Aplici o regresie multiplă în SPSS, iar programul îți aruncă patru-cinci tabele în fereastra de rezultate: Model Summary, ANOVA, Coefficients, Collinearity Statistics. Majoritatea studenților iau valoarea R² din primul tabel, copiază câteva cifre din al treilea și ignoră restul. Abordarea asta duce aproape mereu la greșeli în capitolul de rezultate. Fiecare tabel răspunde la o întrebare anume despre model, iar dacă sari peste vreunul, rămân goluri pe care coordonatorul le prinde. Mai jos ai cum citești fiecare tabel, ce iei din el și cum scrii totul în stil APA.
Model Summary: cât din varianță explică modelul
Tabelul Model Summary e scurt. Are patru coloane care contează: R, R Square (R²), Adjusted R Square și Std. Error of the Estimate. Începe cu R². Numărul ăsta îți spune proporția din varianța variabilei dependente explicată de toți predictorii, luați împreună. Dacă R² = 0,42, înseamnă că 42% din varianța notelor la examen e acoperită de combinația de predictori pe care ai introdus-o în model. Restul de 58% e explicat de factori pe care nu i-ai măsurat.
R în sine e doar rădăcina pătrată a lui R². Reprezintă corelația dintre valorile observate și valorile pe care le prezice modelul tău. În majoritatea lucrărilor raportezi R², nu R, fiindcă „proporția de varianță explicată” e mai ușor de interpretat decât un coeficient de corelație multiplă.
Uită-te acum la Adjusted R Square. Valoarea asta va fi mereu ceva mai mică decât R², iar diferența crește pe măsură ce adaugi predictori. Motivul e matematic: orice predictor pe care îl adaugi crește R², chiar dacă acel predictor e pur zgomot. R² ajustat te penalizează pentru predictorii care nu îmbunătățesc cu adevărat modelul. Într-un studiu cu n = 150 și trei predictori, poți vedea R² = 0,42 și R² ajustat = 0,41. Diferența mică (0,01) îți spune că toți cei trei predictori își duc greutatea. Dacă ai fi avut R² = 0,42 și R² ajustat = 0,35, diferența (0,07) ar fi semnalat că unii predictori nu ajută prea mult. Raportează R² ajustat ori de câte ori ai mai mult de un predictor. E cifra mai onestă.
Std. Error of the Estimate îți spune distanța medie dintre valorile observate și dreapta de regresie, măsurată în aceleași unități ca variabila dependentă. Dacă prezici note pe o scală de 100 și eroarea standard e 8,41, predicțiile modelului bat pe lângă cu circa 8,4 puncte în medie. Mai mic e mai bine.
Tabelul ANOVA: e modelul, în ansamblu, semnificativ?
Tabelul ANOVA testează o singură întrebare: acest set de predictori, luat împreună, explică o cantitate semnificativă statistic de varianță? Statistica F și valoarea ei p îți dau răspunsul. Dacă F(3, 146) = 35,24, p < 0,001, modelul în ansamblu e semnificativ. Asta îți spune că măcar o parte din varianța explicată de model e reală, nu întâmplare.
Iată partea pe care mulți o sar: dacă testul F global nu e semnificativ, coeficienții predictorilor din tabelul următor nu mai înseamnă nimic. Un model nesemnificativ înseamnă că acea combinație de predictori nu explică variabila-rezultat mai bine decât dacă ai folosi pur și simplu media. N-ai interpreta pantele individuale ale unui model care nu bate o linie orizontală. Verifică tabelul ANOVA înainte să atingi tabelul Coefficients. Întotdeauna.
Tabelul Coefficients: care predictori contează și cu cât
La tabelul ăsta petrec studenții cel mai mult timp și tot aici e loc de cele mai multe erori. Coloanele-cheie sunt B (coeficientul nestandardizat), Beta (β, coeficientul standardizat), t, Sig. și intervalul de încredere de 95% pentru B.
Coeficientul B îți spune schimbarea brută a variabilei dependente pentru fiecare creștere de o unitate a predictorului, cu ceilalți predictori ținuți constanți. În exemplul de mai jos, un B de 2,34 pentru orele de studiu înseamnă că fiecare oră săptămânală de studiu în plus e asociată cu o creștere de 2,34 puncte la notă, după ce controlezi prezența și media anterioară. Unitățile lui B depind de unitățile predictorului. Orele de studiu se măsoară în ore. Prezența poate fi în procente. Media anterioară e pe o scală de la 1 la 10. Fiindcă predictorii trăiesc pe scări diferite, valorile lor B nu sunt direct comparabile. Un B de 2,34 pentru orele de studiu și un B de 0,51 pentru prezență nu înseamnă că orele contează mai mult. Scările sunt diferite.
