параллельности линий

Модель	-2 Log-правдоподобие	Хи-квадрат	ст.св.	Знач.
Нулевая гипотеза	108,645
Основные	103,750	4,895	14	,987

Также, для каждой порядковой регрессии был проведён тест параллельных линий (Таблица 14), который позволяет судить о «правильности» выбранного типа регрессии. Если p-значение будет статистически значимым, то принимается нулевая гипотеза о том, что связь между вероятностью попадания в более высокую группу и независимыми переменными стабильна на всех уровнях зависимой переменной. При таком исходе можно провести полиноминальную регрессию для устранения технического нюанса. В случае экономических моделей p-значение было выше порогового.

Табл. 15

Регрессионные выдачи для порядковых логистических моделей 11-13 с включёнными политическими факторами

	M11	M12	M13
Пороговое значение	[dv = 1]	-26,246 (,000)	-26,821 (,000)	-3,042 (,002)
	[dv = 2]	-3,649 (,029)	-4,647 (,002)	-1,134 (,217)
	[dv = 3]	1,361 (,379)	-,348 (,765)	,779 (,400)
	[dv = 4]	1,664 (,284)	-,068 (,953)	,969 (,298)
Положение	natureofgovern	,199 (,334)	,141 (,482)	,189 (,250)
	leg_comp_sum	-,013 (,796)	-,047 (,312)	-,111 (,002)
	minor	-1,402 (,591)	-,532 (,832)	-,971 (,653)
	consumption_med	,001 (,266)	,002 (,109)	,001 (,226)
	[subregion_text=Midwest]	-3,354 (,011)	-3,635 (,004)	-2,124 (,023)
	[subregion_text=Northeast]	-,982 (,402)	-,389 (,717)	-,472 (,603)
	[subregion_text=South]	-1,678 (,257)	-3,130 (,014)	-3,464 (,000)
	[subregion_text=West]	0a (.)	0a (.)	0a (.)
	crimes_ag_med	-8,412E-5 (,111)	-8,751E-5 (,081)	-
	[lib_act_bi=not occured]	-24,432 (.)	-24,042 (.)	-
	[lib_act_bi=occured]	0a (.)	0a (.)	-
	values	,109 (,085)	-	-
	Кокса и Снелла	,811	,797	,475
	Нэйджелкерк	,859	,845	,504
	McFadden	,578	,555	,224

Политическая модель (Таблица 15) предоставляет больше значимых переменных и впервые вводит порядковые. В модели 11 сразу же стоит отметить суб-региональную переменную, в частности категорию Среднего Запада, так как связь обратная, то вероятность попасть в группу либерализирующих штатов ниже, относительно других регионов выводов пока нельзя сделать. Другая категориальная переменная - либерализирующее действие - также вносит весомый вклад в либерализации штата: при отсутствии действия процесс легализации запустить сложнее. Во время интерпретации порядковой регрессии стоит обратить внимание, что в каждой порядковой переменной (суб-регион и либерализирующее действие) есть «соотносимый» уровень - для суб-региона это Запад, а для действия - «произошло». В таком случае правильнее, с технической точки зрения будет сказать, что в модели 11 принадлежность к Среднему Западу идёт в разрез с либерализацией относительно Запада. В моделях 12-13 такое же заключение можно сделать, но уже для Среднего Запада и Юга относительно того же западного суб-региона. Говоря о действии, то здесь проще интерпретировать результат исходя из дихотомической кодировки переменной - отсутствие действия снижает вероятность либерализации относительно случая, где действия было совершенно.

Заключительной значимой переменной повторно стали «ценности» штата. В целом, у модель очень высокий показатель квази-R статистики - 0,859. В следующей модели (модель 12) к региону Среднего Запада присоединился Юг, обе переменные имеют обратную связь, что позволяет охарактеризовать эти суб-региона как не предрасположенные к либерализации. К тому же, появилась значимость у количества преступлений, связанных с марихуаной - чем меньше количество правонарушений, тем выше вероятность попасть в группе штатов, либерализурющих наркотическую политику. 13 модель подтверждает предположение о ретроградности вышеупомянутых суб-регионов и включает в анализ состав легислатуры - у штатов с демократическим большинством в законодательном органе выше шанс попасть в пятую группу. Несмотря на значимость, моделью можно объяснить только половину случаев - 0,504

Таким образом, модели 11-13, представленные в Таблице 15 позволяют подтвердить две гипотезы: Н7 - есть два суб-региона, которым не характерна либерализация (Средний Запад и Юг), вторая гипотеза (Н6.2) подтвердила, что при демократическом большинстве в легислатуре, шанс либерализации повышается.

