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

3. TIESINĖS REGRESIJOS ALTERNATYVOS
3.2. Stabilizuotų liekamųjų paklaidų regresija
     3.2.1. Modelio paskirtis

Stabilizuotų liekamųjų paklaidų regresija yra skirta atvejams, kai nestipriai pažeista homoskedastiškumo prielaida. Tai ta pati tiesinė regresija, tik skaičiuojant paklaidas, naudojamasi specialiu algoritmu, užtikrinančiu skaičiavimų nejautrumą heteroskedastiškumui. Kadangi tokių algoritmų yra ne vienas, tai ir stabilizuotų liekanų regresijų yra  keletas. Visas jas vienija tai, kad pokyčiai vyksta tik vertinant liekamąsias paklaidas. Statistikoje nejautrios prielaidų pažeidimams procedūros  vadinamos robastiškomis (atspariosiomis). Stabilizuotų likamųjų paklaidų regresija – tai regresija, kai paklaidų įverčiams taikomi robastiniai skaičiavimo metodai. Mes nevadiname šio modelio atspariąja (robastine) regresija, nes pastarąjį terminą naudosime, kai  modelyje robastiškai bus vertinamos ne tik paklaidos, bet ir modelio koeficientai, žr. kitą skyrelį.

Stabilizuotų liekamųjų paklaidų regresijose:

  • Modelio koeficientai išlieka tokie patys, kaip tiesinėje regresijoje.
  • Kitaip apskaičiuojami pasikliautinieji intervalai.
  • Kitaip įvertinamos standartinės koeficientų paklaidos – dėl to keičiasi t testų rezultatai.

Dažniausiai naudojamos regresijos, kai paklaidos stabilizuojamos, tranformuojant duomenų matricą. Tradiciškai tokios transformacijos vadinamos HC1, HC2 ir HC3 tipo korekcijomis. Kai kurie autoriai (Long ir Ervin) atlikę gausybę pavyzdžių simuliacijų teigia, kad nedidelėms imtims (iki 250 stebėjimų) geriausia naudoti HC3 korekciją. Didelėms imtims geriau tinka kitos korekcijos.

Nedidelėms imtims (n ≤ 250) rekomenduojama taikyti HC3 korekciją.

Kitas populiarus būdas gauti stabilesnius liekamųjų paklaidų įverčius – naudoti saviranką (angl. bootstrap). Savirankos idėją galima nusakyti taip: į imtį pažvelkime, kaip į mini populiaciją. Daug kartų iš jos atrinkę mini imtis, turėtume gauti objektyvesnius paklaidų įverčius. Savirankos metodas reikalauja daug labai intensyvių skaičiavimų, nes pats procesas yra iteracinis. Liekamųjų paklaidų įverčių lyginami po kiekvieno žingsnio. Jeigu jie nesistabilizuoja,  tai atsakymo galime tiesiog negauti. Nuo visų tų milijononių skaičiavimų gali ir kompiuteris „pasimirti“. Todėl regresiją su saviranka, rekomenduotume taikyti tik nedidelėms imtims.  Nereikia nustebti, kad pritaikius tą pačią saviranką tiems patiems duomenims, gauname truputį kitokius rezultatus. Juk tos naujosios mini imtys yra atsitiktinės. Mes tik nurodome jų skaičių (vadinamąjį replikacijų skaičių).

Mažoms imtims galima taikyti regresiją su savirankos būdu įvertintomis liekanomis.

 

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