Exact asta rezolvă Beta. Coeficientul standardizat exprimă efectul fiecărui predictor în unități de abatere standard, scoțând scara de măsurare originală. Un Beta de 0,38 pentru orele de studiu și un Beta de 0,29 pentru prezență îți spune că orele de studiu au o contribuție relativă ceva mai mare la explicarea notelor. Când comisia întreabă „care predictor a fost cel mai puternic?”, vor valorile Beta, nu valorile B. Pentru o privire mai atentă asupra mărimii efectului și felului în care o interpretezi, vezi ghidul separat.
Coloana Sig. îți dă valoarea p pentru fiecare predictor în parte. Un predictor cu p < 0,05 aduce o contribuție unică semnificativă statistic la prezicerea rezultatului, după ce ții cont de ceilalți predictori din model. Un predictor cu p = 0,23 nu aduce. Chiar dacă acea variabilă avea o corelație semnificativă cu rezultatul, contribuția ei unică poate dispărea odată ce controlezi ceilalți predictori.
Intervalul de încredere de 95% pentru B îți spune ecartul în care cade probabil coeficientul real al populației. Dacă intervalul pentru orele de studiu merge de la 1,48 la 3,20, poți spune cu 95% încredere că fiecare oră de studiu în plus e asociată cu o creștere de între 1,48 și 3,20 puncte la notă. Când intervalul trece prin zero, predictorul nu e semnificativ la pragul de 0,05.
Collinearity Statistics: sunt predictorii prea asemănători?
SPSS poate include Tolerance și VIF (factorul de inflație a varianței) în tabelul Coefficients, dacă le ceri la Statistics > Collinearity diagnostics. Cifrele astea îți spun dacă predictorii se suprapun atât de mult încât coeficienții de regresie devin instabili.
Tolerance e proporția din varianța unui predictor care nu e explicată de ceilalți predictori. Merge de la 0 la 1. O toleranță sub 0,10 înseamnă că peste 90% din varianța acelui predictor e împărțită cu alți predictori din model, ceea ce semnalează o problemă serioasă de multicoliniaritate. VIF e pur și simplu 1 / Tolerance, deci o toleranță de 0,10 corespunde unui VIF de 10. Regula uzuală: VIF peste 10 (sau toleranță sub 0,10) e problematic. Unele domenii folosesc un prag mai strict, VIF peste 5.
Când există multicoliniaritate, erorile standard ale coeficienților afectați se umflă. Asta face valorile t mai mici și valorile p mai mari, așa că predictori care contează cu adevărat pot apărea nesemnificativi. Într-un studiu care prezice notele, dacă incluzi și „total ore de studiu”, și „ore de studiu în timpul săptămânii” ca predictori separați, cele două variabile vor corela la r = 0,90 sau mai mult. Valorile lor VIF vor sări peste 10, iar coeficienții individuali vor fi nesiguri. Rezolvarea e de obicei să scoți unul dintre predictorii redundanți sau să-i combini într-o singură măsură.
Exemplu lucrat: prezicerea notelor la examen
Să zicem că ai adunat date de la 150 de studenți și ai aplicat o regresie multiplă care prezice nota finală la examen (0–100) din trei variabile: orele de studiu săptămânale, prezența la cursuri (procentul de ședințe la care a fost prezent) și media anterioară (pe o scală de la 1 la 10). Iată cum ar putea arăta rezultatele SPSS.
| Tabel | Valori-cheie |
|---|---|
| Model Summary | R = 0,65, R² = 0,42, R² ajustat = 0,41, Eroare std. = 8,41 |
| ANOVA | F(3, 146) = 35,24, p < 0,001 |
| Coeficienți — Ore de studiu | B = 2,34, SE = 0,44, β = 0,38, t = 5,32, p < 0,001, IÎ 95% [1,48, 3,20] |
| Coeficienți — Prezență (%) | B = 0,51, SE = 0,14, β = 0,29, t = 3,64, p < 0,001, IÎ 95% [0,24, 0,78] |
| Coeficienți — Media anterioară | B = 3,87, SE = 2,61, β = 0,10, t = 1,48, p = 0,141, IÎ 95% [−1,29, 9,03] |
| Coliniaritate — Ore de studiu | Tolerance = 0,82, VIF = 1,22 |
| Coliniaritate — Prezență | Tolerance = 0,79, VIF = 1,27 |
| Coliniaritate — Media anterioară | Tolerance = 0,91, VIF = 1,10 |
Citind tabelele în ordine: modelul explică 41% din varianța notelor (R² ajustat = 0,41). Modelul în ansamblu e semnificativ (p < 0,001), așa că trecem la predictorii individuali. Orele de studiu și prezența sunt amândoi predictori semnificativi; media anterioară nu, după ce controlezi ceilalți doi. Orele de studiu au cel mai mare coeficient standardizat (β = 0,38), fiind cel mai puternic predictor. Toate valorile VIF sunt mult sub 10, deci multicoliniaritatea nu e o problemă. Dacă vrei ca Academic Stats Agent să genereze acest tabel și interpretarea automat din datele tale, încarci fișierul și primești rezultate gata de folosit în câteva minute.
