איך קוראים פלט רגרסיה ב־SPSS, טבלה אחרי טבלה
גיא לנקרי · · 7 דקות קריאה
מריצים רגרסיה ב־SPSS (Analyze → Regression → Linear), ומקבלים כמה טבלאות מלאות במספרים. לא כולם חשובים באותה מידה. הנה מה לחפש בכל טבלה, ובאיזה סדר.
הדוגמה במדריך מומצאת, להמחשה בלבד: 50 סטודנטים, ובודקים אם שעות למידה מנבאות את ציון המבחן.
טבלה 1: Model Summary, כמה המודל מסביר
| R | R Square | Adjusted R Square | Std. Error of the Estimate |
|---|---|---|---|
| .600 | .360 | .347 | 9.42 |
- R: המתאם בין הציונים שהמודל ניבא לבין הציונים האמיתיים. ברגרסיה עם מנבא אחד, הוא שווה לגודל המתאם פירסון בין שני המשתנים.
- R Square (R²): אחוז השונות במשתנה התלוי שהמודל מסביר. כאן, שעות הלמידה מסבירות 36% מהשונות בציונים.
- Adjusted R Square: אותו רעיון, עם “קנס” על כל מנבא נוסף. ברגרסיה מרובה הוא חשוב, כי R² רגיל תמיד עולה כשמוסיפים מנבאים, גם אם הם לא תורמים כלום.
- Std. Error of the Estimate: בממוצע, בכמה הניבוי טועה, ביחידות של המשתנה התלוי.
טבלה 2: ANOVA, האם המודל מובהק
| Sum of Squares | df | Mean Square | F | Sig. | |
|---|---|---|---|---|---|
| Regression | 2,396 | 1 | 2,396 | 27.00 | .000 |
| Residual | 4,260 | 48 | 88.75 |
הטבלה הזו עונה על שאלה אחת: האם המודל כולו מנבא את המשתנה התלוי טוב יותר מסתם ממוצע?
- F עם דרגות החופש (1 ו־48) הוא סטטיסטי המבחן.
- Sig. הוא ה־p-value. כש־SPSS מציג .000, זה לא אפס. זה אומר שה־p קטן מ־.001, וכך מדווחים אותו: p < .001.
אם Sig. כאן גדול מ־.05, המודל לא מובהק, ואין הרבה טעם לפרש את המקדמים בטבלה הבאה.
טבלה 3: Coefficients, מה כל מנבא תורם
| B | Std. Error | Beta | t | Sig. | |
|---|---|---|---|---|---|
| (Constant) | 55.00 | 3.20 | 17.19 | .000 | |
| שעות למידה | 2.50 | 0.48 | .600 | 5.20 | .000 |
- B (Unstandardized): השינוי בניבוי של המשתנה התלוי על כל יחידה במנבא. כאן: כל שעת למידה נוספת קשורה לציון גבוה ב־2.5 נקודות.
- (Constant): הציון המנובא כשהמנבא שווה אפס, כלומר אפס שעות למידה. לפעמים אין לו פרשנות הגיונית, וזה בסדר.
- Beta (Standardized): אותו מקדם, ביחידות של סטיות תקן. ברגרסיה מרובה משתמשים בו כדי להשוות בין מנבאים שנמדדו בסולמות שונים.
- t ו־Sig.: האם המנבא הזה מובהק. ברגרסיה פשוטה, t בריבוע שווה ל־F מטבלת ה־ANOVA (5.20² ≈ 27).
ברגרסיה מרובה: עוד שלושה דברים
- “כשכל השאר קבוע”: כל B מתאר את הקשר של המנבא למשתנה התלוי כשהמנבאים האחרים במודל נשארים קבועים. לכן מקדם יכול להיראות אחרת מהמתאם הפשוט.
- מי חזק יותר: משווים בין מנבאים לפי Beta, לא לפי B.
- מולטיקולינאריות: אם מסמנים Collinearity diagnostics בתפריט Statistics, מתווספות עמודות Tolerance ו־VIF. ערך VIF גבוה מאוד (כלל אצבע נפוץ: מעל 10, ויש שמחמירים ל־5) מעיד שהמנבאים חופפים מאוד זה לזה.
איך מדווחים בעבודה (APA 7)
ניתוח רגרסיה ליניארית הראה ששעות הלמידה ניבאו באופן מובהק את ציון המבחן, F(1, 48) = 27.00, p < .001, והסבירו 36% מהשונות בציונים (R² = .36). כל שעת למידה נוספת נקשרה לעלייה של 2.5 נקודות בציון, B = 2.50, β = .60, t(48) = 5.20, p < .001.
כמה כללים מ־APA 7 שכדאי לזכור:
- מדווחים p מדויק, עם שתיים או שלוש ספרות אחרי הנקודה (p = .032). הדבר היחיד שיוצא מהכלל הוא p קטן מ־.001, שמדווחים כ־p < .001.
- סימנים סטטיסטיים (F, t, p, B, R) באות נטויה.
- לערכים שלא יכולים להיות גדולים מ־1, כמו p, R² ומתאמים, לא כותבים אפס לפני הנקודה (.36 ולא 0.36).
הסדר שכדאי לזכור
ANOVA קודם (האם יש בכלל מודל), אחר כך Model Summary (כמה הוא מסביר), ורק בסוף Coefficients (מי תורם ובכמה). הסדר הזה גם עונה על רוב השאלות שבודקים שואלים על פלט רגרסיה.