یک پزشک ورزشی می خواهد بداند که آیا تمرین و سن با درصد عضلات بدن ارتباط دارد یا نه. اطلاعات در مورد 243 بیمار مرد در muscle-percent-males.sav آمده است. بخشی از آن در زیر نشان داده شده است.
رگرسیون با اثر مدل
روش اصلی برای دستیابی به این داده ها ، اجرای رگرسیون چندگانه با افزایش سن و ساعت تمرین به عنوان پیش بینی کننده است. با این حال ، پزشک ما انتظار دارد که اثر متقابل مدل بین سن و تمرین تاثیرگزار باشد. او معتقد است که تأثیر تمرین بر روی درصد عضلات با افزایش سن کاهش می یابد. نمودار زیر ایده اصلی را نشان می دهد.
اثر مدل را می توان با ایجاد یک متغیر جدید که این اثر متقابل را نشان می دهد ، آزمایش کرد. ما این کار را در 3 مرحله انجام خواهیم داد:
میانگین مرکزی هر دو پیش بینی کننده: میانگین متغیر را از تمام امتیازات جدا کنید. این نتیجه در پیش بینی های مرکز دارای میانگین صفر است.
محاسبه اثرمتقابل پیش بینی کننده به عنوان محصول میانگین مرکزی پیش بینی كننده ها.
تجزیه و تحلیل رگرسیون چندگانه با 3 پیش بینی: پیش بینی های میانگین مرکزی و پیش بینی اثرمتقابل متقابل.
مراحل 1 و 2 را می توان با دستورات اساسی که در How to Mean Center Predictors in SPSS? آورده شده است انجام می دهیم. اکنون ، یک روش ساده در زیر ارائه خواهیم داد که این مراحل را برای شما انجام می دهد.
بارگیری و نصب ابزار میانگین مرکزی
اول از همه ، شما برای نصب این ابزار به SPSS-Python-Essentials نیاز دارید. این ابزار از SPSS_TUTORIALS_MEAN_CENTER.speقابل بارگیری است.
پس از بارگیری آن ، SPSS را باز کرده و به
Extensions >> Install local extension bundle
بروید مانند تصویر زیر.
برای نسخه های قدیمی SPSS ، به
Utilities >> Install local extension bundle
بروید ممکنه بخواهید SPSS را روی صفحه اصلی نرم افزار بگذارید (که با کلیک راست روی میانبر دسک تاپ آن) صورت میگیرد.
استفاده از ابزارمیانگین مرکزی
ابتدا داده هارا از سایت muscle-percent-males.savباز کنید. پس از نصب کردن ابزار میانگین مرکزی ، آن را در منوی Transform پیدا خواهید کرد.
این یک گفتگوی مانند تصویر زیر باز می شود. توجه داشته باشید که متغیرهای رشته ای در اینجا نشان داده نمی شوند: اینها باید قبل از اینکه در مرکز قرار بگیرند به متغیر عددی تبدیل شوند.
2نام های متغیر برای پیش بینی های مرکزی از یک پیشوند + نام های متغیر اصلی تشکیل شده است. در این مثال ،میانگین مرکزی سن و ساعات تمرین cent_age و cent_thours نامیده می شوند.
4 به صورت اختیاری ، متغیرهای جدیدی ایجاد کنید که تمام اثرات متقابل دو طرفه را در بین پیش بینی های مرکز داشته باشد. برای 2 پیش بینی کننده ، منجر به 1 پیش بینی کننده اثرمتقابل می شود.
5با کلیک روی Paste ، دستور زیر را نتیجه می گیرد. بیایید آن را اجرا کنیم.
*Mean center 2 variables, compute 1 interaction effect and print a checktable.
در نمای متغیر ، توجه داشته باشید که 3 متغیر جدید ایجاد شده است (و دارای برچسب است). دقیقاً این 3 متغیر باید به عنوان پیش بینی کننده در مدل رگرسیون ما وارد شوند. اگر یک جدول بررسی درخواست شده باشد ، یک جدول آمار توصیفی اساسی در پنجره خروجی پیدا خواهید کرد.
توجه داشته باشید که پیش بینی های میانگین مرکزی دقیقاً میانگین های صفر دارند. با این وجود ، انحراف معیار آنها با میانگین گیری تغییر نمی کند – تفاوت این روش با محاسبه عددz چیست.
بنابراین این کار برای ابزار میانگین مرکزی ما انجام می شود. ما تجزیه و تحلیل رگرسیون را با یک اثر متقابل مدل در آموزش های بعدی توضیح خواهیم داد.