Множественная линейная регрессия в SPSS: расчет и интерпретация

В этом руководстве показано, как провести множественную линейную регрессию в SPSS и интерпретировать результаты регрессии. 📋 Основы множественной линейной регрессии ============================ Множественная линейная регрессия направлена ​​на использование как минимум двух независимых переменных (предикторов) для прогнозирования зависимой переменной (результата). Например, вы хотите проверить влияние IQ, мотивации и среднего балла на доход. Линейная регрессия использует метод наименьших квадратов, что означает, что квадраты расстояний между наблюдениями и идеальной линией будут минимальными. Поскольку у нас несколько независимых переменных, вы получите n-мерный диаграмму рассеяния с соответствующей линией регрессии — трудно представить это, поэтому мы ограничимся только числами. Множественная линейная регрессия требует выполнения множества действий, которые перечислены ниже и будут рассмотрены в отдельных видеороликах в дальнейшем. После этого вы можете использовать функцию линейной регрессии в SPSS, определить свою модель и рассчитать её. После расчета вы сосредоточитесь на I) F-критерии, II) соответствии модели данным и III) таблице коэффициентов регрессии. Интерпретация результатов =================== I) F-критерий, по сути, показывает, лучше ли ваша модель, чем отсутствие модели. II) Соответствие модели данным — это коэффициент детерминации, который варьируется от 0 до 1. 1 означает, что вы можете объяснить 100% дисперсии вашей зависимой переменной с помощью вашей модели — что практически невозможно в реальном мире. III) Коэффициенты регрессии имеют p-значения, которые показывают, влияют ли ваши независимые переменные на зависимую переменную или нет. Затем вы можете посмотреть на сами коэффициенты и увидеть, оказывают ли они положительное или отрицательное влияние на зависимую переменную. Сам коэффициент, точнее, показанный как b, представляет собой изменение зависимой переменной, если независимая переменная изменяется на одну единицу. Стандартные ошибки коэффициентов измеряют точность коэффициентов регрессии, представляя собой среднее расстояние, на которое наблюдаемые значения отклоняются от линии регрессии. Если у вас категориальный предиктор, обратитесь к этому видео:    • Linear Regression with dummy variables in ...   🧾 Основные требования к простой линейной регрессии ========================================= 1. Линейность 2. Случайная выборка 3. Экзогенность независимых переменных 4. Гомоскедастичность остатков:    • How to check Homoscedasticity in Linear Re...   5. Нормальное распределение остатков:    • How to Check normality assumption in simpl...   6. Интервальный или относительный уровень зависимой переменной:    • Understanding Measurement Levels in Statis...   7. Отсутствие влиятельных случаев:    • Видео   8. Отсутствие мультиколлинеарности:    • 3 ways to test for multicollinearity in li...   9. Отсутствие Автокорреляция (необязательно) ⏰ Временные метки: ============== 0:00 Введение 0:13 Расчет простой линейной регрессии 1:06 Методы ввода предикторов 1:51 Интерпретация F-критерия 3:23 Интерпретация соответствия модели 4:56 Интерпретация таблицы коэффициентов Если у вас есть какие-либо вопросы или предложения по множественной линейной регрессии в SPSS, пожалуйста, используйте функцию комментариев. Поставьте лайк или дизлайк, чтобы решить, было ли видео полезным. #уроки по статистике Поддержите канал? 🙌🏼 =================== Пожертвование через PayPal: https://www.paypal.com/paypalme/Bjoer... Партнерская ссылка Amazon: https://amzn.to/49BqP5H