W tym samouczku wyja\u015bniono, jak interpretowa\u0107 ka\u017cd\u0105 warto\u015b\u0107 w wynikach modelu wielokrotnej regresji liniowej w programie Excel.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy wiedzie\u0107, czy liczba godzin sp\u0119dzonych na nauce i liczba zdanych egzamin\u00f3w przygotowawczych wp\u0142ywaj\u0105 na ocen\u0119, jak\u0105 student otrzymuje z okre\u015blonego egzaminu wst\u0119pnego na studia.<\/span><\/p>\n Aby zbada\u0107 t\u0119 zale\u017cno\u015b\u0107, mo\u017cemy przeprowadzi\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105, wykorzystuj\u0105c przestudiowane godziny<\/strong> i egzaminy przygotowawcze przyj\u0119te<\/strong> jako zmienne predykcyjne, a wyniki egzamin\u00f3w<\/strong> jako zmienn\u0105 odpowiedzi.<\/span><\/p>\n Poni\u017cszy zrzut ekranu przedstawia wynik regresji tego modelu w programie Excel:<\/span> <\/p>\n Oto jak interpretowa\u0107 najwi\u0119ksze warto\u015bci na wyj\u015bciu:<\/span><\/p>\n Wielokrotne R: 0,857<\/strong> . Reprezentuje to wielokrotn\u0105 korelacj\u0119 mi\u0119dzy zmienn\u0105 odpowiedzi a dwiema zmiennymi predykcyjnymi.<\/span><\/p>\n R Kwadrat:<\/strong> 0,734<\/strong> . Nazywa si\u0119 to wsp\u00f3\u0142czynnikiem determinacji. Jest to proporcja wariancji zmiennej odpowiedzi, kt\u00f3r\u0105 mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennych obja\u015bniaj\u0105cych. W tym przyk\u0142adzie 73,4% r\u00f3\u017cnic w wynikach egzamin\u00f3w mo\u017cna wyt\u0142umaczy\u0107 liczb\u0105 godzin nauki i liczb\u0105 zdanych egzamin\u00f3w przygotowawczych.<\/span><\/p>\n Skorygowany R kwadrat: 0,703<\/strong> . Reprezentuje to warto\u015b\u0107 R Square, skorygowan\u0105 o liczb\u0119 zmiennych predykcyjnych w modelu<\/em> . Warto\u015b\u0107 ta b\u0119dzie r\u00f3wnie\u017c ni\u017csza ni\u017c warto\u015b\u0107 R Square i b\u0119dzie kara\u0107 modele, kt\u00f3re wykorzystuj\u0105 w modelu zbyt wiele zmiennych predykcyjnych.<\/span><\/p>\n B\u0142\u0105d standardowy:<\/strong> 5,366<\/strong> . Jest to \u015brednia odleg\u0142o\u015b\u0107 pomi\u0119dzy obserwowanymi warto\u015bciami a lini\u0105 regresji. W tym przyk\u0142adzie zaobserwowane warto\u015bci odbiegaj\u0105 \u015brednio o 5366 jednostek od linii regresji.<\/span><\/p>\n Komentarze: 20<\/strong> . Ca\u0142kowity rozmiar pr\u00f3bki zbioru danych u\u017cytej do stworzenia modelu regresji.<\/span><\/p>\n F: 23:46<\/strong> To jest og\u00f3lna statystyka F dla modelu regresji, obliczona jako MS regresji\/MS rezydualne.<\/span><\/p>\n Znaczenie F: 0,0000<\/strong> . Jest to warto\u015b\u0107 p powi\u0105zana z og\u00f3ln\u0105 statystyk\u0105 F. To m\u00f3wi nam, czy model regresji jako ca\u0142o\u015b\u0107 jest statystycznie istotny, czy nie.<\/span><\/p>\n W tym przypadku warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, co wskazuje, \u017ce zmienne obja\u015bniaj\u0105ce , przepracowane godziny<\/strong> i zdane egzaminy przygotowawcze<\/strong> \u0142\u0105cznie maj\u0105 statystycznie istotny zwi\u0105zek z wynikiem egzaminu<\/strong> .<\/span><\/p>\n Wsp\u00f3\u0142czynniki:<\/strong> Wsp\u00f3\u0142czynniki ka\u017cdej zmiennej obja\u015bniaj\u0105cej m\u00f3wi\u0105 nam o oczekiwanej \u015bredniej zmianie zmiennej odpowiedzi, przy za\u0142o\u017ceniu, \u017ce druga zmienna obja\u015bniaj\u0105ca pozostaje sta\u0142a.