Strona korzysta z plików cookies w celu realizacji usług i zgodnie z polityką plików cookies.
Możesz określić warunki przechowywania lub dostępu do plików cookies w Twojej przeglądarce.

Regresja krokowa

Regresja krokowa jest odmianą analizy regresji (nie tylko regresji liniowej), w której do modelu wprowadzane są jedynie istotne statystycznie zmienne, predyktory, które rzeczywiście „poprawiają” zbudowany model.
 
W analizie zebranych danych bardzo często naukowcy dysponują bardzo dużą liczbą potencjalnych predyktorów
(zmiennych wyjaśniających) mogących mieć wpływ na analizowane zjawisko (zmienna zależna). Jednakże wprowadzanie takiej dużej liczby predyktorów do modelu w zwykłej metodzie wprowadzenia (ENTER) bardzo często nie pozwala na zbudowanie dobrych jakościowo modeli. Należy pamiętać, że dobre modele regresji zakładają występowanie co najmniej 15 obserwacji na jedną zmienną w modelu (licząc zarówno predyktory jak i zmienną zależną). Zatem w przypadku, gdybyśmy chcieli sprawdzić wpływ 100 predyktorów na jakąś zmienną zależną powinniśmy przebadać około 1515 osób (jednostek badanych). Przebadanie tak znacznej liczby osób jest dla naukowców często zbyt czasochłonne i kosztochłonne.
 
Analiza regresji krokowej umożliwia wprowadzenie do modelu tylko tych zmiennych, predyktorów, które istotnie przewidują zmienną zależną. Zatem, z gąszczu czasem zbędnych zmiennych, które niczego nie wnoszą do modelu uzyskujemy te zmienne, które rzeczywiście mają wpływ na predykcję zmiennej zależnej. Co więcej, metoda krokowa pozwala nam na eliminację problemu współliniowości – zobacz: założenie analizy regresji liniowej – czyli silnie skorelowanych ze sobą predyktorów. Kolejno wprowadzane predyktory biorą również pod uwagę wzajemną korelację pomiędzy nimi.

Masz problem z analizą statystyczna? Przejdź
TU! 


Co więcej, zastosowanie regresji krokowej umożliwia naukowcowi na łatwiejszą interpretację uzyskanych wyników, z racji mniejszej liczby wprowadzonych do modelu zmiennych. Model regresji zbudowany w oparciu o procedurę krokową umożliwia zatem zbudowanie optymalnych rozwiązań.
 
Model regresji krokowej polecany jest przede wszystkich w wyżej opisanych sytuacjach.
 
Sama procedura regresji krokowej opiera się na krokowym (jedna zmienna – jeden krok) wprowadzaniu bądź usuwaniu zmiennych z modelu. Metody krokowe można podzielić zatem na dwa rodzaje: metody postępujące, w których na początku w modelu nie ma żadnego predyktora i co krok do modelu wprowadzane są kolejne, istotne statystycznie predyktory bądź też metody wsteczne, w których na początku wprowadzane są wszystkie analizowane predyktory i z każdym krokiem kolejne nieistotne predyktory są usuwane z modelu. Główne metody te oparte są na wartościach progowych wprowadzenia bądź eliminacji zmiennej, tzw. próg wejścia i wyjścia. Wartości te oparte są na statystyce F-Snedecora dla analizy istotności danego predyktora w kontekście predykcji zmiennej zależnej.
 
Metoda regresji krokowej stanowi bardzo użyteczne narzędzie w eksploracji dużej ilości zebranych danych.