Табл. 16

Регрессионные выдачи для порядковых логистических моделей 14-16 с включёнными социальными факторами

	М14	М15	М16
Пороговое значение	[dv = 1]	-2,009 (,309)	-1,279 (,492)	3,918 (,012)
	[dv = 2]	,264 (,893)	,970 (,599)	5,593 (,001)
	[dv = 3]	2,764 (,173)	3,319 (,089)	7,205 (,000)
	[dv = 4]	3,019 (,139)	3,548 (,071)	7,376 (,000)
Положение	educ_pc	11,430 (,322)	5,009 (,631)	26,846 (,004)
	natureofgovern	,198 (,242)	,116 (,436)	,095 (,496)
	leg_comp_sum	-,066 (,142)	-,020 (,542)	-,059 (,041)
	crimes_ag_med	-5,572E-5 (,120)	-5,958E-5 (,090)	-,003 (,885)
	ur_pop	-,049 (,069)	-,044 (,102)	,000 (,395)
	values	,124 (,050)	,180 (,000)	-
	consumption_med	,001 (,109)	,001 (,172)	-
	[subregion_text=Midwest]	-1,572 (,103)	-	-
	[subregion_text=Northeast]	-,772 (,453)	-	-
	[subregion_text=South]	-1,889 (,137)	-	-
	[subregion_text=West]	0a (.)	-	-
	Кокса и Снелла	,598	,573	,350
	Нэйджелкерк	,633	,608	,371
	McFadden	,316	,296	,150

Три социальные модели 14-16, результаты которых представлены в Таблице 16, не позволили выявить новых переменных: опять же законодательства штата напрямую связано с либерализацией; урбанизированное население имеет обратную связь со смягчением наркотической политики; уменьшение количества преступлений делает процесс либерализации более вероятным; демократические легислатуры помогают попасть в группу штатов, либерализирующих контроль в области наркотических веществ и, наконец, распространение высшего образования среди населения также способствует либерализации.

На основании Таблицы 16 можно подтвердить гипотезы о либеральных «ценностях» (Н3), о демократической легислатуре (Н6.2), о распространённом высшем образовании (Н5.1) и, относительно новая гипотеза (Н2.2) - чем ниже количество преступлений, тем выше шанс легализации, поскольку политическая элита штата может не волноваться за безопасность «не зависимого» населения.

После построения общей порядковой логистической регрессии выяснилось, что в связи с ошибкой, ей не удаётся пройти тест параллельности линий (Таблица 17):



Табл. 17

Критерий параллельности линий

Модель	-2 Log-правдоподобие	Хи-квадрат	ст.св.	Знач.
Нулевая гипотеза	56,715
Основные	65,015	.	48	.

В силу невозможности выявить и устранить ошибку была предпринята попытка построить полиноминальную регрессию с перекодировкой зависимой переменной либерализации. Теперь единичный случай четвёртого уровня был отнесён к пятому, что вылилось в сокращение категорий до четырёх (dv_new), и тогда выдача стала выглядеть более уместной.

Табл. 18

Регрессионная выдача для полиноминальной логистической общей модели 17

dv_new	B	Стандартная Ошибка	Вальд	ст.св.	Знач.
2	Свободный член	-2,708	2,961	,836	1	,361
	minor	-1,822	3,476	,275	1	,600
	GSP_per_cap	,000	,000	,199	1	,656
	educ_pc	1,323	18,185	,005	1	,942
	ur_pop	,033	,040	,665	1	,415
	natureofgovern	-,183	,251	,532	1	,466
	leg_comp_sum	-,020	,052	,152	1	,697
	exp_JS_pc	3,661	4,025	,828	1	,363
3	Свободный член	-11,418	4,305	7,036	1	,008
	minor	-11,898	6,155	3,737	1	,053
	GSP_per_cap	,000	,000	1,275	1	,259
	educ_pc	19,406	23,005	,712	1	,399
	ur_pop	,124	,061	4,118	1	,042
	natureofgovern	,369	,361	1,043	1	,307
	leg_comp_sum	-,188	,085	4,859	1	,027
	exp_JS_pc	10,772	5,788	3,464	1	,063
5	Свободный член	-14,813	4,899	9,143	1	,002
	minor	-9,985	6,289	2,521	1	,112
	GSP_per_cap	,000	,000	1,541	1	,214
	educ_pc	50,190	25,629	3,835	1	,050
	ur_pop	,025	,062	,165	1	,685
	natureofgovern	,438	,389	1,266	1	,260
	leg_comp_sum	-,228	,094	5,863	1	,015
	exp_JS_pc	13,700	5,788	5,602	1	,018

