Słownik metodologiczny · Regresja

Regresja wieloraka – wzór, współczynniki cząstkowe, b i β oraz przykład

Regresja wieloraka przewiduje wynik na podstawie kilku predyktorów naraz, a każdy jej współczynnik opisuje związek „przy kontroli pozostałych”. Pokazujemy, dlaczego współczynnik zmienia się po dodaniu skorelowanego predyktora, czym różnią się b, β i sr² oraz jak opisać wynik w APA.

Strona główna / Słownik / Regresja wieloraka
W skrócie: Regresja wieloraka to regresja liniowa z co najmniej dwoma predyktorami: Y = b0 + b1X1 + … + bkXk + e. Każdy współczynnik jest cząstkowy – opisuje związek predyktora z wynikiem przy stałych wartościach pozostałych predyktorów, dlatego zwykle różni się od współczynnika z regresji prostej. W pracy podaj R² z testem F, a dla predyktorów b z 95% CI i β; sprawdź też współliniowość (VIF).

Co to jest regresja wieloraka?

Regresja wieloraka (regresja wielokrotna, ang. multiple regression) to regresja liniowa z co najmniej dwoma predyktorami. Model opisuje średni wynik ilościowej zmiennej zależnej jako sumę wkładów kilku predyktorów, a każdy współczynnik pokazuje związek danego predyktora z wynikiem przy stałym poziomie pozostałych. Schober i Vetter (2021) opisują regresję liniową właśnie jako narzędzie do ilościowego opisu związku jednej lub wielu zmiennych niezależnych z ciągłą zmienną zależną.

W psychologii regresję wieloraką stosuje się z trzech powodów: by sprawdzić, czy predyktor wiąże się z wynikiem także po uwzględnieniu innych zmiennych (np. czy wsparcie społeczne wiąże się z mniejszym nasileniem objawów depresji niezależnie od ruminacji), by przewidywać wynik na podstawie kilku informacji naraz i by ocenić, ile wariancji wyjaśnia cały zestaw zmiennych. Model z jednym predyktorem to regresja prosta. Pełną analizę – od przygotowania danych przez diagnostykę po tabelę APA – pokazujemy w poradniku regresja wieloraka krok po kroku.

Wzór i współczynniki cząstkowe

Y = b0 + b1X1 + b2X2 + … + bkXk + e
  • b0 – stała: przewidywany Y, gdy wszystkie predyktory są równe zero;
  • bj – współczynnik cząstkowy: o ile zmienia się przewidywany Y, gdy Xj rośnie o jednostkę, a pozostałe predyktory mają te same wartości;
  • e – błąd, czyli ta część wyniku, której predyktory nie wyjaśniają.

Współczynniki szacuje się metodą najmniejszych kwadratów. Kluczowe jest słowo „cząstkowy”: bj opiera się na tej części zmienności Xj, której nie da się przewidzieć z pozostałych predyktorów. Dlatego współczynnik zwykle się zmienia, gdy do modelu dołączy skorelowany z nim predyktor. Dla dwóch predyktorów widać to wprost we wzorze na współczynnik standaryzowany:

β1 = (rY1 − rY2 × r12) / (1 − r12²)

Gdy predyktory są nieskorelowane (r12 = 0), β1 równa się zwykłej korelacji rY1. Im silniej X1 i X2 są ze sobą powiązane, tym bardziej β1 odbiega od rY1. Bliskimi krewnymi współczynników cząstkowych są korelacja cząstkowa i korelacja semicząstkowa.

Cały model ocenia się za pomocą współczynnika determinacji R², czyli odsetka wariancji Y wyjaśnionego przez wszystkie predyktory razem, oraz testu F, który sprawdza, czy model wyjaśnia więcej niż sama średnia. Ponieważ R² rośnie po dodaniu każdego predyktora, obok niego podaje się R² skorygowane. Predyktory jakościowe (np. płeć, warunek eksperymentalny) wprowadza się jako zmienne zero-jedynkowe – zob. dummy coding.

Współczynniki b, β i sr² – co mówi każdy z nich

Miary wkładu predyktora w regresji wielorakiej
MiaraCo mówiKiedy jej używać
b (niestandaryzowany)Zmiana Y w jego jednostkach na 1 jednostkę predyktora, przy stałych pozostałychZawsze – to podstawowy wynik; podawaj go z 95% CI
β (standaryzowany)Zmiana Y w odchyleniach standardowych na 1 SD predyktora (po standaryzacji)Do porównania predyktorów mierzonych na różnych skalach w tym samym modelu
sr² (kwadrat korelacji semicząstkowej)Jaką część wariancji Y wyjaśnia wyłącznie ten predyktorDo oceny unikalnego wkładu; suma sr² jest mniejsza od R², gdy predyktory się pokrywają

Nathans i in. (2012) przestrzegają przed opieraniem interpretacji wyłącznie na wagach β: przy skorelowanych predyktorach daje to ograniczony obraz ich znaczenia. Autorzy proponują zestawiać kilka uzupełniających się miar ważności – w praktyce studenckiej wystarczy pokazać obok siebie b z przedziałem ufności, β i sr².