Cum raportezi în stil APA
Iată un paragraf complet de raportare APA, pornind de la rezultatele de mai sus. Îl poți adapta la datele tale înlocuind cifrele.
O regresie liniară multiplă a fost aplicată pentru a verifica dacă orele de studiu săptămânale, prezența la cursuri și media anterioară prezic nota finală la examen. Modelul în ansamblu a fost semnificativ statistic, F(3, 146) = 35,24, p < 0,001, R² = 0,42, R² ajustat = 0,41, ceea ce arată că cei trei predictori explică împreună 41% din varianța notelor. Orele de studiu au prezis semnificativ nota, B = 2,34, SE = 0,44, t(146) = 5,32, p < 0,001, β = 0,38, IÎ 95% [1,48, 3,20]. Prezența a fost și ea un predictor semnificativ, B = 0,51, SE = 0,14, t(146) = 3,64, p < 0,001, β = 0,29, IÎ 95% [0,24, 0,78]. Media anterioară nu a prezis semnificativ nota, B = 3,87, SE = 2,61, t(146) = 1,48, p = 0,141, β = 0,10, IÎ 95% [−1,29, 9,03]. Diagnosticele de coliniaritate nu au indicat probleme, toate valorile VIF fiind sub 1,30.
Observă structura: întâi modelul în ansamblu (testul F, R², R² ajustat), apoi fiecare predictor cu toate cele șase cifre (B, SE, t, p, Beta, IÎ). Raportează valorile p exacte unde e posibil și folosește p < 0,001 doar când SPSS afișează ,000. Cum așezi astfel de paragrafe în capitol e detaliat în articolul despre cum scrii capitolul de rezultate, iar dacă tot ai nevoie să interpretezi rezultatele complete ale unei analize, vezi și ghidul despre cum raportezi rezultatele din SPSS.
Greșeli de evitat
Prima și cea mai frecventă: să raportezi R² fără testul F. „Modelul a explicat 42% din varianță” sună impresionant până îți dai seama că modelul poate să nu fie semnificativ statistic. Cu un eșantion mic și mulți predictori, poți obține un R² mare din pură întâmplare. Într-o regresie cu 25 de participanți și 8 predictori, R² poate atinge 0,55 chiar și pe date aleatorii. Testul F e cel care desparte o descoperire reală de zgomot. Raportează mereu cele două cifre împreună.
A doua greșeală: să compari coeficienți B nestandardizați între predictori măsurați pe scări diferite. Un student poate scrie „orele de studiu au avut un efect mai mare (B = 2,34) decât media anterioară (B = 3,87)”. Stai. Comparația e și pe dos, și lipsită de sens. Orele de studiu se măsoară în ore pe săptămână; media anterioară e pe o scală de la 1 la 10. O unitate de ore și o unitate de medie sunt cantități complet diferite. Ca să compari contribuțiile relative, folosești coeficienții Beta standardizați. Exact pentru asta există.
A treia: să ignori cu totul diagnosticele de coliniaritate. Am văzut lucrări în care doi predictori corelau la r = 0,85, valorile VIF depășeau 12, iar studentul nu a pomenit nimic. Rezultatul a fost că un predictor apărea nesemnificativ când aproape sigur conta. Coliniaritatea nu îți invalidează R²-ul global al modelului, dar face nesiguri coeficienții individuali. Dacă găsești valori VIF peste 10, rezolvă problema înainte să interpretezi tabelul Coefficients: scoate unul dintre predictorii corelați sau combină-i într-un scor compozit.
De reținut: citește rezultatele regresiei în ordine. Începe cu Model Summary pentru R² și R² ajustat. Verifică tabelul ANOVA ca să confirmi că modelul în ansamblu e semnificativ, înainte să te uiți la predictorii individuali. În tabelul Coefficients, folosești B pentru interpretare în unități originale, Beta pentru a compara predictorii și IÎ 95% pentru precizie. Verifică Tolerance și VIF pentru multicoliniaritate. Raportează toate cifrele în stil APA, începând cu testul F și terminând cu setul complet pentru fiecare predictor.