Kas ir regresijas analīze un kā tā tiek definēta?

Markoantonio Villanueva Bustamante
Psiholoģijas doktors

Regresijas analīze, iespējams, ir visplašāk izmantotā daudzfaktoru statistikas metode, lai noteiktu attiecības starp viens vai neatkarīgu mainīgo grupa un atkarīgs mainīgais, lai pirmais varētu paredzēt izmaiņas otrais-

Gandrīz iedzimts cilvēks cenšas sniegt skaidrojumus notikumiem, kas notiek dabiski. ikdiena, “šī persona smēķē, jo jūtas saspringta”, “pārēšanās noved pie lielāka ķermeņa svara”; Tomēr mēs zinām, ka paskaidrojumi, ko sniedzam šādiem notikumiem, ne vienmēr ir pareizi. Daniels Kānemans savā grāmatā “Domā ātri, domā lēni” apraksta, kā, lai gan cilvēki mēdz izmantot visus kognitīvos elementus. viņi vienmēr kļūdīsies, mēģinot izskaidrot notikumu, kas ir pilnīgi normāli realitātē, kurā līdzās pastāv vairāki faktori. puse. Tātad, kā mēs varētu mēģināt izskaidrot notikumus pēc iespējas precīzāk? Sociālajās un veselības zinātnēs to iespējams izdarīt, izmantojot datu analīzi; kas tiek definēts kā procedūru kopums, kam palīdz statistikas metodes aprakstošs un secinošs, lai iegūtu informāciju no empīriskā datu parauga un attīstītu secinājumus. Datu analīzē metode, kas ļaus mums sniegt ticamus notikumu skaidrojumus, ir daudzfaktoru metode, ko sauc par regresijas analīzi.

Regresijas analīzei ir vairāki varianti, piemēram, lineārā regresijas analīze, daudzkārtēja regresijas analīze, Varētu apsvērt loģistikas regresiju, mediācijas analīzi, moderācijas analīzi un pat strukturālo vienādojumu modeļus (SEM). Tomēr visi šie varianti ievēro vienu un to pašu darbības loģiku, vienu vai vairākus ievades mainīgos, kurus var saukt par prognozētājiem, neatkarīgiem mainīgajiem, mainīgajiem. skaidrojošie vai iepriekšējie mainīgie, prognozē vislielāko iespējamo izvades mainīgā dispersijas apjomu, ko var saukt par atkarīgo mainīgo vai vienkārši kritērijs; Ja ir vairāk nekā viens neatkarīgais mainīgais, regresijas analīze arī nosaka, kuram no tiem ir vislielākā ietekme uz atkarīgo mainīgo.

Lai saprastu, kā šīs attiecības rodas, mums ir jāizmanto šāds vienādojums, kas parāda vienkāršu lineārās regresijas modeli:

y = B_arī +B_Yo x un

kur,
b_arī = Slīpuma izcelsme
b_Yo = līnijas slīpuma pakāpe (slīpums)
X = VI vērtība
e = atlikumi (kļūda)

Vienkārši sakot, šis vienādojums norāda pakāpi, kādā prognozētāja (neatkarīgā mainīgā) klātbūtne rada izmaiņas kritērijā (atkarīgais mainīgais). Jāpiemin, ka, lai gan vienādojumā minēts atlikums (kļūda), tas nav novērtēts modeļa, elementa ietvaros. par kuriem šo paņēmienu var kritizēt, bet tā “evolūcijas” strukturālo vienādojumu modeļi (SEM) kompensē.

Kad vienādojums ir novērtēts, to var vizualizēt, izmantojot šādu divdimensiju plakni, ko sauc par regresijas līniju.

Regresijas līnija vai slīpums

Avots: Dagnino (2014)

Šis grafiks ne tikai parāda iesaistīto mainīgo attiecību (caur punktu mākoni), bet arī parāda līniju, kas piešķir šai diagrammai nosaukumu un norāda pakāpi, kādā empīriskie dati atbilst regresijas vērtībai (B vērtībai).

Lai gan B norāda slīpuma pakāpi, tas patiesībā nav īpaši noderīgs interpretācijai, jo Tas ir izteikts tajā pašā metrikā kā mainīgie, un tāpēc tā vērtības var būt pārāk plašas. Tādā veidā, standartizējot B, pamatojoties uz Z rādītājiem, tiek iegūts beta koeficients (β), kuras vērtības var būt no 0 līdz 1, gan pozitīvas, gan negatīvas, un kas to pieļauj interpretācija. Tādējādi negatīva beta vērtība norādīs, ka prognozējamais mainīgais negatīvi prognozē kritēriju, tas ir, jo lielāka ir prognozētāja klātbūtne, jo mazāka ir kritērija klātbūtne; Gluži pretēji, pozitīva beta norāda, ka prognozētāja klātbūtne veicina kritērija klātbūtni.

Tāpat kā citas secināmas statistikas metodes, regresijas interpretācija būs atkarīga no hipotēzes kontrasts jeb nozīmības vērtība (p), kas sociālajās zinātnēs parasti ir p > .05.

Visbeidzot, regresijas analīzes elementārs jēdziens ir R2 vērtība, kas attiecas uz modeļa izskaidroto dispersiju. regresiju, ko var interpretēt tieši vai reizinot ar 100, lai iegūtu dispersijas procentu paskaidroja.

Loģistiskā regresija

Kā minēts sākumā, ir dažādas regresijas analīzes. Iepriekš tika aplūkota vienkārša un daudzkārtēja lineāra regresija; tiek pieņemts, ka gan prognozēšanas mainīgie, gan kritērijs ir nepārtraukti. Tomēr, ja mainīgie nav nepārtraukti, tas ir, tie ir kategoriski, loģistikas regresijas analīze, šī ir vienīgā atšķirība no pārējām regresija.