Como realizar regressão linear simples no spss

A regressão linear simples é um método que podemos usar para compreender a relação entre uma variável preditora e uma variável de resposta.

Este tutorial explica como realizar uma regressão linear simples no SPSS.

Exemplo: Regressão Linear Simples em SPSS

Digamos que temos o seguinte conjunto de dados que mostra o número de horas estudadas e a nota do exame obtida por 20 alunos:

Use as etapas a seguir para realizar uma regressão linear simples neste conjunto de dados para quantificar a relação entre horas estudadas e pontuação no exame:

Etapa 1: visualize os dados.

Primeiro, criaremos um gráfico de dispersão para visualizar a relação entre horas e pontuação para garantir que a relação entre as duas variáveis pareça linear. Caso contrário, a regressão linear simples não será uma técnica apropriada a ser usada.

Clique na guia Gráficos e em Construtor de Gráficos :

No menu Escolher de , clique e arraste Dispersão/Ponto para a janela principal de edição. Em seguida, arraste os tempos variáveis para o eixo x e a pontuação para o eixo y.

Depois de clicar em OK , o seguinte gráfico de dispersão aparecerá:

Pelo gráfico, podemos perceber que existe uma relação linear positiva entre horas e pontuação. Em geral, os alunos que estudam mais horas tendem a ter pontuações mais altas.

Como existe uma relação linear clara entre as duas variáveis, procederemos ao ajuste de um modelo de regressão linear simples ao conjunto de dados.

Etapa 2: ajuste um modelo de regressão linear simples.

Clique na guia Analisar , depois em Regressão e depois em Linear :

Na nova janela que aparece, arraste a pontuação da variável para a caixa denominada Dependente e arraste as horas para a caixa denominada Independente. Em seguida, clique em OK .

Etapa 3: interprete os resultados.

Depois de clicar em OK , os resultados da regressão linear simples aparecerão. A primeira tabela que nos interessa é a intitulada Resumo do Modelo :

Veja como interpretar os números mais relevantes nesta tabela:

• R Quadrado: Esta é a proporção da variância na variável resposta que pode ser explicada pela variável explicativa. Neste exemplo, 50,6% da variação nas notas dos exames pode ser explicada pelas horas estudadas.
• Padrão. Erro de estimativa: o erro padrão é a distância média entre os valores observados e a linha de regressão. Neste exemplo, os valores observados desviam em média 5.861 unidades da linha de regressão.

A seguinte tabela que nos interessa intitula-se Coeficientes :

Veja como interpretar os números mais relevantes nesta tabela:

• B não padronizado (constante) : informa o valor médio da variável de resposta quando a variável preditora é zero. Neste exemplo, a nota média do exame é 73,662 quando as horas cursadas são zero.
• B não padronizado (horas): indica a mudança média na variável de resposta associada a um aumento de uma unidade na variável preditora. Neste exemplo, cada hora adicional estudada está associada a um aumento de 3.342 na nota do exame, em média.
• Sig (horas): Este é o valor p associado à estatística de teste durante horas. Neste caso, como este valor é inferior a 0,05, podemos concluir que a variável preditora horas é estatisticamente significativa.

Finalmente, podemos formar uma equação de regressão usando os valores de constante e horas . Neste caso, a equação seria:

Nota estimada do exame = 73,662 + 3,342*(horas)

Podemos usar esta equação para encontrar a nota estimada de um aluno no exame, com base no número de horas estudadas.

Por exemplo, um aluno que estuda 3 horas deverá obter nota 83.688 no exame:

Nota estimada do exame = 73,662 + 3,342*(3) = 83,688

Etapa 4: relatar os resultados.

Finalmente, queremos resumir os resultados da nossa regressão linear simples. Aqui está um exemplo de como fazer isso:

Uma regressão linear simples foi realizada para quantificar a relação entre horas estudadas e nota no exame. Uma amostra de 20 alunos foi utilizada na análise.

Os resultados mostraram que existe uma relação estatisticamente significativa entre as horas estudadas e a nota do exame (t = 4,297, p < 0,000) e que as horas estudadas representaram 50,6% da variabilidade explicada na nota do exame. o exame.

A equação de regressão acabou sendo:

Nota estimada do exame = 73,662 + 3,342*(horas)

Cada hora adicional estudada está associada a um aumento de 3.342 na nota do exame, em média.

Recursos adicionais

Os tutoriais a seguir explicam como executar outras tarefas comuns no SPSS:

Como realizar regressão linear múltipla no SPSS
Como realizar regressão quadrática no SPSS
Como realizar regressão logística no SPSS