A regressão hierárquica é um método estatístico de explorar as relações entre e testar hipóteses sobre uma variável dependente e várias variáveis ​​independentes. A regressão linear requer uma variável dependente numérica. As variáveis ​​independentes podem ser numéricas ou categóricas. Regressão hierárquica significa que as variáveis ​​independentes não são inseridas na regressão simultaneamente, mas em etapas. Por exemplo, uma regressão hierárquica pode examinar as relações entre depressão (medida por alguma escala numérica) e variáveis ​​incluindo dados demográficos (como idade, sexo e grupo étnico) no primeiro estágio e outras variáveis ​​(como pontuações em outros testes). em um segundo estágio.

Interprete o Primeiro Estágio da Regressão.

Veja o coeficiente de regressão não-padronizado (que pode ser chamado de B em sua saída) para cada variável independente. Para variáveis ​​independentes contínuas, isto representa a mudança na variável dependente para cada mudança de unidade na variável independente. No exemplo, se a idade tivesse um coeficiente de regressão de 2,1, isso significaria que o valor previsto de depressão aumentaria em 2,1 unidades para cada ano de idade.

Para variáveis ​​categóricas, a saída deve mostrar um coeficiente de regressão para cada nível da variável, exceto um; o que falta é chamado de nível de referência. Cada coeficiente representa a diferença entre esse nível e o nível de referência na variável dependente. No exemplo, se o grupo étnico de referência for "Branco" e o coeficiente não padronizado para "Preto" for -1,2, isso significaria que o valor previsto de depressão para negros é 1,2 unidade mais baixo que para brancos.

Observe os coeficientes padronizados (que podem ser rotulados com a letra grega beta). Estes podem ser interpretados de forma semelhante aos coeficientes não padronizados, apenas eles estão agora em termos de unidades de desvio padrão da variável independente, ao invés de unidades brutas. Isso pode ajudar na comparação das variáveis ​​independentes entre si.

Veja os níveis de significância, ou valores de p, para cada coeficiente (estes podem ser rotulados como "Pr >" ou algo similar). Estes informam se a variável associada é estatisticamente significativa. Isto tem um significado muito particular que é muitas vezes deturpado. Isso significa que é improvável que um coeficiente tão alto ou mais alto em uma amostra desse tamanho ocorra se o coeficiente real, em toda a população da qual ele é extraído, for 0.

Olhe para R ao quadrado. Isso mostra que proporção da variação na variável dependente é contabilizada pelo modelo.

Interpretar Etapas posteriores da regressão, a mudança e o resultado geral

Repetir o acima para cada posterior estágio da regressão.

Comparar os coeficientes padronizados, coeficientes não padronizados, níveis de significância e r-squareds em cada estágio até o estágio anterior. Eles podem estar em seções separadas da saída ou em colunas separadas de uma tabela. Essa comparação permite que você saiba como as variáveis ​​no segundo estágio (ou posterior) afetam os relacionamentos no primeiro estágio.

Observe o modelo inteiro, incluindo todos os estágios. Veja os coeficientes não padronizados e padronizados e os níveis de significância para cada variável e o R ao quadrado para todo o modelo.

Aviso

Este é um assunto muito complexo.