Η πολλαπλή παλινδρόμηση στο SPSS χρησιμοποιείται όταν θέλεις να προβλέψεις μία ποσοτική μεταβλητή από δύο ή περισσότερους παράγοντες. Η ανάλυση δεν περιορίζεται στην παραγωγή ενός R² και μερικών τιμών p. Πρέπει πρώτα να ελέγξεις αν το γραμμικό μοντέλο ταιριάζει στα δεδομένα. Χρειάζεται επίσης να εξετάσεις τα κατάλοιπα και την πιθανή πολυσυγγραμμικότητα. Στη συνέχεια μπορείς να αξιολογήσεις το συνολικό μοντέλο και κάθε προβλεπτικό παράγοντα ξεχωριστά. Στον οδηγό αυτό θα δούμε όλη τη διαδικασία μέσα στο SPSS.
Περιεχόμενα άρθρου
1. Τι εξετάζει η πολλαπλή παλινδρόμηση στο SPSS;
Η πολλαπλή γραμμική παλινδρόμηση εξετάζει μία εξαρτημένη μεταβλητή και περισσότερες από μία ανεξάρτητες μεταβλητές. Στόχος είναι να εκτιμήσει πόσο καλά οι προβλεπτικοί παράγοντες εξηγούν τη μεταβολή της εξαρτημένης μεταβλητής.
Ας υποθέσουμε ότι μελετάς την εργασιακή ικανοποίηση. Θέλεις να εξετάσεις αν επηρεάζεται στατιστικά από την οργανωσιακή υποστήριξη και την επαγγελματική εξουθένωση. Μπορείς να τοποθετήσεις τους δύο παράγοντες στο ίδιο μοντέλο.
Το πλεονέκτημα είναι ότι εξετάζεις κάθε προβλεπτικό παράγοντα ενώ λαμβάνεις υπόψη τους υπόλοιπους. Αυτό διαφέρει από μία απλή συσχέτιση. Η συσχέτιση Pearson εξετάζει τη γραμμική σχέση μεταξύ δύο μεταβλητών χωρίς τέτοιο στατιστικό έλεγχο.
Η παλινδρόμηση δεν μετατρέπει όμως μια συσχετιστική μελέτη σε πείραμα. Ένας σημαντικός συντελεστής δεν αποδεικνύει από μόνος του αιτιότητα. Ο ερευνητικός σχεδιασμός καθορίζει πόσο ισχυρό συμπέρασμα μπορείς να διατυπώσεις.
Αν θέλεις πρώτα τη γενική λογική της μεθόδου, δες το άρθρο Παλινδρόμηση σε Διπλωματική Εργασία. Το παρόν άρθρο εστιάζει περισσότερο στην πρακτική εκτέλεση και στον έλεγχο του μοντέλου.
2. Ποιες προϋποθέσεις έχει η πολλαπλή παλινδρόμηση στο SPSS;
Η εξαρτημένη μεταβλητή πρέπει να είναι κατάλληλη για γραμμική παλινδρόμηση. Συνήθως πρόκειται για ποσοτική βαθμολογία. Αν η εξαρτημένη μεταβλητή είναι δυαδική, χρειάζεται συνήθως λογιστική παλινδρόμηση.
Οι σχέσεις μεταξύ της εξαρτημένης μεταβλητής και των προβλεπτικών παραγόντων πρέπει να έχουν γραμμική μορφή. Η γραμμικότητα μπορεί να εξεταστεί μέσα από κατάλληλα διαγράμματα. Μια έντονα καμπύλη σχέση δεν περιγράφεται σωστά από απλό γραμμικό μοντέλο.
Πολυσυγγραμμικότητα και VIF
Η πολυσυγγραμμικότητα εμφανίζεται όταν οι ανεξάρτητες μεταβλητές συνδέονται υπερβολικά μεταξύ τους. Τότε γίνεται δύσκολη η εκτίμηση της ξεχωριστής συνεισφοράς κάθε παράγοντα. Οι συντελεστές μπορούν επίσης να γίνουν ασταθείς.
Στο SPSS εξετάζεις τις τιμές Tolerance και VIF. Πολύ χαμηλό Tolerance χρειάζεται διερεύνηση. Αντίστοιχα, υψηλό VIF αποτελεί ένδειξη ότι οι προβλεπτικοί παράγοντες επικαλύπτονται υπερβολικά.
Συχνά χρησιμοποιείται VIF πάνω από 10 ως ένδειξη σοβαρού προβλήματος. Ωστόσο, χαμηλότερες τιμές μπορεί επίσης να απαιτούν προσοχή. Δεν πρέπει να αντιμετωπίζεις ένα μοναδικό όριο ως απόλυτο κανόνα.
Ομοσκεδαστικότητα και γραμμικότητα των καταλοίπων
Ένας χρήσιμος έλεγχος γίνεται με διάγραμμα των τυποποιημένων καταλοίπων απέναντι στις προβλεπόμενες τιμές. Στο SPSS χρησιμοποιείς συνήθως *ZRESID στον κατακόρυφο άξονα. Στον οριζόντιο τοποθετείς το *ZPRED.