<\/span><\/p>\n Na przyk\u0142ad za ka\u017cd\u0105 dodatkow\u0105 godzin\u0119 sp\u0119dzon\u0105 na nauce \u015bredni wynik egzaminu powinien wzrosn\u0105\u0107 o 5,56<\/strong> , przy za\u0142o\u017ceniu, \u017ce liczba zdanych egzamin\u00f3w praktycznych<\/strong> pozostanie sta\u0142a.<\/span><\/p>\n Interpretujemy wsp\u00f3\u0142czynnik przechwytywania w ten spos\u00f3b, \u017ce oczekiwany wynik egzaminu dla studenta, kt\u00f3ry nie studiuje i nie przyst\u0119puje do egzamin\u00f3w przygotowawczych, wynosi 67,67<\/strong> .<\/span><\/p>\n Warto\u015bci P.<\/strong> Poszczeg\u00f3lne warto\u015bci p m\u00f3wi\u0105 nam, czy ka\u017cda zmienna obja\u015bniaj\u0105ca jest istotna statystycznie, czy nie. Widzimy, \u017ce przepracowane godziny<\/strong> s\u0105 istotne statystycznie (p = 0,00), natomiast zdane egzaminy przygotowawcze<\/strong> (p = 0,52) nie s\u0105 istotne statystycznie przy \u03b1 = 0,05.<\/span><\/p>\n Mo\u017cemy wykorzysta\u0107 wsp\u00f3\u0142czynniki z wynik\u00f3w modelu do utworzenia nast\u0119puj\u0105cego oszacowanego r\u00f3wnania regresji:<\/span><\/p>\n Wynik egzaminu = 67,67 + 5,56*(godziny) \u2013 0,60*(egzaminy przygotowawcze)<\/strong><\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 tego szacunkowego r\u00f3wnania regresji do obliczenia oczekiwanego wyniku egzaminu dla studenta na podstawie liczby godzin nauki i liczby egzamin\u00f3w praktycznych, kt\u00f3re zdaj\u0105.<\/span><\/p>\n Przyk\u0142adowo, student studiuj\u0105cy trzy godziny i przyst\u0119puj\u0105cy do egzaminu przygotowawczego powinien otrzyma\u0107 ocen\u0119 83,75<\/strong> :<\/span><\/p>\n Wynik egzaminu = 67,67 + 5,56*(3) \u2013 0,60*(1) = 83,75<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce poniewa\u017c poprzednie badania przygotowawcze<\/strong> nie by\u0142y istotne statystycznie (p=0,52), mo\u017cemy zdecydowa\u0107 si\u0119 na ich usuni\u0119cie, gdy\u017c nie wnosz\u0105 one \u017cadnej poprawy w stosunku do og\u00f3lnego modelu.<\/span><\/p>\n W tym przypadku mogliby\u015bmy przeprowadzi\u0107 prost\u0105 regresj\u0119 liniow\u0105, wykorzystuj\u0105c jedynie badane godziny<\/strong> jako zmienn\u0105 obja\u015bniaj\u0105c\u0105.<\/span><\/p>\n Wprowadzenie do prostej regresji liniowej<\/a> Wielokrotna regresja liniowa jest jedn\u0105 z najcz\u0119\u015bciej stosowanych technik we wszystkich statystykach. W tym samouczku wyja\u015bniono, jak interpretowa\u0107 ka\u017cd\u0105 warto\u015b\u0107 w wynikach modelu wielokrotnej regresji liniowej w programie Excel. Przyk\u0142ad: interpretacja wynik\u00f3w regresji w programie Excel Za\u0142\u00f3\u017cmy, \u017ce chcemy wiedzie\u0107, czy liczba godzin sp\u0119dzonych na nauce i liczba zdanych egzamin\u00f3w przygotowawczych wp\u0142ywaj\u0105 na ocen\u0119, jak\u0105 […]<\/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-1897","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: interpretacja wynik\u00f3w regresji w programie Excel<\/strong><\/span><\/h3>\n
![\"Dane](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\")
<\/p>\n Jak zapisa\u0107 oszacowane r\u00f3wnanie regresji<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Wprowadzenie do wielokrotnej regresji liniowej<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"