Można podsumow ać, że: „ Wydaje się, że to całkiem sporo, choć 44% wariancji jest wyjaśniane przez inne zmienne, nicuj ęte w tym modelu”
Bądź: „Moim zdaniem model ten do prognozowania wartości zmieimej objaśnianej na podstawie zmiennych objaśniających, będzie mało przydatny.
6). Kolejnym krokiem jest sprawdzenie czy zmienne objaśniające istotnie wpływają na zmienną objaśnianą. (Pauzę na tabelę .. Współczynniki")
Dla współczyiuiików regresji stawiam liipotezy:
Ho: B, = 0
H,: B.*0
Gdzie i =0. 1.2.3.4
W tabeli „Współczynniki" można zauważyć, że prawdopodobieństwo dla zmiennych: A, B, C jest mniejsze od 0,05. a zatem odrzucam HO zakładającą, że wartość współczynników jest równa 0 na korzyść HI, co oznacza, że te współczyimiki regresji są istotnie różne od 0
Jednak prawdopodobieństwo w tym teście dla zmiennych: X, Y. Z jest większe od poziomu istotności testu (a = 0.05). co oznacza, że nie można powiedzieć, że te współczynniki regresji są istotnie różne od zera. Zmienne te mogą nie być związane liniowo ze zmienną subiekt.
7) . Ponieważ w modelu znajdują się zmieime, które nie są związane ze zmieiuią objaśnianą zastosowano metodę krokową w celu wyeliminowania nieistotnych zmiennych.
8) . Także dla tego modelu sprawdzam jego dopasowanie do danych empirycznych oraz stawiam liipotezy dla współczymiika determinacji:
Ho: R- = 0 H,: R:'0
(Jei//)Prawdopodobieństwo jest mniejsze od 0.0005 (tabela „Anova”). co oznacza że prawdziwy współczynnik determinacji jest istotnie większy od zera. Ten model także jest wystarczająco dobize dopasowany do danych empirycznych.
Następnie, odczytuję wartość współczynnika determinacji (patrz na krok ostatni) z tab. „Model -podsumowanie" i interpretuję:
Np.
Wartość w spółczynnika determinacji wynosi 0,401.
2