To tylko jedna z 3 stron tej notatki. Zaloguj się aby zobaczyć ten dokument.
Zobacz
całą notatkę
Regresja liniowa:
1). Opis zmiennych:
Zmienna wynikowa z badania:
Zmienne objaśniające:
Założono, że zmienna Y jest zależna od wymienionych zmiennych objaśniających oraz, że między zmienną objaśnianą a zmiennymi objaśniającymi istnieje zależność liniowa.
2). Cel:
Celem jest przewidywanie wartości zmiennej wynikowej na podstawie informacji zawartych w wynikach pomiarów zmiennych objaśniających.
3). Do budowy modelu regresji zastosowano metodę wprowadzania zmiennych objaśniających.
4). Przede wszystkim oceniam jakoś dopasowania modelu do danych empirycznych. W tym celu sprawdzam wartość współczynnika determinacji (R2). (Zerkam na istotność w tabeli „Analiza wariancji” lub „Anova”). Testowane hipotezy to:
H0: R2 = 0
H1: R2 ≠ 0
Z tabeli „Analiza wariancji”/”Anova” odczytuję, że (A) prawdopodobieństwo jest mniejsze od α (przyjętego poziomu istotności wynoszącego α = 0,05), dlatego prawdziwy współczynnik determinacji jest istotnie większy od zera. Odrzucam hipotezę zerową, przyjmując alternatywną i tym samym stwierdzam, że model, w sensie statystycznym, jest dopasowany na tyle dobrze, by móc zająć się oceną poszczególnych współczynników regresji.
(B) - prawdopodobieństwo jest większe od α - nie mam podstaw do odrzucenia H0, co oznacza, że model liniowy jest nieodpowiedni do opisu zależności między zmienną objaśnianą, a zmiennymi objaśniającymi. 5). Interpretuję Wartość współczynnika determinacji w próbie. (Odczytuję wartość R2 z tab. Model - podsumowanie).
I tak np.:
Wartość współczynnika determinacji w próbie wynosi 0,403.
Oznacza to, że 40% zmienności subiektywnej stresogenności jest wyjaśniane przez zespół zmiennych: wiek, znużenie, SOC i liczba chorób. Oznacza to również, że 60% zmienności subiekt jest wyjaśniane przez czynniki, których nie uwzględniliśmy w modelu.
Można podsumować, że: „Wydaje się, że to całkiem sporo, choć 44% wariancji jest wyjaśniane przez inne zmienne, nieujęte w tym modelu”
Bądź: „Moim zdaniem model ten do prognozowania wartości zmiennej objaśnianej na podstawie zmiennych objaśniających, będzie mało przydatny.
6). Kolejnym krokiem jest sprawdzenie czy zmienne objaśniające istotnie wpływają na zmienną objaśnianą. (Patrzę na tabelę „Współczynniki”)
Dla współczynników regresji stawiam hipotezy:
H0: Bi = 0
H1: Bi ≠ 0
Gdzie i = 0, 1, 2, 3, 4
W tabeli „Współczynniki” można zauważyć, że prawdopodobieństwo dla zmiennych: A, B, C jest mniejsze od 0,05
... zobacz całą notatkę
Komentarze użytkowników (0)