Kaj je regresijska analiza in kako je definirana?

Marcoantonio Villanueva Bustamante
Doktorica psihologije

Regresijska analiza je verjetno najpogosteje uporabljena multivariatna statistična tehnika za določanje razmerja med eno ali skupino neodvisnih spremenljivk in odvisno spremenljivko, tako da lahko prva napove spremembo v drugo-

Človeška bitja skoraj prirojeno poskušajo razložiti dogodke, ki se zgodijo naravno. vsakdanje življenje, »ta oseba kadi, ker se počuti pod stresom«, »prenajedanje povzroči večjo telesno težo«; Vemo pa, da razlage, ki jih dajemo takim dogodkom, niso vedno pravilne. Daniel Kahneman v svoji knjigi "Razmišljanje hitro, razmišljanje počasno" opisuje, kako, čeprav ljudje ponavadi uporabljajo vse kognitivne elemente, ki jih imajo, se bodo vedno zmotili, ko bodo poskušali razložiti nek dogodek, kar je povsem normalno v realnosti, kjer soobstaja več dejavnikov. pol. Kako bi torej poskušali čim bolj natančno razložiti dogodke? V družbenih in zdravstvenih vedah je to mogoče storiti z analizo podatkov; ki je definiran kot niz postopkov, ki so podprti s statističnimi tehnikami opisno in inferencialno, da bi iz empiričnega vzorca podatkov izluščili informacije in jih razvili zaključki. Znotraj analize podatkov je tehnika, ki nam bo omogočila podati zanesljive razlage dogodkov, multivariatna tehnika, imenovana regresijska analiza.

Regresijska analiza ima vrsto različic, kot so linearna regresijska analiza, multipla regresijska analiza, logistična regresija, analiza mediacije, analiza moderiranja in celo modeli strukturnih enačb (SEM). Vendar pa vse te različice sledijo isti operacijski logiki, eni ali več vhodnih spremenljivkah, ki so lahko znane kot napovedovalci, neodvisne spremenljivke, spremenljivke. pojasnjevalne ali predhodne spremenljivke, napovedujejo največjo možno količino variance izhodne spremenljivke, ki je lahko znana kot odvisna spremenljivka ali preprosto merilo; Če obstaja več kot ena neodvisna spremenljivka, regresijska analiza tudi določi, katera od teh ima največji vpliv na odvisno spremenljivko.

Da bi razumeli, kako pride do teh odnosov, se moramo zateči k naslednji enačbi, ki predstavlja preprost linearni regresijski model:

y = B_bodisi +B_Yo x in

Kje,
b_bodisi = Izvor naklona
b_Yo = Stopnja naklona črte (naklon)
X = vrednost VI
e = Ostanki (napaka)

Preprosto povedano, ta enačba označuje stopnjo, do katere prisotnost prediktorja (neodvisne spremenljivke) povzroči spremembo kriterija (odvisne spremenljivke). Treba je omeniti, da čeprav enačba omenja ostanek (napako), ta ni ocenjen znotraj modela, elementa zaradi česar lahko to tehniko kritiziramo, vendar njeni "evolucijski" modeli strukturnih enačb (SEM) kompenzira.

Ko je enačba ocenjena, jo je mogoče vizualizirati z uporabo naslednje dvodimenzionalne ravnine, imenovane regresijska črta.

Regresijska črta ali naklon

Vir: Dagnino (2014)

Ta graf poleg tega, da predstavlja razmerje med vključenimi spremenljivkami (skozi oblak točk), izpostavi črto, ki daje ime temu diagramu in označuje stopnjo, do katere empirični podatki ustrezajo regresijski vrednosti (vrednost B).

Čeprav nam B pove stopnjo naklona, ​​dejansko ni zelo uporaben za interpretacijo, ker Izražen je z isto metriko kot spremenljivke, zato so lahko njegove vrednosti preobsežne. Na ta način se s standardizacijo B na podlagi rezultatov Z dobi koeficient beta (β), katerega vrednosti so lahko med 0 in 1, tako pozitivne kot negativne in ki omogoča njegovo tolmačenje. Tako bo negativna beta vrednost nakazovala, da napovedna spremenljivka negativno napoveduje kriterij, to je, večja ko je prisotnost napovedovalca, manjša je verjetnost prisotnosti kriterija; Nasprotno, pozitivna beta kaže, da prisotnost napovednika daje prednost prisotnosti kriterija.

Tako kot druge inferencialne statistične tehnike bo tudi interpretacija regresije odvisna od hipoteznega kontrasta ali vrednosti signifikantnosti (p), ki je v družboslovju tipično p > .05.

Nazadnje, osnovni koncept regresijske analize je vrednost R2, ki se nanaša na varianco, ki jo pojasnjuje model. regresija, ki jo lahko interpretiramo neposredno ali tako, da jo pomnožimo s 100, da dobimo odstotek variance pojasnil.

Logistična regresija

Kot smo omenili na začetku, obstajajo različne regresijske analize, regresija je bila obravnavana prej enostavni linearni in večkratni, ti predpostavljajo, da sta napovedovalni spremenljivki in kriterij zvezni. Kadar pa spremenljivke niso zvezne, to je kategorične, je treba uporabiti logistično regresijsko analizo; To je edina razlika z ostalimi regresijskimi modeli.