回归系数t检验公式_如何用分组回归检验调节作用?
![](/assets/blank.gif)
线性回归是使用最为广泛的一种研究方法,其可用于研究X对于Y的研究。分组回归是线性回归的拓展,其实质就是线性回归。比如研究X对于Y的影响,研究查看且对比不同组别时,X对于Y的影响是否有着不一致等。
当调节变量为定类数据,自变量为定量数据,就选择用分组回归的方法进行分析。与分层回归相比,分组回归的结果含义更明确,也更容易解释。
![](/assets/blank.gif)
一、研究背景
当前有一项研究,收集了200份调查问卷,用于研究工作忠诚度(Y)影响。自变量分别为薪水X1、福利X2、同事关系X3。现希望以学历作为分组,研究薪水、福利、同事关系对于工作忠诚度的影响。
二、操作步骤
登录SPSSAU,选择【计量经济研究】--【分组回归】。
![](/assets/blank.gif)
分别将薪水、福利、同事关系三项放入X框;学历放入分组项,工作忠诚度放入Y框。点击开始分析。
![](/assets/blank.gif)
三、结果分析
(1)分组回归模型
![](/assets/blank.gif)
![](/assets/blank.gif)
上表展示的是,分组回归结果以及不同模型的比较情况。图中共有四个模型分别是:整体回归模型,以及学历分别为本科以下,本科和本科以上时3个组别单独得到的回归结果。
从每个模型的样本量中,也可以看出第一个模型为整体模型(样本量200),另外3个模型样本量总和为200。相当于分别筛选出对应学历的样本进行线性回归分析,其中本科以下样本为64人,本科为115人,本科以上21人。由于分组回归会分散每个回归的有效样本量,建议每个组别样本量较多时使用。
如何判断组间系数的差异(即是否有调节作用):
分组回归可分为两步,第一步先针对整体模型进行分析,第二步针对不同组别时的回归模型结果进行分析。分析时可能出现以下情况:
①情况1:当出现整体模型中X对于Y没有影响。即说明X对Y没有影响(不显著,p 值大于0.05),那么第二步基本无意义。
②情况2:当整体模型通过F检验,X对Y有影响。第二步出现一部分组别显著一部分不显著,那么可以直接以某组别时X对Y有影响,某组别时X对Y无影响,作为研究结论(即有调节作用)。
③情况3:当整体模型通过F检验,X对Y有影响。第二步检验中每个组别下都有显著的影响,需要进一步针对回归系数的差异进行检验,如果回归系数具有显著性差异,则有调节效应,反着无调节效应。
根据上表结果,对整体回归模型进行分析:模型通过F检验,说明模型具有统计学意义,薪水和同事关系对工作忠诚度有正向影响关系。
对各分组回归模型进行分析:
当样本学历为本科以下时,薪水和同事关系会正向影响工作忠诚度;
当样本学历为本科水平时,薪水和同事关系会正向影响工作忠诚度;
当学历本科以上水平时,薪水、福利、同事关系均不会对工作忠诚度产生影响,即说明本科以上水平的样本,对于薪水、福利、同事关系的态度,并不会对他们的工作忠诚度产生影响。
(2)回归系数差异检验
![](/assets/blank.gif)
回归系数差异检验结果是对上表结果的补充。如果在上一步回归模型结果中,显示在每个组别下X对于Y均有影响(显著,p 值小于0.05),那么可以通过检验对比回归系数,查看影响幅度是否存在的差异。
如果回归系数的差异显著,则在不同学历情况下,X对Y的影响幅度有显著性差异。即说明学历在X对Y的影响中起到了调节作用。
上表格展示‘薪水’,‘福利’和‘同事关系’分别对于工作忠诚度的影响,以及区分不同学历情况下时的回归系数差异情况。表格中红色部分表示在表1回归模型中有显著影响的结果。
- 薪水对于工作忠诚度的影响,本科以下和本科时,薪水对忠诚度都有显著的正向影响,此时可对比此2个回归系数(0.459和0.312)的差异幅度(t =1.268,p =0.207>0.05),说明本科以下,本科时,薪水对于忠诚都有正向影响,影响幅度并没有明显的差异。
- 同事关系对于工作忠诚度的影响,本科以下或本科时,同事关系对忠诚度都有着正向影响(回归系数分别是0.290和0.649),而且影响幅度有着显著的差异(t =4.323,p =0.000< 0.01),说明同事关系对忠诚度有着正向影响,而且本科学历(相对本科以下时)的影响幅度明显更大。
总结:综上所述,学历在薪水、同事关系对工作忠诚度的影响关系中起到了调节作用。
薪水对于工作忠诚度的影响,在学历为本科以上或本科时,薪水对忠诚度都有显著的正向影响,学历为本科时以上并没有影响。
同事关系对于工作忠诚度的影响,在学历为本科以下或本科时,同事关系都会对忠诚度有着正向影响,且本科学历时同事关系的影响幅度明显更大;但是本科以上学历样本时,同事关系对忠诚度不会产生影响。
四、其他说明
分组回归可用于研究调节作用,同时SPSSAU也提供分层回归分析(进阶方法->分层回归)或直接使用SPSSAU调节作用(问卷研究->调节作用)。
以上就是本次分享的内容,登录SPSSAU官网了解更多。
SPSSAU:如何分析调节作用?zhuanlan.zhihu.com
![](/assets/blank.gif)
SPSSAU | 在线SPSS分析软件www.spssau.com?100001000
![](/assets/blank.gif)
回归系数t检验公式_如何用分组回归检验调节作用?相关推荐
- 如何用分组回归检验调节作用?