Przykład: ruminacje, wsparcie i sen a objawy depresyjne

W badaniu 150 dorosłych (dane symulowane) zmierzono nasilenie objawów depresyjnych (0–60; M = 16.26, SD = 8.39), skłonność do ruminacji (22–88; M = 45.55, SD = 10.85), wsparcie społeczne (1–7; M = 5.11, SD = 1.11) i średni czas snu (M = 6.92 godziny, SD = 0.92). Objawy depresyjne korelowały z ruminacjami (r = .66), wsparciem (r = −.43) i snem (r = −.40). Predyktory były jednak powiązane także ze sobą: osoby o silniejszych ruminacjach miały mniejsze wsparcie (r = −.43) i krócej spały (r = −.41). Rysunek 1 porównuje współczynniki z trzech osobnych regresji prostych ze współczynnikami z jednej regresji wielorakiej.

Porównanie współczynników b z 95% przedziałami ufności: ruminacje 0.51 w regresji prostej i 0.41 w wielorakiej, wsparcie społeczne −3.28 i −1.32, sen −3.60 i −1.22; po uwzględnieniu pozostałych predyktorów współczynniki wsparcia i snu zmalały o około dwie trzecie
Rysunek 1. Współczynniki b z 95% przedziałami ufności dla każdego predyktora: niebieskie – z regresji prostej (predyktor sam w modelu), czerwone – z regresji wielorakiej (przy kontroli dwóch pozostałych predyktorów). Każdy panel ma własną skalę, bo predyktory mierzono w różnych jednostkach. Obliczenia: R (dane symulowane).

W regresjach prostych każda dodatkowa godzina snu wiązała się z wynikiem niższym o 3.60 punktu, a każdy punkt wsparcia – o 3.28 punktu. W regresji wielorakiej te współczynniki zmalały o 66% i 60%, do −1.22 i −1.32, bo część związku snu i wsparcia z objawami pokrywa się ze związkiem ruminacji z objawami. Współczynnik ruminacji zmalał mniej: z 0.51 do 0.41 (o 20%). To samo widać w R²: osobno predyktory wyjaśniały 44%, 19% i 16% wariancji, a razem nie 78%, lecz 48%. Wzór na β pokazuje ten mechanizm na liczbach: w modelu z samymi ruminacjami i wsparciem β ruminacji wynosi (.66 − (−.43) × (−.43)) / (1 − .43²) = .58, czyli mniej niż korelacja .66.

Wyniki regresji wielorakiej objawów depresyjnych
Predyktorb95% CI dla bβt(146)p
Stała12.75[0.14, 25.35]—2.00.048
Ruminacje0.41[0.30, 0.52]0.537.51< .001
Wsparcie społeczne−1.32[−2.31, −0.32]−0.17−2.62.010
Sen (godziny)−1.22[−2.41, −0.04]−0.13−2.05.043

Model wyjaśniał 48% wariancji objawów, R² = .48, skorygowane R² = .47, F(3, 146) = 44.85, p < .001. Interpretacja współczynnika ruminacji brzmi: dwie osoby o takim samym wsparciu (5 punktów) i śnie (7 godzin), z których jedna ma 40, a druga 60 punktów ruminacji, mają przewidywane wyniki 14.03 i 22.24 punktu. Według β najsilniej z objawami wiążą się ruminacje (β = 0.53), a wsparcie i sen mają mniejsze, choć istotne współczynniki cząstkowe.

Założenia i liczebność próby

Regresję wieloraką obowiązują te same założenia co regresję prostą: liniowość, niezależność obserwacji, stała wariancja i – w małych próbach – normalność reszt, a nie samych zmiennych (Williams i in., 2013). Dochodzą do nich dwie kwestie typowe dla wielu predyktorów:

  • Współliniowość. Silnie skorelowane predyktory zawyżają wariancje współczynników, przez co wartości p i przedziały ufności stają się niewiarygodne. Kim (2019) jako sygnał problemu podaje VIF powyżej 5–10. W przykładzie VIF nie przekraczał 1.40.
  • Liczebność próby. W symulacjach Austina i Steyerberga (2015) do trafnego oszacowania współczynników, ich błędów standardowych i przedziałów ufności wystarczały około dwie obserwacje na predyktor, ale nieobciążone R² wymagało znacznie więcej osób. To dolna granica precyzji, a nie liczebność zapewniająca odpowiednią moc testu – tę zaplanuj osobno (zob. dobór liczebności próby).

