Hiërarchische regressie is een statistische methode voor het verkennen van de relaties tussen, en het testen van hypothesen over, een afhankelijke variabele en verschillende onafhankelijke variabelen. Lineaire regressie vereist een numeriek afhankelijke variabele. De onafhankelijke variabelen kunnen numeriek of categorisch zijn. Hiërarchische regressie betekent dat de onafhankelijke variabelen niet tegelijkertijd in de regressie worden ingevoerd, maar in stappen. Een hiërarchische regressie kan bijvoorbeeld de relaties tussen depressie (zoals gemeten op een numerieke schaal) en variabelen inclusief demografische gegevens (zoals leeftijd, geslacht en etnische groep) in de eerste fase en andere variabelen (zoals scores op andere tests) onderzoeken. in een tweede fase.

Interpreteer de eerste fase van de regressie.

Kijk naar de niet-standaard regressiecoëfficiënt (die B op uw uitvoer kan worden genoemd) voor elke onafhankelijke variabele. Voor continue onafhankelijke variabelen vertegenwoordigt dit de verandering in de afhankelijke variabele voor elke eenheidswijziging in de onafhankelijke variabele. In het voorbeeld zou, als leeftijd een regressiecoëfficiënt van 2,1 had, dit betekenen dat de voorspelde waarde van depressie toeneemt met 2,1 eenheden voor elk jaar.

Voor categorische variabelen moet de uitvoer een regressiecoëfficiënt voor elk niveau van de variabele behalve één; degene die ontbreekt, wordt het referentieniveau genoemd. Elke coëfficiënt vertegenwoordigt het verschil tussen dat niveau en het referentieniveau voor de afhankelijke variabele. In het voorbeeld, als de etnische referentie-groep "Wit" is en de niet-gestandaardiseerde coëfficiënt voor "Zwart" -1,2 is, zou dit betekenen dat de voorspelde waarde van depressie voor Zwarten 1,2 eenheden lager is dan voor Blanken.

Kijk naar de gestandaardiseerde coëfficiënten (die mogelijk gelabeld zijn met de Griekse letter bèta). Deze kunnen op dezelfde manier worden geïnterpreteerd als de niet-standaard coëfficiënten, maar ze zijn nu in termen van standaardafwijkingseenheden van de onafhankelijke variabele, in plaats van onbewerkte eenheden. Dit kan helpen bij het vergelijken van de onafhankelijke variabelen met elkaar.

Kijk naar de significantieniveaus of p-waarden voor elke coëfficiënt (deze kunnen worden aangeduid als "Pr & gt;" of iets dergelijks). Deze geven aan of de bijbehorende variabele statistisch significant is. Dit heeft een zeer specifieke betekenis die vaak verkeerd wordt weergegeven. Dit betekent dat een coëfficiënt van deze hoogte of hoger in een steekproef van deze grootte waarschijnlijk niet voorkomt als de werkelijke coëfficiënt in de gehele populatie waaruit deze wordt getekend, nul is.

Kijk naar R in het kwadraat. Dit laat zien welk deel van de variatie in de afhankelijke variabele wordt verantwoord door het model.

Interpreteren latere fasen van de regressie, de verandering en het algehele resultaat

Herhaal het bovenstaande voor elke later stadium van de regressie.

Vergelijk de gestandaardiseerde coëfficiënten, niet-standaard coëfficiënten, significantieniveaus en r-kwadraten in elke fase met de vorige stap. Deze kunnen zich in afzonderlijke secties van de uitvoer bevinden of in afzonderlijke kolommen van een tabel. Met deze vergelijking kunt u weten hoe de variabelen in de tweede (of latere) fase van invloed zijn op de relaties in de eerste fase.

Bekijk het volledige model, inclusief alle fasen. Kijk naar de niet-gestandaardiseerde en gestandaardiseerde coëfficiënten en de significantieniveaus voor elke variabele en de R-kwadratuur voor het hele model.

Waarschuwing

Dit is een zeer complex onderwerp.