Ιδανικά, τα σημεία πρέπει να σχηματίζουν ένα σχετικά τυχαίο νέφος. Ένα σχήμα χωνιού μπορεί να υποδηλώνει ετεροσκεδαστικότητα. Μια σαφής καμπύλη μπορεί να δείχνει ότι το γραμμικό μοντέλο δεν αποτυπώνει καλά τη σχέση.
Κανονικότητα των καταλοίπων
Ένα συχνό λάθος είναι να απαιτούμε κάθε ανεξάρτητη μεταβλητή να έχει τέλεια κανονική κατανομή. Στη γραμμική παλινδρόμηση η σχετική προϋπόθεση αφορά κυρίως τα κατάλοιπα. Αυτά είναι οι διαφορές μεταξύ πραγματικών και προβλεπόμενων τιμών.
Μπορείς να εξετάσεις το ιστόγραμμα των καταλοίπων και το κανονικό P-P Plot. Στο P-P Plot αναζητάς σημεία που ακολουθούν περίπου τη διαγώνια γραμμή. Μεγάλες συστηματικές αποκλίσεις χρειάζονται περαιτέρω εξέταση.
Ο οδηγός της Laerd για πολλαπλή παλινδρόμηση στο SPSS παρουσιάζει αναλυτικά τους συγκεκριμένους διαγνωστικούς ελέγχους.
Ανεξαρτησία και ακραίες παρατηρήσεις
Η ανεξαρτησία των σφαλμάτων αποτελεί ακόμη μία σημαντική προϋπόθεση. Στο SPSS μπορείς να ζητήσεις τη στατιστική Durbin-Watson. Τιμές κοντά στο 2 θεωρούνται συνήθως συμβατές με απουσία έντονης αυτοσυσχέτισης.
Πρέπει επίσης να εξετάσεις πιθανές ακραίες ή ιδιαίτερα επιδραστικές παρατηρήσεις. Μία περίπτωση μπορεί να επηρεάζει δυσανάλογα τη γραμμή παλινδρόμησης. Το Cook’s Distance αποτελεί χρήσιμο διαγνωστικό μέτρο για αυτή την εξέταση.
3. Πώς εκτελείς πολλαπλή παλινδρόμηση στο SPSS;
Για να εκτελέσεις πολλαπλή παλινδρόμηση στο SPSS, επίλεξε Analyze → Regression → Linear. Στο πεδίο Dependent μεταφέρεις τη μεταβλητή που θέλεις να εξηγήσεις ή να προβλέψεις.
Στο πεδίο Independent(s) τοποθετείς τους προβλεπτικούς παράγοντες. Για μια τυπική πολλαπλή παλινδρόμηση μπορείς να διατηρήσεις τη μέθοδο Enter. Έτσι εισάγονται ταυτόχρονα οι μεταβλητές που έχεις επιλέξει.
Η επιλογή των μεταβλητών πρέπει να βασίζεται στη θεωρία και στα ερευνητικά ερωτήματα. Μην χρησιμοποιείς αυτόματα τη μέθοδο Stepwise για να αποφασίσει το πρόγραμμα ποιες μεταβλητές «αξίζουν». Ένα στατιστικά βολικό μοντέλο δεν είναι απαραίτητα θεωρητικά σωστό.
Πάτησε Statistics και ζήτησε εκτιμήσεις συντελεστών. Ενεργοποίησε επίσης τα διαστήματα εμπιστοσύνης. Για τον έλεγχο πολυσυγγραμμικότητας επίλεξε Collinearity diagnostics. Μπορείς ακόμη να ζητήσεις το Durbin-Watson.
Στη συνέχεια πήγαινε στο Plots. Τοποθέτησε το *ZPRED στον οριζόντιο άξονα. Τοποθέτησε το *ZRESID στον κατακόρυφο άξονα. Ζήτησε επίσης το ιστόγραμμα και το κανονικό διάγραμμα πιθανότητας.
Αν χρειάζεται να εξετάσεις επιδραστικές περιπτώσεις, χρησιμοποίησε το Save. Εκεί μπορείς να αποθηκεύσεις τα τυποποιημένα κατάλοιπα ή το Cook’s Distance. Το SPSS δημιουργεί νέες μεταβλητές μέσα στο αρχείο δεδομένων.
Αφού ολοκληρώσεις τις επιλογές, πάτησε OK. Τα βασικά αποτελέσματα θα εμφανιστούν στους πίνακες Model Summary, ANOVA και Coefficients. Για ολοκληρωμένη επεξεργασία μπορείς να δεις και τις στατιστικές αναλύσεις.
4. Πώς ερμηνεύεις R², ANOVA και συντελεστές στην πολλαπλή παλινδρόμηση;
Ξεκίνα από τον πίνακα Model Summary. Η τιμή R Square δείχνει το ποσοστό διακύμανσης της εξαρτημένης μεταβλητής που εξηγεί το μοντέλο. Αν R² = .42, το μοντέλο εξηγεί το 42% της διακύμανσης.
