آموزش کاربرد مدل تحلیل رگرسیون لجستیک در spss

آموزش کاربرد مدل تحلیل رگرسیون لجستیک در spss در انجام پایان نامه روانشناسی و علوم تربیتی و مشاوره بحثی است که در این مقاله به آن پرداخته ایم.

آموزش کاربرد مدل تحلیل رگرسیون لجستیک در SPSS

تحلیل رگرسیون لجستیک یکی از روش‌های آماری است که برای پیش‌بینی یک متغیر وابسته دودویی (که دارای دو حالت مانند بله/خیر، موفق/شکست و غیره باشد) استفاده می‌شود. در این آموزش، نحوه اجرای مدل رگرسیون لجستیک در نرم‌افزار SPSS و تفسیر نتایج آن را به طور کامل آموزش خواهیم داد.

 رگرسیون لجستیک

مدل رگرسیون لجستیک برای پیش‌بینی احتمال وقوع یک رویداد به کار می‌رود. این مدل به طور خاص زمانی کاربرد دارد که متغیر وابسته شما دودویی باشد (یعنی دو حالت داشته باشد). به طور مثال، اگر شما بخواهید پیش‌بینی کنید که یک بیمار مبتلا به بیماری خاص است یا خیر، یا اینکه یک دانش‌آموز در امتحان قبولی می‌شود یا خیر، رگرسیون لجستیک به کار می‌آید.

تعریف رگرسیون لجستیک

در رگرسیون لجستیک، هدف پیش‌بینی احتمال وقوع یک وضعیت (یعنی متغیر وابسته) است. این مدل با استفاده از متغیرهای مستقل (که می‌توانند پیوسته یا گسسته باشند) پیش‌بینی می‌کند که احتمال وقوع یک حالت از متغیر وابسته چه مقدار خواهد بود.

مراحل اجرای مدل رگرسیون لجستیک در SPSS

برای اجرای مدل رگرسیون لجستیک در SPSS، باید چند مرحله را دنبال کنید. در این بخش، این مراحل را به طور گام به گام شرح خواهیم داد:

مرحله 1: وارد کردن داده‌ها

اولین قدم در تحلیل رگرسیون لجستیک، وارد کردن داده‌ها به نرم‌افزار SPSS است. برای این کار:

• بر روی "File" کلیک کنید و گزینه "Open" را انتخاب کنید.
• فایل داده‌ای که قصد دارید آنالیز کنید (مثلاً فایل Excel یا CSV) را انتخاب کرده و باز کنید.

مرحله 2: انتخاب تحلیل رگرسیون لجستیک

پس از وارد کردن داده‌ها، به بخش Analyze بروید و گزینه Regression را انتخاب کنید. سپس از زیرمنوها، گزینه Binary Logistic را انتخاب کنید.

مرحله 3: مشخص کردن متغیرهای مدل

در پنجره تحلیل رگرسیون لجستیک، باید متغیرهای خود را مشخص کنید:

• متغیر وابسته (که باید دودویی باشد) را در کادر "Dependent" قرار دهید.
• متغیرهای مستقل (که ممکن است پیوسته یا گسسته باشند) را در کادر "Covariates" قرار دهید.

مرحله 4: تنظیمات اضافی و اجرا

در این مرحله می‌توانید تنظیمات اضافی را انجام دهید. به عنوان مثال، می‌توانید گزینه‌های مربوط به تعامل‌ها (Interactions) یا تنظیمات خروجی را انتخاب کنید. سپس بر روی "OK" کلیک کنید تا تحلیل انجام شود.

تفسیر نتایج تحلیل رگرسیون لجستیک

پس از انجام تحلیل، SPSS نتایج مختلفی را ارائه می‌دهد که در آن‌ها می‌توانید اطلاعات زیادی پیدا کنید. در این بخش، به بررسی نتایج خواهیم پرداخت.

خروجی‌ها و نحوه تفسیر آن‌ها

SPSS خروجی‌های مختلفی را تولید می‌کند که در ادامه برخی از آن‌ها را بررسی می‌کنیم:

• جدول "Variables in the Equation": این جدول نشان می‌دهد که هر یک از متغیرهای مستقل چه تأثیری بر متغیر وابسته دارند. در این جدول، باید به ضریب (B) و مقدار "Sig." توجه کنید. مقدار "Sig." نشان‌دهنده معنی‌داری آماری متغیرها است.
• آمار آزمون "Likelihood Ratio" و "Chi-Square": این آزمون‌ها به شما کمک می‌کنند تا مدل رگرسیون لجستیک را ارزیابی کنید. اگر مقدار "Sig." کمتر از 0.05 باشد، مدل معنادار است.

