Hierarchikus regresszió (blokkok)

Röviden

A „Mi alapján?” alatti oszlopokat 2 vagy 3 blokkban vizsgálja. Minden blokk megmutatja, mennyi varianciát magyaráz meg az előző blokkokon felül (ΔR²).

Mire jó

Tipikus eset (typical case): az 1. blokk kontrollváltozókat tartalmaz (például életkor), a 2. blokk azt a változót, amelyről szó van. A „Blokkok létrehozása” a „További beállítások” alatt választható az „Előre jelezhető valami?” kérdésnél. Blokkok nélkül a regresszió a megszokott marad.

Feltételek

• Mint a lineáris regressziónál. Ha a célként megadott oszlopnak pontosan két értéke van, a Statable blokkok nélkül számol.
• A blokkok sorrendjét az elemzés előtt kell rögzíteni és elméletileg indokolni, nem az eredmény ismeretében kiválasztani.
• Minden blokk ugyanazokon az eseteken számolódik: akinek egy későbbi blokkban hiányzik adata, az az 1. blokkból is kiesik. A Statable megadja ezeknek az eseteknek a számát.

Az eredmény értelmezése

• Blokkonként: R², korrigált R², ΔR² és az F változása (F change) df1-gyel (új együtthatók; egy k szintű csoportoszlop k − 1-nek számít), df2-vel és p-vel. Az 1. blokkot prediktorok nélküli modellel szemben vizsgálja.
• Statisztikailag szignifikáns ΔR²: a blokk további varianciát magyaráz az előzőkön felül. Különben: nincs statisztikailag szignifikáns hányad. Ha a korrigált R² csökken, a blokk semmit nem ad hozzá, miután levontuk a véletlen okozta nyereséget.
• Az együtthatók (B, β, p) az összes blokkot tartalmazó modellhez tartoznak.

Az eredmény közlése

1. blokk: R² = ,10, F(2, 97) = 5,53, p = ,005; 2. blokk: ΔR² = ,23, F(2, 95) = 16,06, p < ,001

A szövegben nevezd meg az egyes blokkok oszlopait, és indokold a sorrendet.

Korlátok

• A ΔR² nem az ok-okozatiság bizonyítéka: azt mutatja, mennyi varianciát magyaráz meg egy blokk többletként, nem azt, hogy okozza.
• Más sorrend más ΔR²-et ad. A PSPP blokkonként egy modellt számol; a Statable a ΔR²-et és az F változását számolja (mint az SPSS „F Change”-e, az R-ben páronként anova(m1, m2)).

Forrás

Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences (3. kiad.). Erlbaum. Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5. kiad.), 9. fej. Sage.