cientistas sociais usam o SPSS (Statistical Package for the Social Sciences ) para analisar os dados . Eles usam uma regressão hierárquica quando querem testar o impacto de variáveis ​​de previsão específica , enquanto controla a influência de outros. A análise de regressão hierárquica permite ao pesquisador especificar a ordem em que as variáveis ​​são inseridas no processo . A análise diz o pesquisador o quão importante é uma variável específica para prever um resultado. Coisas que você precisa
SPSS Dados
Mostrar Mais instruções
Analisar dados
1

Vá em " Ver dados" no SPSS. Clique em " Analisar" na barra de ferramentas na parte superior da página. Selecione " regressão " a partir do menu drop-down e clique em " Linear ".
2

Quando a caixa de diálogo aparecer , mova o variável dependente ( por exemplo, resultado do teste ) na caixa " Dependente " .
3

Digite variáveis ​​de previsão , por exemplo, sexo, raça e ses (status socioeconômico ) na caixa " Independent " . Estas são as variáveis ​​que você deseja controlar.
4

Clique em " Next" , que permite que você insira uma outra variável ou conjunto de variáveis ​​. Inserir a variável (s) em que você está interessado principalmente , dizer "nível de educação " na caixa " Independent " . Clique em " OK".
Ler a saída
5

olhar para a primeira tabela " variáveis ​​entraram /​​Removed ", que lista as variáveis ​​que entraram nos passos 3 e 4 em Analisar a seção de dados. Modelo 1 lista as variáveis ​​que você controladas ( sexo , raça e SES) . Modelo 2 é a variável de interesse ( nível de escolaridade ) .
6

Olhe na mesa ao lado , o " Resumo do Modelo ", que diz que a Praça do R para o modelo 1, com as variáveis ​​controladas ( sexo, raça , ses ) e modelo 2 , a variável de interesse ( nível de escolaridade ) .
7

a informação importante é a mudança de R Praça do Modelo 1 para o Modelo 2. Subtraindo-se os R Praça da modelo 1 (digamos 0,152 ou 15,2%) em relação aos R Praça do Modelo 2 (digamos 0,303 ou 30,3% ) diz-lhe o quanto o seu poder preditivo variável de interesse tem . Neste caso, 30,3% - 15,2% = 15,1 %, o que significa que a sua variável prediz 15,1 % da diferença

.