Sprawdź też, czy wyniku nie wyznacza kilka nietypowych osób (odległość Cooka). Gdy predyktory dodajesz zgodnie z teorią w kolejnych blokach i chcesz wiedzieć, ile wyjaśnia każdy blok, zastosuj regresję hierarchiczną.

Jak opisać regresję wieloraką w pracy (APA)

Podaj R², skorygowane R² i test F modelu, a dla każdego predyktora b z 95% CI, β i p. Dodaj zdanie o diagnostyce. Wzór dla przykładu:

Aby sprawdzić, czy ruminacje, wsparcie społeczne i czas snu pozwalają przewidywać nasilenie objawów depresyjnych, przeprowadzono analizę regresji liniowej wielorakiej. Model był istotny i wyjaśniał 48% wariancji objawów, R² = .48, skorygowane R² = .47, F(3, 146) = 44.85, p < .001. Przy kontroli pozostałych zmiennych silniejsze ruminacje wiązały się z większym nasileniem objawów, b = 0.41, 95% CI [0.30, 0.52], β = 0.53, p < .001, a większe wsparcie społeczne, b = −1.32, 95% CI [−2.31, −0.32], β = −0.17, p = .010, i dłuższy sen, b = −1.22, 95% CI [−2.41, −0.04], β = −0.13, p = .043 – z mniejszym nasileniem objawów. Współliniowość predyktorów była niska (VIF ≤ 1.40).

Przy trzech i więcej predyktorach zbierz wyniki w tabeli – wzór z notą znajdziesz w haśle tabela regresji w APA.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, liczy trzy regresje proste i regresję wieloraką, współczynniki β, VIF oraz przewidywane wyniki dwóch osób różniących się ruminacjami. Liczby w tekście, tabeli i na rysunku pochodzą z tego kodu.

Regresje proste a regresja wieloraka

Dane wejściowe: 150 osób (dane symulowane, set.seed(315)): objawy depresyjne (0–60), ruminacje (22–88), wsparcie społeczne (1–7), czas snu (godziny).

Co odczytać: współczynniki b z regresji prostych i z kolumny Estimate modelu wielorakiego, Multiple R-squared, Adjusted R-squared i test F, przedziały z confint(), β z standardize_parameters() i VIF.

R
library(effectsize)   # standardize_parameters()
library(car)          # vif()

# Dane symulowane: 150 dorosłych – objawy depresyjne (0–60), ruminacje (22–88),
# wsparcie społeczne (1–7) i średni czas snu (godziny)
set.seed(315)
n <- 150
z_rum <- rnorm(n)
z_wsp <- -0.45 * z_rum + sqrt(1 - 0.45^2) * rnorm(n)
z_sen <- -0.25 * z_rum + 0.10 * z_wsp + sqrt(1 - 0.25^2 - 0.1^2) * rnorm(n)
ruminacje <- pmin(pmax(round(46 + 11 * z_rum), 22), 88)
wsparcie  <- pmin(pmax(round((5.1 + 1.1 * z_wsp) * 12) / 12, 1), 7)
sen       <- pmin(pmax(round((6.8 + 0.9 * z_sen) * 4) / 4, 4), 9.5)
depresja  <- 17 + 0.42 * (ruminacje - 46) - 1.2 * (wsparcie - 5.1) -
  1.3 * (sen - 6.8) + rnorm(n, sd = 7)
depresja  <- pmin(pmax(round(depresja), 0), 60)
dane <- data.frame(depresja, ruminacje, wsparcie, sen)
round(sapply(dane, function(x) c(M = mean(x), SD = sd(x))), 2)
round(cor(dane), 2)

# Trzy regresje proste – każdy predyktor osobno
round(sapply(c("ruminacje", "wsparcie", "sen"),
             function(v) unname(coef(lm(reformulate(v, "depresja"), data = dane))[2])), 2)

# Regresja wieloraka – wszystkie predyktory naraz
model <- lm(depresja ~ ruminacje + wsparcie + sen, data = dane)
summary(model)
round(confint(model), 2)
standardize_parameters(model)   # β
vif(model)

