تیتر خبرها

انواع آزمون های رگرسیون

انواع آزمون های رگرسیون

انواع آزمون های رگرسیون : رگرسیون آزمونی است آماری که به بررسی و مدل‌سازی میان دو متغیر (مستقل و وابسته) می‌پردازد. انواع آزمون های رگرسیون به دنبال سنجش تأثیر و میزان اثرگذاری متغیر(های) مستقل بر وابسته است. بنابراین، از طریق رگرسیون می‌توان پی برد که آیا می‌توان متغیر وابسته را از روی متغیر مستقل پیش بینی کرد، و میزان این بیش بینی احتمالاً چقدر است. انواع آزمون های رگرسیون برای شرایط متفاوت پیش‌بینی شده است. در هرکدام از این انواع، ممکن است ضریب رگرسیون معنادار نباشد، یعنی آن‌که متغیر مستقل تأثیری معنادار روی متغیر وابسته نداشته باشد.که پیش از این در دوره های spss آکادمی تحلیل آماری پیرامون معناداری این ضرایب بحث مفصل انجام گرفته است. در ادامه، به رایج‌ترین انواع رگرسیون اشاره خواهد شد.

 

رگرسیون خطی ساده (Simple Linear Regression) زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر «یک» متغیر مستقل بر روی «یک» متغیر وابسته را مورد سنجش قرار دهد. به این آزمون «رگرسیون دومتغیره» (Bivariate Regression) هم گفته می‌شود. پژوهشگر باید توجه داشته باشد، زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار spss قبل از بررسی تاثیر این رابطه را بررسی می کند

رگرسیون چندمتغیره (Multiple Regression): زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌دست دهد. در چنین شرایطی از رگرسیون چندمتغیره استفاده می‌شود. رگرسیون چندمتغیره با نام «رگرسیون چندگانه» نیز شهرت دارد. همانطور که در دوره های آکادمی بیان شد متغیر های مستقل به 5 روش متفاوت وارد مدل رگرسیونی می شوند و هر یک از این روش ها کاربرد متفاوتی خواهد داشت. روش هم‌زمان (Enter Method)، روش گام‌به‌گام (Stepwise Method)، روش حذفی (Remove Method)، روش پس رونده (Backward method)، و روش پیش رونده (Forward Method)  این 5 روش ورود متغیر های مستقل به مدل رگرسیونی می باشد.

 

رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی: اما گاهی اوقات اتفاق می افتد که متغییر وابسته تحقیق در مقیاس فاصله ای/نسبی نبوده و مقیاس آن به صورت اسمی( دووجهی یا چندوجهی) است. یکی از سوالات شرکت کنندگان در دوره های کاربردی SPSS آکادمی تحلیل آماری شرکت می کنند این است که در چنین حالتی با توجه به اینکه پیش فرض اساسی تحلیل رگرسیون مقیاس فاصله ای /نسبی متغییر وابسته است چه باید کرد. رگرسیون لجستیک پیش بینی کننده متغیر وابسته دو وجهی و یا چند وجهی اسمی خواهد بود. البته با توجه به بحث های گسترده در دوره های آکادمی تحلیل آماری بهتر است در این شرایط بجای استفاده از مدل های رگرسیون لجستیک در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.

 

رگرسیون تخمین منحنی (Curve Estimation) : رگرسیون برآورد منحنی از خانواده تحلیل رگرسیون غیر خطی است. این نوع رگرسیون زمانی مورد استفاده قرار می گیرد که رابطه بین متغیر وابسته و متغیر های مستقل به صورت غیر خطی است و بنابراین، نمی توانیم از رگرسیون های خطی استفاده نماییم. در مقالات بعدی این نوع رگرسیون را بطور کامل آموزش خواهم داد.

 

رگرسیون ترتیبی (ordinal regression): در برخی از پژوهش‌ها و به‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته در سطح سنجش ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همانا کمی بودن(فاصله‌ای یا نسبی بودن) است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم.مثلاً متغیر رضایت بجای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در انتها بتوان این سؤالات را با فرایند compute به سمت یک متغیر کمی پیوسته حرکت داد، خود شامل یک طیف سه گزینه‌ای رضایت بالا، متوسط یا پایین جهت سنجش است. در این شرایط نیز بجای استفاده از مدل های رگرسیون ترتیبی در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.

 

رگرسیون پروبیت (Probit Regression) : زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان «مدل‌های پروبیت» نیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر عضو شدن یا نشدن کاربران در کتابخانه را بررسی کنیم، این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.

محسن مرادی

از کپی کردن مطالب سایت یا کانال بدون ذکر منبع خودداری شود.

آدرس کانال تلگرام: https://telegram.me/analysisacademy

درباره ی admin

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *