Сохранение новых переменных

Многочисленные вспомогательные значения, рассчитываемые в ходе построения уравнения регрессии, можно сохранить как переменные и использовать в дальнейших расчётах. Для этого в диалоговом окне Linear Regression (Линейная регрессия) щёлкните на кнопке Save (Сохранить).

Откроется диалоговое окно Linear Regression: Save (Линейная регрессия: Сохранение) (рис. 67).

Интересными здесь представляются опции Standardized (Стандартизированные значения) и Unstandardized (Нестандартизированные значения), которые находятся под рубрикой Predicted valnes (Прогнозируемые величины опции).

При выборе опции Unstandardized будут рассчитываться значения у, которые соответствуют уравнению регрессии. При выборе опции Standardized прогнозируемая величина нормализуется. SPSS автоматически присваивает новое имя каждой новообразованной переменной, независимо от того, рассчитываете ли Вы прогнозируемые значения, расстояния, прогнозируемые интервалы, остатки или какие-либо другие важные статистические; характеристики. Нестандартизированным значениям SPSS присваивает имена рге₁ (predicted value), рге₂ и т. д., а стандартизированным zpr_l.^[1]

Рис. 67. Диалоговое окно Linear Regression: Save (Линейная регрессия: Сохранение) В редакторе данных будет образована новая переменная под именем рге₁ и добавлена в конец списка переменных в файле. Для объяснения значений, находящихся в переменной рге₁, возьмём случай 5. Для случая 5 переменная рге₁ содержит нестандартизированнос прогнозируемое значение 263,11 289. Это прогнозируемое значение отличается в сторону увеличения от реального показателя содержания холестерина, взятого через один месяц (chol 1) и равного 260. Нестандартизированнос прогнозируемое значение для переменной chol 1, так же как и другие значения переменной рге₁, было вычислено исходя из соответствующего уравнения регрессии.

Если мы в уравнение регрессии:

подставим исходное значение для cholO (265), то получим:

Небольшое отклонение от значения, хранящегося в переменной рге₁, объясняется тем, что SPSS использует в расчётах более точные значения, чем те, которые выводятся в окне просмотра результатов.

На этом этапе ещё раз проиллюстрируем возможность использования регрессии в качестве прогноза.

• Добавьте для этого в конец файла hyper. sav, ещё два случая, используя фшсгивные значения для переменной cholO. Пусть к примеру, это будут значения 282 и 314.

Мы исходим из того, что нам не известны значения показателя холестерина через месяц после начала лечения, и мы хотим спрогнозировать значение переменной chol.

• Оставьте предыдущие установки без изменений и проведите новый расчёт уравнения регрессии.

В конце списка переменных добавится переменная рге₂. Для нового добавленного случая (№ 175) для переменной chol 1 будет предсказано значение 277,77 567, а для случая № 176 — значение 305,37 620.

• [1] Щёлкните в диалоговом окне Linear Regression: Save (Линейнаярегрессия: Сохранение) в поле Predicted values (Прогнозируемые значения) на опции Unstandardized (Нестандартизированные значения). • Подтвердите нажатием Continue (Далее) и в заключение ОК.