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
3.5. Netiesinė regresija
     3.5.1. Modelio paskirtis

Tiesinė regresija vadinama tiesine būtent todėl, kad aprašo tik tiesines priklausomybes – regresoriai nekeliami laipsniu ir nedauginami tarpusavyje. Gyvenime ne visos kintamųjų priklausomybės yra tiesinės. Štai tada ir taikoma netiesinė regresija. Vis dėlto, netiesinėje regresijoje išvados daromos labai negriežtai (apie statistinį reikšmingumą ir visokius kriterijus faktiškai galima tik pasvajoti), todėl, jeigu tik galima, jos vengiama.

Kai kuriuos modelius tinkamomis kintamųjų transformacijomis galima suvesti į tiesinius. Tada taikoma tiesinė regresija.

Pateiksime keletą pavyzdžių, kada tokios transformacijos įmanomos:

Ne visada tokios transformacijos įmanomos. Pateiksime keleto tipinių netiesinių modelių pavyzdžius iš SPSS  19 aprašo:

Pavadinimas

Išraiška

Asimptotinė regresija

b1 + b2 * exp(b3 * x)

Asimptotinė regresija

b1 – (b2 * (b3 ** x))

Tankumo

(b1 + b2 * x) ** (–1 / b3)

Gauso

b1 * (1 – b3 * exp(–b2 * x ** 2))

Gompertz

b1 * exp(–b2 * exp(–b3 * x))

Grąžų

b1 + b2 * exp(–b3 * x)

Richards

b1 / ((1 + b3 * exp(–b2 * x)) ** (1 / b4))

Veibulo

b1 – b2 * exp(–b3 * x ** b4)

Verhulst

b1 / (1 + b3 * exp(–b2 * x))

Derliaus tankio

(b1 + b2 * x + b3 * x ** 2) ** (–1)

Žinoma, galima susikurti  ir visiškai naują nematytą modelį, pavyzdžiui, varanopsų augimo sąlyginai inteligentiškoje aplinkoje modelį (VASIA) .

Netiesinėje regresijoje modelio formą  pasirenka pats tyrėjas.

Visos nežinomų parametrų reikšmės vertinamos iteraciniu būdu – jas po truputį keičiant (tą daro programa) ir meldžiantis, kad pasisektų (tą daro tyrėjas). Pradines nežinomų parametrų reikšmes turi (gali) pasirinkti pats tyrėjas. Nuo sėkmingo pasirinkimo labai priklauso galutinio modelio tinkamumas. Kaip žinoti, kokias reikšmes rinktis? Manoma, kad modeliuotojas turi nujausti, kokie tie parametrai turi būti. Kitaip, ko tą modelį rinktis? Maždaug taip:  pažiūrėjome į varanopsų svorio augimo kreivę ir matome – kaip iš akies luptas Gompertz modelis su parametrais 1,, . Nuo jų ir pradedame.

Dar viena nemaloni naujiena – visi įverčiai jautrūs išskirtims. Geriau, kai duomenyse jų nėra.
Tikrinant, ar modelis tinka, pasižiūrima į R2reikšmę. Jeigu modelis būtų tiesinis, tai R2 atitiktų determinacijos koeficientą. Dabar tai viso labo determinacijos koeficiento analogas. Gerai duomenims tinkantiems modeliams R2  nedaug skiariasi nuo vieneto.

Jeigu parametrų koreliacijos  didelės, tai galbūt modelyje yra per daug parametrų.

Visada rekomenduojama nusibraižyti realių ir prognozuojamų duomenų grafikus ir vizualiai palyginti, ar jie labai skiriasi. Tiesa, jeigu duomenų pakankamai daug, toks grafikas primena kintamo dažnio srovę ir jame sunku ką nors įžiūrėti (bet atrodo  įspūdingai).

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