آموزش اصولی تحلیل رگرسیون خطی در نرم افزار SPSS (با مثال ملموس)

رتبه: 5 ار 2 رای SSSSS

نویسنده: تیم تولید محتوا زمان مطالعه 2 دقیقه

منبع این آموزش، وب سایت معتبر راه حل های آماری می باشد. در این پست در واقع شما با یک مثال ساده و ملموس، نحوه انجام تحلیل رگرسیون خطی را بصورت اصولی درنرم افزار اس پی اس اس یاد می گیرید.

ویدیوی آموزش مقدماتی رگرسیون در SPSS

و اما مقاله اصلی آموزش رگرسیون…. این نمونه آماری بر اساس آمارجنایت سازمان FBI (پلیس فدرال آمریکا) در سال ۲۰۰۶ میباشد. ما در این نمونه آماری می خواهیم که رابطه بین چگونگی و تعداد جنایت را در شهر بدانیم. ابتدا لازم است ببینیم آیا رابطه ای خطی بین داده ها وجود دارد یا نه؟ به این ترتیب منحنی پراکندگی داده هارا چک می کنیم. نمودار پراکندگی رابطه خطی بین داده ها نشان میدهد. که به ما اجازه می دهد یک تحلیل رگرسیونی انجام دهیم. همچنین می توانیم همبستگی توابع دو متغیره Pearson را بررسی کرده و دریابیم که این دو متغیر تا حد زیادی همبسته هستند (r= 0.959 و p<0.001). ثانیاً لازم است بهنجاری چند متغیره را بررسی کنیم ممکن است در این نمونه آماری بهنجاری چند متغیره موجود نباشد. تست کالموگراف – اسمیرنوف این گمان را تایید میکند (p=0.002 وp=0.006 ) . یک ln گیری روی این دو متغیر این مساله را ثابت می کند و بهنجاری چندمتغیره را بصورت (p=0.543 وp=0.991 K-S test) بدست می دهد.

linear regression

حالا ما میتوانیم تحلیل رگرسیون خطی را انجام دهیم. مسیر رگرسیون خطی بصورت : Analyze/Regression/Linear

در این نمونه آماری ساده فقط لازمست متغیرهایی مثل (log-pop) و (log-murder) را به مدلمان بعنوان متغیرهای مستقل و وابسته بیفزاییم میتوانیم شاخصهای آماری دیگری را که برای تایید اعتبار تحلیل رگرسیون خطی لازم داریم اجرا کنیم.

این نکته هم احتمالا برای شما جالب است: آموزش گام به گام نحوه کاربرد Spss در آمار توصیفی (تصویری)

انجام این فرایندهای آماری که توضیح دهنده هم خطی و تست Durbin-Watson هستند جهت تشخیص خود-همبستگی مفید میباشند. برای تست واریانس همسانی باقیمانده ها ، نمودار ویژه ای را در منوی plots در نظر میگیریم.

فرمان برنامه SPSS در رگرسیون خطی

SPSS رو قورت بده! بدون کلاس، سرعت 2 برابر، ماندگاری 3 برابر، مهارت فوق العاده پولساز، خرید و دانلود!

linear regression

نتایج جدول اول مدل خلاصه شده و کلی فرایند آماری را نشان میدهد. مورد انتظار در مدل ما ۰٫۷۵۶ بوده که با که از تست بدست آمده نتیجه میدهد که رگرسیون خطی ۷۶٫۱% واریانس داده ها را میتواند توصیف کند. در تست دوربین-واتسن d=2.323 و بین ۲٫۵ > d > 1.5 قرار دارد و بنابراین میتوان فرض کرد که در بین داده ها خود-همبستگی مرتبه اول وجود ندارد (بعبارت دیگر ). با F=156.2 و درجه آزادی ۵۰ اهمیت این تست زیاد میشود و میتوان فرض کرد در مدل مورد نظر ما رابطه خطی بین متغیرها وجود دارد.

linear regression

جدول بعدی ضرایب رگرسیونی و و عرض از مبدا و اندازه آنها را نشان می دهد. تحلیل رگرسیون خطی میگوید که تابع رگرسیونی خطی باید Y=-13.067+1.222X باشد. این بدان معنی نیست که به ازای هر ۱۰۰۰ نفر جمعیت به آمار جنایت ۱٫۲ برابر افزوده شود زیرا ما از متغیرها ln میگیریم. اگر ما تحلیل رگرسیون خطی رابا متغیرهای اصلی دوباره انجام دهیم به معادله y=11.85+6.7*10-5 میرسیم که نشان میدهد به ازای هر ۱۰۰۰۰ نفر ۶٫۷ برابر آمار جنایت افزایش می یابد.

نکته مهم! آموزش کامل نحوه ایجاد یک نمودار ستونی با نرم افزار SPSS (گام به گام)

تحلیل رگرسیون خطی فرضیات باطل را که در آن ضریب صفر است بررسی میکند. تست t میگوید که هم عرض از مبدا و هم متغیر دارای مقدار با اهمیتی هستند (p<0.001). و بنابراین غیرصفرند. این جدول همچنین دارای وزنهای بتاست (که مقدار متغیرهای مستقل را بیان میکند ) و شامل آمار هم خطی است. از آنجا که ما تنها یک متغیر مستقل داریم به مقدار آن نمی پردازیم. موضوع بعدی که لازمست به آن توجه کنیم واریانس همسانی و بهنجاری باقیمانده هاست نمودار هیستوگرام نشان میدهد که باقیمانده ها توزیع تقریبی نرمال دارند. منحنی Q – Q با مقادیر بحرانی z * نشان میدهد در رگرسیون خطی مدل مورد نظر ما خطای کمتری وجود دارد. linear regression