За базовый уровень в регрессии был взят уровень штатов, в которых запрещена марихуана и в которых не проводились либерализующие действия, поскольку это позволит ещё лучше пронаблюдать значимость и значение факторов в процессе либерализации.

Второй уровень - группа штатов, которые провели одно либерализующее действие/ только начали процесс либерализации - слабо отличается от первого, поэтому в нём нет значимых переменных. Но уже на третьем обнаруживается сразу несколько значимых переменных: гетерогенность населения имеет обратную связь с либерализацией - чем однороднее население, тем вероятнее либерализация. Однозначно, данный тезис можно назвать ключевой находкой модели, потом что в предыдущих вариантах такая связь не встречалась. Ещё одно противоречивое обнаружение, это прямая связь между третьей категорией и урбанизированным населением - на основании этого и предыдущего утверждений можно предположить, что для старта либерализации необходимы гомогенность населения штата и чтобы большая доля этого населения проживала в урбанизированных районах. Также значимыми являются состав легислатуры с обратной связью и расходы на поддержание правопорядка - обе переменные имеют прямую связь. Говоря о пятой группе, то для штатов, входящих в неё, характерны распространённое высшее образование, демократическая легислатуры и высокие расходы на «войну» против марихуаны.

Табл. 19

Критерии отношения правдоподобия

Эффект	Критерии подгонки модели	Критерии отношения правдоподобия
	-2 логарифмическое правдоподобие упрощенной модели	Хи-квадрат	ст.св.	Знач.
Свободный член	113,395	20,218	3	,000
minor	98,796	5,618	3	,132
GSP_per_cap	94,505	1,327	3	,723
educ_pc	98,891	5,714	3	,126
ur_pop	100,438	7,261	3	,064
natureofgovern	97,006	3,829	3	,281
leg_comp_sum	104,883	11,705	3	,008
exp_JS_pc	102,970	9,793	3	,020

Ремарка относительно значимости интерпретации регрессионной выдачи для общей модели, благодаря Таблице 19 можно пронаблюдать, насколько важна была переменная в модели, и как сильно модель изменится, при изъятии предиктора. Если p-значение выше порогового, то можно сказать, что модель могла быть оптимальнее без данной переменной. Тест не прошли переменные, описывающие гетерогенность населения, ВРВП штата, распространение образования и партийной аффилиация губернатора. Безусловно, на основании таблицы нельзя утверждать, что умозаключения, сделанные при анализе регрессионной выдачи общей модели, не имеют право на жизнь, возможно, их необходимо тестировать повторно.



Табл. 20

Результаты технических тестов для модели 17

Информация подгонки модели

Модель	Критерии подгонки модели	Критерии отношения правдоподобия
	-2 Log-правдоподобие	Хи-квадрат	ст.св.	Знач.
Только свободный член	140,222
Окончательная	93,177	47,045	21	,001

Критерий согласия

	Хи-квадрат	ст.св.	Знач.
Пирсона	115,371	129	,799
Отклонение	93,177	129	,993

Псевдо R-квадрат

Кокса и Снелла	,602
Нэйджелкерк	,644
McFadden	,336

Несмотря на небольшие погрешности в «качестве» модели, она успешно проходит тесты на пригодность (Таблица 20) и даже имеет относительно неплохой объяснительный потенциал - 64%.

Резюмируя результаты логистических регрессий, все три типа регрессий пролили свет на процесс либерализации и позволили подтвердить ранее сформированные предположения о влиянии определённых факторов, например, при проведении линейной регрессии, а также новые переменные были включены в анализ. На данном этапе эмпирического исследования можно уверенно утверждать, что либерализация напрямую зависит от типа законодательства, суб-региона, к которому принадлежит штат, от экономических показателей, таких как доход от фискальной политики и расходы на «войну против наркотиков», а также от социальных параметров: образование и доля урбанизированного населения.

