ja demogracy ja alla iq (sest meid huvitab see nii, et iq on kontrollitud). Kollineaarsus: Linnukesed ette analyze-regression-linear-statistics part and partial correlations ja collinearity ... Oluline on jälgida, et Tolerance ei oleks alla 0.01 ning et VIF ei oleks suurem kui 10 - kui on üle 0,01 jn siis pole kollineaarne. MITMENE REGRESSIOONIANALÜÜS Paarisregressioon: Ennustame... näide 1: õpilaste lugemise tulemusi matemaatika tulemuste järgi. näide 2: Kas inimese pikkus ennustab tema kaalu? ehk Ennustame inimese kaalu tema pikkuse kaudu. Oluline ära taibata, kumb on sõltuv ja kumb sõltumatu muutuja! Analyze -> Regression -> Linear Dependent (sõltuv): PVREAD (muutuja mille muutumist ennustame, sõltuv muutuja) Indipendent (sõltumatu): PVMATH (muutujad, mida kasutatakse ennustamiseks)
muutujaga ennustada. Korrelatsioon ja regressioon on olemuselt üsna sarnased mõisted; arvuliselt on tegelikult Pearsoni r, mis väljendab kahe muutuja (nt X ja Y) vahelist seost, üsna sama väärtusega kui standardiseeritud regressiooni koefitsient. See tähendab ka seda, et determinatsioonikordaja R 2 on sarnase väärtusega. Ühtlasi on oluline teada, et nii korrelatsioon kui ka lihtne, lineaarne paarisregressioon ei ütle otseselt ära põhjuslikkuse suunda. Viimast lauset silmas pidades on oluline ära mainida, et regressiooni puhul on väga oluline see, kumb kahest muutujast kas, meie näites, X või Y on prediktor (ehk ennustav muutuja; ingl k predictor; sisuliselt sõltumatu muutuja) ning kumba muutujat ennustatakse (ingl k outcome variable; sisuliselt sõltuv muutuja). Regressioonianalüüsi tulemusena saadakse võrrand, mis kirjeldab iga prediktori osakaalu ennustatavas muutujas.
y=ax + b o y – sõltuva muutuja väärtus o x – sõltumatu muutuja väärtus o a – tõus o b – vabaliige Üritab leida, milline oleks nö kõige parem joon läbi tulemuste pilve, mis ennustaks kõige rohkem tulemusi ja teeks kõige vähem vigu. Nimetatakse ka Ordinary Least Squares OLS, kuna leitakse selle järgi, millisel juhul on ruutvigade summa kõige väiksem. Lineaarne- ehk paarisregressioon Eeldused: Sõltuva muutuja andmed on intervall- või suhteskaalal (st on pidevtunnus); Vaatluste sõltumatus; Muutujatevaheline suhe on lineaarne – kontrollime hajuvusdiagrammiga; Puuduvad märkimisväärsed erindid (outliers) – kontrollime hajuvusdiagrammiga; Koostamine JASPis: Valige Regression - Linear Regression. Tõstke sõltuv muutuja kasti nimega Dependent Variable ja sõltumatu muutuja ehk
2013: lk 1351). Korrelatsioon ja regressioon on olemuselt üsna sarnased mõisted; arvuliselt on tegelikult Pearsoni r, mis väljendab kahe muutuja (nt X ja Y) vahelist seost, üsna sama väärtusega kui standardiseeritud regressiooni koefitsient. See tähendab ka seda, et determinatsioonikordaja R2 on sarnase väärtusega. Ühtlasi on oluline teada, et nii korrelatsioon kui ka lihtne, lineaarne paarisregressioon ei ütle otseselt ära põhjuslikkuse suunda. Viimast lauset silmas pidades on oluline ära mainida, et regressiooni puhul on väga oluline see, kumb kahest muutujast kas, meie näites, X või Y on prediktor (ehk ennustav muutuja; ingl k predictor; sisuliselt sõltumatu muutuja) ning kumba muutujat ennustatakse (ingl k outcome variable; sisuliselt sõltuv muutuja).
annaabi.ee 