Στην πολλαπλή παλινδρόμηση αξίζει να εξετάζεις και το Adjusted R Square. Η τιμή αυτή προσαρμόζει το R² λαμβάνοντας υπόψη το πλήθος των προβλεπτικών παραγόντων. Είναι ιδιαίτερα χρήσιμη όταν συγκρίνεις μοντέλα διαφορετικής πολυπλοκότητας.
Τι δείχνει ο πίνακας ANOVA;
Ο πίνακας ANOVA εξετάζει αν το συνολικό μοντέλο είναι στατιστικά σημαντικό. Εκεί διαβάζεις την τιμή F και την αντίστοιχη τιμή p. Ένα σημαντικό F δείχνει ότι το μοντέλο προβλέπει καλύτερα από ένα μοντέλο χωρίς προβλεπτικούς παράγοντες.
Για παράδειγμα, μπορεί να λάβεις F(3,146) = 18.42 και p < .001. Αυτό δείχνει ότι το μοντέλο συνολικά είναι στατιστικά σημαντικό. Δεν σημαίνει ότι κάθε ανεξάρτητη μεταβλητή είναι επίσης σημαντική.
Πώς διαβάζεις τον πίνακα Coefficients;
Ο πίνακας Coefficients δείχνει τη συμβολή κάθε προβλεπτικού παράγοντα. Ο μη τυποποιημένος συντελεστής B δείχνει πόσο αλλάζει η εξαρτημένη μεταβλητή όταν αυξάνεται ο προβλεπτικός παράγοντας κατά μία μονάδα.
Η ερμηνεία γίνεται ενώ οι υπόλοιποι προβλεπτικοί παράγοντες παραμένουν σταθεροί στο μοντέλο. Αυτό αποτελεί βασικό χαρακτηριστικό της πολλαπλής παλινδρόμησης.
Αν B = -0.42 για την επαγγελματική εξουθένωση, το αρνητικό πρόσημο δείχνει αντίστροφη σχέση. Κάθε αύξηση μίας μονάδας στην εξουθένωση συνδέεται με μείωση 0,42 μονάδων στην εξαρτημένη μεταβλητή.
Ο τυποποιημένος συντελεστής Beta εκφράζεται σε τυποποιημένη κλίμακα. Μπορεί να βοηθήσει στη σύγκριση των προβλεπτικών παραγόντων μέσα στο ίδιο μοντέλο. Δεν πρέπει όμως να τον ερμηνεύεις απομονωμένα από τη θεωρία.
Η στήλη Sig. δείχνει την τιμή p για κάθε συντελεστή. Αν p < .05, ο συγκεκριμένος παράγοντας παρουσιάζει στατιστικά σημαντική μοναδική σχέση με την εξαρτημένη μεταβλητή στο μοντέλο.
Σε μια διπλωματική εργασία μπορείς να γράψεις: «Το μοντέλο ήταν στατιστικά σημαντικό, F(3,146) = 18.42, p < .001, R² = .27». Στη συνέχεια παρουσιάζεις τους σημαντικούς προβλεπτικούς παράγοντες και τους αντίστοιχους συντελεστές.
Μην γράφεις ότι ένας παράγοντας «προκάλεσε» την εξαρτημένη μεταβλητή μόνο επειδή είχε σημαντικό Beta. Η πολλαπλή παλινδρόμηση στο SPSS εκτιμά στατιστικές σχέσεις μέσα σε ένα μοντέλο. Η αιτιώδης ερμηνεία απαιτεί κατάλληλο ερευνητικό σχεδιασμό.
5. Χρειάζεσαι βοήθεια με την πολλαπλή παλινδρόμηση στο SPSS;
Αν χρειάζεσαι βοήθεια με την πολλαπλή παλινδρόμηση στο SPSS, στείλε μας τα διαθέσιμα στοιχεία της εργασίας σου. Μπορείς να στείλεις τα ερευνητικά ερωτήματα ή τις υποθέσεις. Χρήσιμο είναι επίσης το αρχείο δεδομένων.
Αν έχεις ήδη εκτελέσει την ανάλυση, μπορείς να επισυνάψεις το SPSS output. Έτσι μπορούμε να εξετάσουμε το μοντέλο και τους διαγνωστικούς ελέγχους. Μπορούμε επίσης να δούμε αν η ερμηνεία των συντελεστών απαντά πραγματικά στα ερευνητικά ερωτήματα.
Η σωστή παλινδρόμηση δεν προκύπτει μόνο από το πάτημα του κουμπιού Linear Regression. Πρέπει να γνωρίζουμε γιατί επιλέχθηκαν οι συγκεκριμένοι παράγοντες. Χρειάζεται επίσης να ελεγχθούν οι προϋποθέσεις πριν παρουσιαστούν τα τελικά συμπεράσματα.
Για πιο άμεση εκτίμηση, συμπλήρωσε τη φόρμα κοστολόγησής μας και επισύναψε όσα αρχεία έχεις. Αν θέλεις πρώτα να περιγράψεις τις ανάγκες της εργασίας, μπορείς να επικοινωνήσεις μαζί μας.