رگرسیون سلسله مراتبی

مراحل رگرسیون سلسله‌مراتبی معمولاً به این صورت است:

مدل اولیه (مدل پایه): در ابتدا تنها متغیرهای اصلی و اساسی وارد مدل می‌شوند. این مرحله به‌عنوان مدلی ساده در نظر گرفته می‌شود که فقط تأثیر متغیرهای ابتدایی را بررسی می‌کند.

افزودن متغیرهای اضافی: پس از بررسی مدل اولیه، متغیرهای جدید یا تعدادی از متغیرهای کنترلی به مدل اضافه می‌شوند. این متغیرها ممکن است بر اساس تئوری یا فرضیه‌های تحقیقاتی انتخاب شوند.

مقایسه مدل‌ها: پس از هر مرحله، مدل جدید با مدل‌های قبلی مقایسه می‌شود. مقایسه معمولاً بر اساس آزمون‌های F یا شاخص‌های دیگر ارزیابی مدل مانند R-squared ضریب تعیین صورت می‌گیرد تا مشخص شود که اضافه کردن هر متغیر جدید به مدل چه تأثیری بر قدرت پیش‌بینی مدل دارد.

تحلیل نتایج: تفاوت‌های آماری بین مدل‌ها بررسی می‌شود تا تأثیر هر متغیر بر روی متغیر وابسته روشن گردد. این روش به محققان این امکان را می‌دهد که به طور دقیق‌تر و مؤثرتری بفهمند که کدام متغیرها تأثیر بیشتری دارند.

مزایای رگرسیون سلسله‌مراتبی

قابلیت بررسی تأثیر متغیرهای جدید بر مدل.

توانایی کنترل متغیرهای مزاحم (کنترلی) و مشاهده تأثیر متغیرهای اصلی.

استفاده در تحقیقات علمی و اجتماعی برای درک پیچیدگی روابط بین متغیرها.

این روش در بسیاری از تحقیقات علمی و اجتماعی به‌ویژه در زمینه‌های روانشناسی، جامعه‌شناسی، بازاریابی و دیگر حوزه‌های علوم انسانی کاربرد دارد.

کاربردهای رگرسیون سلسله مراتبی

رگرسیون سلسله‌مراتبی در آمار کاربردهای متنوعی دارد و در بسیاری از تحلیل‌های داده‌های پیچیده به‌ویژه هنگامی که هدف بررسی تأثیرات متغیرهای مختلف به صورت گام‌به‌گام است، بسیار مفید واقع می‌شود. برخی از کاربردهای آن در آمار عبارتند از:

مدل‌سازی روابط پیچیده میان متغیرها: در تحلیل‌های آماری، رگرسیون سلسله‌مراتبی به محققان کمک می‌کند تا روابط میان چندین متغیر مستقل و وابسته را در مراحل مختلف بررسی کنند. این روش به‌ویژه در مواقعی که نیاز به افزودن متغیرهای جدید به مدل و ارزیابی تأثیر آن‌ها وجود دارد، مفید است.

تحلیل اثرات متغیرهای کنترل‌کننده: در مدل‌های آماری، گاهی لازم است که متغیرهای کنترل‌کننده‌ای به مدل اضافه شوند تا تأثیر متغیرهای اصلی بر متغیر وابسته ارزیابی شود. رگرسیون سلسله‌مراتبی این امکان را فراهم می‌کند تا اثرات متغیرهای اضافی به مدل اضافه شده و در هر مرحله اثرات آن‌ها بر نتایج بررسی گردد.

ارزیابی تغییرات مدل در مراحل مختلف: این روش به محققان این امکان را می‌دهد که مدل را به‌طور تدریجی و مرحله‌به‌مرحله بسازند. با اضافه کردن هر متغیر جدید، تأثیر آن بر مدل بررسی می‌شود. این تحلیل به‌ویژه در مطالعاتی که با متغیرهای متعدد سر و کار دارند، مفید است.

تحلیل داده‌های طولی: در تحلیل داده‌های طولی (Longitudinal data) که شامل اندازه‌گیری‌های متعدد در طول زمان از یک نمونه است، رگرسیون سلسله‌مراتبی برای بررسی اثرات زمانی و متغیرهای وابسته به آن استفاده می‌شود. با افزودن متغیرهای مختلف در طول زمان، این روش کمک می‌کند تا ارتباطات پیچیده‌تر تحلیل شوند.

تحلیل داده‌های مقطعی و مقایسه مدل‌ها: در تحلیل داده‌های مقطعی، رگرسیون سلسله‌مراتبی می‌تواند برای مقایسه مدل‌های مختلف و ارزیابی تأثیر متغیرهای مختلف به‌طور مستقل مورد استفاده قرار گیرد. این روش برای شناسایی متغیرهایی که بیشترین تأثیر را بر متغیر وابسته دارند، بسیار مؤثر است.

