В случае простой регрессии рассматриваются две переменные: предикторная и критериальная. Если оценки SAT(Американскин школьный тест проверки способ ностей) коррелируют со средним баллом первокурсников, то их можно использо вать для предсказания академической успеваемости. Однако, как вы знаете из лич ного опыта, такой феномен, как «успеваемость в колледже» не так прост, как ка жется. Оценки теста SAТ могут говорить о будущей высокой успеваемости, но как быть с такими факторами, как «мотивация», «высокие школьные оценки» или «ук лонение от занятий физикой»? Множественная регрессия помогает решить проблему использования более чем одной предикторной неременной. В исследовании, проводимом методом мно жественной регрессии, применяется одна критериальная, а также две или более предикторных переменных. Такой анализ позволяет вам не только выяснить, что на основании этих двух или более переменных можно предсказать определенный критерий, но также определить относительную предсказательную силу этих пе ременных. Эта сила отображается в формуле множественной регрессии для ис ходных данных, которая представляет собой расширенный вариант формулы про стой регрессии: Простая регрессия: Множественная регрессия: где каждый X — это отдельная предикторная переменная, Y — это критериальная переменная, а величина показателей b отражает относительную важность каждой предикторной переменной. Этот показатель называют «весом регрессии» (Licht, 1995). В результате анализа по методу множественной регрессии получают мно жественный коэффициент корреляции ® и множественный коэффициент де терминации (R 2 ). R — это корреляция между объединенными предикторными пе ременными и критерием, а R 2 — показатель степени изменчивости критериальной переменной, вызванной объединенными предикторными переменными. Обратите внимание на использование больших букв для обозначения многомерных R u R 2 — тем самым их можно отличить от двумерных пирсонова ru r 2 . Однако их интерпре тации весьма схожи. И R, и r обозначают силу корреляции, a R 2 и r 2 — долю измен чивости, общей для нескольких переменных. 3 3 8 Глава 9. Корреляционные исследования Преимущество анализа методом множественной регрессии заключается в том, что при объединении влияния нескольких предикторных переменных (особен но если они не слишком сильно коррелируют друг с другом) возможность сде лать верные предположения заметно увеличивается в сравнении с обычным ре грессионным анализом. Высокие школьные оценки уже сами по себе говорят о будущей хорошей успеваемости в колледже, так же как и оценки теста SAT, но на основании двух этих показателей можно делать предсказания с большей уве ренностью (Sprinthall, 2000). Чтобы получить представление о том, в каких ис следованиях применяют анализ методом множественной регрессии, рассмот рим следующие примеры. 1. Исследование, предсказывающее развитие эмпатии (сопереживания) на основании двух аспектов событий раннего детства (Barnett & McCoy, 1989): студенты, сопереживающие другим людям, обычно имели в детстве стрес совые переживания, что сделало их более чувствительными к пережива ниям других. Тяжесть полученной в детстве травмы, как признак разви тия будущей эмпатии, имеет больший вес, чем общее число травматиче ских событий. 2. Исследование, предсказывающее развитие восприимчивости к простуде на основании негативных событий жизни, воспринимаемого стресса и отрица тельных эмоций (Cohen, Tyrell & Smith, 1993). Вы, возможно, думаете, что простуда развивается потому, что вы провели обеденное время слишком близ ко от непрерывно чихавшего человека. Однако данное исследование показа ло, что простудные заболевания можно предсказать на основании трех фак торов, связанных со стрессом. Чаще всего простужаются те студенты, кото рые: а) в недавнее время пережили стрессовое событие, б) чувствуют, что к ним предъявляются завышенные требования, и в) описывают свой общий эмоциональный фон как негативный.
Ви переглядаєте статтю (реферат): «Множественная регрессия» з дисципліни «Дослідження в психології: методи і планування»
