علوم اجتماعی(جامعه شناسی)

1-رگرسیون

2- تحلیل مسیر.

استدلال : چرا از رگرسیون استفاده می کنیم؟

در آمار تحلیل رگرسیون برای الگو سازی(مدل ) و تحلیل داده های مربوط به داده های متغیر وابسته و  داده های مربوط به دو یا چند متغیر مستقل به کار می رود.

رگرسیون رابطه نزدیک با ضریب همبستگی دارد یعنی برای انجام تحلیل رگرسیون باید ضریب همبستگی را محاسبه کرد اگر همبستگی داشت از تحلیل رگرسیون هم برای آزمون فرضیه ها ی پژوهش استفاده می کنیم.

در ضریب همبستگی ، میزان همبستگی یا رابطه دو متغیر مد نظر است ولی در تحلیل رگرسیون رابطه بیش از دو متغیر مد نظر است  علاوه بر این دامنه ضریب همبستگی بین 1+ و 1- می باشد در حالیکه دامنه رگرسیون بین 0 و 1+ می باشد.

رگرسیون برای داده های کاربرد دارد که سطح سنجش آنها کمی ( فاصله ای یا نسبی باشد )

فرضیه ها از نوع رابطه ای می باشد.

نکته :  بر اساس یک یا چند متغیر مستقل  ، می توان یک معادله رگرسیونی نوشت و از  آن برای پیش بینی مقادیر متغیر وابسته استفاده کرد.

رگرسیون به صورت زیر قابل محاسبه است

1-رگرسیون خطی ساده

2- رگرسیون خطی چند متغیری

در رگرسیون خطی ساده ، تنها یک متغیر مستقل ، مقادیر متغیر وابسته را پیش بینی می کند.

در رگرسیون خطی چند متغیری، چند متغیر مستقل مقادیر متغیر وابسته را پیش بینی می کنند.

مثال برای رگرسیون ساده :

از روی میزان ساعت مطالعه می شود نمره درس آمار دانشجویان را پیش بینی کرد

REGRESSION

  /MISSING LISTWISE

  /STATISTICS COEFF OUTS R ANOVA

  /CRITERIA=PIN(.05) POUT(.10)

  /NOORIGIN

  /DEPENDENT mizanemotalaea

  /METHOD=ENTER nomredars.

[DataSet0] 

در تفسیر رگرسیون خطی ساده که فقط برای بک متغیر مستقل (میزان ساعت مطالعه )  متغیر وابسته  ( نمره درسی ) را پیش بینی کرد که هرچه ساعت مطالعه بیشتر شود نمره درسی دانشجو بالاتر می شود و با توجه به تحلیل رگرسیون انجام شده سطح معنی داری کمتر از 5/. می باشد و  بتای بدست آمده نزدیک به 1 می باشد (96/0) نتیجه می گیریم که پیش بینی ما درست بوده است.

 مثال برای رگرسیون چندخطی: برای میزان  نمره درسی علاوه بر میزان ساعت مطالعه ، متغیر های دیگری از جمله میزان انجام تکالیف در خانه و میزان بهره هوشی افراد تاثیر دارد.