Modèle de régression multiple

SPSS Statistics générera quelques tableaux de sortie pour une analyse de régression multiple. Dans cette section, nous vous montrons seulement les trois tables principales nécessaires pour comprendre vos résultats de la procédure de régression multiple, en supposant qu`aucune hypothèse n`a été violée. Une explication complète de la sortie que vous devez interpréter lors de la vérification de vos données pour les huit hypothèses requises pour effectuer une régression multiple est fournie dans notre guide amélioré. Cela inclut les diagrammes de dispersion pertinents et les tracés de régression partielle, l`histogramme (avec une courbe normale superposée), le tracé normal p-p et le tracé q-q normal, les coefficients de corrélation et les valeurs tolérance/vif, les diagnostics de boîtier et les résidus supprimés studentisées. Tous les logiciels le fournissent chaque fois que la procédure de régression est exécutée. Le R2 plus proche est à 1, le meilleur est le modèle et sa prédiction. Notez que dans cette équation, les coefficients de régression (ou coefficients B) représentent les contributions indépendantes de chaque variable indépendante à la prédiction de la variable dépendante. Une autre façon d`exprimer ce fait est de dire que, par exemple, la variable x1 est corrélée avec la variable Y, après avoir contrôlé toutes les autres variables indépendantes. Ce type de corrélation est également appelé une corrélation partielle (ce terme a été utilisé pour la première fois par Yule, 1907).

Peut-être l`exemple suivant clarifiera cette question. Vous trouveraient probablement une corrélation négative significative entre la longueur de cheveux et la taille dans la population (c.-à-d., les personnes courtes ont les cheveux plus longs). Au début, cela peut sembler étrange; Toutefois, si nous devions ajouter la variable genre dans l`équation de régression multiple, cette corrélation disparaîtrait probablement. C`est parce que les femmes, en moyenne, ont des cheveux plus longs que les hommes; ils sont aussi plus courts sur la moyenne que les hommes. Ainsi, après avoir supprimé cette différence de genre en entrant le genre dans l`équation, la relation entre la longueur des cheveux et la hauteur disparaît parce que la longueur des cheveux ne fait aucune contribution unique à la prédiction de la hauteur, au-dessus et au-delà de ce qu`elle partage dans le prédiction avec le sexe variable. Autrement, après avoir contrôlé la variable sexe, la corrélation partielle entre la longueur et la hauteur des cheveux est nulle. Par exemple, vous pouvez utiliser une régression multiple pour comprendre si les performances de l`examen peuvent être prédites en fonction du temps de révision, de l`anxiété de test, de la fréquentation des conférences et du sexe. Alternativement, vous pouvez utiliser la régression multiple pour comprendre si la consommation quotidienne de cigarettes peut être prédit en fonction de la durée du tabagisme, l`âge lorsque commencé à fumer, le type de fumeur, le revenu et le sexe. Note: ne vous inquiétez pas que vous sélectionnez analyser > régression > linéaire…