Statistická analýza dat II (PSY252) – seminární skupina A Úkol 2 Zpracovaly: Denisa Lakomá, 414925 Kristýna Cejthamrová, 362244 ___________________________________________________________________________________________________ K analýze jsme využily datový soubor Long1.sav. Celkový vzorek tvořilo 768 respondentů, přičemž potřebám naší práce vyhovovalo[SJ1] 714. Byla provedena standardní mnohonásobná regresní analýza mezi zvolenou[SJ2] závislou proměnnou (životní spokojenost) a nezávislými proměnnými (optimismus, důvěrnost s rodiči, self-esteem). Více informací[SJ3] poskytuje Tabulka 1. Tyto prediktory jsme zvolily na základě korelace se závislou proměnnou. [DEL: :DEL] Regrese byla provedena za použití SPSS REGRESSION[SJ4] . Tabulka 1 Popisné statistiky pro závislou proměnnou a vybrané prediktory Minimum Maximum Průměr (M) Směrodatná odchylka (SD) Rozptyl[SJ5] Životní spokojenost 1,00 4,00 2,91 0,48 0,23 Důvěrnost s rodiči 1,33 4,00 2,84 0,56 0,32 Optimismus 6 24 16,31 3,12 9,76 Self-esteem 1,00 4,00 3,06 0,48 0,23 Rozložení všech proměnných je normální, což ukazují jednotlivé histogramy. Pearsonův korelační koeficient můžeme považovat za dobrý popis vztahu mezi závislou proměnnou a jednotlivými prediktory. Lze tedy[SJ6] předpokládat lineární vztah. Na linearitu dále ukazují scatterploty, viz Graf 1. Z histogramu lze usuzovat na normální rozložení reziduí. Homoskedascita reziduí vyplývá ze scatterplotu s názvem Graf 2. Hodnota Durbin-Watsonova testu byla 2, proto předpokládáme nezávislost reziduí. Kolinearita výsledek regresní analýzy neovlivnila[SJ7] , protože korelace prediktorů a závislé proměnné nepřesahovala hranici 0,9. Tolerance se pohybovala v rozmezí 0,1 až 10, což je patrné z Tabulky 2. Je možné říci, že data splňují podmínky pro mnohonásobnou regresi. Graf 1 Linearita[SJ8] vztahů mezi závislou proměnnou a prediktory Graf 2 Homoskedascita reziduí Tabulka 2 Korelace a tolerance (jako předpoklady kolinearity) Životní spokojenost Důvěrnost s rodiči Optimismus Self-esteem Tolerance[SJ9] Životní spokojenost 1,00 0,38 0,54 0,65 Důvěrnost s rodiči 0,38 1,00 0,22 0,27 0,92 Optimismus 0,54 0,22 1,00 0,46 0,78 Self-esteem 0,65 0,27 0,46 1,00 0,76 Sama regresní analýza ukázala, že námi zvolený model signifikantně předpovídá životní spokojenost jedince, . u našeho modelu bylo 0,53[SJ10] , přičemž . V Tabulce 3 jsou uvedeny nestandardizované regresní koeficienty , průsečík a standardizované regresní koeficienty pro každou z proměnných. Tabulka 3 Regresní koeficienty B SE β B[0][SJ11] 0,29 0,09 Důvěrnost s rodiči 0,17 0,02 0,19 Optimismus 0,04 0,01 0,29 Self-esteem 0,46 0,03 0,46 Co se týče vztahu jednotlivých prediktorů a úrovně životní spokojenosti, tak proměnné optimismus , důvěrnost s rodiči a také self-esteem , významně[SJ12] predikují závislou proměnnou. Zvolené prediktory vysvětlují 53 % vysvětleného rozptylu[SJ13] , přičemž největší podíl má self-esteem. ________________________________ [SJ1]"potřebám vyhovovalo"? Respondenty si nemůžeme vybírat podle svých potřeb. Chybějící data je třeba popsat jinak - napsat komu, co a proč asi chybí. [SJ2] Bylo by dobře znát účel té analýzy. Proč jste volily to, co jste volily? [SJ3]V textu napište jakých. Text musí dávat smysl i bez tabulek. [SJ4]Dnes bychom uvedli SPSS verze 21. [SJ5]SD nebo var - stačí jedno z toho. [SJ6]Napsaly jste to, jakoby z toho, že lze použít Pearsona, bylo možné usoudit na linearitu vztahu. Ta úvaha má jít opačným směrem. [SJ7]O tomhle jsme si na semináři něco říkali... [SJ8]To není linearita, to je scatterplot... [SJ9]Sem to nepatří. Jako byste měli další prediktor - toleranci. [SJ10]Tady se něco ztratilo. [SJ11]konstanta nebo průsečík [SJ12]Jak významně? Ten vztah by to chtělo trochu podrobněji popsat. [SJ13]Zde chybí test hypotézy, u regresních koeficientů taky. Proč?