Als het op succes aankomt, kennen we allemaal het stereotype: de succesvolle slaapt niet. Iedereen gelooft dat meer werk gelijk staat aan meer succes, of het nu een tech-CEO is die een riskante startup runt of een bekende auteur die aan haar volgende bestseller werkt. Dit is een afweging die de meeste mensen ooit verwachten te maken, zelfs als ze dat nog niet zijn.
Maar als het gaat om wetenschappelijke gegevens om dit idee te staven, is er vaak niet veel te vinden. We wilden weten: hoe werkt de afweging slaap/werk echt? Is het echt waar – statistisch gezien – dat minder slapen betekent meer verdienen? Zijn er uitzonderingen op deze regel? En hoe verhouden specifieke beroepen zich daarbij tot elkaar?
Zonder duidelijke antwoorden besloten we het wetenschappelijk heft in eigen handen te nemen. We wendden ons tot een van de meest betrouwbare bronnen voor antwoorden: de American Time Use Survey 2016, Bureau of Labor Statistics 2016. De American Time Use Survey, die sinds 2004 jaarlijks wordt gepubliceerd, geeft analisten, journalisten en sociale wetenschappers een uitgebreid inzicht in hoe Amerikanen uitgeven hun dagen – inclusief die enorme tijdnemers, werk en slaap.
BLS-gegevens voor 2016 bevatten gegevens van ongeveer 10.000 respondenten. We gebruikten deze gegevens om een regressieanalyse uit te voeren, die ons de relatie gaf tussen gewerkte uren en geslapen uren waarnaar we op zoek waren (lees hieronder over onze volledige methodologie).
De resultaten waren fascinerend. Enerzijds bevestigden we enkele vermoedens (zoals dat mensen in juridische beroepen gemiddeld het best betaald zouden worden, terwijl ze het meest werkten en het minst sliepen). Sommige resultaten waren onvoorspelbaarder. Wetenschappers en architecten zagen een vrij hoog weekloon, terwijl ze bijvoorbeeld in de buurt kwamen van de gemiddelde slaap. Leraren, van wie kan worden verwacht dat ze zowel laagverdieners als laagslapers zijn, waren in beide categorieën bijna identiek aan het gemiddelde. Hoewel de algemene vuistregel was dat hoe meer je werkt, hoe meer je verdient en hoe minder slaap je krijgt, er waren enkele uitzonderingen. Je zult versteld staan van wat je zult ontdekken over programmeurs.
Dit soort vergelijkingen tussen beroepen waren de echte vrucht van onze analytische arbeid. Ten slotte hebben we ze samengevoegd tot prachtige grafieken en ze samengevoegd tot een handig , om het lezen en begrijpen van deze bevindingen als aangenaam en informatief onmogelijk te maken. Het is gemakkelijk te gebruiken. Zoek gewoon naar je baan en vergelijk je werk- en slaapstatistieken met andere carrièremogelijkheden.
Onze Bevindingen
Methodologie/Onderzoek
Gegevenstransformaties
Dit rapport maakte gebruik van gegevens van de American Time Use Survey 2016 van het Bureau of Labor Statistics (die ongeveer 10.000 respondenten had). Het onderzoek zal inzicht geven in Amerikaanse slaappatronen. Om dit te bereiken zijn gegevens verzameld uit drie bronnen.
1) Het ATUS Respondent-gegevensbestand, dat informatie over werkgelegenheid en loon over respondenten bevat2) Het ATUS-roostergegevensbestand, dat de basisinformatie van respondenten bevat, zoals leeftijd en geslacht
3) Het ATUS Activity Summary-gegevensbestand, dat de totale slaaptijd per 24 uur bevat periode van de dagboekdag waarin activiteiten worden geregistreerd
Gegevens voor het lineaire model zijn geherformatteerd en alleen gewijzigd om werknemers in loondienst op te nemen met informatie over basisloon en gewerkte uren (bijv. respondenten die deze informatie niet hebben verstrekt, werden uitgesloten. Dit reduceert de dataset tot 3165 respondenten en beperkt de generaliseerbaarheid naar de grotere populatie matig. .
Gegevens voor de beroepsgemiddelden zijn ook geherformatteerd om alleen respondenten met informatie over loon, gewerkte uren en beroepscode te bevatten, en zijn op weekdagen onderzocht, waardoor de set beperkt is tot iets meer dan 1500 respondenten. Verschillen in het aantal werkenden en niet-werkenden kunnen te wijten zijn aan subjectieve arbeidssituaties (fulltime/parttime, contractant enz.) waarmee in deze analyse geen rekening wordt gehouden.
De BLS-gegevens kunnen opnieuw worden gewogen om generaliseerbaarheid met extra middelen mogelijk te maken. Voorlopig moet het rapport echter alleen als verkennend worden beschouwd.
Lineair model
De onafhankelijke variabelen werden één voor één (een hiërarchische analyse) aan het model toegevoegd op basis van hoe nauw ze waren gecorreleerd met de afhankelijke variabele (minuten slaap) en een kwalitatieve beoordeling op relevantie.
De volgorde van opname is zoals vermeld in de onderstaande tabel.
Variabelen werden bij elke stap geëvalueerd op significantie. Er zijn geen variabelen uit de analyse verwijderd omdat ze allemaal significante resultaten lieten zien. VIF duidde in geen enkel stadium van de regressie op multicollineariteitsproblemen.
