TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE
Pavyzdinis metodologinis mokomasis studijų paketas
TAIKOMOJI REGRESINĖ ANALIZĖ SOCIALINIUOSE TYRIMUOSE
Autorus Prof. habil. dr. Vydas Čekanavičius |
|
11. LOGTIESINIAI MODELIAI
11.2. Logtiesinių modelių tyrimas su SPSS
11.2.2. SPSS parinktys hierarchiniam logtiesiniam modeliui
Atsidarome langelį Analyze ir renkamės Loglinear Model Selection.

Atsidariusiame meniu renkamės sukeliame kintamuosius S1, G16_1 ir G7_7 į langą Factors. Nurodome kiekvieno kintamojo reikšmes. Spaudžiame OK.

Rezultatų išklotinė pradedama informacija, kad pradžioje tiriamas pilnasis modelis. Generuojantis reiškinys (S1*G7_7*G16_1) nurodo didžiausią tarpusavio sąveiką modelyje.

Pilnojo modelio tikimas duomenims yra idealus, todėl lentelėje Goodness-of-Fit Tests chi kvadrato statistika lygi nuliui, o p reikšmė neskaičiuojama. Lentelėje K-Way and Higher-Order Effects pateikiama informacija apie tai, kokios eilės kintamųjų priklausomybės yra statistiškai reikšmingos (kelių kintamųjų sandaugos įtrauktinos į modelį). Matome, kad statistiškai nereikšminga yra trečios eilės priklausomybė. Jai p reikšmė (p = 0,451) viršija 0,05. Taigi modelyje nereikės visų trijų kintamųjų sandaugos.

Lentelėje Step Summary nurodyti tirtieji modeliai. Paskutinis modelis statistiškai geriausias. Tai dar nereiškia, kad jis geras tyrimo prasme.

Taigi hierarchinė logtiesinė regresija siūlo tirti modelį:

Lentelėje Cell Counts and Residuals nurodyta, kaip šis modelis aprašo kintamųjų elgesį. Visi standartizuotieji liekamieji nariai turi būti maži.

Rezultatų išklotinės pabaigoje yra didžiausio tikėtinumo ir Pirsono chi kvadratų statistikų reikšmės ir jų p reikšmės. Abidvi p reikšmės gerokai viršija 0,05, todėl galima kalbėti apie tinkamą duomenims logtiesinį modelį. Dabar jo išsamiau neaptarinėsime. Padarysime tai, atlikę tiesioginį modeliavimą kitame skyrelyje.