线性回归是使用最为广泛的一种研究方法,其可用于研究X对于Y的研究.分组回归是线性回归的拓展,其实质就是线性回归.比如研究X对于Y的影响,研究查看且对比不同组别时,X对于Y的影响是否有着不一致等. 当调 ...
- 回归系数t检验公式_两独立样本的秩和检验——Mann-Whitney检验
两组独立样本的非参数检验与其t检验相对,主要是用于不满足正态分布的小样本,一般用Wilcoxon秩和检验,又称Mann-Whitney 检验. 这里我们想指出一点的是,人们往往对正态性的关注更多一些, ...
- typora 公式_如何用Typora写Markdown上传至知乎
如何用Typora写Markdown上传至知乎 [TOC] 起因 知乎自带的编辑器太恶心了,于是想要在typora本地编辑之后,使用知乎的上传md功能进行同步,但是发现会缺失图像和公式.优化思路如下: ...
- 分组数据方差公式_连续变量假设检验 之 单因素方差检验
单因素方差分析概述 单因素设计方差分析也称之为一维方差分析,是研究一个研究因素不同水平(K ≥3)间的计量变量比较,也就是用于检验一个因素取不同水平时某因变量均值是否有显著变化.在进行分析同时,还可进 ...
- 分类任务如何用逻辑回归实现_如何用逻辑回归构建金融评分卡模型?(上)
虽然现在出现了很多性能优秀的分类算法,包括svm,RF,GBDT,DNN等,作为最简单的分类算法,lr依然是工业界主流的分类算法之一.那么lr到底有什么魔力,即使面对如此众多的 "高手&qu ...
- 两个PDF比较标出差异_[连玉君专栏]如何检验分组回归后的组间系数差异?
连玉君 (中山大学岭南学院金融系) Stata连享会 主页 || 视频 || 推文 连享会-知乎推文列表 Note: 助教招聘信息请进入「课程主页」查看. 因果推断-内生性 专题 ⌚ 2020.1 ...
- graphpad如何检测方差齐_如何用 GraphPad prism进行 t 检验?
t 检验,主要用于样本含量较小(例如 n<30),总体标准差 σ 未知的正态分布资料,其中又将其分为了配对 t 检验和成组 t 检验. 一.原理及意义 配对 t 检验:又称配对样本均数 t 检验 ...
- 均值差异大但是t检验不显著_如何理解均值差异性检验:方差分析?
均值差异性检验是数据分析的重要部分,在各行各业都有广泛应用,例如,验证某种新药是否有效:某个工艺改进是否能成功:某产品的营销措施是否起作用等. 均值差异性检验的另一个方法:方差分析,它与Z检验和T检验 ...
- 假设检验之双样本Z检验公式在转化率指标和数值型指标上的应用
一.转化率指标 1.1 理论公式 1.2 EXCEL公式 对照组样本量和转化:N1,P1 实验组样本量和转化:N2,P2 z_score = (P1 - P2) / SQRT( P1*(1-P1)/N ...
最新文章
- VC四种程序启动画面的制作方法
- db设计专用excel_注塑模具设计与加工解决方案
- Windows 操作系统的安全设置
- 第一次spring,第三天。
- 两种选择排序算法:简单选择排序、堆排序
- Oracle学习:表的创建、修改、重命名、删除、闪回
- 深度学习实践:计算机视觉_深度学习与传统计算机视觉技术:您应该选择哪个?
- Springboot项目整合redis集群
- array 前端面试题_一则关于js数组的前端面试题
- 在linux中emacs安装package.el
- 商业认知,在创业的时候,有人今天做服装不赚钱,就换了餐饮;换了餐饮业不赚钱,又继续换?
- 译文-Minor GC vs Major GC vs Full GC
- 学习FFmpeg API – 解码视频
- 埃文科技教你如何验证IP地址定位的准确率
- Java面试:java简历包装医疗项目
- Spring Boot应用在kubernetes的sidecar设计与实战
- 如何找到刑事案件的辩点(律师角度)
- xy苹果助手未受信任_【安全问题】关于苹果信任问题
- 网易跨域实现笔记以及顺便发现的XSS
- pr怎样进行素材嵌套