تحلیل‌های چندگانه و تحلیل‌های مدل‌سازی: رگرسیون سلسله‌مراتبی در تحلیل‌های چندگانه (مثل تحلیل داده‌های چندگروهی) و مدل‌سازی آماری برای بررسی تأثیرات چندین متغیر به‌طور همزمان استفاده می‌شود. به‌ویژه در مدل‌سازی‌هایی که نیاز به ارزیابی مدل‌های مختلف در مراحل مختلف دارند، این روش بسیار کارآمد است.

تجزیه و تحلیل متغیرهای مدنظر در مدل‌های مختلف: در تحلیل‌های آماری که با چندین متغیر سر و کار دارند (مانند تحلیل رگرسیون چندگانه)، رگرسیون سلسله‌مراتبی به محققان این امکان را می‌دهد که تأثیر هر متغیر را به‌طور گام‌به‌گام بررسی کنند. این تحلیل‌ها می‌توانند برای شناسایی بهترین ترکیب از متغیرها در مدل مورد استفاده قرار گیرند.

در مجموع، رگرسیون سلسله‌مراتبی در آمار ابزاری قدرتمند برای تحلیل روابط پیچیده و مدل‌سازی دقیق‌تری از داده‌هاست که به محققان این امکان را می‌دهد که تأثیر متغیرها را در مراحل مختلف مدل به‌طور دقیق ارزیابی کنند.

انجام رگرسیون سلسله مراتبی در spss

برای انجام رگرسیون سلسله‌مراتبی در SPSS، شما می‌توانید مراحل زیر را دنبال کنید:

وارد کردن داده‌ها به SPSS:

ابتدا باید داده‌های خود را وارد SPSS کنید. داده‌ها باید به صورت ستون‌هایی با متغیرهای مستقل (predictors) و متغیر وابسته (dependent variable) تنظیم شده باشند.

انتخاب تحلیل رگرسیون:

در منوی بالای SPSS، از قسمت Analyze، گزینه Regression را انتخاب کرده و سپس Linear را انتخاب کنید.

انتخاب متغیرهای وابسته و مستقل:

در پنجره‌ی رگرسیون خطی، متغیر وابسته (dependent variable) را در قسمت Dependent قرار دهید.

متغیرهای مستقل (independent variables) را در قسمت Independent(s) قرار دهید.

اضافه کردن متغیرها به صورت سلسله‌مراتبی:

در رگرسیون سلسله‌مراتبی، باید متغیرها را به صورت مرحله به مرحله وارد کنید.

در قسمت Block 1 of 1، اولین مجموعه از متغیرهای مستقل (معمولاً متغیرهای اصلی) را وارد کنید.

برای افزودن متغیرهای اضافی به مدل در مراحل بعدی، بر روی دکمه Next کلیک کنید. سپس در مرحله بعدی، متغیرهای اضافی یا کنترل‌کننده‌ها را به مدل اضافه کنید. این متغیرها به مدل وارد می‌شوند و تأثیرات آن‌ها به‌طور جداگانه بررسی می‌شود.

تنظیمات اضافی (اختیاری):

اگر بخواهید تحلیل‌های اضافی مانند آزمون‌های تغییرات F یا بررسی R-Square Change را مشاهده کنید، می‌توانید از گزینه‌های موجود در پنجره رگرسیون استفاده کنید.

برای بررسی مقادیر سطح معنی داری و F در تحلیل‌های گام به گام، می‌توانید گزینه Statistics را انتخاب کرده و مواردی مانند R-Square Change و F Change را فعال کنید.

اجرای مدل:

پس از تنظیم تمامی متغیرها و انتخاب گزینه‌های مورد نظر، بر روی OK کلیک کنید تا رگرسیون سلسله‌مراتبی اجرا شود.

بررسی نتایج:

پس از اجرای مدل، SPSS نتایج را در پنجره خروجی (Output) نمایش می‌دهد.

نتایج شامل R-Square، F-Test، B (ضریب‌های رگرسیون) و Sig. (مقدار p) برای هر مرحله است.

به‌ویژه، بررسی تغییرات R-Square و F Change مهم است، چرا که نشان‌دهنده تأثیر هر مرحله از متغیرهای اضافه‌شده به مدل بر روی متغیر وابسته است.

نکات مهم:

نحوه اضافه کردن متغیرها: در رگرسیون سلسله‌مراتبی، می‌توانید متغیرها را به ترتیبی که می‌خواهید وارد مدل کنید. به‌عنوان مثال، ابتدا متغیرهای اصلی را وارد کرده و سپس متغیرهای کنترلی یا اضافی را اضافه کنید.

تفسیر نتایج: نتایج شامل تغییرات در R-squared است که نشان‌دهنده افزایش یا کاهش قدرت پیش‌بینی مدل با اضافه شدن متغیرهای جدید است. اگر F Change معنادار باشد، این نشان‌دهنده این است که اضافه کردن متغیرهای جدید به مدل تأثیر قابل توجهی داشته است.

با دنبال کردن این مراحل، می‌توانید رگرسیون سلسله‌مراتبی را در SPSS انجام دهید و تأثیرات گام به گام متغیرها را بر متغیر وابسته تحلیل کنید.