# Przewidywanie: dwie osoby różniące się tylko ruminacjami (40 i 60 punktów)
round(predict(model, data.frame(ruminacje = c(40, 60), wsparcie = 5, sen = 7)), 2)
Wynik w R
Loading required package: carData
   depresja ruminacje wsparcie  sen
M     16.26     45.55     5.11 6.92
SD     8.39     10.85     1.11 0.92
          depresja ruminacje wsparcie   sen
depresja      1.00      0.66    -0.43 -0.40
ruminacje     0.66      1.00    -0.43 -0.41
wsparcie     -0.43     -0.43     1.00  0.24
sen          -0.40     -0.41     0.24  1.00
ruminacje  wsparcie       sen 
     0.51     -3.28     -3.60 

Call:
lm(formula = depresja ~ ruminacje + wsparcie + sen, data = dane)

Residuals:
    Min      1Q  Median      3Q     Max 
-16.101  -3.964  -1.123   4.452  18.224 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 12.74794    6.37829   1.999  0.04750 *  
ruminacje    0.41067    0.05466   7.513 5.32e-12 ***
wsparcie    -1.31528    0.50230  -2.619  0.00976 ** 
sen         -1.22410    0.59833  -2.046  0.04257 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 6.115 on 146 degrees of freedom
Multiple R-squared:  0.4796,	Adjusted R-squared:  0.4689 
F-statistic: 44.85 on 3 and 146 DF,  p-value: < 2.2e-16

            2.5 % 97.5 %
(Intercept)  0.14  25.35
ruminacje    0.30   0.52
wsparcie    -2.31  -0.32
sen         -2.41  -0.04
# Standardization method: refit

Parameter   | Std. Coef. |         95% CI
-----------------------------------------
(Intercept) |   1.99e-16 | [-0.12,  0.12]
ruminacje   |       0.53 | [ 0.39,  0.67]
wsparcie    |      -0.17 | [-0.30, -0.04]
sen         |      -0.13 | [-0.26,  0.00]
ruminacje  wsparcie       sen 
 1.401764  1.230921  1.214797 
    1     2 
14.03 22.24 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunek przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. 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/
  2. effectsize (wersja 1.0.2): Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
  3. car (wersja 3.1.5): Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. https://www.john-fox.ca/Companion/
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Pomijanie dopisku „przy kontroli pozostałych”. Współczynnik z modelu wielorakiego to nie to samo co związek „surowy”: w przykładzie wsparcie miało b = −3.28 w regresji prostej i −1.32 w wielorakiej.
  • Porównywanie b predyktorów mierzonych na różnych skalach. Punkt ruminacji i godzina snu to inne jednostki. Do porównań używaj β lub sr² – i nie traktuj kolejności β jako rozstrzygającej (Nathans i in., 2012).
  • „Predyktor przestał być istotny, więc nie ma związku”. Brak istotności w modelu wielorakim oznacza tylko, że predyktor nie wnosi w tej próbie istotnego wkładu ponad pozostałe; jego zwykła korelacja z wynikiem nadal może być wyraźna.
  • Dobór predyktorów metodą krokową. Automatyczne dodawanie i usuwanie zmiennych według p dopasowuje model do przypadkowych cech próby – zob. metoda krokowa. Predyktory wybieraj na podstawie teorii.
  • Zbyt wiele predyktorów w małej próbie. Model z dziesięcioma predyktorami na 40 osobach daje szerokie przedziały ufności, testy o małej mocy i wyraźnie zawyżone R².
  • Język przyczynowy. Statystyczna kontrola zmiennych nie zastępuje eksperymentu: niezmierzona zmienna zakłócająca może tłumaczyć zarówno predyktor, jak i wynik.

Najczęstsze pytania

Co to jest regresja wieloraka?

To regresja liniowa z co najmniej dwoma predyktorami. Model przewiduje średni wynik zmiennej zależnej na podstawie kilku zmiennych naraz, a każdy współczynnik b opisuje związek predyktora z wynikiem przy stałych wartościach pozostałych predyktorów. Dopasowanie całego modelu opisuje R².

Czym różni się regresja wieloraka od regresji prostej?

Regresja prosta ma jeden predyktor, a jej nachylenie opisuje związek „surowy”. W regresji wielorakiej współczynniki są cząstkowe – uwzględniają, że predyktory są ze sobą skorelowane. W przykładzie z tej strony współczynnik wsparcia społecznego wynosił −3.28 w regresji prostej i −1.32 w regresji wielorakiej.

Co znaczy „przy kontroli pozostałych zmiennych” w regresji?

