Co to jest metoda usuwania?
Metoda usuwania (ang. Remove) to jedna z metod budowania modelu w module regresji liniowej SPSS. Wskazany przez badacza blok zmiennych usuwa się z modelu w jednym kroku, w całości. Program porównuje model przed usunięciem z modelem po usunięciu. Podaje zmianę R² (ujemną) i test F tej zmiany. Odpowiada w ten sposób na pytanie, czy cały zestaw zmiennych wnosi coś do wyjaśnienia wyniku ponad pozostałe predyktory.
Metoda usuwania nie jest procedurą automatycznej selekcji. Program nie wybiera niczego na podstawie danych – o tym, co i kiedy usunąć, decyduje badacz. Dlatego bliżej jej do regresji hierarchicznej niż do eliminacji wstecznej, choć nazwy brzmią podobnie. Blok usuwany nie może być pierwszym blokiem. Najpierw trzeba zmienne wprowadzić, zwykle metodą wprowadzania (Enter), a dopiero w następnym bloku wskazać, które z nich usunąć.
Co dokładnie testuje usunięcie bloku
Model z blokiem i model bez niego są zagnieżdżone: drugi powstaje z pierwszego przez wyzerowanie m współczynników. Test jest więc zwykłym testem F porównania modeli zagnieżdżonych:
Tu m to liczba usuniętych zmiennych, a p – liczba predyktorów w modelu pełnym. Hipoteza zerowa mówi, że wszystkie m współczynników bloku w populacji wynosi zero. Wartość F jest dokładnie taka sama jak w teście F zmiany przy dodaniu tego bloku w regresji hierarchicznej. Zmienia się tylko znak ΔR². Usuwanie to zatem ten sam test, czytany „od góry”: zaczynasz od modelu pełnego i pytasz, ile stracisz, jeśli zestaw zniknie.
Najważniejsze zastosowanie to zmienna kategorialna o więcej niż dwóch kategoriach. W regresji wprowadza się ją jako k − 1 zmiennych zero-jedynkowych (dummy coding). Cohen (1968) pokazywał psychologom, że wyrażenie danych nominalnych jako predyktorów regresji czyni regresję wieloraką tożsamą z analizą wariancji i kowariancji. Pytanie „czy typ szkoły ma znaczenie?” dotyczy więc całego zestawu zmiennych zero-jedynkowych naraz, a nie żadnej z nich osobno. Pojedynczy współczynnik porównuje tylko jedną kategorię z kategorią odniesienia. Alkharusi (2012) przypomina, że wartość tych współczynników zależy od sposobu kodowania, a łączne R² i F – nie.
Przykład: czy typ szkoły wiąże się z wypaleniem nauczycieli?
W badaniu 210 nauczycieli (dane symulowane) wynikiem było wypalenie zawodowe (średnia 1–5). Predyktorami były obciążenie pracą, wiek, staż i typ szkoły o czterech kategoriach: podstawowa (n = 58, odniesienie), liceum (n = 51), technikum (n = 50) i szkoła branżowa (n = 51). W bloku 1 wprowadzono wszystkie predyktory, w bloku 2 usunięto trzy zmienne zero-jedynkowe typu szkoły.
| Predyktor (model 1) | b | SE | p |
|---|---|---|---|
| Obciążenie pracą | 0.46 | 0.06 | < .001 |
| Wiek | 0.02 | 0.02 | .153 |
| Staż | −0.02 | 0.02 | .298 |
| Liceum (vs podstawowa) | −0.19 | 0.10 | .056 |
| Technikum (vs podstawowa) | 0.05 | 0.10 | .589 |
| Branżowa (vs podstawowa) | 0.08 | 0.10 | .400 |
| Blok 2 – usunięcie typu szkoły: R² spada z .302 do .272, ΔR² = −.030, F(3, 203) = 2.89, p = .037 | |||
Wynik jest pouczający. Żaden z trzech współczynników typu szkoły nie był istotny na poziomie .05; najbliżej było liceum (p = .056). Mimo to usunięcie całego bloku istotnie pogorszyło model, F(3, 203) = 2.89, p = .037. Typ szkoły wyjaśniał 3.0% wariancji wypalenia ponad obciążenie, wiek i staż. Gdybyś oceniał czynnik po pojedynczych współczynnikach, uznałbyś, że typ szkoły nie ma znaczenia. Łączny test mówi co innego. Dodanie bloku do modelu bez niego daje w R identyczny wynik: ten sam F i to samo p.