3.3.4 Анализ выживаемости

Исходя из дизайна исследования и теоретической рамки, данный метод используется для определения вероятности «выживания» запрета на марихуану в штатах США. Всего было проведено три анализа Каплана-Майера ключевых переменных, выявленных в предыдущих блоках, для двух из трёх анализов будет предоставлен исключительно графическое отображение вместе с условным подтверждением значимости связи. Нюансов как в случае с линейной и логистической регрессиями здесь нет, поскольку Каплан-Майер идеально подходит для анализа категориальных переменных.

Рис. 7 Продолжительность запрета относительно легализации марихуаны

Рисунок 7 изображает зависимость осуществления либеральных действий в области наркотической политики и мгновенной легализации. Зеленая ломаная линия изображает штаты, в которых были декриминализация / медицинское использование марихуаны и с течение времени запрет постепенно «умирал», поскольку часть штатов с предшествующими либерализующими действиями легализовала марихуану, но в то же время прямая остановилась на значении около 0,35 из-за штатов, которые, на момент 2019 года, проводили действия для либерализации наркотической политики, но при этом не легализовали вещество. Совершенно другой тренд наблюдается с синей линией, которая остаётся прямой на протяжении 49 лет - штаты, который не предпринимали каких-либо действий в этой области. Данный график наглядно демонстрирует и как следствие подтверждает гипотезу, что для легализации необходим поэтапный подход: постепенное реформирование законодательства в области наркотических веществ.

Табл. 21

Сводный отчет по наблюдениям

lib_act_bi	Всего	N событий	Редактировано
			N	Проценты
not occ	26	0	26	100,0%
occured	25	10	15	60,0%
Все	51	10	41	80,4%

Таблица 21 является заключением анализа по количеству «пациентов», которое во втором столбце делит выборку по независимой переменной (произошло ли либерализирующее действие?), в 25 случаях - произошло, в 26 - нет. Изначально переменные назывались «occurred» и «not_occurred» соответственно, но из-за ограничений SPSS по количеству символов в текстовых переменных пришлось обрезать названия. Третий же столбец разделяет выборку по зависимой переменной: в штатах без либеральных действия количество исходов с легализацией равно 0, а в штатах, где были действия такого рода, - таких случаев 10. Столбец «Редактировано» он же на графике обозначается «переменная»-«цензурировано» это данные, исходы которых неизвестны, то есть, проецируя это на медицинскую среду: когда после лечения или при его отсутствии судьба пациента остаётся неизвестной и его выживаемость не может быть определена наверняка. Данное положение вещей вносит неопределённость в анализ, но в данном случае это определяется эмпирической моделью и доступностью данных.

Табл. 22

Статистическая значимость разницы в выживаемости между группами

	Хи-квадрат	ст.св.	Знач.
Log Rank (Mantel-Cox)	17,945	1	,000
Breslow (Generalized Wilcoxon)	15,074	1	,000
Tarone-Ware	16,480	1	,000

Немного технических аспектов, Таблица 22 определяет статистическую значимость разницы в выживаемости между группами (две группы: not occ и occurred), в графе «Знач.» p-значение меньше порогового, следовательно, связь значима. Одновременно три теста подтверждают значимость разницы между группами.

Теперь можно перейти к переменной, которая постоянно встречалась в логистических и линейных регрессиях - толерантность и инклюзивность законодательства штата. Нагляднее всего влияние факторов либерального законодательства и принадлежности к одному субрегиону можно пронаблюдать при помощи графиков анализа выживаемости, в котором субрегионы учитываются как страты (при наличии страт, каждый суб-регион выносится на отдельный график). Зависимая переменная на всех графиках (Рисунок 8-12) - либерализация (dv).



Рис. 8 График анализа выживаемости для Среднего Запада

Средний Запад характеризуется малым количеством штатов с либеральным законодательством, но, тем не менее, на графике видно, что в них шанс «выживания» запрета меньше, чем в консервативных. Несмотря на это, все штаты стремятся к либерализации наркотической политики, возможной причиной для этого является непосредственно диффузии инновации, поскольку консервативные штаты Среднего Запада заточены между двумя другими прогрессивными суб-регионами (Запад с левой стороны и Северо-Восток с правой).



