Słownik metodologiczny · Regresja

Regresja wieloraka

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

Strona główna / Słownik / Regresja wieloraka

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Regresja wieloraka?

Regresja wieloraka zawiera co najmniej dwa predyktory. Każdy współczynnik opisuje warunkowy związek danego predyktora z wynikiem przy stałych wartościach pozostałych zmiennych, dlatego zależy od ich doboru, kodowania i współliniowości.
Co odróżnia to pojęcie? Regresja wieloraka zawiera co najmniej dwa predyktory, a każdy współczynnik ma interpretację warunkową przy stałych wartościach pozostałych. Dodanie zmiennych może ograniczać zakłócenie, ale może też kontrolować mediator lub kolider. Trzeba ocenić współliniowość, obserwacje wpływowe i wspólny zakres danych. Model wieloraki nie staje się przyczynowy wyłącznie dzięki większej liczbie kolumn.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Stosuj do estymacji związków warunkowych przy wielu predyktorach, dbając o poprawny zestaw zmiennych i współliniowość.

Regresja wieloraka szacuje związek każdego predyktora z Y przy stałych wartościach pozostałych zmiennych w modelu. Taka interpretacja wymaga sensownego zestawu zmiennych, kontroli współliniowości i poprawnej postaci funkcji; automatyczne dodanie wielu kolumn nie tworzy dobrej kontroli zakłóceń.

Jak to się oblicza i co oznaczają symbole?

Ŷ = b₀ + b₁X₁ + … + bₚXₚ

Każdy bⱼ opisuje zmianę oczekiwanego Y przy wzroście danego predyktora o jednostkę i utrzymaniu pozostałych predyktorów na stałym poziomie. Taka interpretacja jest warunkowa względem dokładnie tego zestawu zmiennych. Współliniowość może zwiększać niepewność współczynników, nawet gdy cały model dobrze przewiduje wynik.

Jak poprawnie stosować i interpretować hasło „Regresja wieloraka”?

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

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

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

Przykład praktyczny i gotowa interpretacja

Sytuacja: W jednym modelu uwzględniono sen, aktywność, wiek i obciążenie pracą. Współczynnik snu opisuje jego unikatowy związek z wynikiem przy stałych wartościach pozostałych predyktorów.

Jak ją zinterpretować: Każdy współczynnik przedstawia unikatową relację przy stałych pozostałych predyktorach. Wysoka współliniowość, interakcje lub nieliniowość mogą zmieniać jego znaczenie, dlatego nie należy interpretować tabeli bez diagnostyki modelu.

Najczęstsza pułapka i granica interpretacji

Dodanie wielu predyktorów bez planu zwiększa niestabilność i może prowadzić do kontroli mediatorów lub koliderów.

Współczynnik związany z „Regresja wieloraka” jest zależny od pozostałych składników modelu i zakresu danych. Przy ocenie hasła „Regresja wieloraka” 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 prosta

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