Dla porównania uruchomiliśmy na tych samych danych eliminację wsteczną (próg p > .10). Kolejno usunęła zmienną technikum (p = .589), zmienną branżowa (p = .504) i staż (p = .282). W modelu zostały obciążenie, wiek i jedna zmienna zero-jedynkowa – liceum. Zmieniło to sens jej współczynnika: liceum porównywane jest teraz z połączoną grupą szkół podstawowych, techników i branżowych, a nie ze szkołami podstawowymi. Automatyczna selekcja „rozebrała” zmienną kategorialną na części, czego metoda usuwania nie robi.
Kiedy stosować metodę usuwania
| Pytanie badawcze | Co usuwasz w bloku 2 |
|---|---|
| Czy zmienna kategorialna (np. typ szkoły, kierunek studiów) ma znaczenie przy kontroli innych zmiennych? | Wszystkie jej zmienne zero-jedynkowe |
| Czy interakcje coś wnoszą ponad efekty główne? | Wszystkie iloczyny (zob. interakcja zmiennych) |
| Czy składnik krzywoliniowy jest potrzebny? | Człony kwadratowe (zob. regresja krzywoliniowa) |
| Czy zestaw zmiennych kontrolnych zmienia wnioski? | Blok zmiennych kontrolnych – i porównujesz współczynniki przed i po |
Zasada ta sama co w regresji hierarchicznej: blok i kolejność ustal przed analizą, na podstawie pytania badawczego. Petrocelli (2003) przeanalizował artykuły z dwóch czasopism poradnictwa psychologicznego, w których stosowano regresję hierarchiczną. Opisał typowe problemy w jej użyciu i sposoby ich uniknięcia; te same uwagi dotyczą planowania bloków do usunięcia. Jeśli usuwasz blok tylko dlatego, że jego współczynniki „wyglądają na nieistotne”, zamieniasz test zaplanowany w selekcję opartą na danych. Heinze i in. (2018) ostrzegają, że selekcja zmiennych w modelu wyjaśniającym zaburza wartości p i przedziały ufności.
Jak opisać wynik w pracy (APA)
Podaj, który blok usunięto, ile miał zmiennych, jak zmieniło się R² i wynik testu F ze stopniami swobody. W tabeli współczynników pokaż model pełny. Przy zmiennej kategorialnej dopisz kategorię odniesienia.
Wzór tabeli znajdziesz w haśle tabela regresji w APA. Jak opisać zmienne kategorialne i bloki w całym rozdziale wyników, pokazuje poradnik regresja wieloraka krok po kroku. Przy wielu porównaniach par kategorii po istotnym teście łącznym pamiętaj o problemie wielokrotnych porównań.
Usunięcie bloku w R i SPSS
Kod tworzy dane, szacuje model pełny, usuwa blok zmiennych zero-jedynkowych i testuje zmianę, sprawdza równoważność z dodaniem bloku i pokazuje, co z tym samym czynnikiem robi eliminacja wsteczna.
Model pełny, usunięcie bloku i test F zmiany
R
# Dane symulowane: 210 nauczycieli, wypalenie zawodowe (średnia 1–5), obciążenie pracą, wiek, staż,
# oraz typ szkoły (4 kategorie) zakodowany jako 3 zmienne zero-jedynkowe (odniesienie: podstawowa).
set.seed(206)
N <- 210
szkola <- factor(sample(c("podstawowa", "liceum", "technikum", "branżowa"), N, replace = TRUE),
levels = c("podstawowa", "liceum", "technikum", "branżowa"))
dane <- data.frame(szkola,
obciazenie = round(rnorm(N, 3.2, 0.7), 2),
wiek = round(runif(N, 26, 64)))
dane$staz <- pmax(1, round(dane$wiek - 25 - runif(N, 0, 8)))
efekt_szkoly <- c(podstawowa = 0, liceum = -0.05, technikum = 0.10, `branżowa` = 0.22)
dane$wypalenie <- round(pmin(pmax(1.2 + 0.45 * dane$obciazenie + 0.004 * dane$wiek +
efekt_szkoly[as.character(dane$szkola)] + rnorm(N, sd = 0.55), 1), 5), 2)
dane$d_liceum <- as.numeric(dane$szkola == "liceum")
dane$d_technikum <- as.numeric(dane$szkola == "technikum")
dane$d_branzowa <- as.numeric(dane$szkola == "branżowa")
table(dane$szkola)
# Blok 1 (Enter): wszystkie predyktory
m1 <- lm(wypalenie ~ obciazenie + wiek + staz + d_liceum + d_technikum + d_branzowa, data = dane)
round(coef(summary(m1)), 3)
# Blok 2 (Remove): usuń naraz trzy zmienne zero-jedynkowe typu szkoły
m2 <- update(m1, . ~ . - d_liceum - d_technikum - d_branzowa)
R2 <- c(model_1 = summary(m1)$r.squared, model_2 = summary(m2)$r.squared)
round(c(R2, zmiana_R2 = unname(R2[2] - R2[1])), 4)
anova(m2, m1) # test F zmiany dla usuniętego bloku
# Ten sam test „od drugiej strony”: dodanie bloku do modelu bez niego daje identyczne F
anova(m2, update(m2, . ~ . + d_liceum + d_technikum + d_branzowa))
# Dla porównania: eliminacja wsteczna usuwa zmienne zero-jedynkowe pojedynczo (p > .10)
fp <- function(p) ifelse(p < .001, "< .001", paste("=", sub("^0", "", sprintf("%.3f", p))))
zm <- c("obciazenie", "wiek", "staz", "d_liceum", "d_technikum", "d_branzowa")
repeat {
p <- coef(summary(lm(reformulate(zm, "wypalenie"), data = dane)))[zm, 4]
if (max(p) <= .10) break
cat(sprintf("Eliminacja wsteczna usuwa: %s (p %s)\n", names(which.max(p)), fp(max(p))))
zm <- setdiff(zm, names(which.max(p)))
}
zmWynik w R
podstawowa liceum technikum branżowa
58 51 50 51
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.711 0.468 1.519 0.130
obciazenie 0.458 0.056 8.187 0.000
wiek 0.022 0.016 1.436 0.153
staz -0.017 0.016 -1.043 0.298
d_liceum -0.187 0.097 -1.922 0.056
d_technikum 0.053 0.098 0.541 0.589
d_branzowa 0.082 0.097 0.843 0.400
model_1 model_2 zmiana_R2
0.3018 0.2720 -0.0298
Analysis of Variance Table
Model 1: wypalenie ~ obciazenie + wiek + staz
Model 2: wypalenie ~ obciazenie + wiek + staz + d_liceum + d_technikum +
d_branzowa
Res.Df RSS Df Sum of Sq F Pr(>F)
1 206 54.504
2 203 52.272 3 2.232 2.8893 0.03659 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Analysis of Variance Table
Model 1: wypalenie ~ obciazenie + wiek + staz
Model 2: wypalenie ~ obciazenie + wiek + staz + d_liceum + d_technikum +
d_branzowa
Res.Df RSS Df Sum of Sq F Pr(>F)
1 206 54.504
2 203 52.272 3 2.232 2.8893 0.03659 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Eliminacja wsteczna usuwa: d_technikum (p = .589)
Eliminacja wsteczna usuwa: d_branzowa (p = .504)
Eliminacja wsteczna usuwa: staz (p = .282)
[1] "obciazenie" "wiek" "d_liceum" SPSS
Bibliografia oprogramowania
Wyniki pochodzą z R 4.5.3 (funkcje bazowe).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Najczęstsze błędy
- Ocena zmiennej kategorialnej po pojedynczych współczynnikach. W przykładzie żaden nie był istotny, a cały czynnik – tak. O znaczeniu czynnika rozstrzyga test łączny.
- Usuwanie pojedynczych zmiennych zero-jedynkowych. Zmienia to kategorię odniesienia i sens pozostałych współczynników; zestaw usuwaj w całości.
- Mylenie metody usuwania z eliminacją wsteczną. Usuwanie to zaplanowany test bloku, eliminacja wsteczna – algorytm, który sam wybiera zmienne według p.
- Raportowanie tylko modelu po usunięciu. Interpretuje się model pełny i test zmiany; model zredukowany służy do porównania.
- Brak stopni swobody testu. Zapis „ΔR² istotne” bez F(m, N − p − 1) nie pozwala sprawdzić wyniku.
- Usuwanie zmiennych silnie skorelowanych z innymi bez sprawdzenia współliniowości. W przykładzie wiek i staż przenoszą podobną informację, więc ich osobne współczynniki są nieprecyzyjne; jeśli pytasz o „wiek i staż razem”, usuń je jako jeden blok.
Najczęstsze pytania
Co robi metoda Remove w regresji liniowej SPSS?
Usuwa w jednym kroku wszystkie zmienne wskazane w danym bloku i porównuje model przed usunięciem z modelem po usunięciu. W tabeli Model Summary podaje ujemną zmianę R² i test F tej zmiany. Blok z metodą Remove musi być poprzedzony blokiem, w którym te zmienne wprowadzono.
Czym różni się metoda usuwania od eliminacji wstecznej?
Metoda usuwania usuwa naraz blok wybrany przez badacza i testuje go jednym testem. Eliminacja wsteczna sama wybiera zmienne i usuwa je po jednej według p, przez co może np. rozbić zmienną kategorialną i zostawić w modelu tylko jedną jej zmienną zero-jedynkową.
Jak sprawdzić, czy zmienna kategorialna jest istotna w regresji wielorakiej?
Przetestuj łącznie wszystkie jej zmienne zero-jedynkowe: usuń je jako blok z modelu pełnego (albo dodaj jako blok) i odczytaj test F zmiany. W przykładzie na tej stronie żaden z trzech współczynników typu szkoły nie był istotny, a test łączny dał F(3, 203) = 2.89, p = .037.
Dlaczego zmiana R² po usunięciu bloku jest ujemna?
Model bez bloku ma mniej predyktorów, więc jego R² nie może być wyższe niż w modelu pełnym. Ujemna ΔR² to wariancja, którą wyjaśniał usunięty blok ponad pozostałe zmienne; w raporcie możesz ją podać ze znakiem minus albo jako wkład bloku (wartość bezwzględną).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Regresja wieloraka krok po kroku
Model i hipotezy, przygotowanie danych, założenia i diagnostyka, ΔR², interpretacja b, β i sr², kod R, SPSS i opis APA – na jednym przykładzie.
Czytaj →PoradnikJak czytać wyniki z SPSS
Osiem najczęstszych tabel SPSS: co odczytać, który wiersz wybrać, co znaczy Sig. = .000 i jak przepisać wynik w stylu APA.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Alkharusi, H. (2012). Categorical variables in regression analysis: A comparison of dummy and effect coding. International Journal of Education, 4(2), 202–210. https://doi.org/10.5296/ije.v4i2.1962 ● Otwarty dostęp
- Cohen, J. (1968). Multiple regression as a general data-analytic system. Psychological Bulletin, 70(6, Pt.1), 426–443. https://doi.org/10.1037/h0026714
- Heinze, G., Wallisch, C., & Dunkler, D. (2018). Variable selection – A review and recommendations for the practicing statistician. Biometrical Journal, 60(3), 431–449. https://doi.org/10.1002/bimj.201700067 ● Otwarty dostęp
- Petrocelli, J. V. (2003). Hierarchical multiple regression in counseling research: Common problems and possible remedies. Measurement and Evaluation in Counseling and Development, 36(1), 9–22. https://doi.org/10.1080/07481756.2003.12069076
Cytowania BibTeX
@article{alkharusi2012categorical, author={Alkharusi, Hussain}, title={{Categorical variables in regression analysis: A comparison of dummy and effect coding}}, journal={International Journal of Education}, year={2012}, volume={4}, number={2}, pages={202--210}, doi={10.5296/ije.v4i2.1962}}@article{cohen1968multiple, author={Cohen, Jacob}, title={{Multiple regression as a general data-analytic system}}, journal={Psychological Bulletin}, year={1968}, volume={70}, number={6, Pt.1}, pages={426--443}, doi={10.1037/h0026714}}@article{heinze2018variable, author={Heinze, Georg and Wallisch, Christine and Dunkler, Daniela}, title={{Variable selection – A review and recommendations for the practicing statistician}}, journal={Biometrical Journal}, year={2018}, volume={60}, number={3}, pages={431--449}, doi={10.1002/bimj.201700067}}@article{petrocelli2003hierarchical, author={Petrocelli, John V.}, title={{Hierarchical multiple regression in counseling research: Common problems and possible remedies}}, journal={Measurement and Evaluation in Counseling and Development}, year={2003}, volume={36}, number={1}, pages={9--22}, doi={10.1080/07481756.2003.12069076}}