Рис. 9 График анализа выживаемости для Северо-Востока

Северо-восточный суб-регион полностью состоит из штатов с либеральным законодательством, поэтому там достигается максимальное значение либерализации.



Рис. 10 График анализа выживаемости для Юга

Южном суб-регионе есть два штата, которые расположены в непосредственной близости с Северо-Восточным регионом, именно в них достигается максимальное стремление к либеральной наркотической политики. Но одновременно с этим у консервативных штатов происходят реформы. Опять же, объяснение может быть найдено как на карте суб-регионального деления, так и в логистическом анализе, который показал, что Южный и Средне-Западный регионы не предрасположены к либерализации, но это не отменяет возможности изменения статуса-кво.



Рис. 11 График анализа выживаемости для Запада

В рамках данного исследования Западному региону прогнозируется самое ранее прекращение запрета, поскольку именно там расположены штаты, первыми инициировавшими либерализацию. И на графике так же видно, как «параллельно» продвигаются ломаные линии.

Табл. 23

Сводный отчет по наблюдениям

subregion_text	values_bi	Всего	N событий	Редактировано
				N	Проценты
Midwest	Conserva	9	5	4	44,4%
	Liberal	3	2	1	33,3%
	Все	12	7	5	41,7%
Northeas	Liberal	10	10	0	0,0%
	Все	10	10	0	0,0%
South	Conserva	14	7	7	50,0%
	Liberal	2	2	0	0,0%
	Все	16	9	7	43,8%
West	Conserva	6	4	2	33,3%
	Liberal	7	7	0	0,0%
	Все	13	11	2	15,4%
Все	Все	51	37	14	27,5%

В отличие от Таблицы 21, при проведении анализа в данной модели меньше трети данных была отредактирована (Таблица 23), что повышает достоверность данных и анализа. Возможно, причиной для цензурирования стало значение 0 в кодировке переменных. Опять же, из-за ограничений по количеству символов часть названий была обрезана (Northeast - Northeas; Conservative - Conserva).

Табл. 24

Статистическая значимость разницы в выживаемости между группами

	Хи-квадрат	ст.св.	Знач.
Log Rank (Mantel-Cox)	18,951	1	,000
Breslow (Generalized Wilcoxon)	16,281	1	,000
Tarone-Ware	17,799	1	,000

Опять же, данная связь на Рисунках 8-12 статистически значима, что подтверждается одновременно тремя тестами.



Рис. 12 График анализа выживаемости без привязки к суб-региону

Отдельное внимание уделяется в целом положению вещей по всем штатам и именно на этом пункте и кончается данный блок. Исследование доказало, что либерализация это не характерная черта исключительно либеральных штатов, возможно, изначально так оно и было, но в связи с диффузией инновации в общем контексте и при влиянии сторонних факторов, такая черта стала присуща и штатам с консервативным законодательством, которые раньше противились либерализации. И Рисунок 12 наглядно это демонстрирует.



Табл. 25

Средние значения и медианы для времени выживания

values_bi	Среднее значение	Медиана
	Оценка	Стандартная Ошибка	95% доверительный интервал	Оценка	Стандартная Ошибка	95% доверительный интервал
			Нижняя граница	Верхняя граница			Нижняя граница	Верхняя граница
Conserva	489,517	28,328	433,994	545,041	564,000	21,425	522,007	605,993
Liberal	350,182	40,618	270,570	429,793	420,000	63,321	295,892	544,108
Все	429,412	25,688	379,064	479,760	504,000	18,360	468,014	539,986

Как и было обещано ранее, на примере Таблицы 25 будет объяснено, как именно работает метод Каплана-Майера, результаты которого изображены на Рисунке 12. Опять же, две группы: штаты с консервативным и либеральным законодательствами, для каждой из них прогнозируется длительность выживаемости, указанная в столбцах «Оценка» для средних и медианных значений. После проведения анализа можно сказать, что запрет в консервативных штатах «будет жить» в течение 490 месяцев (~40 лет) и в либеральных на протяжении 350 месяцев (~29 лет), очевидно, что разница велика, почти 11 лет, и эта значимость статистически значима (Таблица 24). Может показаться, что такая «точность» прогнозирования модели не релевантна, поскольку очень обширна и абстрактна, но, тем не менее, данные значения обусловлены «тяжеловесностью» наркотической политики, то есть, её нельзя радикально поменять за короткий период времени. Более того, при сборе данных был обнаружен период с условно 1970-ых и по 2010, когда либерализирующие действия осуществлялись очень выборочно. Благодаря Таблице 25 можно уверенно утверждать, что в либеральных штатах запрет не приживается и «умирает» быстрее.

