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

2. TIESINĖ REGRESINĖ ANALIZĖ
2.2. Tiesinė regresinė analizė su SPSS
     
2.2.5. Modelio tobulinimas

Dažniausiai modelio tobulinimas reiškia statistiškai nereikšmingų kintamųjų šalinimą. Bet ne visada. Tiriamo pavyzdžio atveju regresoriai tarpusavyje dar ir pakankamai stipriai koreliavo (buvo multikolinearumas). Todėl paprasčiausiai pakeisime kintamuosius trstprl, trstlgl, trstplt, trstprt, trstun jų vidurkiu, kurį pavadinsime trust_all. Šį kintamąjį sukuriame naudodami Transform Compute opciją:


Po to tikriname regresijos modelio satisfaction = f(trust_all, happy) tinkamumą. Peržiūrėję rezultatų išklotinę, įsitikiname, kad determinacijos koeficientas praktiškai nepasikeitė: R2= 0,590,  ANOVA  p reikšmė < 0,01, išskirčių nėra (visiems stebėjimams Kuko matas < 1). Koeficientų lentelė atrodo taip:

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

Collinearity Statistics

B

Std. Error

Beta

Tolerance

VIF

1

(Constant)

-.847

.359

 

-2.358

.019

 

 

trust_all

.824

.052

.689

15.841

.000

.911

1.098

happy

.226

.052

.191

4.385

.000

.911

1.098

a. Dependent Variable: satisfaction

Matome, kad abudu kintamieji yra statistiškai reikšmingi, o multikolinearumo problemos nėra. Be to,  iš standartizuotiųjų  beta koeficientų matyti, kad trust_all yra daug svarbesnis modelio kintamasis, nei happy. Regresijos modelis:

satisfaction = -0,847+0,824 trust_all + 0,226happy.

Standartizuotųjų liekamųjų paklaidų grafikai rodo, kad normalumo ir heteroskedastiškumo prielaidos patenkintos:


Daliniuose liekamųjų paklaidų grafikuose matyti aiški tiesinė priklausomybė kintamajam trust_all. Tuo tarpu kintamajam happy, tokios priklausomybės nesimato.

Todėl, dėl visa ko, patikriname regresijos modelį be kintamojo happy. Naujojo modelio determinacijos koeficientas R2 = 0,558.

Model Summaryb

 

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

 

1

.747a

.558

.556

1.49917

 

a. Predictors: (Constant), trust_all
b. Dependent Variable: satisfaction

 

Nors kintamasis happy ir buvo statistiškai reikšmingas, jo pašalinimas iš modelio sumažino determinacijos koeficiento reikšmę tik per 0,032.

Visos kitos charakteristikos (ANOVA p reikšmė, Kuko matas, liekamųjų paklaidų grafikai)  rodo, kad  modelis yra tinkamas. Todėl jį ir laikysime galutiniu modeliu. Beje,   į VIF nežiūrime (vis tiek jis lygus 1), nes liko tik vienas regresorius ir jam nebėra su kuo multikolinearuoti (žr. pastabas). 

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

Collinearity Statistics

B

Std. Error

Beta

Tolerance

VIF

1

(Constant)

.379

.232

 

1.628

.105

 

 

trust_all

.894

.051

.747

17.409

.000

1.000

1.000

a. Dependent Variable: satisfaction

Pats tiesinės regresijos modelis atrodo taip:

satisfaction =  0,379+0,894trust_all.

 

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 2015-06-18