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

8. NEIGIAMA BINOMINĖ REGRESIJA
8.2. Neigiama binominė regresinė analizė su SPSS
       8.2.3. Rezultatų aptarimas

Rezultatų išklotinė prasideda nuo informacijos apie kintamuosius. Matome, kad pusės respondentų tėvai darbuotojų neturėjo. Atkreipiame dėmesį, kad, emplno standartinis nuokrypis (o juo labiau dispersija) daug didesnis už vidurkį. Todėl paprastas Puasono regresijos modelis šiems duomenims netiktų.

Categorical Variable Information

 

N

Percent

Factor

emplnof2

.00

33

50.0%

1.00

33

50.0%

Total

66

100.0%


Continuous Variable Information

 

N

Minimum

Maximum

Mean

Std. Deviation

Dependent
Variable

emplno Number of employees respondent has/had

66

0

763

14.73

93.831

Covariate

eduyrs Years of full-time education completed

66

5

23

11.71

3.732

brwmny Borrow money to make ends meet, difficult or easy

66

1

5

3.68

1.069

Lentelėje Goodness of Fit yra surašytos deviacijos reikšmė, Pirsono chi kvadrato statistika  ir t.t. Deviacijos ir jos laisvės laipsnių santykis tinkamo neigiamos binominės regresijos  atveju turi būti artimas vienetui. Matome, kad šis santykis yra 0,901. Pirsono chi kvadrato statistika, padalinta iš savo laisvės laipsnių, irgi turi būti arti vieneto. Šis santykis (0,968) irgi labai artimas vienetui. Gavome patvirtinimą, kad apskritai modelis tinka duomenims. Informacinių kriterijų reikšmės (AIC, BIC ir pan.) naudojamos kelių modelių palyginimui. Jeigu papildytume modelį naujais kintamaisiais (pašalintume dalį kintamųjų) ir lygintume su anksčiau buvusiu, tai geresnis būtų tas modelis, kurio informacinių kriterijų reikšmės mažesnės. 

Goodness of Fitb

 

Value

df

Value/df

Deviance

54.989

61

.901

Scaled Deviance

54.989

61

 

Pearson Chi-Square

59.032

61

.968

Scaled Pearson Chi-Square

59.032

61

 

Log Likelihooda

-133.952

 

 

Akaike's Information Criterion (AIC)

277.905

 

 

Finite Sample Corrected AIC (AICC)

278.905

 

 

Bayesian Information Criterion (BIC)

288.853

 

 

Consistent AIC (CAIC)

293.853

 

 

Dependent Variable: Number of employees respondent has/had
Model: (Intercept), emplnof2, eduyrs, brwmny

Lentelėje Omnibus Test yra didžiausio tikėtinumo santykio chi kvadrato statistika ir jos p reikšmė. Gerai, kai p < 0,05, nes tada modelyje yra bent vienas reikalingas (statistiškai reikšmingas) regresorius. Kadangi p = 0,000..., tai galime teigti, kad neigiamos binominės regresijos modelio tinkamumą patvirtina ir didžiausio tikėtinumo chi kvadrato kriterijus.

Lentelėje  Tests of Model Effects yra informacija apie Voldo kriterijų. Kintamieji emplnof2, eduyrs, brwmny yra statistiškai reikšmingi (jų p reikšmės  < 0,05). Konstantai p reikšmės nežiūrime, nes jos iš modelio nežadame šalinti. Taigi visi regresoriai yra statistiškai reikšmingi ir modelyje reikalingi.

Tests of Model Effects

Source

Type III

Wald Chi-Square

df

Sig.

(Intercept)

.151

1

.698

emplnof2

6.298

1

.012

eduyrs

4.959

1

.026

brwmny

7.399

1

.007

 


Omnibus Testa

Likelihood Ratio Chi-Square

df

Sig.

23.777

3

.000

Lentelėje Parameter Estimates pasikartoja informacija apie Voldo kriterijų. Taip pat surašyti parametrų įverčiai. Parametrų įverčių ženklai ir Exp(B)  suteikia informaciją apie tai, kaip keisis vidutinis darbuotojų skaičius emplno, keičiantis kintamiesiems emplnof2, eduyrs, brwmny.

Parameter Estimates

Parameter

B

Std. Error

95% Wald Confidence Interval

Hypothesis Test

Exp(B)

95% Wald Confidence Interval for Exp(B)

Lower

Upper

Wald Chi-Square

df

Sig.

Lower

Upper

(Intercept)

1.590

2.1316

-2.588

5.768

.556

1

.456

4.904

.075

319.831

[emplnof2=.00]

-1.629

.6493

-2.902

-.357

6.298

1

.012

.196

.055

.700

[emplnof2=1.00]

0a

.

.

.

.

.

.

1

.

.

eduyrs

.286

.1286

.034

.539

4.959

1

.026

1.332

1.035

1.714

brwmny

-.753

.2768

-1.295

-.210

7.399

1

.007

.471

.274

.810

(Scale)

1b

 

 

 

 

 

 

 

 

 

(Negative binomial)

5.327

1.2084

3.415

8.310

 

 

 

 

 

 

 

 

Kintamojo eduyrs koeficientas lygus 0,286 > 0. Tai reiškia, kad didėjant atsakinėjusio respondento išsilavinimui, vidutinis turimų darbuotojų  skaičius didėja. Stulpelyje Exp(B) užrašyta reikšmė 1,332 rodo, kad vieneri papildomi respondento prasimokyti metai padidina tikėtiną turimų darbuotojų skaičių  1,332 karto. Stulpeliuose Lower ir Upper nurodyti pačio koeficiento ir Exp(B) pasikliautinųjų intervalų rėžiai. Analogiškai galima interpretuoti kintamojo brwmny įtaką. Kategorinis kintamasis emplnof2 aprašytas dviem lygtimis. Matome, kad kad tėvo darbuotojų nebuvimas vidutinį respondento darbuotojų skaičių veikia neigiamai, nes modelio konstanta sumažėja per  - 1.629.

Matematinis modelio užrašas atrodo taip:

Čia žymi vidutinį respondento turimų darbuotojų skaičių. Parodysime, kaip šį modelį taikyti konkrečioms prognozėms. Tarkime, kad respondentas mokėsi 10 metų, mano, kad pasiskolinti pinigų labai lengva (brwmny = 5), o jo tėvas dabuotojų neturėjo (emplnof2 = 0). Kiek vidutiniškai tokie respondentai turi dabuotojų?  Įstatę regresorių reikšmes į aukščiau pateiktą lygtį, gauname

Pačią narių skaičiaus prognozę gauname, pakėlę gautoju skaičiumi e = 2,718.... Todėl

Darome prognozę, kad menkai išsilavinę optimistai, kurių tėvai darbuotojų neturėjo, ir patys nelabai jų turės (vidutiniškai 0,389 darbuotojo).

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 2018-09-27