Svečias
Titulinis Mokymai Mokymų medžiaga Metodologiniai paketai Taikomoji regresija
Apie mokymus
Mokomieji duomenys
E. mokymai
TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE
TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE

Pavyzdinis metodologinis mokomasis studijų paketas

TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE

Autorus Prof. habil. dr. Vydas Čekanavičius

Ankstesnis dokumentas Turinys  Literatūros sąrašas Duomenų šaltiniai Sekantis dokumentas

10. PROBIT REGRESIJA
10.1. Probit regresijos modelis
       10.1.6. Dozavimo modelis

Vienas svarbiausių ir neabejotinai populiariausias probit regresijos taikymas yra vadinamasis dozavimo (dažnių) modelis. Kada jis taikomas? Lengviausia tą bus suprasti, aptariant konkretų pavyzdį. Tarkime, kad reikia nuspręsti kokios koncentracijos chemikalų tirpalą naudoti, naikinant amarus.

Eksperimentas vykdomas taip: amarus suskirstome į grupes, kurias apipurškiame skirtingos koncentracijos tirpalu. Žinome, kiek kurioje grupėje buvo amarų ir kokios koncentracijos tirpalu jie buvo apipurkšti. Suskaičiuojame kiek amarų išsikraustė į aną pasaulį. Norime sužinoti, kaip amaro nugaišimo tikimybė priklauso nuo tirpalo koncentracijos. Be to, neretai reikia atsakyti į klausimą, kokios koncentracijos tirpalo reikia, jeigu norime išnaikinti 90% ar 80% amarų. Nes 100 % amarų išnaikinimas gali reikšti, kad drauge išnaikinome visus aplinkinių kaimų gyventojus ir nebėra kam uogas valgyti.

Tradiciniame dozavimo modelyje žinome:
  • kiekvienos grupės respondentų skaičių,
  • kiek respondentų kiekvienoje grupėje įgijo norimą būseną,
  • kokią dozę  kiekvienos grupės respondentai gavo,
  • kiek respondentų, įgytų norimą būseną be dozės. 

Dažniausiai tariama, kad be poveikio kintamojo (nulinė  dozė) norimos būsenos neįgis nė vienas respondentas. Nenuodytas amaras išgyvens. Kartais taip nėra. Tiriant, kaip finansiniai stimulai veikia norą studijuoti karybą, stimulų nebuvimas dar nereiškia, kad niekas karybos nestudijuos. Gal respondentas visą vaikystę alaviniais kareivėliais žaidė, o dabar norėtų pabandyti pažaisti gyvais.

Dozavimo modeliuose yra palyginus nedaug modelio tikimo charakteristikų:

  • Pirsono chi kvadratas. Ji rodo gerą/blogą bendrąjį modelio tikimą duomenims. Gerai, kai p reikšmė ≥ 0,05.
  • Regresorių Z statistika. Tai t-testo tiesinėje regresijoje ir Voldo testo logistinėje regresijoje analogas. Regresorius yra statistiškai reikšmingas (modelis geras), kai p < 0,05.
  • Duomenų probit grafikas. Probit regresijos modelyje tariama, kad priklausomybė tarp regresuojamo kintamojo Y  reikšmių  ir regresorių yra tiesinė. Grafike ir atidedamos šios reikšmės. Modelis tuo geresnis, kuo šis grafikas labiau primena tiesę. Jeigu reikia, duomenys transformuojami – logaritmuojami ir pan.

Nors klasikiniuose dozavimo modeliuose yra tik vienas dozuojamas poveikio kintamasis (regresorius), tokių regresorių gali būti ir daugiau.

Labai gerai duomenims tinkančiame dozavimo modelyje:

  • Pirsono chi kvadrato p ≥ 0,05.
  • Visiems regresoriams Z kriterijaus p < 0,05.
  • Duomenų probit grafikas primena tiesę.

NAUJIEMS VARTOTOJAMS
NAUJIENOS
Naujienlaiškis

Nr.1  2009 07-11
Nr.2  2009 12-2010 02
Nr.3  2010 03-05
Nr.4  2010 06-08
Nr.5  2010 09-11
Nr.6  2010 12-2011 02
Nr.7 2011 03-05
Nr.8 2011 06-08
 
© KTU Politikos ir viešojo administravimo institutas
Atnaujinta 2018-05-02