Иллюстрированный самоучитель по SPSS 10/11

Взвешенное оценивание (оценка с весами)

В данном примере мы имеем дело с группами случаев, разделенными по годам возраста, для которых независимая переменная имеет всегда одно и то же значение. Исходя из значений зависимой переменной сопоставленных каждому случаю, можно определить дисперсию; обратное значение этой дисперсии применяется обычно в качестве весового фактора для соответствующего случая.

Если подобной группировки данных нет, то пытаются выявить такую связь между дисперсией и переменной, чтобы степень дисперсии была пропорциональна значению данной переменной. При поиске так называемых весовых переменных речь идет о независимой переменной или, если их много, – об одной из независимых переменных. В приведенном примере такой переменной, очевидно, является независимая переменная Alter, по которой и можно проследить изменение дисперсии.

Целью анализа сначала является определение наилучшей возможной степени р. а затем подсчет веса для каждого случая, причем вес для значения переменной х определяется как:

1/хp

  • Выберите в меню Analyze (Анализ) › Regression…(Регрессия) › Weight Estimation… (Взвешенное оценивание)

Откроется диалоговое окно Weight Estimation (Взвешенное оценивание).

Иллюстрированный самоучитель по SPSS 10/11 › Регрессионный анализ › Взвешенное оценивание (оценка с весами)
Рис. 16.27: Диалоговое окно Weight Estimation (Весовая цепка)

  • Перенесите переменную staedte в поле зависимых переменных, а переменную Alter в поля для независимых и для весовых переменных. Согласно с установками по умолчанию оптимальная степень вычисляется в пределе от -2 до 2 с шагом 0.5; измените шаг на 0.2.
  • Щелкните на кнопке опций и в появившемся диалоговом окне активируйте опцию Save best weight as new variable (Сохранить лучший вес, как новую переменную).

Результаты расчета, вывод которых производится в старой табличной форме, выглядят следующим образом:

Source variable .. ALTER Dependent variable.. STAEDTE
Log – likelihood Function =-116.950816 POWERvalue= -2.000
log – likelihood Function =-115.170919 POWERvalue= -1.800
Log – likelihood Function =-113.434617 POWERvalue= -1.600
Log – likelihood Function =-111.746484 POWERvalue= -1.400
Log – likelihood Function =-110.111706 POWERvalue= -1.200
Log – likelihood Function =-108.536154 POWERvalue= -1.000
Log – likelihood Function =-107.026465 POWERvalue= -0.800
Log – likelihood Function =-105.590111 POWERvalue= -0.600
Log – likelihood Function =-104.235463 POWERvalue= -0.400
Log – likelihood Function =-102.971835 POWERvalue= -0.200
Log – likelihood Function =-101.809499 POWERvalue= 0.000
Log – likelihood Function =-100.759655 POWERvalue= 0.200
Log – likelihood Function =-99.834344 POWERvalue= 0.400
Log – likelihood Function =-99.046284 POWERvalue= 0.600
Log – likelihood Function =-98.408623 POWERvalue= 0.800
Log – likelihood Function =-97.934594 POWERvalue= 1.000
Log – likelihood Function =-97.637078 POWERvalue= 1.200
Log – likelihood Function =-97.528092 POWERvalue= 1.400
Log – likelihood Function =-97.618231 POWERvalue= 1.600
Log – likelihood Function =-97.916114 POWERvalue= 1.800
Log – likelihood Function =-98.427890 POWERvalue= 2.000
The Value of POWER Maximizing Log-likelihood Function = 1.400

Оптимальная степень оценивается при помощи логарифма функции правдоподобия; в данном случае максимальное значение получается при значении степени равном 1.4. Это значение используется для определения веса для каждого случая. К примеру, для трехлетнего ребенка вес равен:

1/(31.4)=0.2148

Весовые показатели были добавлены в исходный файл под переменной с именем wgt_1. Затем повторно был выполнен расчет регрессии. Корреляционный коэффициент при этом возрос до 0.90081, а мера определенности до 0.81146. Хотя эти изменения, а также изменение рассчитанных коэффициентов регрессии и констант незначительны, зато стала намного меньше соответствующая им стандартная ошибка.

Если Вы заметили ошибку, выделите, пожалуйста, необходимый текст и нажмите CTRL + Enter, чтобы сообщить об этом редактору.