تحلیل رگرسیون خطی در SPSS یکی از پیچیده‌ترین و پرکاربردترین تحلیل‌ها در رشته‌های مختلف است. تقریباً در تمامی کتاب‌ها و متون مربوط به آموزش SPSS این تحلیل توضیح داده شده است اما آموزش برخی نکات غیرضروری سبب سردرگمی دانشجویان و پژوهشگران می‌گردد. در این آموزش به صورت بسیار ساده و کامل این تحلیل و چگونگی گزارش آن در مقالات و پایان نامه‌ها را به شما توضیح خواهیم داد. با ایران تحقیق همراه باشد.
تحلیل رگرسیون خطی از خانواده تحلیل‌های همبستگی است اما بیشتر به منظور پیش بینی اثر یک یا چند متغیر بر روی یک متغیر دیگر به کار می‌رود. دو نوع عمده تحلیل رگرسیون خطی داریم. رگرسیون خطی تک متغیره برای پیش بینی یک متغیر وابسته توسط یک متغیر مستقل و رگرسیون خطی چند متغیره برای پیش بینی یک متغیر وابسته توسط چند متغیر مستقل.
انواع سبک‌ها تحلیل رگرسیون خطی در SPSS
تحلیل رگرسیون خطی در SPSS را می‌توان به پنج نوع مختلف تقسیم کرد که تنها دو نوع از آن کاربرد زیادی در مقالات و پایان نامه‌ها دارد و از سه نوع دیگر استفاده چندانی نمی‌شود. این پنج نوع تحلیل رگرسیون خطی در SPSS شامل روش ورود یا همزمان، روش گام به گام، روش حذف، روش پیش رونده و روش پس رونده است.
در روش ورود یا همزمان کلیه متغیرهای مستقل به صورت همزمان وارد مدل می‌شوند تا تاثیر همه متغیرهای مهم و غیر مهم بر متغیر وابسته مشخص شود. در روش گام به گام نیز متغیرهای مستقل یک به یک و به ترتیب اهمیت و داشتن بیشترین رابطه وارد مدل می‌شوند. یعنی ورود متغیرها یک به یک صورت می‌گیرد. همان‌گونه که گفته شد سه روش حذف، پیش رونده و پس رونده کاربرد زیادی در پژوهش‌ها ندارند.
نکته: اگر تعداد متغیرهای شما زیاد است و برخی از متغیرها مهم‌تر از برخی دیگر هستند، بهتر است از تحلیل رگرسیون خطی به سبک گام به گام استفاده کنید، در غیر اینصورت از تحلیل به سبک ورود یا همزمان استفاده کنید.
برخی از موضوعاتی که می‌توان از تحلیل رگرسیون خطی در SPSS استفاده کرد
– نقش سبک‌های اسنادی به عنوان پیش‌بین افت تحصیلی
– اثر دوره آموزش خدمت سربازی بر وضعیت تن سنجی جوانان ایرانی
– نقش اعتیاد به اینترنت در پیش بینی احساس تنهایی دانشجویان
– نقش مذهب در توسعه گردشگری مذهبی
نحوه انجام تحلیل رگرسیون خطی در SPSS
مثال: فرض کنید که پژوهشگری قصد بررسی نقش افسردگی، اضطراب و استرس در پیش بینی پیشرفت تحصیلی دانشجویان را دارد. برای این منظور او نمرات ۱۸ دانشجو را گردآوری کرده است و باید از طریق رگرسیون خطی تحلیل خود را انجام دهد. در ادامه تحلیل مربوط به این مثال را خواهید دید.
در منوی بالای SPSS به این مسیر بروید:
Analyze>Regression<Linear
در کادر باز شده، متغیر وابسته یعنی پیشرفت تحصیلی را به کادر Dependent و متغیرهای مستقل یعنی افسردگی، اضطراب و استرس را به کادر Independent وارد می‌کنیم. سپس در گزینه Method می‌توانیم از بین پنج روش یک روش را انتخاب کنیم که توصیه ما استفاده از روش ورود یا Enter و روش گام به گام یا Stepwise است که در اینجا خروجی هر دو مورد و نحوه گزارش آن را آموزش خواهیم داد.
خروجی تحلیل رگرسیون خطی در SPSS به روش ورود یا همزمان
خروجی تحلیل رگرسیون خطی در SPSS به روش گام به گام
نحوه گزارش خروجی تحلیل رگرسیون خطی در SPSS
خروجی تحلیل رگرسیون در حالت استفاده از روش ورود یا همزمان در تصویر زیر آمده است و شما می‌توانید براساس یافته‌های خروجی بالا آن‌ها را در جداول استاندارد زیر گزارش کنید. ستون P نشانگر سطح معناداری است و این یافته نشان می‌دهد که هیچ کدام از دو متغیر افسردگی و استرس نتوانسته اند پیشرفت تحصیلی را پیش بینی کنند. البته جدول زیر برای نمونه آورده شده است و نتایج خروجی بالا نیست. شما باید اعداد به دست آمده در خروجی بالا را طبق جدول زیر وارد کنید.
در جدول زیر یک نمونه از نحوه گزارش تحلیل رگرسیون به روش گام به گام آمده است. طبق اطلاعات جدول خروجی بالا باید جدول زیر را کامل نمایید. در روش گام به گام ابتدا متغیر اول براساس بیشترین میزان تاثیر وارد معاله می‌شود و اگر متغیرهای دیگر هم به صورت معنادار بتوانند بر متغیر وابسته اثرگذار باشند در گام‌های بعدی وارد معادله می‌شوند. اطلاعات وارد شده در جدول زیر براساس خروجی بالا نیست و به عنوان نمونه وارد شده است.
نکات مهم در گزارش خروجی تحلیل رگرسیون خطی در SPSS
علاوه بر توجه به سطوح معنادار، یکی از مهم‌ترین نتایج به دست آمده از تحلیل رگرسیون شاخص Adjusted R2 یا R2 تعدیلی است. این یافته نشان می‌دهد که متغیر مستقل چه میزان متغیر وابسته را پیش بینی می‌کند. برای مثال در جدول بالا افسردگی در گام اول ۰٫۰۸ واحد متغیر پیشرفت تحصیلی را پیش بینی می‌کند که به معنی پیش بینی ۸ درصد از تغییرات این متغیر است. در گام دوم با اضافه شدن اضطراب، این دو متغیر یعنی افسردگی و اضطراب ۰٫۱۱ واحد متغیر پیشرفت تحصیلی را پیش بینی کرده‌اند که بع معنی پیش بینی ۱۱ درصد از تغییرات متغیر وابسته توسط دو متغیر مستقل است.
