De complete gids: regressieresultaten rapporteren
In de statistiek worden lineaire regressiemodellen gebruikt om de relatie tussen een of meer voorspellende variabelen en eenresponsvariabele te kwantificeren.
We kunnen het volgende algemene format gebruiken om de resultaten van een eenvoudig lineair regressiemodel te rapporteren:
Eenvoudige lineaire regressie werd gebruikt om te testen of [voorspellende variabele] [responsvariabele] significant voorspelde.
Het aangepaste regressiemodel was: [aangepaste regressievergelijking]
De algehele regressie was statistisch significant (R 2 = [R 2- waarde], F (regressie df, residuele df) = [F-waarde], p = [p-waarde]).
[Voorspellende variabele] bleek [responsvariabele] significant te voorspellen (β = [β-waarde], p = [p-waarde]).
En we kunnen het volgende formaat gebruiken om de resultaten van een meervoudig lineair regressiemodel te rapporteren:
Er werd gebruik gemaakt van meervoudige lineaire regressie om te testen of [predictorvariabele 1], [predictorvariabele 2],… significant [responsvariabele] voorspelde.
Het aangepaste regressiemodel was: [aangepaste regressievergelijking]
De algehele regressie was statistisch significant (R 2 = [R 2- waarde], F (regressie df, residuele df) = [F-waarde], p = [p-waarde]).
[Voorspellervariabele 1] bleek [responsvariabele] significant te voorspellen (β = [β-waarde], p = [p-waarde]).
[Voorspellervariabele 2] bleek [responsvariabele] (β = [β-waarde], p = [p-waarde]) niet significant te voorspellen.
De volgende voorbeelden laten zien hoe u regressieresultaten rapporteert voor een eenvoudig lineair regressiemodel en een meervoudig lineair regressiemodel.
Voorbeeld: het rapporteren van de resultaten van een eenvoudige lineaire regressie
Stel dat een hoogleraar het aantal gestudeerde uren wil gebruiken om te voorspellen welk cijfer studenten op een bepaald examen zullen behalen. Het verzamelt gegevens van twintig studenten en past een eenvoudig lineair regressiemodel toe.
De volgende schermafbeelding toont het resultaat van het regressiemodel:
Ga als volgt te werk om modelresultaten te rapporteren:
Er werd eenvoudige lineaire regressie gebruikt om te testen of de bestudeerde uren de examenscores significant voorspelden.
Het aangepaste regressiemodel was: examenscore = 67,1617 + 5,2503* (gestudeerde uren).
De algehele regressie was statistisch significant (R 2 = 0,73, F(1, 18) = 47,99, p < 0,000).
Het aantal bestudeerde uren bleek de examenprestaties significant te voorspellen (β = 5,2503, p < 0,000).
Voorbeeld: Rapportage van de resultaten van een meervoudige lineaire regressie
Stel dat een professor het aantal gestudeerde uren en het aantal afgelegde oefenexamens wil gebruiken om te voorspellen welk cijfer studenten voor een bepaald examen zullen behalen. Het verzamelt gegevens van 20 studenten en past in een meervoudig lineair regressiemodel.
De volgende schermafbeelding toont het resultaat van het regressiemodel:
Ga als volgt te werk om modelresultaten te rapporteren:
Er werd gebruik gemaakt van meervoudige lineaire regressie om te testen of de studie-uren en voorbereidende examens significant de voorspelde examenscores opleverden.
Het aangepaste regressiemodel was: Examenscore = 67,67 + 5,56*(uren gestudeerd) – 0,60*(voorbereidende examens afgelegd)
De algehele regressie was statistisch significant (R 2 = 0,73, F(2, 17) = 23,46, p = < 0,000).
Het aantal bestudeerde uren bleek de examenprestaties significant te voorspellen (β = 5,56, p = < 0,000).
Het bleek dat het afleggen van voorbereidende examens de examenscore niet significant voorspelde (β = -0,60, p = 0,52).
Aanvullende bronnen
Een regressietabel lezen en interpreteren
De nulhypothese voor lineaire regressie begrijpen
De F-test begrijpen voor de algehele significantie in regressie
Über den Autor
Dr.benjamin anderson
Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder