Słownik metodologiczny · Regresja

Regresja krzywoliniowa

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Regresja krzywoliniowa

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Regresja krzywoliniowa?

Regresja krzywoliniowa opisuje zależność, której nachylenie zmienia się wraz z poziomem predyktora. Krzywiznę można modelować na przykład składnikiem kwadratowym, splajnem albo funkcją nieliniową; interpretacja wymaga wykresu przewidywań w zakresie obserwowanych danych.
Co odróżnia to pojęcie? Regresja krzywoliniowa opisuje relację, której nachylenie zmienia się w zakresie predyktora, na przykład przez składnik kwadratowy, splajn lub model nieliniowy. Wykrycie krzywizny wymaga danych w całym interesującym zakresie i wykresu przewidywań. Współczynnik składnika X² nie interpretuje się osobno jak stałego efektu; podaje się punkt zwrotny, nachylenia lub przewidywane wartości.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Stosuj, gdy teoria lub wykres sugerują zmianę nachylenia; zachowaj składniki niższego rzędu i pokaż punkt zwrotny w obserwowanym zakresie.

Regresja krzywoliniowa sprawdza, czy związek zmienia nachylenie w zakresie X, na przykład tworzy krzywą U. Wycentruj predyktor, uwzględnij składniki niższego rzędu i pokaż przewidywania w obserwowanym zakresie; sam istotny wyraz kwadratowy nie wystarcza do nazwania punktu zwrotnego.

Jak to się oblicza i co oznaczają symbole?

Ŷ = b₀ + b₁X + b₂X² + e

Wyraz b₂X² pozwala nachyleniu zmieniać się wraz z X. Sam b₁ opisuje nachylenie tylko przy X = 0, dlatego zmienną często centruje się w punkcie o sensownej interpretacji. Znak b₂ wskazuje kierunek krzywizny, lecz pełny kształt najlepiej przedstawić jako przewidywane wartości z przedziałami w obserwowanym zakresie danych.

Jak poprawnie stosować i interpretować hasło „Regresja krzywoliniowa”?

W przypadku pojęcia „Regresja krzywoliniowa” należy określić zmienną wynikową, skalę predyktorów, kategorię referencyjną oraz dokładne znaczenie współczynnika warunkowego. Przy ocenie hasła „Regresja krzywoliniowa” model powinien odpowiadać pytaniu i zawierać zmienne wybrane na podstawie teorii, a nie wyłącznie automatycznej selekcji. W analizie dotyczącej hasła „Regresja krzywoliniowa” dla predyktorów ciągłych trzeba sprawdzić postać funkcji, natomiast interakcje interpretować przez przewidywane wartości w sensownym zakresie danych.

Ocena pojęcia „Regresja krzywoliniowa” obejmuje wykresy reszt, heteroskedastyczność, obserwacje wpływowe, współliniowość i stabilność specyfikacji. Dla interpretacji hasła „Regresja krzywoliniowa” wysokie R² nie wyklucza obciążenia, a niskie R² nie czyni ważnego współczynnika bezużytecznym. W odniesieniu do hasła „Regresja krzywoliniowa” w analizie predykcyjnej konieczna jest walidacja poza próbą; w analizie wyjaśniającej ważniejsze są identyfikacja i sens przyczynowy kontroli.

Co trzeba opisać w raporcie?

Raport dotyczący „Regresja krzywoliniowa” powinien podać równanie lub listę bloków predyktorów, sposób kodowania, liczebność, estymaty współczynników z przedziałami ufności, R² oraz właściwą diagnostykę. Przy ocenie hasła „Regresja krzywoliniowa” dla modeli porównywanych należy pokazać kryterium porównania i przyrost wyjaśniania, a dla interakcji — efekty proste lub wykres przewidywań.

Zakres raportowania dla hasła „Regresja krzywoliniowa”: B/β = …, 95% CI […], p = …; R²/skorygowany R², diagnostyka i N.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Związek liczby godzin nauki z wynikiem egzaminu rósł do około 18 godzin tygodniowo, a potem się wypłaszczał. Model z wyrazem kwadratowym odtwarzał ten kształt lepiej niż jedna prosta.

Jak ją zinterpretować: Istotny składnik nieliniowy wskazuje, że tempo lub kierunek zmiany Y zależy od poziomu X. Wniosek należy pokazać na wykresie przewidywań i ograniczyć do zakresu danych, unikając mechanicznej ekstrapolacji.

Najczęstsza pułapka i granica interpretacji

Wyraz kwadratowy bez odpowiedniego składnika liniowego i wykresu może prowadzić do mylącej interpretacji.

Współczynnik związany z „Regresja krzywoliniowa” jest zależny od pozostałych składników modelu i zakresu danych. Dla interpretacji hasła „Regresja krzywoliniowa” nie powinien być interpretowany przyczynowo bez projektu i założeń identyfikacyjnych, a ekstrapolacja poza obserwowany zakres może być całkowicie nietrafna.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Reszty regresjiRegresja hierarchicznaRegresja liniowaRegresja logistycznaRegresja prostaRegresja wieloraka

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
  2. Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R