Škrábal




            Pro účely této analýzy jsem zvolil data s názvem Supermodel.sav z dat Andyho Fielda
(2009). Tato matice zachycuje informace o 213 supermodelkách , přičemž u každé z nich jsou
zaznamenány 4 proměnné, a to:


•                     denní plat uveden v librách  (m=11,34, min. hodnota=0, max. hodnota=95,34,
s=16,03)

•                     věk (m=18,07, min. hodnota=12,17, max. hodnota=25,29, s=2,42)

•                     počet let v modelingovém byznyse (m=4,59, min. hodnota=0,43, max.
hodnota=9,93, s=1,58)

•                     krása (atraktivita) uvedená v procentech (m=75,94, min. hodnota=58,13, max.
hodnota=99,22, s=6,77)


            Jako závislá pro mnohonásobnou lineární regresi byla vybrána proměnná denní plat. Jako
predikátory tedy sloužily proměnné věk, atraktivita a počet let v byznyse. Snažili jsme se tudíž
zjistit která z proměnných má pozitivnějí souvisí s platem. Regrese byla provedena v jednom kroku v
spss.


koeficient

                   B

                         SE B

                             β

                             Kolinearita (VIF)

konstanty

                   -60,89

                         16,5


Krása

                   -5,56

                         0,15

                             -0,08

                             1,15

věk

                   6,23

                         1,41

                             0,94

                             12,16

Počet let v byznysu

                   -0,2

                         2,12

                             -0,55

                             12,65


       R2 =0,18, sig=0

            Jelikož se však hodnota největšího VIF pohybuje nad 10 regrese je velice pravděpodobně
zkreslená (Myers, Bowerman and O·Connell , cit. Dle Field, 2005).A to z důvodu, že proměnné počet
let v byznysu a věk spolu velice silně korelují (r=0,96).

            Proto uděláme regresi pouze s dvěma prediktory, krásou a věkem.


koeficient

          B

                SE B

                     β

                          Kolinearita (VIF)

Konstanty

          -30,47

                11,87


Krása

          -0,09

                0,15

                     -0,04

                          1,07

věk

          2,7

                0,42

                     0,41

                          1,07


                   R2 =0,16, sig=0

V této regresi byly kromě absence vysoké kolinearity naplněny také další předpoklady regrese, jako
homoskedascita , linearita nebo nezávislost reziduí (Durbin-Watson=2,07) a další.

            Výše zmíněná data lze pomocí hodnoty B interpretovat takto:

•                      Pokud se atraktivita zvýší o procento tak plat klesne o 0,09 liber za den.

•                      Pokud se věk zvýší o rok tak plat stoupne o 2,7 liber za den.


Výše zmíněné interpretace jsou platné pouze pokud zbylé proměnné zůstanou stejné.


Jak je z regrese vidno, v případě platového ohodnocení modelky překvapivě nejde ani tak o krásu
jako spíš o její věk.


Nevidím tu další předpoklady lineární regrese. Toto je bohužel nedostatečná oprava, kterou ale
přijímám z důvodu, že jste na to byl tentokrát sám. U dalších úkolů a u hlavně u zkoušky by toto
nebylo považováno za splněné.





Zdroje:


Field, A.(2005). Discovering Statistics using SPSS. London: Sage publications


SPSS Datafiles. (2009). Retrieved from:

http://www.uk.sagepub.com/field3e/SPSSdata.htm