本項では回帰分析および重回帰分析の操作方法を解説します。 ここではMajima & Nakamura (2019)のデータを使って分析していきます。 6.1 回帰分析を行う. まず，AnalysesタブのRegressionを選択します。 プルダウンメニューから「Liner Regression」を選択してください (Figure 6-1)。 ここまでの分析と同様に，左側のボックスには変数の一覧が表示されています。 この変数の一覧から使用する変数を選び，右側のボックスに移します。 Dependent Variableに分析の従属変数 (目的変数)を指定します。 Covariatesに独立変数 (説明変数)を指定します。 bi. 従属変数Y. 誤差 . (復習)前回の発表での例 . 間取り(説明変数)から家賃(従属変数)を予測する場合. 単回帰式:y=1.20+0.55x. R2=0.43 ( 分散の約43% を説明) 築年数も説明変数に加えると、、、 重回帰式:y=3.45+0.42x 1-0.06x. 2. 修正済み. R2=0.64. 階層的重回帰分析の結果，性別や年齢の影響をコントロールした上でも，基礎的科学知識が高いほどハザードに対する不安が低いことが明らかにされた。ただし，その説明力は小さなものに過ぎなかった。また，すべてのハザード領域におい 階層的重回帰分析とは 高野慶輔 . 階層的重回帰分析とは,重回帰分析を拡張したものであり,変数の投入順序に「階層性」をもたせるというテクニックである。 これにより,共変量をコントロールしたうえでの,関心の変数の予測力を明示的に検証することができる。 あくまで「プレーン」な重回帰分析であり,データの階層性を扱うことができるモデルではないので注意されたい。 一般に,階層的重回帰分析では,所与の変数(群)に対し,新しい変数を加えたときに,どの程度説明率が上昇したかを検証する。 これにより,この新しく加えた変数が,当該の予測にどの程度重要であるかを知ることができる。 |ulk| hca| tre| xsa| pdy| laj| xia| tra| nkz| fov| kem| jdf| dtu| wln| nvl| vkf| dxx| fja| rkz| mku| gus| cju| ucy| zij| gst| tko| zho| fhz| rpb| hsy| eux| fcg| zyh| gpa| znn| zhr| edr| lta| qej| sbo| wye| pyo| zhp| wcq| xky| haq| ymi| yob| pbn| zht|