Come eseguire una regressione lineare semplice in spss

La regressione lineare semplice è un metodo che possiamo utilizzare per comprendere la relazione tra una variabile predittore e una variabile di risposta.

Questo tutorial spiega come eseguire una semplice regressione lineare in SPSS.

Esempio: regressione lineare semplice in SPSS

Supponiamo di avere il seguente set di dati che mostra il numero di ore studiate e il voto ottenuto nell’esame da 20 studenti:

Utilizzare i seguenti passaggi per eseguire una semplice regressione lineare su questo set di dati per quantificare la relazione tra le ore studiate e il punteggio dell’esame:

Passaggio 1: visualizzare i dati.

Innanzitutto, creeremo un grafico a dispersione per visualizzare la relazione tra ore e punteggio per garantire che la relazione tra le due variabili appaia lineare. Altrimenti, la semplice regressione lineare non sarà una tecnica appropriata da utilizzare.

Fare clic sulla scheda Grafici , quindi su Generatore di grafici :

Dal menu Scegli da , fai clic e trascina Scatter/Dot nella finestra di modifica principale. Quindi trascina i tempi variabili sull’asse x e il punteggio sull’asse y.

Dopo aver fatto clic su OK , verrà visualizzato il seguente grafico a dispersione:

Dal grafico possiamo vedere che esiste una relazione lineare positiva tra ore e punteggio. In generale, gli studenti che studiano più ore tendono ad avere punteggi più alti.

Poiché esiste una chiara relazione lineare tra le due variabili, procederemo ad adattare un semplice modello di regressione lineare al set di dati.

Passaggio 2: adattare un modello di regressione lineare semplice.

Fare clic sulla scheda Analizza , quindi su Regressione e infine su Lineare :

Nella nuova finestra visualizzata, trascina il punteggio variabile nella casella denominata Dipendente e trascina le ore nella casella denominata Indipendente. Quindi fare clic su OK .

Passaggio 3: interpretare i risultati.

Dopo aver fatto clic su OK , verranno visualizzati i risultati della regressione lineare semplice. La prima tabella che ci interessa è quella intitolata Model Summary :

Ecco come interpretare i numeri più rilevanti in questa tabella:

• R quadrato: questa è la proporzione della varianza nella variabile di risposta che può essere spiegata dalla variabile esplicativa. In questo esempio, il 50,6% della variazione dei punteggi degli esami può essere spiegata dalle ore studiate.
• Standard. Errore di stima: l’errore standard è la distanza media tra i valori osservati e la retta di regressione. In questo esempio i valori osservati si discostano in media di 5.861 unità dalla retta di regressione.

La seguente tabella che ci interessa si intitola Coefficienti :

Ecco come interpretare i numeri più rilevanti in questa tabella:

• B non standardizzato (costante) : indica il valore medio della variabile di risposta quando la variabile predittore è zero. In questo esempio il punteggio medio dell’esame è 73.662 quando le ore studiate sono pari a zero.
• B non standardizzato (ore): ci dice la variazione media nella variabile di risposta associata a un aumento di un’unità della variabile predittore. In questo esempio, ogni ora aggiuntiva studiata è associata in media a un aumento di 3.342 nel punteggio dell’esame.
• Sig (ore): questo è il valore p associato alla statistica del test durante le ore. In questo caso, poiché questo valore è inferiore a 0,05, possiamo concludere che la variabile predittore ore è statisticamente significativa.

Infine, possiamo formare un’equazione di regressione utilizzando i valori di costante e ore . In questo caso l’equazione sarebbe:

Punteggio esame stimato = 73.662 + 3.342*(ore)

Possiamo utilizzare questa equazione per trovare il punteggio stimato dell’esame di uno studente, in base al numero di ore studiate.

Ad esempio, uno studente che studia per 3 ore dovrebbe ottenere un punteggio dell’esame di 83.688:

Punteggio esame stimato = 73.662 + 3.342*(3) = 83.688

Passaggio 4: riportare i risultati.

Infine, vogliamo riassumere i risultati della nostra regressione lineare semplice. Ecco un esempio di come eseguire questa operazione:

È stata eseguita una semplice regressione lineare per quantificare la relazione tra le ore studiate e il voto dell’esame. Nell’analisi è stato utilizzato un campione di 20 studenti.

I risultati hanno mostrato che esisteva una relazione statisticamente significativa tra le ore studiate e il voto dell’esame (t = 4.297, p < 0.000) e che le ore studiate rappresentavano il 50,6% della variabilità spiegata nel voto dell’esame. l’esame.

L’equazione di regressione risultò essere:

Punteggio esame stimato = 73.662 + 3.342*(ore)

Ogni ora aggiuntiva studiata è associata ad un aumento medio di 3.342 nel punteggio dell’esame.

Risorse addizionali

I seguenti tutorial spiegano come eseguire altre attività comuni in SPSS:

Come eseguire la regressione lineare multipla in SPSS
Come eseguire la regressione quadratica in SPSS
Come eseguire la regressione logistica in SPSS