تفسیر ضرایب و احتمال‌ها

ضرایب (B) که در جدول "Variables in the Equation" نشان داده می‌شوند، به شما اطلاعاتی می‌دهند که چگونه هر متغیر مستقل بر احتمال وقوع متغیر وابسته تأثیر می‌گذارد. برای تفسیر این ضرایب، معمولاً از مدل "Exp(B)" استفاده می‌شود که نسبت شانس (Odds Ratio) را نشان می‌دهد. این مقدار نشان‌دهنده این است که برای هر واحد افزایش در متغیر مستقل، احتمال وقوع یا عدم وقوع رویداد چقدر تغییر می‌کند.

مثال عملی

در این قسمت، یک مثال عملی از رگرسیون لجستیک را بررسی خواهیم کرد. فرض کنید می‌خواهیم پیش‌بینی کنیم که آیا یک دانش‌آموز در امتحان قبول می‌شود یا خیر، با استفاده از متغیرهای سن و نمرات قبلی.

    در این مثال:
    - متغیر وابسته: قبول/رد (کدگذاری شده به صورت 1 و 0)
    - متغیر مستقل: سن و نمرات قبلی
    

تحلیل رگرسیون لجستیک ابزاری قدرتمند برای پیش‌بینی رویدادهای دودویی است. با استفاده از SPSS، می‌توانید به راحتی این تحلیل را انجام دهید و نتایج آن را تفسیر کنید. آشنایی با نحوه وارد کردن داده‌ها، تنظیم مدل، و تفسیر خروجی‌ها به شما کمک می‌کند تا از این مدل در تحقیقات و پروژه‌های خود بهره ببرید.

آموزش تکمیلی رگرسیو لجستیک

رگرسیون لجستیک:

فرض کنید می خواهیم تاثیر عوامل جنسیت، وضعیت اشتغال و محل سکونت را بر روی وضعیت عضویت افراد در احزاب مختلف کشور بررسی کنیم.

بنابراین عامل وضعیت عضویت افراد در احزاب را متغیر پاسخ و سایر عوامل ذکر شده را متغیرهای توضیحی می نامیم.

در واقع این مثال را می توان به صورت یک مدل رگرسیونی تحلیل نمود. وقتی متغیر پاسخ دو سطحی و متغیرهای توضیحی عوامل طبقه بندی شده باشند مدل رگرسیونی را مدل لوجیت می نامند.

اگر سطوح متغیر پاسخ را با 1 و 2 نشان دهیم در این صورت می توان تغییرات پاسخ در اثر سطوح مختلف متغیرهای توضیحی را با احتمال شرطی،P1|i2,…im=P{متغیرهای توضیحی در سطوح مختلف | متغیر پاسخ در سطح 1} بیان کرد.

اگر تحت مدل چندجمله ای،Pi1,i2,…imرا احتمال مشاهده ی نمونه در خانه ی(i1,..,im)فرض کنیم در این صورت داریم:

مقادیر بزرگ تابع لوجیت، متناظر مقادیر x نزدیک به 1 و مقادیر کوچک آن،متناظر مقادیر x نزدیک به صفراند.

بنابراین مقادیر لوجیت وقتی بزرگ است که با احتمال زیاد در سطوح(i2,..,im)متغیرهای توضیحی،سطح متغیر پاسخ برابریک باشد و لوجیت وقتی منفی و کوچک است که با احتمال زیاد در سطوح (i2,..,im) متغیرهای توضیحی،سطح متغیر پاسخ برابر دو باشد.

اگر logit(P1|i2…..im) معلوم باشد می توان اثر متغیرهای توضیحی را بر احتمال مشاهده ی سطح اول پاسخ مطالعه نمود. زیرا:

استفاده از چندین رگرسور (پیشگوکننده):

فرض کنید یک آزمایش خونی کشف شده استکه وضعیت قبل از بیماری را که در سنین میان سالی وبه علت مصرف سیگار یا الکل ایجاد می شود را مشخص می کند.

بر این اساس صد نفر از نظر وجود این وضعیت پیش از بیماری مورد آزمایش قرار گرفتند و مصرف سیگار یا الکل در آن ها ثبت گردید (داده های آن در انتهای فصل آمده است). همانند رگرسیون چندگانه باید امیدوار باشیم که با استفاده از دو رگرسیور یا بیشتر، پیش بینی بهتری انجام دهیم.

