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
     3.5.3. Netiesinė regresija su STATA

Pasirinksime A duomenis ir pakartosime tyrimą, kurį jau aprašėme ankstesniame skyrelyje. Tirsime 35 – 40 m Estijos vyrus (keep if agea >= 35 & agea <= 40 & gndr == 1). Viena keisčiausių STATA kūrėjų užgaidų – praleistas reikšmes (tuščią langelį duomenyse) traktuoti, kaip begalybę. Tas sukelia didžiulių nepatogumų skaičiuojant, jeigu duomenyse tokių „tuštumų“ yra. Apsisaugome nuo keistųjų STATA kūrėjų fantazijų,  pasirinkę galimas baigtines kintamųjų reikšmes: Įvykdome:

keep if  satisfaction < 30 & trust_all < 30.

Tiriamas modelis:

.

Siekiame įvertinti nežinomus parametrus a, b, c. Surenkame (visi parametrai būtinai rašomi riestiniuose skliaustuose: {a} ir pan.) ir įvykdome:

Matome, kad R2 = 0,909, t.y. tiesiog fantastiškas, jeigu tai būtų tiesinė regresija. Beje, ir R2 ir kitos charakteristikos skiriasi nuo gautųjų SPSS programa. Taip įvyksta todėl, kad naudojami skirtingi algoritmai. SPSS remiasi Levenberg – Marquardt algoritmu, o STATA naudoja patį paprasčiausią mažiausiųjų kvadratų metodą, tarytum tirtume tiesinės regresijos modelį. Todėl SPSS rezultatai (nors ir ne tokie puikūs) yra patikimesni. STATA lentelę  su parametrų galutiniais įverčiais (jie praktiškai nesiskiria nuo gautųjų SPSS programa), jų pasikliautiniais intervalais ir p reikšmėmis galima naudoti tik, kaip rekomendacijas. Pavyzdžiui, atsižvelgti, kad modelio koeficientas a buvo statistiškai nereikšmingas  (p  = 0,661),  ir todėl  prasminga patyrinėti modelį be koeficiento a.

Modelio gerumą visada verta patikrinti ir grafiškai. Sukuriame prognozuojamų satisfaction reikšmių stulpelį duomenyse (pavadiname jį PRED )  įvykdydami komandą:

predict PRED

Braižydami grafiką, pasinaudosime duomenyse esančiu respondento identifikaciniu numeriu idno. Įvykdome:

graph twoway line  satisfaction PRED  idno

Matome, kad naujasis modelis gana neblogai tinka duomenims. Tačiau jis sudėtingesnis, nei tiesinės regresijos modelis ir turi žymiai mažiau modelio tinkamumą aprašančių charakteristikų.

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