Mis on regressioonianalüüs ja kuidas seda määratletakse?

Marcoantonio Villanueva Bustamante
Psühholoogiadoktor

Regressioonanalüüs on tõenäoliselt kõige laialdasemalt kasutatav mitme muutujaga statistiline meetod vahelise seose määramiseks üks või rühm sõltumatuid muutujaid ja sõltuv muutuja, et esimene saaks ennustada muutust teine-

Peaaegu kaasasündinud püüavad inimesed anda selgitusi sündmustele, mis juhtuvad loomulikult. igapäevaelu, "see inimene suitsetab, sest tunneb stressi", "ülesöömine toob kaasa suurema kehakaalu"; Kuid me teame, et selgitused, mida me sellistele sündmustele anname, ei ole alati õiged. Daniel Kahneman kirjeldab oma raamatus "Thinking Fast, Thinking Slow" kuidas inimesed kipuvad kasutama kõiki kognitiivseid elemente, mida nad omavad, teevad nad mõnda sündmust seletades alati vigu, mis on täiesti normaalne reaalsuses, kus eksisteerivad mitu tegurit. pool. Niisiis, kuidas saaksime proovida sündmusi võimalikult täpselt selgitada? Sotsiaal- ja terviseteadustes on seda võimalik teha andmeanalüüsi kaudu; mida määratletakse kui protseduuride kogumit, mida aitavad statistilised tehnikad kirjeldav ja järeldatav, et empiirilisest andmevalimist teavet ammutada ja välja töötada järeldused. Andmeanalüüsis on meetod, mis võimaldab meil sündmustele usaldusväärseid selgitusi anda, mitme muutujaga tehnika, mida nimetatakse regressioonianalüüsiks.

Regressioonanalüüsil on mitmeid variante, nagu lineaarne regressioonanalüüs, mitmekordne regressioonanalüüs, Kaaluda võiks logistilist regressiooni, vahendusanalüüsi, moderatsioonianalüüsi ja isegi struktuurvõrrandi mudeleid (SEM). Kõik need variandid järgivad aga sama tööloogikat, üht või mitut sisendmuutujat, mida võib nimetada ennustajateks, sõltumatuteks muutujateks, muutujateks. seletavad või eelnevad muutujad, ennustavad väljundmuutuja suurimat võimalikku dispersiooni, mida võib nimetada sõltuvaks muutujaks või lihtsalt kriteerium; Kui sõltumatuid muutujaid on rohkem kui üks, määrab regressioonanalüüs ka kindlaks, milline neist mõjutab sõltuvat muutujat kõige rohkem.

Et mõista, kuidas need seosed tekivad, peame kasutama järgmist võrrandit, mis esitab lihtsa lineaarse regressioonimudeli:

y = B_kas +B_Yo x ja

kus,
b_kas = Kallaku päritolu
b_Yo = joone kaldeaste (kalle)
X = VI väärtus
e = jäägid (viga)

Lihtsamalt öeldes näitab see võrrand, mil määral ennustaja (sõltumatu muutuja) olemasolu põhjustab muutuse kriteeriumis (sõltuv muutuja). Tuleb mainida, et kuigi võrrandis mainitakse jääk (viga), ei ole seda mudelis, elemendis hinnatud mille pärast seda tehnikat saab kritiseerida, kuid selle "evolutsiooni" struktuurvõrrandi mudelid (SEM) kompenseerib.

Kui võrrand on hinnatud, saab seda visualiseerida järgmise kahemõõtmelise tasandi abil, mida nimetatakse regressioonijooneks.

Regressioonijoon või kalle

Allikas: Dagnino (2014)

See graafik näitab lisaks kaasatud muutujate seostele (läbi punktide pilve) ka joone, mis annab sellele diagrammile nime ja näitab, mil määral sobivad empiirilised andmed regressiooniväärtusega (B väärtus).

Kuigi B ütleb meile kalde astme, pole see tegelikult tõlgendamiseks eriti kasulik, sest Seda väljendatakse muutujatega samas mõõdikus ja seetõttu võivad selle väärtused olla liiga ulatuslikud. Sel viisil, standardiseerides B-d Z-skooride alusel, saadakse beetakoefitsient (β), mille väärtused võivad olla vahemikus 0 kuni 1, nii positiivsed kui ka negatiivsed ja mis võimaldab seda tõlgendus. Seega näitab negatiivne beetaväärtus, et ennustav muutuja ennustab kriteeriumi negatiivselt, st mida suurem on ennustaja olemasolu, seda vähem tõenäoline on kriteeriumi olemasolu; Vastupidi, positiivne beeta näitab, et ennustaja olemasolu soodustab kriteeriumi olemasolu.

Nagu teisedki järelduslikud statistilised tehnikad, sõltub regressiooni tõlgendamine sellest hüpoteesi kontrast ehk olulisuse väärtus (p), mis sotsiaalteadustes on tavaliselt p > .05.

Lõpuks on regressioonanalüüsi elementaarne kontseptsioon R2 väärtus, mis viitab mudeliga seletatavale dispersioonile. regressioon, mida saab dispersiooniprotsendi saamiseks tõlgendada otse või korrutades selle 100-ga selgitas.

Logistiline regressioon

Nagu alguses mainitud, on olemas erinevad regressioonianalüüsid, regressiooni oli varem käsitletud lihtsad lineaarsed ja mitmekordsed, eeldavad need, et nii ennustavad muutujad kui ka kriteerium on pidevad. Kui aga muutujad ei ole pidevad, st nad on kategoorilised, tuleb kasutada logistilist regressioonianalüüsi; See on ainus erinevus ülejäänud regressioonimudelitest.