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, věk , krása (atraktivita) uvedená v
procentech a nakonec počet let v modelingovém byznysu.[VK1]

            Jako závislá pro mnohonásobnou lineární regresi byla vybrána proměnná denní plat. Jako
predikátory tedy sloužily [VK2] proměnné věk, atraktivita a počet let v byznyse. Snažili jsme se
tudíž zjistit která z proměných má pozitivnějších vliv [VK3] na plat. Regrese byla provedena v
jednom kroku v spss, které nám dalo níže uvedené výsledky[VK4] .


Konstanty[VK5]

                   B

                        SE B

                            β

                                 Kolinearita (VIF)

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[VK6]

            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.[VK7]


Konstanty

         B

              SE B

                  β

                       Kolinearita (VIF)

Krása

         -0,09

              0,15

                  -0,04

                       1,07

věk

         2,7

              0,42

                  0,41

                       1,07


                   R2 =0,16, sig=0


            Výše zmíněná data lze pomocí hodnoty B [VK8] 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.[VK9]


Výše zmíněné interpretace jsou platné pouze pokud zbylé proměnné zůstanou stejné.´=[VK10]


Jak je z regrese vidno, v případě platového ohodnocení modelky překvapivě nejde ani tak o krásu
jako spíš o její věk.[VK11]



Ač má Váš úkol též nedostatky, v rámci ostatních patřil k těm lepším. Držte toho, co tady máte
dobré. Prosím dopracovat, co zde chybí: posouzení dalších předpokladů kromě kolinearity. A
nezapomeňte ani např. na popisné statistiky.


Zdroje:


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


SPSS Datafiles. (2009). Retrieved from:

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

________________________________

 [VK1]Pěkný úvod. Z Vašeho úkolu je vidět, že když se výsledky zarámují tím, o čem výzkum je, hned
to dává větší smysl.

 [VK2]Tady to vyznívá jako „ty proměnné, co zbyly, posloužily jako prediktory“. Vždy je to Vaše
volba a Váš záměr, jaký model sestavíte J

 [VK3]Toto by se dalo říci obratněji a pozor na ten „vliv“. Z těchto dat (měřeno vše v jeden
okamžik) můžeme usuzovat jen na souvislosti.

 [VK4]Je fajn uvádět, že bylo pracováno s SPSS, protože je spousta jiného statistického software.
Ale tu formulaci, že SPSS dalo výsledky, si odpustíme J

 [VK5]Hodnotu konstřanty taky potřebujeme znát, i když ji obvykle neinterpretujeme.

 [VK6]Signifikance nemůže být nikdy nula, může být jen velmi malá.

 [VK7]Chválím, že vás porušení předpokladů nezastavilo.

 [VK8]Hodnotě B říkáme „koeficient“.

 [VK9]Super! Tyto věty by měly být samozřejmost, ale ne všichni je v úkolu měli.

 [VK10]Takto formulovaná ta věta by se dala rozkopírovat do každé regresní analýzy. Věřím vám, že
rozumíte, co to znamená J

 [VK11]Chválím, že jste to dotáhl až k formulaci závěru.