I sociologi usano SPSS ( Statistical Package per le Scienze Sociali ) per analizzare i dati . Usano una regressione gerarchica quando vogliono testare l' impatto delle variabili predittive specifiche controllando l'influenza di altri. L' analisi di regressione gerarchica consente al ricercatore di specificare l'ordine in cui le variabili sono inseriti nel procedimento . L'analisi dice al ricercatore quanto sia importante una determinata variabile è nel predire il risultato . Cose che ti serviranno
SPSS
Dati
Mostra più istruzioni
analizzare dati
1
Vai a " Visualizza dati" a SPSS . Fare clic su " Analizza" nella barra degli strumenti nella parte superiore della pagina . Selezionare " regressione " dal menu a tendina e cliccare su " lineare ".
2
Quando viene visualizzata la finestra di dialogo , muovere la variabile dipendente ( ad esempio , valutazione del test ) nella casella " dipendente" .
3
Inserisci variabili predittive , per esempio , sesso, razza e ses ( status socio-economico ) nella casella "Independent " . Queste sono le variabili che si desidera controllare .
4
Cliccare su "Avanti ", che permette di inserire un'altra variabile o insieme di variabili . Inserire la variabile ( s ), in cui si è principalmente interessati, dire " livello di istruzione " nella casella "Independent " . Fare clic su " OK ".
Leggere l'output
5
Guardate la prima tabella "Variabili immessi /Rimosso ", che elenca le variabili inserite nei punti 3 e 4 in Sezione Dati Analizza . Modello 1 elenca le variabili controllate ( sesso, razza e SES ) . Modello 2 è la variabile di interesse (livello di istruzione) .
6
Guardate la tabella successiva , il " Riepilogo del modello ", che ti dice la Piazza R per il modello 1 con le variabili controllate ( sesso ,
7
razza , ses ) e modello 2 , la variabile di interesse (livello di istruzione) . l'informazione importante è il cambiamento di R quadrato dal modello 1 al modello 2 . Sottraendo la Piazza R del modello 1 (diciamo .152 o 15,2 % ), dalla Piazza R del modello 2 (diciamo .303 o 30,3 % ) vi dice quanto potere predittivo tua variabile di interesse ha . In questo caso , 30,3% - 15,2% = 15,1 % , il che significa che la tua variabile prevede 15,1 % della differenza
.
