رگرسيون چند متغيري چيست ؟رگرسيون چند متغيري ( multiple regression ) روشي آماري است كه اجازه مي دهد نمره يك فرد در يك متغير را بر اساس نمره هاي او در چندين متغير ديگر پيش بيني كنيم . ارائه مثالي در اين زمينه مي تواند سودمند باشد . فرض كنيد مي خواهيم پيش بيني كنيم يك فرد از شغلش چقدر لذت مي برد . متغيرهايي مانند درآمد ، ميزان تحصيلات ، سن ، جنسيت ، سابقه خدمت و وضعيت اقتصادي – اجتماعي ، همه مي تواند به رضايت شغلي كمك كند . اگر داده هاي مربوط به اين متغيرها را فرضاً به وسيله نظر سنجي از چند صد عضو از اعضاء جامعه جمع آوري كنيم ، خواهيم ديد كه از ميان متغيرهاي ذكر شده كداميك رضايت از شغل را مي تواند پيش بيني كند و كداميك اين كار را دقيق تر مي تواند انجام دهد . شايد بتوانيم نشان دهيم كه نوع حرفه ، حقوق و سابقه خدمت رضايت شغلي را مي توانند دقيق تر پيش بيني كنند ، در حالي كه ساير متغيرها در پيش بيني رضايت از شغل كمكي به ما نمي كنند .هنگام استفاده از رگرسيون چند متغيري در روانشناسي بسياري از محققين اصطلاح « متغير مستقل » را براي شناسايي متغيرهايي كه مي پندارد بر تعدادي از « متغيرهاي وابسته » اثر مي گذارد به كار مي برند . ما ترجيح مي دهيم كه از اصطلاح متغيرهاي پيش بين براي متغيرهايي كه امكان دارد در پيش بيني نمره هاي ساير متغيرها كه ما به آنها متغير ملاك مي گوييم به ما كمك كنند استفاده كنيم . بنابراين در مثال ذكر شده قبلي نوع شغل ، حقوق و سابقه خدمت متغيرهاي پيش بين معني دار هستند و به ما اجازه مي دهند تا متغير ملاك يعني ميزان رضايت شخص از شغل خود را تخمين بزنيم . همان طور كه قبلاً اشاره كرديم رفتار انسان به طور ذاتي پيچيده است و بنابراين پيش بيني دقيق آن ممكن است اما رگرسيون چند متغيري اين امكان را مي دهد كه مجموعه اي از متغيرهاي پيش بيني را شناساي كنيم كه با هم برآورد مفيدي را از نمره احتمالي فرد در متغير ملاك ارائه مي دهند . ارتباط رگرسيون چند متغيري و تحليل واريانسدر يكي از بخش هاي قبلي همبستگي و رگرسيون را برايتان توضيح داديم . اگر دو متغير همبسته باشند دانستن نمره يك متغير به شما اجازه پيش بيني نمره متغير ديگر را مي دهد . هر چه ميزان همبستگي بيشتر باشد نمرات به خط رگرسيون نزديك تر و بنابراين پيش بيني دقيق تر خواهد بود . رگرسيون چند متغيري گسترش اين اصل است كه يك متغير را بر اساس چندين متغير ديگر پيش بيني كنيم . هنگام پيش بيني
رگرسيون چند متغيري چيست ؟رگرسيون چند متغيري ( multiple regression ) روشي آماري است كه اجازه مي دهد نمره يك فرد در يك متغير را بر اساس نمره هاي او در چندين متغير ديگر پيش بيني كنيم . ارائه مثالي در اين زمينه مي تواند سودمند باشد . فرض كنيد مي خواهيم پيش بيني كنيم يك فرد از شغلش چقدر لذت مي برد . متغيرهايي مانند درآمد ، ميزان تحصيلات ، سن ، جنسيت ، سابقه خدمت و وضعيت اقتصادي – اجتماعي ، همه مي تواند به رضايت شغلي كمك كند . اگر داده هاي مربوط به اين متغيرها را فرضاً به وسيله نظر سنجي از چند صد عضو از اعضاء جامعه جمع آوري كنيم ، خواهيم ديد كه از ميان متغيرهاي ذكر شده كداميك رضايت از شغل را مي تواند پيش بيني كند و كداميك اين كار را دقيق تر مي تواند انجام دهد . شايد بتوانيم نشان دهيم كه نوع حرفه ، حقوق و سابقه خدمت رضايت شغلي را مي توانند دقيق تر پيش بيني كنند ، در حالي كه ساير متغيرها در پيش بيني رضايت از شغل كمكي به ما نمي كنند .هنگام استفاده از رگرسيون چند متغيري در روانشناسي بسياري از محققين اصطلاح « متغير مستقل » را براي شناسايي متغيرهايي كه مي پندارد بر تعدادي از « متغيرهاي وابسته » اثر مي گذارد به كار مي برند . ما ترجيح مي دهيم كه از اصطلاح متغيرهاي پيش بين براي متغيرهايي كه امكان دارد در پيش بيني نمره هاي ساير متغيرها كه ما به آنها متغير ملاك مي گوييم به ما كمك كنند استفاده كنيم . بنابراين در مثال ذكر شده قبلي نوع شغل ، حقوق و سابقه خدمت متغيرهاي پيش بين معني دار هستند و به ما اجازه مي دهند تا متغير ملاك يعني ميزان رضايت شخص از شغل خود را تخمين بزنيم . همان طور كه قبلاً اشاره كرديم رفتار انسان به طور ذاتي پيچيده است و بنابراين پيش بيني دقيق آن ممكن است اما رگرسيون چند متغيري اين امكان را مي دهد كه مجموعه اي از متغيرهاي پيش بيني را شناساي كنيم كه با هم برآورد مفيدي را از نمره احتمالي فرد در متغير ملاك ارائه مي دهند . ارتباط رگرسيون چند متغيري و تحليل واريانسدر يكي از بخش هاي قبلي همبستگي و رگرسيون را برايتان توضيح داديم . اگر دو متغير همبسته باشند دانستن نمره يك متغير به شما اجازه پيش بيني نمره متغير ديگر را مي دهد . هر چه ميزان همبستگي بيشتر باشد نمرات به خط رگرسيون نزديك تر و بنابراين پيش بيني دقيق تر خواهد بود . رگرسيون چند متغيري گسترش اين اصل است كه يك متغير را بر اساس چندين متغير ديگر پيش بيني كنيم . هنگام پيش بيني