Trang chủ / SPSS / [SPSS] Hồi quy tuyến tính

[SPSS] Hồi quy tuyến tính

Phân tích hồi quy được sử dụng trong các số liệu thống kê để tìm xu hướng trong dữ liệu. Ví dụ, bạn có thể đoán rằng có một mối liên hệ giữa bạn ăn bao nhiêu và cân nặng của bạn; phân tích hồi quy có thể giúp bạn định lượng điều đó. Phân tích hồi quy sẽ cung cấp cho bạn một phương trình cho biểu đồ để bạn có thể đưa ra dự đoán về dữ liệu của mình. Ví dụ: nếu bạn đã tăng cân trong vài năm qua, nó có thể dự đoán bạn sẽ nặng bao nhiêu trong mười năm nếu bạn tiếp tục tăng cân với cùng một tỷ lệ. Nó cũng sẽ cung cấp cho bạn một loạt các số liệu thống kê (bao gồm giá trị p và hệ số tương quan ) để cho bạn biết mô hình của bạn chính xác đến mức nào. Hầu hết các khóa học thống kê tiểu học bao gồm các kỹ thuật rất cơ bản, như tạo ra các biểu đồ phân tán và thực hiệnhồi quy tuyến tính . Tuy nhiên, bạn có thể gặp các kỹ thuật nâng cao hơn như hồi quy bội .

Trong thống kê, thật khó để nhìn chằm chằm vào một tập hợp các số ngẫu nhiên trong một bảng và cố gắng hiểu ý nghĩa của nó. Ví dụ, sự nóng lên toàn cầu có thể làm giảm lượng tuyết rơi trung bình trong thị trấn của bạn và bạn được yêu cầu dự đoán số lượng tuyết bạn nghĩ sẽ rơi trong năm nay. Nhìn vào bảng sau bạn có thể đoán ở đâu đó khoảng 10-20 inch. Đó là một dự đoán tốt, nhưng bạn có thể đoán tốt hơn , bằng cách sử dụng hồi quy.

Về cơ bản, hồi quy là cách đoán tốt nhất của người dùng trong việc sử dụng một bộ dữ liệu để đưa ra một số dự đoán. Nó phù hợp với một tập hợp các điểm vào biểu đồ. Có một loạt các công cụ có thể chạy hồi quy cho bạn, bao gồm cả Excel, mà tôi đã sử dụng ở đây để giúp hiểu ý nghĩa của dữ liệu tuyết rơi đó:

Chỉ cần nhìn vào đường hồi quy chạy qua dữ liệu, bạn có thể tinh chỉnh dự đoán tốt nhất của mình một chút. Bạn có thể thấy rằng dự đoán ban đầu (20 inch hoặc hơn) đã tắt. Đối với năm 2015, có vẻ như dòng sẽ ở đâu đó trong khoảng từ 5 đến 10 inch! Đó có thể là một nhóm đủ tốt, nhưng hồi quy cũng cung cấp cho bạn một phương trình hữu ích, với biểu đồ này là:
y = -2,2923x + 4624,4.
Điều đó có nghĩa là bạn có thể cắm một giá trị x (năm) và có được ước tính khá tốt về tuyết rơi cho bất kỳ năm nào. Ví dụ: 2005:
y = -2,2923 (2005) + 4624,4 = 28.3385 inch, khá gần với con số thực tế là 30 inch cho năm đó.

Tốt nhất của tất cả, bạn có thể sử dụng phương trình để đưa ra dự đoán. Chẳng hạn, tuyết sẽ rơi bao nhiêu trong năm 2017?
y = 2,2923 (2017) + 4624,4 = 0,8 inch.

Hồi quy cũng cung cấp cho bạn một giá trị bình phương R , cho biểu đồ này là 0,702. Con số này cho bạn biết mô hình của bạn tốt như thế nào. Các giá trị nằm trong khoảng từ 0 đến 1, với 0 là một mô hình khủng khiếp và 1 là một mô hình hoàn hảo. Như bạn có thể thấy, 0,7 là một mô hình khá tốt để bạn có thể khá tự tin vào dự đoán thời tiết của mình!

 

Nếu có bất cứ thắc mắc gì, các bạn hãy liên hệ với chúng tôi qua:

  • Email: hotro@hotroluanvan.com
  • SDT: 0913.360.3738
  • Website: hotroluanvan.com hoặc phantichdulieuspss.com để tham khảo các bài viết
  • Hoặc điền vào Form  thông tin sau:


Thông tin Hỗ trợ luận văn

Tôi luôn mong muốn mang đến sự thành công cho tất cả mọi người. Phương châm sống "Càng hiểu biết, con người càng tự do"

Cũng Xem

[SPSS] Cronbach’ Alpha: đo lường độ tin cậy thang đo

Cronbach ‘alpha, α (hoặc hệ số alpha ), được phát triển bởi Lee Cronbach vào năm 1951, …

Leave a Reply