Резюмируя данный блок и переходя к заключению, на примере типа законодательства штата было наглядно продемонстрирована разница в «градусе» либерализации и, более того, было выдвинуто предположении о «времени смерти» консервативной запретительной политики, скорее всего, время, предписанное для консервативных штатов, сократится при условии легализации в либеральных штатах.

Дискуссия

В данном блоке хотелось бы подвести итоги теоретического и эмпирического анализа темы, сделать выводы и, что самое главное, озвучить ограничения работы. В таком ключе и будет построено повествование.

Говоря о гипотезах, то работ имеет относительно смешанные результаты, по порядку:

H1. В штатах, где осуществлялись либерализирующие действия (разрешение медицинского использования и / или декриминализация), происходит легализация марихуаны

Как и большинство гипотез, эта является результатом создания теоретической рамки работы, то есть, из категории «прочих политических курсов» в структуре адаптационного уравнения; способ измерения переменной появилась в ходе изучения вопроса наркотической политики и её реформирования. Сама гипотеза была подтверждена относительно легализации, в частности, и либерализации в целом, подтверждения можно найти во всех частях эмпирического анализа. Вывод относительно легализации позволяет резюмировать, что такие «массивные» политические курсы не могут реформироваться во что-то иное без предварительной подготовки.

H2.1 Чем ниже индикаторы потребления и распространения наркотиков, тем выше вероятность легализации

H2.2 Чем ниже индикаторы количества преступлений, связанных с веществами, тем выше вероятность легализации

Полностью блок гипотез не подтвердилась, поскольку первая гипотеза о распространении и потреблении не подтвердилась ни в одной модели и даже при корреляционном анализе связь не была обнаружена. Но вот количество преступлений напрямую связано с либерализацией, что было доказано неоднократно в ходе логистического анализа.

H3. Чем прогрессивнее и инклюзивнее законодательство, тем вероятнее легализация

Относительно неожиданный результат, но в то же время ожидаемый - данная гипотеза полностью подтвердилась, что можно наблюдать во всех аналитических механизмах, это едва ли не самое сильное обнаружение работы.

H4. Чем выше гетерогенность населения (сексуальные и расовые меньшинства), тем вероятнее процесс либерализации

Переменная, заложенная в данной гипотезе, обрела значимость единожды в модели 17 (Таблица 18), но при этом связь с зависимой переменной была обратной, что можно трактовать как опровержение гипотезы и появление нового социологического вопроса.

H5.1 Чем выше доля людей с высшим образованием, тем более вероятной будет либерализация наркотической политики

H5.2 Чем выше доля населения, проживающего в урбанизированных районах, тем более вероятной будет либерализация наркотической политики

Гипотеза про долю урбанизированного населения была опровергнута - как раз-таки наоборот, сельское население способствует легализации. Но вот относительно первой гипотез в блоке можно с уверенностью утверждать - распространение высшего образования напрямую связано с либерализацией, что подтверждается несколькими логистическими моделями и диаграммой ниже.



Рис. 13 Распределение уровня образования по убыванию с учётом суб-регионов, типа законодательства и наложенной медианой с 95% доверительным интервалом

Рисунок 13 также демонстрирует, что легализация свойственна, опять же, либеральным штатам с высоким показателем высшего образования. К тому же, гипотеза про принадлежность к одному суб-региону находит своё отражение, как минимум, потому что условия проведения политики схожи.

H6.1 Принадлежность губернатора к демократической партии способствует легализации наркотиков

H6.2 Демократическое большинство в легислатуре приводит к легализации наркотиков

Повторно, смешанные результаты, которые могут быть объяснены ограничениями работы. Двойственность выводов наблюдается на рисунке 16. Если значимость партийной принадлежности губернатора не определена, то композиция легислатуры играет весомую роль в процессе либерализации - демократическое большинство увеличивает шансы легализации.

