Przykład 1

Zmienna zależna – czas spędzany przez pracowników w internecie w celach prywatnych podczas

godzin pracy

Zmienna niezależna – ocena niemoralności tego zjawiska, przykładowe pytanie. „Korzystanie z

internetu w pracy w celach prywatnych jest zjawiskiem niemoralnym”

Wykres rozrzutu czas względem Moralnosc

sumy 30v*432c

czas = 3,4422-0,0554*x

0 5 10 15 20 25 30 35 40

Moralnosc

0

1

2

3

4

5

6

7

8

czas

Statistica „wypluwa” nam kilka tabel, poniżej ich opisy oraz przykład zastosowania w opisie wyników.

Wykres rozrzutu naszych dwóch

zmiennych, na osi Y mamy czas.

Program automatycznie pokazuje

nam jak wyglądać będzie linia

regresji dopasowana metodą

najmniejszych kwadratów.

Wartości w tej tabeli pokazują nam

istotność poszczególnych

predyktorów w naszym modelu.

Póki co mamy oczywiście jeden

predyktor czyli moralność. Wyraz

wolny póki, co nas również nie

interesuje. Na istotność Moralności

wskazuje nam test F oraz p.

Tabela, w której określone mamy parametry poszczególnych predyktorów w naszym modelu.

Nasze równanie regresji ma więc następującą postać:

Wartości F oraz p mówią nam o

istotności całego modelu regresji.

Warto zwrócić uwagę, że w tej

sytuacji są one równe tym z

poprzedniej tabeli. Będzie się tak

działo zawsze wtedy kiedy mamy

tylko jedną zmienną niezależną.

Kiedy będzie ich więcej statystyka F

w tej tabeli przyjmie inne wartości.

Co ważne odnosi się ona do całego

modelu regresji, który tworzymy.

R^2 to tak zwany współczynnik

wielokrotnej determinacji.

Interpretujemy go w kategoriach %

wyjaśnianej wariancji Y przez

wszystkie zmienne X. W naszym

przypadku oczywiście przez jedną. U

nas wynosi on w zaokrągleniu 4,3%.

Skorygowany R^2 będzie zawsze

niższy. Podajemy przeważnie

„zwykły” R^2, dodatkowo można

podać również skorygowany.

Współczynnik

korelacji

wielokrotnej. W

przypadku kilku

zmiennych X

określa ich związek

z Y (zmienne X są

traktowane

łącznie). Tutaj

można go

oczywiście

interpretować, jako

korelację X i Y.

Waga Beta,

standaryzowany

współczynnik regresji

(patrz slajdy, zajęcia 8.)

Test t wskazujący na

istotność danego

czynnika/predyktora,

przyjmujemy standardowa

p<0,05. Więcej o tym teście

na kolejnych zajęciach

Stała b, czyli

współczynnik

nachylenia linii

regresji.

Interpretujemy

go w następujący

sposób: wraz ze

wzrostem X od

jedną jednostkę Y

wzrasta/spada o

b jednostek (czyli

Stała a, czyli miejsce

przecięcia się linii

regresji z osią Y.

(por. wykres na

samej górze)

Teraz powinno się pojawić pytanie, no ok., ale, po co mi to wszystko? I co ja mam z tym zrobić?

Zobaczmy, zatem jak będzie wyglądał fragment artykułu/pracy magisterskiej opisujący nasze wyniki.

W celu oszacowaniu wpływu Moralności na czas spędzany przez pracowników w internecie na

czynnościach niezwiązanych bezpośrednio z wykonywanymi obowiązkami zastosowany regresję

liniową. Model regresji okazał się istotny (F1,430=19,41; p<0,001) i wyjaśniał ok. 4% zmiennej

niezależnej (R2=0,043). Do modelu włączono jeden predyktor – ocenę moralności korzystania.

Predytkor ten okazał się istotny dla zmiennej niezależnej (β=-0,21; t=-4,41; p<0,001).

Przykład 2

Zmienna zależna – czas spędzany przez pracowników w internecie w celach prywatnych podczas

godzin pracy

Zmienna niezależna – ocena niemoralności tego zjawiska, przykładowe pytanie. „Korzystanie z

internetu w pracy w celach prywatnych jest zjawiskiem niemoralnym”

Zmienna niezależna 2 – ocena przydatności zjawiska: „Uważam, że korzystanie z sieci w celach

prywatnych pozwala mi lepiej wykonywać moją pracę”

Zmienna niezależna 3 – zadowolenie z finansów, czyli zadowolenie z wynagrodzenia w pracy

Zmienna niezależna 4 – odczuwana nuda w miejscu pracy „Uważam, że moja praca jest nudna”

Przed dokonaniem analizy regresji powinniśmy wykonać serię korelacji poszczególnych

zmiennych. Po pierwsze aby sprawdzić czy nasze predyktory korelują ze zmienną Y, a po

drugie aby sprawdzić czy nie korelują one między sobą. Predyktory powinny korelować ze

zmienną Y ale NIE powinny korelować między sobą. A przynajmniej nie być związane zbyt

mocno. Jedyne zastzenieżenia, może u nas budzić korelacja moralności z przydatnością. Jest

dość wysoka, ale póki co włączamy do modelu obie zmienne. Oczywiście analizujemy tylko

pół tabeli, druga połówka zawiera te same wartości.

Tabela pokazuje nam istotności poszczególnych predyktorów. Warto zwrócić uwagę,

że tym razem zmienna Moralność jest nieistotna. Możliwe, że wynika to z jej zbyt

wysokiej korelacji z Przydatnością. Badacz powinien zatem zastanowić się, którą

zmienną włączyć do modelu.

Test pokazujący nam istotność modelu jako całości. Jest on

oczywiście istotny pomimo tego, że jeden z predyktorów –

Moralność – nie jest istotny. Ty razem ma on jednak inną

wartość niż testy F poszczególnych predyktorów.(patrz

przykład 1.)

Współczynniki b, poszczególnych

predyktorów. Intepretujemy je tak

samo ja w przykładzie 1. Np. jeśli

zmienna Nuda, zmieni się o 1

jednostkę, to zmienna czas (Y)

zmieni się o 0,139917 jednostki

Nasze równanie regresji będzie więc wyglądać w następujący sposób:

A opis wyników będzie wyglądał w następujący sposób:

W celu oszacowania wpływu poszczególnych zmiennych na czas korzystania przez pracowników z

internetu w celach prywatnych zastosowano analizę regresji. Model okazał się istotny (F4,427=38,85;

p<0,001) a wszystkie predyktory wyjaśniały łącznie 26% zmiennej zależnej (R2=0,27). Istotny wpływ na

czas korzystania miały trzy z czterech uwzględnionych w modelu predyktorów: Przydatność (β=0,28;

t=5,98; p<0,001); Zadowolenie z finansów (β=0,12; t=2,96; p<0,001) oraz Nuda w pracy (β=0,35;

t=8,03; p<0,001).