Do przedstawienia wynik\u00f3w prostego modelu regresji liniowej<\/a> mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego og\u00f3lnego formatu:<\/span><\/p>\n Do sprawdzenia, czy [zmienna predykcyjna] istotnie przewidywa\u0142a [zmienna odpowiedzi], zastosowano prost\u0105 regresj\u0119 liniow\u0105.<\/span><\/p>\n Dopasowany model regresji by\u0142 nast\u0119puj\u0105cy: [skorygowane r\u00f3wnanie regresji]<\/span><\/p>\n Og\u00f3lna regresja by\u0142a istotna statystycznie ( R2<\/sup> = [warto\u015b\u0107 R2<\/sup> ], F (regresja df, resztkowa df) = [warto\u015b\u0107 F], p = [warto\u015b\u0107 p]).<\/span><\/p>\n Stwierdzono, \u017ce [zmienna predykcyjna] znacz\u0105co przewiduje [zmienn\u0105 odpowiedzi] (\u03b2 = [warto\u015b\u0107 \u03b2], p = [warto\u015b\u0107 p]).<\/span><\/p>\n<\/blockquote>\n Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego formatu, aby zg\u0142osi\u0107 wyniki modelu wielokrotnej regresji liniowej<\/a> :<\/span><\/p>\n Zastosowano wielokrotn\u0105 regresj\u0119 liniow\u0105 w celu sprawdzenia, czy [zmienna predykcyjna 1], [zmienna predykcyjna 2]\u2026 istotnie przewidywa\u0142a [zmienna odpowiedzi].<\/span><\/p>\n Dopasowany model regresji by\u0142 nast\u0119puj\u0105cy: [skorygowane r\u00f3wnanie regresji]<\/span><\/p>\n Og\u00f3lna regresja by\u0142a istotna statystycznie ( R2<\/sup> = [warto\u015b\u0107 R2<\/sup> ], F (regresja df, resztkowa df) = [warto\u015b\u0107 F], p = [warto\u015b\u0107 p]).<\/span><\/p>\n Stwierdzono, \u017ce [zmienna predykcyjna 1] znacz\u0105co przewiduje [zmienn\u0105 odpowiedzi] (\u03b2 = [warto\u015b\u0107 \u03b2], p = [warto\u015b\u0107 p]).<\/span><\/p>\n Stwierdzono, \u017ce [zmienna predykcyjna 2] nie przewidywa\u0142a znacz\u0105co [zmiennej odpowiedzi] (\u03b2 = [warto\u015b\u0107 \u03b2], p = [warto\u015b\u0107 p]).<\/span><\/p>\n<\/blockquote>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak raportowa\u0107 wyniki regresji dla prostego modelu regresji liniowej i modelu wielokrotnej regresji liniowej.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce profesor chce wykorzysta\u0107 liczb\u0119 przepracowanych godzin do przewidzenia, jak\u0105 ocen\u0119 otrzymaj\u0105 studenci z danego egzaminu. Zbiera dane od 20 uczni\u00f3w i dopasowuje prosty model regresji liniowej.<\/span><\/p>\n Poni\u017cszy zrzut ekranu przedstawia wynik modelu regresji:<\/span> <\/p>\n Oto jak zg\u0142osi\u0107 wyniki modelu:<\/span><\/p>\n Zastosowano prost\u0105 regresj\u0119 liniow\u0105, aby sprawdzi\u0107, czy przestudiowane godziny znacz\u0105co przewidywa\u0142y wyniki egzaminu.<\/span><\/p>\n Skorygowany model regresji by\u0142 nast\u0119puj\u0105cy: wynik egzaminu = 67,1617 + 5,2503* (godziny nauki).<\/span><\/p>\n Og\u00f3lna regresja by\u0142a istotna statystycznie (R 2<\/sup> = 0,73, F(1, 18) = 47,99, p < 0,000).<\/span><\/p>\n Stwierdzono, \u017ce godziny studiowania istotnie prognozuj\u0105 wynik egzaminu (\u03b2 = 5,2503, p < 0,000).<\/span><\/p>\n<\/blockquote>\n Za\u0142\u00f3\u017cmy, \u017ce profesor chce wykorzysta\u0107 liczb\u0119 przepracowanych godzin i liczb\u0119 zdanych egzamin\u00f3w praktycznych, aby przewidzie\u0107, jak\u0105 ocen\u0119 otrzymaj\u0105 studenci z danego egzaminu. Gromadzi dane od 20 uczni\u00f3w i dopasowuje model wielokrotnej regresji liniowej.<\/span><\/p>\n Poni\u017cszy zrzut ekranu przedstawia wynik modelu regresji:<\/span> <\/p>\n Oto jak zg\u0142osi\u0107 wyniki modelu:<\/span><\/p>\n Zastosowano wielokrotn\u0105 regresj\u0119 liniow\u0105, aby sprawdzi\u0107, czy godziny nauki i egzaminy przygotowawcze przynios\u0142y znacz\u0105co przewidywane wyniki egzaminu.<\/span><\/p>\n Skorygowany model regresji by\u0142 nast\u0119puj\u0105cy: Wynik egzaminu = 67,67 + 5,56*(godziny nauki) \u2013 0,60*(zdane egzaminy przygotowawcze)<\/span><\/p>\n Og\u00f3lna regresja by\u0142a istotna statystycznie (R 2<\/sup> = 0,73, F(2, 17) = 23,46, p = < 0,000).<\/span><\/p>\n Stwierdzono, \u017ce godziny po\u015bwi\u0119cone na nauk\u0119 znacz\u0105co prognozuj\u0105 wynik egzaminu (\u03b2 = 5,56, p = < 0,000).<\/span><\/p>\n Stwierdzono, \u017ce przyst\u0105pienie do egzamin\u00f3w przygotowawczych nie wp\u0142ywa\u0142o istotnie na wynik egzaminu (\u03b2 = -0,60, p = 0,52).<\/span><\/p>\n<\/blockquote>\n Jak czyta\u0107 i interpretowa\u0107 tabel\u0119 regresji<\/a> W statystyce modele regresji liniowej s\u0142u\u017c\u0105 do ilo\u015bciowego okre\u015blenia zwi\u0105zku mi\u0119dzy jedn\u0105 lub wi\u0119ksz\u0105 liczb\u0105 zmiennych predykcyjnych azmienn\u0105 odpowiedzi . Do przedstawienia wynik\u00f3w prostego modelu regresji liniowej mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego og\u00f3lnego formatu: Do sprawdzenia, czy [zmienna predykcyjna] istotnie przewidywa\u0142a [zmienna odpowiedzi], zastosowano prost\u0105 regresj\u0119 liniow\u0105. Dopasowany model regresji by\u0142 nast\u0119puj\u0105cy: [skorygowane r\u00f3wnanie regresji] Og\u00f3lna regresja […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1738","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
\n
Przyk\u0142ad: raportowanie wynik\u00f3w prostej regresji liniowej<\/strong><\/span><\/h3>\n
![\"Prosta](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregressionexcel5.png\")
<\/p>\n\n
Przyk\u0142ad: raportowanie wynik\u00f3w wielokrotnej regresji liniowej<\/strong><\/span><\/h3>\n
![\"Dane](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\")
<\/p>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Zrozumienie hipotezy zerowej dla regresji liniowej<\/a>
Zrozumienie testu F dla og\u00f3lnego znaczenia w regresji<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"