آموزش رگرسیون خطی چندگانه در spss

برای فهم بهتر روش رگرسیون خطی چندگانه ابتدا به این مثال توجه نمایید: آیا شخصیت کارکنان و جنسیت آنان می تواند عملکرد شغلی کارکنان را پیش بینی کند؟ همان طور که از سوال این پژوهش مشخص است، ما در این سوال دو متغیر مستقل به نام شخصیت و جنسیت داریم. متغیر وابسته ما در این پژوهش عملکرد شغلی است. هدف این است که تاثیرات این دو متغیر را بر روی متغیر وابسته پیش بینی کنیم.

از آن جا که ما در این تحقیق بیش از یک متغیر پیش بین داریم، نمی توان از روش رگرسیون خطی ساده استفاده کرد. روش مورد نظر رگرسیون خطی چندگانه (Multiple Linear Regression) می باشد.

مدل رگرسیون چیست؟

انسان ها در پی پیش بینی آینده سازمان ها، محصولاتی مانند دارو ها و تاثیرات آن ها، رشد یا افول سهامی که در بازار خریده اند، تاثیرات روش های آموزشی و بسیاری دیگر از موارد هستند. علم داده بر اساس داده های بدست آمده در مورد هر یک از این موضوعات و با استفاده از ترسیم مدل های رگرسیونی به کمک انسان ها آمده است، تا به صورت علمی به بررسی تاثیرات متغیرها بر هم و پیش بینی آینده بپردازیم.

کاربرد روش رگرسیون در تحقیقات

با استفاده از روش های رگرسیونی و مدل های آماری، آماردانان می توانند، روابط بین متغیرها را فهم کنند و به پیش بینی تغیرات آینده آن بپردازند. در اصل می توان گفت رگرسیون، یک معادله‌ای است که پیشگویی یک متغیر وابسته (متغیری که می خواهیم آن را پیش بینی کنیم) را بر اساس یک یا چند متغیر مستقل (متغیری که به عنوان پیش بین در نظر گرفته ایم) نشان می‌دهد. برای مثال در تحقیق پیش بینی عملکرد سازمانی کارکنان بر اساس شخصیت و جنسیت کارکنان، متغیر شخصیت و جنسیت کارکنان به عنوان متغیر پیشگو در نظر گرفته می شود، که بر عملکرد سازمانی کارکنان (به عنوان متغیر وابسته) تاثیر می‌گذارد.

پیش فرض های استفاده از روش رگرسیون

• خطی بودن
• بررسی بهنجاری (نرمال بودن توزیع متغیرها)
• سطح سنجش کمی متغیر وابسته و به صورت پیوسته
• بررسی نقاط پرت
• چند هم خطی بین متغیرهای مستقل و تکینی
• نرمال بودن
• همگنی واریانس‌ها
• حجم نمونه کافی

چه زمانی از آزمون رگرسیون خطی چندگانه استفاده می کنیم ؟

پژوهشگر زمانی که قصد دارد، تغییرات بیش از یک متغیر پیش بین را بر روی یک متغیر وابسته در سطح سنجش پیوسته را پیش‌بینی کند، از این مدل رگرسیونی استفاده می کند. برای این کار باید از روش ماتریسی استفاده کرد.

انواع رگرسیون چندگانه

چهار نوع روش اصلی در مدل رگرسیونی چندگانه وجود دارد که از مهم‌ترین آنها عبارتند از:

1. Enter
2. Forward
3. Backward
4. Stepwise

روش Enter در رگرسیون چندگانه

در این مدل تحلیل رگرسیون خطی چندگانه، مدل رگرسیون ما فقط دارای یک گام است و یک مرتبه تحلیل همه متغیرهای ما وارد می شود. در آموزش رگرسیون خطی ساده بیان شد که پیش فرض به همین صورت است و ما رگرسیون ساده را با روش Enter آزمون می کنیم. در این مدل هدف آماردان تایید یا رد کردن وجود یک رابطه بین متغیرهایی است که در فرضیه خود در پروپوزال تحقیق بیان داشته است. در واقع می خواهیم ببینیم می توانیم تاییدی برای فرضیه های خود بیابیم و آن را اثبات کنیم؟

روش Forward در رگرسیون

در این روش از رگرسیون در گام اول یک متغیر پیش بین وارد معادله می‌شود. این متغیر باید نسبت به دیگر پیش بین ها بیشترین همبستگی را با متغیر وابسته داشته باشد. در گام های بعدی بر اساس این که چه تعداد متغیر پیش بین برای تحلیل داریم. آن ها را یک به یک وارد تحلیل می کنیم. تنها این نکته مهم است که اولویت با متغیر هایی هستند که بیشترین همبستگی را با متغیر وابسته داشته باشند.

روش Backward در رگرسیون

پژوهشگر در این روش برعکس روش Forward باید عمل کند. نحوه استفاده به این شکل است که در گام اول همه متغیرهای پیش بین تحقیق در معادله وارد می شود. سپس برای پیدا کردن یک مدل مناسب رگرسیونی، متغیرهایی که ضرورت ندارند را باید تک به تک از مدل رگرسیونی حذف کرد، تا زمانی که متغیر پیش بین غیر ضروری برای خروج از مدل رگرسیونی باقی نماند.

روش Stepwise در رگرسیون

این روش به روش رگرسیون گام به گام معروف است، که در آن ابتدا یک متغیر پیش بین که می خواهیم در یک بلوک قرار گیرد، وارد مدل می شود. سپس متغیر دوم را وارد می کنیم. چه زمانی از این روش استفاده می کنیم؟ زمانی که می خواهیم ببینیم آیا با حذف تاثیر بلوک یا پارت دوم باز هم تاثیرگذاری بلوک دیگر وجود دارد؟ در اصل ما می خواهیم از این روش استفاده کنیم، تا تاثیرات یک سری از متغیرهای پیش بین را کنترل کنیم.

آموزش اجرای رگرسیون گام به گام در spss

مراحل انجام رگرسیون خطی چندگانه در SPSS

ابتدا داده ها وارد نرم ‌افزار SPSS می شود و متغیرها تعریف می شود. در گام بعدی از بخش Analyze گزینه Regression را انتخاب می کنیم و سپس Linear را می زنیم.

متغیر وابسته در قسمت Dependent وارد می کنیم و سپس متغیرهای پیش بین خود را در قسمت Independents وارد می‌کنیم. در این تحلیل ما باید چندین متغیر مستقل داشته باشیم (بیش از یک متغیر).

در قسمت Method باید بر اساس هدف تحقیق خود یکی از روش های Enter، Forward ، Backward و Stepwise را انتخاب می‌کنیم.

وارد بخش Options می شویم و گزینه Exclude Cases Pairwise را بزنید. با این گزینه تعداد مشاهدات دارای اعتبار برای تحلیل، از یک متغیر به متغیر دیگر متفاوت خواهد بود.

وارد بخش Statistics می شویم و گزینه ها را بر اساس تصویر تیک میزنیم(گزینه‌های Estimates و Model fit و در بخش Residuals گزینه Casewise diagnotistics باید تیک خورده باشد).

وارد بخش Plots می شویم و در بخش y، گزینه ZRESID (باقیمانده‌های استاندارد شده) را وارد می کنیم و در بخش X، گزینه ZPRED (مقادیر پیش‌بینی استاندارد شده) را وارد می‌کنیم تا نمودار در خروجی ها ترسیم شود. گزینه Normal probability plot را هم فعال نمایید و در پایان روی گزینه Continue کلیک کنید.

وارد بخش Save می شویم و دو تیک Mahalanobis و Cooks را انتخاب کنیم. این دو برای بررسی مفروضه داده های پرت مشکل ساز در تحلیل رگرسیون خطی چندگانه به کار می آید.

در پایان گزینه ok را می بزنیم تا خروجی ها برای شما نمایش داده شود. پیشنهاد می کنم برای حرفه ای شدن در تحلیل های آماری از دوره spss کیارا آکادمی دیدن کنید. برای استفاده از دوره جامع spss می توانید از لینک زیر استفاده کنید:

تفسیر خروجی رگرسیون خطی چندگانه

برای تفسیر در گام اول باید به بررسی توصیفی متغیرها و بررسی رابطه همبستگی بین متغیرها باید پرداخت. آیا بین متغیرها رابطه ای وجود داشت؟ رابطه به جهت مثبت بود یا منفی؟

در گام بعدی روش رگرسیون را می توانید مشاهده کنید. همین طور می توان به بررسی ضریب تعیین پرداخت. این بخش به ما می تواند نشان دهد چند درصد از واریانس متغیر وابسته توسط متغیر پیش بین تبیین شود؟

همین طور از جداول بعدی می توانید ضریب متغیر های پیش بین را بررسی کنید. آیا ضریب منفی است یا مثبت؟ همین طور آیا تاثیر گذاری معنی دار است یا خیر؟

شاخص های برازش مدل معادلات ساختاری

بررسی مقادیر پرت در رگرسیون خطی چندگانه

همین طور شما به راحتی می توانید مقادیر ماهالانوبیس را به راحتی بررسی کنید. در این بخش باید میزان ماکسیموم مقدار ماهالانوبیس را بررسی کنید و ببنید ایا مقدار آن از میزان مجاز ماهالانوبیس بالاتر است؟ اگر باشد باید به بررسی مقادیر پرت بپردازید.

همین طور شما می توانید با استفاده از مقادیر باقیمانده به راحتی به بررسی نرمال بودن متغیرها بپردازید:

خلاصه رگرسیون خطی چندگانه

در مدل رگرسیون خطی، از یک متغیر توضیحی برای پیش‌بینی یک متغیر پاسخ کمی استفاده می‌کنیم. به عنوان مثال، با استفاده از متراژ مربع خانه می‌توانیم پیش‌بینی‌های معقولی داشته باشیم. اما چرا فقط از متراژ مربع استفاده کنیم؟ ما می‌توانیم از متغیرهای دیگری مانند تعداد اتاق خواب، تعداد حمام، موقعیت مکانی، سطح زمین، زمانی که آن ساخته شده است، اگر استخر دارد و …. استفاده کنیم تا حتی بهتر پیش‌بینی کنیم.

آموزش رگرسیون خطی ساده در نرم افزار SPSS

انواع روش های رگرسیونی

• رگرسیون غیر خطی
• رگرسیون خطی که ساده‌ترین مدل‌ رگرسیون  است و دو مدل دارد:

1. خطی ساده
2. خطی چندگانه: در این مدل از رگرسیون ما شاهد وجود بیش از یک متغیر مستقل (پیش‌بین) هستیم. برای مثال، آیا میزان اعتماد کارکنان و سطح دستمزد آنان بر انگیزش آنها تاثیرگذار هست یا نه؟ و این دو متغیر می توانند انگیزش را پیش بینی نمایند؟

همین طور می توانید برای اجرای پژوهش های رگرسیونی از خدمات آموزشی کیارا آکادمی بهره ببرید: