To tylko jedna z 7 stron tej notatki. Zaloguj się aby zobaczyć ten dokument.
Zobacz
całą notatkę
M U L T I P L E R E G R E S S I O N * * * Variable(s) Entered on Step Number 1.. X1
Multiple R .40000
R Square .16000 R Square Change .16000
Adjusted R Square .15143 F Change 18.66667
Standard Error .92118 Signif F Change .0000
Variable(s) Entered on Step Number 2.. X3
Multiple R .45871
R Square .21042 R Square Change .05042
Adjusted R Square .19414 F Change 6.19367
Standard Error .89770 Signif F Change .0145
Analysis of Variance
DF Sum of Squares Mean Square
Regression 2 20.83125 10.41563
Residual 97 78.16875 .80586
F = 12.92480 Signif F = .0000
------------------ Variables in the Equation ------------------
Variable B SE B Beta T Sig T
X1 .35417 .09208 .35417 3.846 .0002
X3 .22917 .09208 .22917 2.489 .0145
(Constant) .00000 .08977 .000 1.0000
------------- Variables not in the Equation -------------
Variable Beta In Partial Min Toler T Sig T
X2 .18681 .09154 .18958 .901 .3700
ANALIZA DYSKRYMINACYJNA O ile celem analizy regresji jest znalezienie układu predyktorów pozwalających najlepiej przewidywać WARTOŚĆ zmiennej zależnej Y, to celem analizy dyskryminacyjnej jest znalezienie zbioru predyktorów pozwalających najlepiej przewidywać przynależność badanych do jednej z GRUP kryterialnych. Najlepiej jeśli grupy kryterialne tworzone są w oparciu o „mocne” kryteria (np. kobiety / mężczyźni, chorzy / zdrowi). Przykład zastosowania analizy dyskryminacyjnej
Analizujemy dwie grupy badanych: zdrowych i chorych (np. na choroby krążenia). Interesuje nas które zmienne (spośród dużego zbioru analizowanych zmiennych, takich jak np.: wiek, płeć, waga ciała, palenie papierosów, itp.) pozwalają najlepiej przewidywać ryzyko zachorowania na chorobę układu krążenia, czyli to, czy dana osoba znajdzie się (np. po pięciu latach) w grupie osób zdrowych czy też w grupie osób chorych.
... zobacz całą notatkę
Komentarze użytkowników (0)