H7. Принадлежность к одному суб-региону предопределяет политическое «поведение» штатов, входящих в него

Географический фактор, который появился как субститут для «внешнего воздействия» в уравнении адаптации, но который привнёс новое измерение в анализ наркотического политического курса и затронул тематику регионалистики в контексте теории прерывистого равновесия. Западный и Северо-Восточные регионы служат «пионерами» в области либерализации марихуаны, в то время как Средний Запад и Юг предстали в роли «догоняющих», о чём свидетельствуют и карты, и категориальная переменная суб-региона в логистическом анализе. Однозначно, данный аспект требует более детального внимания.

H8. Чем выше экономическое благосостояние штата, тем выше шанс либерализации Экономическое благосостояние в разных проявлениях напрямую связано с процессом либерализации, учитывая институциональные издержки, пришедшие из исторического институционализма и обратной связи публичной политики, богатые штаты готовы реформировать своё законодательство в пользу более либерального подхода, поскольку имеют ресурсы для выхода из «колеи».

Рис. 14 Распределение уровня ВРВП по убыванию с учётом с учётом суб-регионов, типа законодательства и наложенной медианой с 95% доверительным интервалом

На диаграмме (Рисунок 14) видно, что есть небольшой перевес в пользу богатых штатов, которые легализуют марихуану, при этом отчётливо видны суб-региональная переменная и «ценности»

H9. Чем выше расходы штата на обеспечение «войны против наркотиков», тем более вероятна либерализация

Ещё одно ожидаемое заключение, также связанное с издержками, упомянутыми выше, и для избавления хотя бы от одних - происходит либерализации.

H10. Чем ниже доход чиновников, ответственных за наркотическую политику, тем более штат расположен к либерализации

Гипотеза, которая произошла из обратной связи публичной политики и которая находит косвенное подтверждение в литературе, не обрела валидации в эмпирическом анализе.

Таким образом, подтвердились гипотезы номер 1 - ранние либерализирующие действия приводят к легализации; 2.2 - уменьшенное количество преступлений сигнализирует об оптимально моменте либерализации; 3 - прогрессивное законодательство штата в своей формулировке подразумевает принятие либерализирующих мер; 5.1 - высшее образование помогает принятию легализации на уровне голосования; 6.2 - демократическая легислатура увеличивает шанс осуществления либерализации; номер 7 - географическое расположение и общий паттерн либерализации; номер 8 - экономическое благосостояние и предрасположенность к адаптации; 9 - высокие расходы и более вероятная либерализация.

И не подтвердились следующие: 2.1 - потребление не нашло связи с вероятностью либерализации; 4 - гетерогенность население имеет обратную связь по отношению к либерализации; 5.2 - урбанизированное население, в рамках исследования, снижает шанс либерализации; 6.1 - не известно, есть ли связь между губернатором-демократом и либерализацией; гипотеза 10, о связи заработной платы чиновников и замедленной либерализации также не нашла отражения в работе.

Отдельное внимание стоит обратить на ограничения работы:

Во-первых, доступность данных, в большей степени это ограниченность «чувствительной» информации в длительном периоде, которая связана с наркотиками напрямую: потребление, преступления и прочее. Также в базе данных у некоторых штатов есть пропуски (Приложение 1), в то время как точно такая же информация доступна для 49 других штатов, но данное ограничение никак не повлияло на проведение эмпирического анализа.

Во-вторых, не самая оптимальная кодировка порядковых переменных. Одной из таких переменных стала партийная принадлежность губернатора. Возможно, именно поэтому она не нашла своё подтверждение именно поэтому - логичнее было бы сделать переменную «принадлежность губернатора-год, в который произошло либерализующее событие». В таком случае можно было бы с уверенностью утверждать о наличии или отсутствии связи между либерализацией и аффилиацией. Но решение о суммировании показателей было принято исходя из особенностей анализа выживаемости.

В-третьих, проблема эндогенности в контексте оценивания законодательства и связи либерализирующего действия на либерализацию и проистекающих выводов, безусловно, это упущение исследования, поскольку необходимо подбирать более «независимые переменные». При дальнейшем развитии темы эта проблема будет устранена.