رکرسیون چند متغیره در این بخش ، نحوه استفاده از windows spss را برای اجرای تحلیل های رگرسیون چند متغیره به طور خلاصه توضیح دهیم .
این توضیح کاملا ساده است . باید مطالعات بیشتری در مورد رگرسیون چند متغیره قبل از استفاده ان در تحقیق خود ، داشته باشید .
یکی از مراجع خوب تاباکنیک و فیدل (2007)است که نظریه زیربنایی ، انواع مختلف تحلیل های رگرسیون چند متغیره و مفروضه های لازم را توضیح می دهد.
رگرسیون چند متغیره فقط یک روش نیست بلکه خانواده ای از روش ها است که می توان برای بررسی رابطه بین یک متغیر وابسته پیوسته وچند متغیر مستقل یا پیش بینی کننده (که معمولا پیوسته هستند) به کار برد.
رگرسیون چند متغیره مبتنی بر همبستگی است ولی امکان بررسی تخصصی تر روابط متقابل بین یک مجموعه متغیرها را فراهم می کند .
این ویژگی آن را برای بررسی سؤالات ازمایشگاهی مناسب می سازد .
با این حال ، نمی توانید متغیرها را درون رگرسیون چند متغیره قرار دهید و امید وار باشید که به طور جادویی، پاسخ ها به دست بیاید .
باید یک دلیل نظری یا مفهومی کامل برای تحلیل و به ویژه ترتیب متغیر هایی که وارد معادله می کنید داشته باشید .
از رگرسیون چند متغیره به عنوان یک اردوی ماهیگیری استفاده نکنید.
رگرسیون چند متغیره را می توان برای پرداختن به انواع سؤالات تحقیق به کار برد .
این روش به شما می گوید که یک مجموعه متغیر تا چه اندازه قادر به پیش بینی عملکرد در یک کار خاص است برای مثال ، ممکن است بخواهید قابلیت پیش بینی عملکدو در یک کار خاص را توسط مجموعه ای از مقیاس های فرعی یک ازمون هوش بررسی کنید .
رگرسیون چند متغیره اطلاعاتی در مورد این مدل به طور کلی (همه مقیاس های فرعی )و سهم نسبی هر یک از متغیرها ی سازنده مدل (تک تک مقیاس های فرعی)به شما می دهد .
رگرسیون چند متغیره به عنوان بسط این مطلب ، به شما امکان می دهد ازمون کنید که ایا اضافه کردن یک متغیر (مثلا انگیزش )به قدرت پیش بینی این مدل علاوه بر متغیر هایی که قبلا در مدل وارد شده ، کمک می کند.
رگرسیون چند متغیره را می توان برای کنترل اماری یک متغیر دیگر (یا چند متغیر ) نیزهنگام بررسی قابلیت پیش بینی این مدل به کار برد .
برخی انواع اصلی سؤالات تحقیق که می توان رگرسیون چند متغیره رادر مورد ان ها استفاده کرد عبارتند از:
*یک مجموعه از متغیرها تا چه اندازه می تواند یک پیامد خاص را پیش بینی کند؟،
*کدام متغیر در مجموعه متغیرها بهترین پیش بینی کننده یک پیامد است؟، و
*ایا یک متغیر پیش بینی کننده خاص همچنان قادر به پیش بینی یک پیامد پس از کنترل اثرات یک متغیردیگر است (مثلا، پاسخ دهی مطلوب اجتماعی)؟
