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

9. MODIFIKUOTI SKAIČIUOJAMIEJI MODELIAI
9.4. Benulė Puasono regresija
       9.4.2. Benulė Puasono regresija su STATA

Pakartosime  benulę Puasono regresinę analizę duomenims, kuriems jau taikėme Puasono regresiją. Tiriame 2008 metų Prancūzijos duomenis ESS4FR. Tyrime naudosime tokius kintamuosius: agea – respondento amžius, hhmmb – namų ūkio pastovių narių skaičius,  cldcrsv – paramos vaiko priežiūrai teikimas tėvams, turintiems teisę ją gauti  (0 – itin blogas,......, 10 – labai geras ), imptrad – svarbu laikytis tradicijų ir papročių (1 – visai, kaip aš,...., 6 – absoliučiai ne taip, kaip aš) , eduyrs – prasimokytų metų skaičius. Tiriame stipriai tradicijų besilaikančius (imptrad ≤ 2) aukštojo mokslo neragavusius (eduyrs ≤ 10) respondentus(es). Su tab  komanda peržiūrime kintamųjų reikšmes ir išmetame tas, kurios SPSS programoje buvo praleistų reikšmių kodai. Benulė Puasono regresija atliekama taip:  

ztp  hhmmb agea cldcrsv




Didžiausio tikėtinumo chi kvadrato statistika pakankamai didelė (109,89) ir statistiškai reikšminga ( p = 0,00 < 0,05). Visi regresoriai statistiškai reikšmingi (visiems jiems Voldo testo p < 0,05). Galima su pvalue  surasti pirmųjų dešimties reikšmių skaičiaus tikimybių prognozes:

prvalue


Tikimybės buvo suskaičiuotos vidutinėms regresorių agea  ir cldcrsv  reikšmėms. Šios reikšmės parašytos lentelės apačioje (agea = 63,1; cldcrsv = 5,26). Pateiktos dviejų rūįių tikimybės. Stulpelyje Uncond  yra tikimybės to Puasono skirstinio, kurį atsieit stebime su visomis nulio tikimybėmis. Stulpelyje Cond  yra to paties Puasono kintamojo tikimybės, kai žinome, kad nulių imtyje nėra.
Norėdami sužinoti, kuris modelis – benulis ar pastumtasis – geriau tinka duomenims, surandame šio modelio informacinį indeksą  AIC . Įvykdome

fitstat


Analogišką statistiką surandame Puasono regresijos modeliui su priklausomu kintamuoju numbhh = hhmmb –  1. Gauname:



Matome, kad AIC skiriasi nedaug (AIC = 620,66 ir AIC = 608,08), nors standartinei Puasono regresijai šis rodiklis ir mažesnis. Griežtai kalbant, toks AIC lyginimas, skirtingais būdais apskaičiuotiems modeliams nėra iki galo korektiškas. Vis dėlto jis duoda bendrą supratimą apie modelių gerumą. Reikia turėti omenyje, kad nedidelis AIC skirtumas, dar neleidžia teigti, kad kažkuris modelis yra geresnis. Koks AIC skirtumas jau yra pakankamai didelis, kad tą galėtume teigti? Šiuo klausimu nėra kažkokios nusistovėjusios vieningos nuomonės. Dažnai siūloma svarbiu laikyti AIC skirtumą viršijantį 10. Bet, žinoma, tai nėra privaloma. Tarkime, mūsų nagrinėjamu atveju skirtumas yra maždaug 12. Dešimtį virįija visai nedaug. Todėl mūsų nuomone prioritetas turėtų būti teikiamas įprastai Puasono regresijai (po kintamojo „pastūmimo“, kad įgytų nulį), nes tiesiog šis modelis turi daugiau tinkamumo charakteristikų (pvz., deviaciją). Beje, nebūtina atsižvelgti  būtent į AIC. Galima naudoti ir  BIC. Kai kurie statistikai labiau vertina būtent šį indeksą. Išvados daromos, kaip ir AIC atveju. Matome, kad jos nepasikeičia.

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