Że współczynnik predyktora porównuje osoby, które mają takie same wartości pozostałych predyktorów w modelu. Statystycznie bj opiera się na tej części zmienności predyktora, której nie da się przewidzieć z pozostałych predyktorów. Kontrola obejmuje tylko zmienne uwzględnione w modelu – nie zastępuje eksperymentu.

Ile obserwacji na jeden predyktor potrzeba w regresji wielorakiej?

Zależy to od oczekiwanej wielkości efektu i liczby predyktorów, dlatego liczebność najlepiej wyznaczyć analizą mocy, np. w G*Power. Symulacje Austina i Steyerberga (2015) pokazują, że około dwie obserwacje na predyktor wystarczają do trafnego oszacowania samych współczynników, ale to nie gwarantuje wystarczającej mocy testów ani nieobciążonego R².

Czy w regresji wielorakiej można użyć zmiennej jakościowej?

Tak. Zmienną o dwóch kategoriach koduje się jako 0 i 1, a zmienną o k kategoriach – jako k − 1 zmiennych zero-jedynkowych z jedną kategorią odniesienia (dummy coding). Współczynnik takiej zmiennej to różnica średnich między kategorią a grupą odniesienia przy stałych pozostałych predyktorach.

Jak zrobić regresję wieloraką w SPSS?

Wybierz Analiza → Regresja → Liniowa (Analyze → Regression → Linear), wskaż zmienną zależną i wszystkie predyktory, metoda: Wprowadzania (Enter). W oknie Statystyki zaznacz przedziały ufności, dopasowanie modelu, korelacje cząstkowe i semicząstkowe oraz diagnostykę współliniowości. Współczynniki b i β odczytasz w tabeli Współczynniki.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Austin, P. C., & Steyerberg, E. W. (2015). The number of subjects per variable required in linear regression analyses. Journal of Clinical Epidemiology, 68(6), 627–636. https://doi.org/10.1016/j.jclinepi.2014.12.014 ● Otwarty dostęp
  2. Kim, J. H. (2019). Multicollinearity and misleading statistical results. Korean Journal of Anesthesiology, 72(6), 558–569. https://doi.org/10.4097/kja.19087 ● Otwarty dostęp
  3. Nathans, L. L., Oswald, F. L., & Nimon, K. (2012). Interpreting multiple linear regression: A guidebook of variable importance. Practical Assessment, Research, and Evaluation, 17, Article 9. https://doi.org/10.7275/5fex-b874 ● Otwarty dostęp: pełny tekst
  4. Schober, P., & Vetter, T. R. (2021). Linear regression in medical research. Anesthesia & Analgesia, 132(1), 108–109. https://doi.org/10.1213/ANE.0000000000005206 ● Otwarty dostęp
  5. Williams, M. N., Grajales, C. A. G., & Kurkiewicz, D. (2013). Assumptions of multiple regression: Correcting two misconceptions. Practical Assessment, Research, and Evaluation, 18, Article 11. https://doi.org/10.7275/55hn-wk47 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{austin2015number, author={Austin, Peter C. and Steyerberg, Ewout W.}, title={{The number of subjects per variable required in linear regression analyses}}, journal={Journal of Clinical Epidemiology}, year={2015}, volume={68}, number={6}, pages={627--636}, doi={10.1016/j.jclinepi.2014.12.014}}
@article{kim2019multicollinearity, author={Kim, Jong Hae}, title={{Multicollinearity and misleading statistical results}}, journal={Korean Journal of Anesthesiology}, year={2019}, volume={72}, number={6}, pages={558--569}, doi={10.4097/kja.19087}}
@article{nathans2012interpreting, author={Nathans, Laura L. and Oswald, Frederick L. and Nimon, Kim}, title={{Interpreting multiple linear regression: A guidebook of variable importance}}, journal={Practical Assessment, Research, and Evaluation}, year={2012}, volume={17}, eid={9}, doi={10.7275/5fex-b874}}
@article{schober2021linear, author={Schober, Patrick and Vetter, Thomas R.}, title={{Linear regression in medical research}}, journal={Anesthesia \& Analgesia}, year={2021}, volume={132}, number={1}, pages={108--109}, doi={10.1213/ane.0000000000005206}}
@article{williams2013assumptions, author={Williams, Matt N. and Grajales, Carlos A. G. and Kurkiewicz, Dason}, title={{Assumptions of multiple regression: Correcting two misconceptions}}, journal={Practical Assessment, Research, and Evaluation}, year={2013}, volume={18}, eid={11}, doi={10.7275/55hn-wk47}}
R