در این حالت فرض این است که لوجیت موردنظر تابع خطی رگرسورها باشد. بنابراین: Log it = A+B1(x1)+B2(x2) که در آن:میزان مصرف سیگارx1=میزان مصرف الکلx2= احتمال وضعیت خونی برای سطح خاصی از مصرف سیگار از روی تابع لوجستیک پیش بینی شده است.

تفسیر ضرایب رگرسیون به خاطر بیاورید که در رگرسیون دو متغیر ساده،ضریب زاویه خط رگرسیون، متوسط تغییر در متغیر معیار است که به دنبال یک واحد تغییر در متغیر رگرسور پیش می آید. در رگرسیون لجستیک که به جای واحدهای اصلی با لگاریتم ها سروکار داریم.

مسئله به این سادگی نیست. فرض کنید که B = 1\5 باشد، یعنی یک واحد افزایش در سیگار کشیدن (مثلا 10 نخ سیگار) موجب افزایش لوجیت وضعیت خونی به میزان ...می شود. اگر عبارت elogit را میزان شانس بنامیم به سادگی به دست می آید: e1/5=4/48 اما یک مسئله ی دیگر نیز وجود دارد.

هنگامی که لگاریتم ها با هم جمع می شوند، اعداد اصلی ضرب می شوند. به عبارت دیگر وقتی لگاریتم شانس 5/1واحد افزایش می یابد، مقدار شانس در 48/4ضرب می شود. یعنی احتمال رخ دادن پیش آمد چهار و نیم برابر افزایش می یابد.

مثالی با سه رگرسور جدول زیر اطلاعات مربوط به چهار عامل دو سطحی را نشان می دهد.

این عوامل عبارتند از: A: عضویت در حزب، B: جنس، C: وضعیت اشتغال، D: محل سکونت که A متغیر پاسخ و B ، C و ِD متغیرهای توضیحی اند.

ابتدا متغیرها را همانند شکل زیر تعریف کرده و وارد SPSS کنید.

سپس با دستور Weight Case متغیر Count را وزن دار کنید. هم اکنون داده های مثال، آماده ی انجام رگرسیون لجستیک می باشد که به صورت زیر عمل می کنیم:

                                                                         Analyze         

                                    Regression

Binary Logistic

1- متغیر وابسته (عضویت در حزب) را به کادر Dependent منتقل کنید.

2- سه متغیر جنسیت،وضعیت اشتغال و محل سکونت را به کادر Covariaters انتقال دهید.

روی دکمه ی Option کلیک نمایید تا کادر مکالمه ی آن باز شود، در کادر Statistics and plots روی گزینه ی Hosmer-Lemeshow goodness of fit کلیک کنید و همچنین برای این که سیر تکرارها را دلشته باشیم گزینه ی Interation history را انتخاب نمایید.

برروی دکمه ی Continue و سپس از آن بر روی OK کلیک نمایید.

خروجی رگرسیون لجستیک بعد از خلاصه ای از تعداد موارد خوانده شده و کدهای داخلی SPSS برای طبقه های متغیر معیار، خروجی به دو بخش تقسیم می شود.

این دو بخش دارای دو عنوانBlock1:Method=Enter و Block0:Beginning Blockمی باشد.

بلوک صفر نتایج آنالیزی را گزارش می کند که تنها مقدار ثابت در آن وجود دارد و در این آنالیز به تمامی موارد،احتمال یکسانی برای متعلق بودن به طبقه هدف از متغیر وابسته داده می شود.

از آنجایی که از 2924 شرکت کننده در مطالعه تنها 213 نفر، در حزب عضویت دارند، نرم افزار SPSS براورده می کند که هیچ کدام از موارد در طبقه هدف قرار نمی گیرند.

(اگر بیشتر از نیمی از شرکت کننده ها، عضویت را دارا بودند، جدول Classification میزان موفقیت اولیه را قبل از این که رگرسوری وارد شود،ارائه می کند).

این جدول نشان می دهد 100% مواردی که در حزب عضویت ندارند به درستی پیش بینی شده اند.

همچنین نشان می دهد که شرکت کنندگان در حدود 93% موارد به درستی طبقه بندی شده اند.

بلوک 1 نتایج آنالیز رگرسیون بعد از آن که رگرسورها وارد شدند را نشان می دهد.

حال جدول طبقه بندی فرقی با بلوک صفر نمی کند. (در این مثال خاص)