Regresi Linear

 Regresi linear diguna untuk membuat melihat sejauhmana variabel X (predictors) boleh meramal variabel Y (outcome). Untuk analisis regresi linear, ada 4 benda yang perlu ditafsir dan dilaporkan.

1. 'Kekuatan' model atau sejauhmana model berupaya menjelaskan kepelbagaian skor variabel yang diramal. Kita laporkan nilai R squared. Ia biasanya dihuraikan dalam bentuk persen. cth: Model ini dapat menghuraikan 36.8% varian skor kesejahteraan pekerja.

2. Kesignifikanan model. Kita lihat nilai F dalam jadual ANOVA yang terhasil daripada analisis regresi ini. Jika ia signifikan, kita ada asas untuk meneliti model regresi dengan lebih terperinci yakni melihat pekali-pekali variabel peramal. cth. The regression model is significant, F(2,214) = 61.844, p<.001.

3. Kesignifikanan peramal. Jadual pekali menunjukkan nilai pekali piawai dan nilai pekali bukan piawai. Bagi pekali, ada ujian t (dan nilai p) yang diguna untuk menentukan pekali tersebut signifikan atau tidak. cth: Stres adalah peramal yang significant, b=.568, t=9.274, p<.001. dalam contoh ini, b merujuk kepada pekali bagi stres.

Sebagai tambahan, biasanya pengkaji akan membuat pernyataan tentang aplikasi praktikal dapatan analisis regresi ini. cth: Mengikut model yang terhasil, peningkatan setiap satu unit stres akan memberi .568 unit peningkatan kerisauan.

4. Semakan andaian. Ada beberapa andaian yang perlu disemak seperti (a) hubungan secara linear antara Y dan X, (b) multikolineariti iaitu korelasi antara variabel peramal, (c) kenormalan multivariat (d) homoskedastisiti iaitu sejauhmana taburan residual sama sepanjang garis regresi, dan (e) autokorelasi.