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
10.2. Probit regresinė analizė su SPSS
       10.2.5. Dozavimo modelio tyrimas

Tarkime, kad dešimt grupių po dešimt savanorių buvo skirtingą laiką agituojami vykti pakariauti į vieną Afrikos valstybę. Stulpelyje grupdidumas nurodyta, kiek kiekvienoje grupėje buvo savanorių, stulpelyje laikas – kiek laiko jiems buvo „plaunamos smegenys“, stulpelyje kiekis – kiek  agitacijai pasidavė.  Šiaip jau siekiama, kad visose grupėse būtų panašus resspondentų skaičius. Vis dėlto, grupių didumai nebūtinai turi sutapti. Pavyzdžiui, dešimtojoje grupėje buvo 11 respondentų, o likusiose  – po dešimt.

Su probit regresija sumodeliuosime kiekio  priklausomybę nuo laiko. Pasirenkame Analyze Regression Probit.   Į langelį Response Frequency  įkeliame kiekis, į Total Observed  –grupdidumas, į Covariates  – laikas. Spaudžiame OK.


Jeigu turėtume kategorinį regresorių (vieną), jį reikėtų įkelti į langelį Factor.  Jeigu norėtume logaritmuoti duomenis, tai Transform  pasirinktume tinkamą transformaciją. Duomenis rekomenduojama logaritmuoti, kai duomenų probit grafikas neprimena tiesės.  Mes tarėme, kad visai neagituoti respondentai vykti į Afriką nenorės. Jeigu manytume kitaip, tai pasirinkę Options parinktyje Natural Response Rate nurodytume norimą  skaičių (Value) arba, kad įvertintų iš imties duomenų (Calculate from data).


Norint išsiaiškinti, ar probit regresija tiko, rezultatų išklotinėje reikia surasti lentelę Chi-Square Tests. Joje yra Pirsono chi kvadrato statistikos reikšmė (2,775) ir jos p reikšmė ( p = 0,948). Matome, kad p reikšmė daug didesnė už 0,05. Probit regresijos modelio atmesti, kaip netinkamo negalima.

Chi-Square Tests

 

Chi-Square

dfa

Sig.

PROBIT

Pearson Goodness-of-Fit Test

2.775

8

.948b

a. Statistics based on individual cases differ from statistics based on aggregated cases.
b. Since the significance level is greater than .150, no heterogeneity factor is used in the calculation of confidence limits.

Duomenų probit grafikas pakankamai tiesinis. Tai irgi rodo gerą regresijos modelio tikimą. Darome išvadą, kad probit modelis tinkamai aprašo duomenis.

Modelio koeficientų įverčiai yra lentelėje Parameter Estimates.

Parameter Estimates

 

Parameter

Estimate

Std. Error

Z

Sig.

95% Confidence Interval

 

Lower Bound

Upper Bound

PROBITa

laikas

.105

.019

5.496

.000

.067

.142

Intercept

-2.185

.413

-5.286

.000

-2.598

-1.772

a. PROBIT model: PROBIT(p) = Intercept + BX

Modelis atrodo taip:

Kuo ilgesnė įtikinėjimo trukmė, tuo didesnė tikimybė įtikinti.

Lentelėje Confidence Limits  yra informacija apie laiko  kiekį, reikalingą atitinkamam procentui respondentų suagituoti. Pavyzdžiui, jeigu norime suagituoti 15% respondentų, vidutinis agitavimo laikas yra 10,447 valandos. Greta dar pateikiamas 95% kintamojo reikšmės intervalas (nuo 3,737 iki 14,237 valandos). Matome, kad pasikliautinis intervalas gana ilgas. Tai nėra labai gerai, nes atsakymas – nuo 3,7 iki 14, 2 valandos – skamba nepraktiškai.

Confidence Limits

 

Probability

95% Confidence Limits for laikas

 

Estimate

Lower Bound

Upper Bound

PROBIT

.010

-3.158

-16.832

3.597

.020

-.283

-12.425

5.786

.030

1.542

-9.640

7.185

.040

2.914

-7.551

8.244

.050

4.030

-5.857

9.110

.060

4.980

-4.419

9.852

.070

5.813

-3.162

10.506

.080

6.559

-2.040

11.095

.090

7.238

-1.023

11.634

.100

7.862

-.090

12.133

Jeigu būtų kategorinis regresorius, tai atitinkama procentinė lentelė būtų sudaryta kiekvienai to regresoriaus kategorijai. Pavyzdžiui, jeigu būtume dar grupes skirstę pagal lytį, tai gautume dvi lenteles – vieną vyrams, kitą moterims. Jeigu modelyje būtų ne vienas intervalinis regresosius, tai šios lentelės rezultatų išklotinėje iš viso nebūtų.

Rezultatų išklotinėje dar pateikiama pagalbinė lentelė  Cell Counts and Residuals. Joje yra informacija apie tai, kiek kiekvienoje grupėje buvo suagituotų savanorių ir kiek jų turėjo būti pagal modelį. Nedidelės prognozės ir stebėjimų skirtumų reikšmės grafoje Residuals rodo gerą modelio tikimą duomenims.

a
Cell Counts and Residuals

 

Number

laikas

Number of Subjects

Observed Responses

Expected Responses

Residual

Probability

PROBIT

1

2.000

10

0

.331

-.331

.033

2

.000

10

0

.213

-.213

.021

3

8.000

10

1

1.023

-.023

.102

4

14.000

10

2

2.421

-.421

.242

5

17.000

10

4

3.390

.610

.339

6

20.000

10

5

4.480

.520

.448

7

22.000

10

6

5.235

.765

.523

8

25.000

10

7

6.343

.657

.634

9

30.000

10

8

7.931

.069

.793

10

36.000

11

9

10.089

-1.089

.917

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