Słownik metodologiczny · Regresja

Regresja prosta

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

Strona główna / Słownik / Regresja prosta

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Regresja prosta?

Regresja prosta jest modelem liniowym z jednym predyktorem. Nachylenie opisuje oczekiwaną zmianę wyniku przy wzroście predyktora o jednostkę, lecz nie jest skorygowane o inne zmienne i bez odpowiedniego projektu nie ma automatycznie znaczenia przyczynowego.
Co odróżnia to pojęcie? Regresja prosta ma jeden predyktor i wyraz wolny. Nachylenie opisuje zmianę oczekiwanej wartości Y przy jednostkowej zmianie X, bez warunkowania na inne zmienne. Dzięki temu jest łatwa do pokazania na wykresie, lecz szczególnie podatna na zakłócenie. Nie jest przeciwieństwem regresji nieliniowej: prostota odnosi się tutaj do liczby predyktorów.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Wykorzystuj do opisu niekorygowanego związku jednego predyktora z wynikiem, bez przypisywania współczynnikowi znaczenia przyczynowego.

Regresja prosta zawiera jeden predyktor, dzięki czemu nachylenie opisuje niekorygowaną zmianę średniej Y przy wzroście X o jednostkę. Nie oznacza to relacji przyczynowej; wykres danych, nietypowe obserwacje i możliwe zmienne zakłócające nadal mogą zasadniczo zmienić wniosek.

Jak to się oblicza i co oznaczają symbole?

Ŷ = b₀ + b₁X

b₁ opisuje zmianę oczekiwanej wartości Y przypadającą na jedną jednostkę X, a b₀ przewidywany Y przy X = 0. Ponieważ model zawiera tylko jeden predyktor, współczynnik nie jest skorygowany o możliwe zmienne zakłócające. Reszty e = Y − Ŷ pokazują część wyniku nieodtworzoną przez prostą.

Jak poprawnie stosować i interpretować hasło „Regresja prosta”?

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

Ocena pojęcia „Regresja prosta” obejmuje wykresy reszt, heteroskedastyczność, obserwacje wpływowe, współliniowość i stabilność specyfikacji. Dla interpretacji hasła „Regresja prosta” wysokie R² nie wyklucza obciążenia, a niskie R² nie czyni ważnego współczynnika bezużytecznym. W odniesieniu do hasła „Regresja prosta” 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 prosta” powinien podać równanie lub listę bloków predyktorów, sposób kodowania, liczebność, estymaty współczynników z przedziałami ufności, R² oraz właściwą diagnostykę. Przy ocenie hasła „Regresja prosta” dla modeli porównywanych należy pokazać kryterium porównania i przyrost wyjaśniania, a dla interakcji — efekty proste lub wykres przewidywań.

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

Przykład praktyczny i gotowa interpretacja

Sytuacja: Model z jednym predyktorem oceniał zmianę koncentracji wraz z czasem snu. Współczynnik nie jest efektem skorygowanym o wiek, kofeinę ani inne możliwe zakłócenia.

Jak ją zinterpretować: Nachylenie opisuje nieskorygowany związek jednego X z Y w wybranej postaci liniowej. Pominięte zmienne mogą go zakłócać, a zgodność z linią trzeba sprawdzić na wykresie i w resztach.

Najczęstsza pułapka i granica interpretacji

Model z jednym X jest podatny na zakłócenia i nie daje automatycznie całkowitego efektu przyczynowego.

Współczynnik związany z „Regresja prosta” jest zależny od pozostałych składników modelu i zakresu danych. Dla interpretacji hasła „Regresja prosta” 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 krzywoliniowaRegresja liniowaRegresja logistycznaRegresja 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